基于最小二乘支持向量机的高压绝缘子污秽程度评定

研究表明,泄漏电流的各种电气特征量除了与绝缘子表面的污秽状况有关外,还受温度、湿度等环境因素的影响,并且与各因素之间存在着复杂的非线性关系.因此,绝缘子在线监测系统通过单一检测泄漏电流的大小来评定表面污秽状况是不科学的.文中在实验室模拟试验和现场实测数据基础上,利用最小二乘支持向量机这种新的机器学习工具,分别用2种核函数建立了以泄漏电流有效值、泄漏电流峰值、泄漏电流脉冲频度、环境湿度、温度等5个变量作为输入参数,污秽程度作为输出参数的评定模型,超平面参数通过交叉检验的方式确定.实验结果表明,最小支持向量机具有很好的学习、分类和泛化能力,且对于污秽程度评定问题选用RBF核函数相对于多项式核函数有更高的判别准确率.     

LCM高压绝缘子污秽在线监测系统

通常,国内专家都采用测量绝缘子表面的等值盐密来对高压绝缘子的安全性能进行技术衡量。而测量绝缘子表面的等值盐密只能了解其污秽程度,不能真实地反映绝缘子的泄漏电流随环境的变化和放电几率。澳大利亚红相(厦门)公司和澳大利亚POW-ERLINK昆士兰州电力公司联合推出电力传输线及变电站绝缘子在线监测系统(LCM)。通过这套系统人们能够对污秽环境下运行绝缘子进行实时监测,较科学地安排清扫周期,保证设备的安全运行。1　在线监测系统原理分析　　LCM高压绝缘子在线监测系统对运行绝缘子的泄漏电流从绝缘子的第2片截取下来(如图1所…     

基于支持向量机的高压绝缘子污秽等级红外热像检测

提出了一种红外热像处理与支持向量机多值分类器相结合的新方法对高压绝缘子污秽等级进行检测.采用基于梯度信息的自适应平滑滤波方法对原始图像进行了滤波处理;利用OTSU图像分割方法对滤波后的图像进行分割,获取绝缘子盘面区域,并从绝缘子盘面区域提取了最高温度、最高温度与最低温度的比值、盘面温度的标准偏差、部分最高温度像素点个数与目标总像素点个数的比值共4个反映污秽程度的红外特征量;设计了支持向量机多值分类器对绝缘子污秽等级进行分级.试验结果表明,文中所选取的绝缘子红外特征量可有效表征绝缘子的污秽等级,所采用的支持向量机多值分类器是一个小样本、高效率的分类器,所提出的绝缘子污秽等级检测新方法是可行的.     

最小二乘支持向量机在绝缘子污秽放电声发射监测中的应用

绝缘子污秽放电伴随着声发射现象,人工污秽试验表明,污秽绝缘子放电声发射信号与绝缘子污闪放电的发展存在复杂的非线性关系。为有效分析绝缘子放电声发射信号,从而判断绝缘子表面的污秽放电状况,利用最小二乘支持向量机这种新的机器学习工具,建立了以污秽绝缘子放电声发射信号中的多个变量作为输入参数,污秽程度作为输出的绝缘子运行状态评定模型。模型参数通过交叉检验的方式确定,并通过部分仿真数据验证了该模型的有效性。仿真结果表明,最小支持向量机具有很好的学习、分类和泛化能力,满足绝缘子污秽监测实际要求。     

高压输变电设备绝缘子盐密的在线监测

介绍了目前国内2种常用的输变电设备防污监测手段,分析了这2种手段的优点和不足之处,并在此基础上介绍了一种新型的光传感器输变电设备在线盐密监测系统。该系统利用现场安装的数据监测终端,采集现场的温度、湿度以及光能参数等,通过GSM(或GPR、CDMA)的数据通信模块将现场采集的数据发送到盐密监测中心,监测中心的工作站根据数学模型计算得到盐密数据。系统采用数据库技术进行数据管理,可实现自动、连续在线监测绝缘子污秽状况。该盐密监测系统经过长时间的理论研究与现场挂网运行,所测量的结果与传统的等值盐密法所测得结果基本一致,符合现行国家标准的要求。     

污秽地区绝缘子串的在线监测

位于墨西哥东北部地区４００ｋＶ线路的外绝缘,由于污秽积累,已我次闪络。为保证线路安全云霞我种措施。目前已研制出测试绝缘子泄漏电流及表面电阻的系统以帮助这些线路进行维护,该系统已安装在几基杆塔上,作为监测污秽绝缘子串表面状况的诊断工具,本文叙述了该系统的开发、实验室测试及现场安装。     

基于多层支持向量机的蓄电池在线监测方法研究

常规的蓄电池在线监测节点一般采用独立或区域布设形式,监测的范围受限制,导致在线监测频率均值下降,因此探讨了基于多层支持向量机的蓄电池在线监测方法。根据当前测定,先进行蓄电池电动势及幵路电压应用数值采集,采用自适应的方式,打破监测范围的限制,部署自适应在线监测节点;然后构建多层支持向量机的蓄电池在线监测模型,采用持续跟踪预警处理强化在线监测。针对选定的4个蓄电池,按照顺序分别植入0.8 mm、1.2 mm及2.1 mm的4个型号的电阻丝,形成不同的电阻率。经测定计算最终得出在线监测频率均值均可达到150 Hz以上,说明设计的蓄电池在线监测方法更加稳定、安全,在不同环境下的整体适应度更强,监测效率得到了显著提升。     

输电线路污秽绝缘子在线监测

研究模糊报警模型在污秽绝缘子在线监测系统中的应用问题.提出要提高报警的可靠性必须利用电晕电流、泄漏电流、温度、湿度与绝缘子污秽程度的非线性关系,进行报警.     

应用最小二乘支持向量机在线预测绝缘子等值附盐密度

污秽等级评定方法是绝缘子泄漏电流在线监测系统的重要研究内容,等值附盐密度是确定污秽等级的唯一依据,而泄漏电流与绝缘子表面污秽状况密切相关。笔者采用最小二乘支持向量机(LS-SVM)方法,建立以泄漏电流有效值、泄漏电流峰值、脉冲电流次数、环境湿度、温度5个变量作为输入参数,ESDD作为输出参数的智能预测模型。实验结果表明,该方法有效、模型预测精度高,能实现绝缘子表面污秽程度在线评估。     

基于模糊神经网络的绝缘子表面污秽在线监测

在恶劣的自然环境下,积污绝缘子随时可能发生闪络。在实验室模拟试验和现场实测数据基础上,分析了环境因素对不同污秽程度绝缘子外部电气特性的影响。通过选择泄漏电流有效值、泄漏电流峰值及泄漏电流脉冲频次、环境温湿度等参量作为输入参数,提出采用模糊神经网络方法实现对输电线路绝缘子污秽状况在线监测结果的综合评定。介绍了基于模糊神经网络的污秽评定模型的构建过程,最后列举部分试验数据验证了该方法的可行性。     

基于改进支持向量机的砂带磨损程度识别

为了准确判断砂带在磨削螺杆转子时的磨损程度,根据砂带磨损过程中表面图像颜色特征和纹理特征的变化规律,对砂带磨损程度进行识别。对磨削加工后砂带表面图像的纹理特征和颜色特征进行提取,根据不同磨削时间段螺杆转子表面粗糙度划分砂带磨损程度。支持向量机的分类性能受到自身核函数与惩罚函数的影响较大,因此提出利用天鹰优化算法对支持向量机的核参数与惩罚参数进行优化,建立AO-SVM砂带图像识别磨损程度模型。利用自主研发的螺杆转子专用砂带磨削装置完成实验。磨削参数设置如下：砂带线速度为10 m/s,工件轴向进给速度为50 mm/min,张紧轮的气缸压力为0.35 MPa,主动轮的气缸压力为0.5 MPa,磨削时间为25 min。AO-SVM对砂带磨损程度模型的识别准确率达到92.5%,比随机森林算法(RFC)和XGboost分类算法分别高出5.0%和3.6%,且收敛速度更快。AO-SVM模型可以通过砂带表面图像的颜色特征变化和纹理特征变化对砂带磨损程度进行识别,可以有效避免砂带磨损过度损伤工件,为砂带磨削螺杆转子时判断砂带的磨损程度和换带时间提供理论指导。     

基于支持向量机的随钻测量

针对目前随钻测量的需要,提出了一种基于支持向量机预测的随钻测量方法.与传统随钻测量方法相比该方法能够预测提示井下钻头需要待钻进的地理方位位置,为司钻人员下一步的施工钻进提供方位信息.通过现场试验数据测试,结果表明,该方法能够预测提示井下定向钻进过程中的定向方位信息,大幅度节省钻进施工时间.     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

基于改进支持向量机的智能电能表故障多分类方法

智能电表故障多分类对于制定合理及时的智能电表检修计划具有重要意义。针对智能电表故障多分类问题,采用支持向量机构建多分类模型,所建立的模型提取智能电表的输出电压,输出电流,输出功率,功率因素误差等数据作为分类依据构建多维空间,考虑包括误差超差,直流电流开路,直流电压短路,控制回路短线在内的智能电表模式识别故障分类。通过所建立的模型依据有限的样本信息在复杂性和学习性之间寻求平衡,对智能电表多维度运行信息在超平面之间进行最佳分类从而进行故障分类,通过引入一类对多类的最优分类平面集进行改进从而适用于多分类模型。采用混沌粒子群算法针对所建立的基于改进支持向量机的智能电表故障多分类方法进行求解流程设计。最后通过对某配电台区智能电表故障分类问题采用所建立的模型进行仿真,验证了模型的合理性。     

Genetic algorithm based support vector machine for on-line voltage stability monitoring

A Genetic Algorithm based Support Vector Machine (GA-SVM) approach for online monitoring of long-term voltage instability has been proposed in this paper. The conventional methods for voltage stability monitoring are highly time consuming hence infeasible for online application. Support vector machine is a powerful and promising function estimation tool. To improve the accuracy and minimize the training time of SVM, the optimal values of SVM parameters are obtained using genetic algorithm. The proposed approach uses the voltage magnitude and phase angle obtained from Phasor Measurement Units (PMUs) as the input vectors to SVM and the output vector is the Voltage Stability Margin Index (VSMI). The effectiveness of the proposed approach is tested using the New England 39-bus test system and the Indian Northern Region Power Grid (NRPG) 246-bus real system. The results of the proposed GA-SVM approach for voltage stability monitoring are compared with grid search SVM (GS-SVM) and artificial neural networks (ANN) approach with same data set to prove its superiority.     

基于改进萤火虫算法和多分类支持向量机的变压器故障诊断

为了高效完成电力变压器故障诊断,引入萤火虫算法(FA),利用混沌优化理论和自适应变步长机制对算法进行改进,提高算法的收敛速度和精度,并将改进萤火虫算法(IFA)和支持向量机(SVM)理论相结合构造变压器故障诊断方法.该方法利用IFA选择合适的SVM参数,同时结合二叉树方法构造多分类SVM进行变压器故障类型识别.变压器故...     

基于支持向量回归机的谐波分析

传统谐波分析方法中,窄带滤波器选频法对元件参数十分敏感,受外界环境影响较大,且精度难以保证;快速傅里叶分解法会产生频谱泄漏误差,不同频率谐波之间也有干扰;神经网络分析方法检测精度高,但其基于大样本的学习方法,受样本及训练初始值影响较大,有时会导致训练不成功。为减小外界环境影响,提高检测精度和降低噪声影响,提出基于支持向量回归机的谐波分析方法,它是基于统计学习理论,以结构风险最小化为原则的机器学习,通过引入松弛变量和损失函数提高算法泛化能力和减小误差,该算法最终转化为标准二次规划问题,有全局最优解。通过算例分析,并与傅里叶检测方法相比较,可知该算法具有稳定性好、检测精度高、对噪声不敏感等优点。     

基于支持向量机模型的环境音分类研究

音频分类是提取音频结构和内容语义的重要手段,是基于内容的音频、视频检索和分析的基础.支持向量机(SVM)是一种有效的统计学习方法.本文提出了一种基于SVM的音频分类算法.将环境音分为6类:车鸣声,钟声,风声,冰块声,机床声和雨声.特征抽取是音频分类的基础.本文从帧层次上深入分析了不同类音频之间的区别性特征,包括频域能量,子带能量,过零率,频率中心,带宽,基音频率及MFCC(Mel-Frequency Cepstral Coefficients).实验结果表明,支持向量机模型的环境音分类性能较好,最优分类精度达到97.73%.     

基于ISSA优化SVM的变压器故障诊断研究

针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM, PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。     

基于改进支持向量机的MMC-MG系统桥臂故障诊断

模块化多电平换流器(modular multilevel converter, MMC)半桥串联结构微电网系统桥臂中各发电模块通过串联方式连接,其投入和切除由半桥变流器(half-bridgeconverter, HC)中绝缘栅双极型晶体管(insulatedgatebipolar transistor,IGBT)的开通与关断来实现。而该系统在并网双闭环控制下,若桥臂中HC及其连接线路发生故障,会对系统的输出特性造成一定影响。为此,分析了HC中IGBT与其反并联二极管发生开路或短路故障,以及HC之间的连接线路发生开路故障时,桥臂输出电压电流、相间环流、并网电流等参数的变化情况。选取异常变化明显的参数作为特征属性,并用其构造样本数据集。另外,在系统桥臂的故障诊断中,针对采用传统支持向量机(support vector machine, SVM)时其准确率较低的问题,建立基于鲸鱼改进SVM的故障诊断模型。结合不同数据集,通过仿真实验对所建模型的有效性进行验证。结果表明：与传统SVM和BP神经网络算法相比,基于鲸鱼改进SVM的故障桥臂诊断方法准确率更高。