组合核支持向量机在放电模式识别中的优化策略

传统的单一核函数SVM无法实现局部放电中的多特征空间向量的映射分类,且目前SVM大都采用不同尺度的径向基函数作为核函数,核的调整空间较为有限,无法针对不同特征空间的放电参数达到普适的效果。针对上述问题,本文提出一种基于多分组特征的组合核多分类SVM的局部放电识别方法。该方法首先完成多类特征空间在不同类型SVM核函数中的映射分类,再采用骨干粒子群(BBPSO)优化方法选取最佳核参数,并求解核函数权值系数,最终形成最优核函数组合分类模型。实验结果表明,该方法对多个特征空间数据具有普适性,且融合效果理想,分类精度高于误差反向传播神经网络(BPNN)和SVM识别方法。     

基于DGA的差分进化支持向量机电力变压器故障诊断

针对支持向量机中参数选择严重影响分类效果的特点,提出采用差分进化算法对核函数g和惩罚因子c进行优化,得到最优的支持向量机模型,用于变压器的故障诊断。在简单介绍支持向量机的基础上,分析了采用差分进化算法对支持向量机优化的可行性。通过将收集的数据样本进行预处理,再利用差分进化的变异、交叉和选择对高斯径向基核函数进行优化,搜索出最优(c,g),并对得到的参数进行验证,获得最优的支持向量机模型。仿真实验表明,与SVM、GRID-SVM、GA-SVM、PSO-SVM相比,该方法误判率最低、全局寻优能力及鲁棒性较好。     

基于不同核函数SVR的锂离子电池SOH预测比较

电池健康状态(state of health,SOH)预测是电池故障诊断与健康管理的重要组成部分,准确地预测电池健康状态至关重要.支持向量回归方法因具有良好的回归能力而被作为预测电池剩余使用寿命的首选数据驱动方法之一.核函数将样本从低维空间映射到高维空间,以便进行精确分类,参数选择决定核函数的映射能力,训练集的大小和分布也会影响支持向量回归(SVR)的回归能力.将锂离子电池数据分为前期、中期和后期训练数据.采用遗传算法(GA)和粒子群算法(PSO)对四个核函数的参数进行了优化.实验结果对比表明,采用径向基函数(RBF)的GA-SVR和PSO-SVR可以较准确地预测锂离子电池的剩余使用寿命.     

基于改进GA的RBF核函数参数优化模型

为解决高斯径向基(RBF)核函数参数难选择的问题,提出一种基于Fisher判别准则的径向基核函数参数优化模型.为了寻求模型最优解,对传统遗传算法进行了改进,改进的算法保证了适应度大于平均适应度的个体可以遗传到下一代的种群中.通过改进优化求解的效率更高.利用经过改进的遗传算法对所提出的模型进行全局优化求解,最后使用MATLAB 2009a作为工具,并使用UCI数据库的葡萄酒数据作为分析对象进行了实际的算法验证和评价实验.仿真结果表明,提出模型能够有效地找到合适的参数值,提高了SVM的分类准确度.     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于核Fisher判别分析技术的电力变压器DGA故障诊断模型研究

鉴于核Fisher判别分析技术(KFDA)在模式识别问题中表现出的良好性能,提出了基于KFDA的变压器故障诊断模型,该模型首先提出了区分放电及过热两大类故障的特征量,并用KFDA分类器来识别类内故障的具体类别。采用基于网格搜索的交叉验证法来选择模型参数,避免了参数选择的盲目性和随意性。实例分析表明,该模型具有训练时间短、不存在局部极小等优点,与IEC三比值及改良电协研法相比,具有更好的故障识别效果。     

多分类支持向量机在电力变压器故障诊断中的应用

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好地解决了小样本、高维数、非线性等学习问题。支持向量机分类性能的好坏很大程度依赖于核函数与核参数的选取。目前常用的参数寻优方法有网格搜索法、遗传算法和粒子群优化算法。本文提出了一种基于支持向量机多分类的电力变压器故障诊断模型,以变压器油中5种特征气体作为输入,5种故障状态作为相应的输出,选用高斯径向基核函数,使用网格搜索法获取最优参数C、g。经实验表明,该模型准确率为83.3%,具有较好的实用性。     

基于参数优化SVM算法的交联电缆局部放电模式识别

为避免传统模式识别中神经网络收敛速度慢、过学习等不足或因支持向量机(Support Vector Machine,SVM)参数选择不当而导致识别准确度低,在引入M-ary分类理论将泛化及学习能力更强的SVM算法扩展为多类分类器的同时,利用改进遗传算法(Genetic Algorithm,GA)优化各子分类器的惩罚因子、松弛变量及核函数参数,从而构造出最优参数SVM分类模型。开展交联电缆局部放电模拟试验并提取了表征灰度图象内在分形特征的4个分形维数作为局部放电模式识别的放电指纹,分别采用优化SVM、未优化SVM及径向基函数(Radial Basis Function,RBF)神经网络作为模式分类器完成缺陷分类,并通过对比三者识别效果验证了优化模型的正确性。结果表明,以优化SVM作为分类器时各缺陷识别率均大于95%,且无论是否优化参数,SVM总体识别能力要优于RBF神经网络。     

支持向量机在传动装置故障诊断中的应用

针对传动装置中变速箱齿轮故障诊断问题.利用建立在结构风险最小原理基础上的支持向量机的模式分类功能,构造了两种多故障分类器.支持向量机采用高斯径向基函数作为核函数,选取样本进行测试和训练,在小样本情况下对变速箱齿轮的故障进行诊断.本文重点讨论了"成对分类"与"一对余类"两种多类分类算法的应用.实例表明,多类分类器对设备故障具有很好的分类效果,同时也显示了支持向量机在处理小样本问题上的优越性.     

基于改进Fisher Ratio的RBF网络在油浸变压器故障诊断中的应用

针对Fisher Ratio不能使网络结构得到最大优化这一缺点,提出应用改进Fisher Ratio方法选择RBF网络隐层节点数及径向基函数中心,并采用改进的Fisher比算法完成基于DGA的油浸变压器故障诊断。结果表明,该方法能极大地简化网络结构,提高了分类能力和收敛精度。与改良电协研法相比,具有较好的故障识别效果。     

HUM8D系列塑壳式断路器的介绍与应用

介绍了HUM8D系列塑壳式断路器。阐述了该断路器的用途、适用范围、分类、结构特点和保护参数等。该断路器具有多种智能保护功能,可做到选择性保护,且动作精确,可避免不必要的停电,提高供电可靠性。同时,带有开放式通信接口,可实现"四遥"功能,具有广阔的市场前景。     

基于相关向量机的SAR图像飞机目标分类方法研究

随着合成孔径雷达(SAR)成像技术的发展,SAR图像的数据处理和图像分类工作近年来成为研究热点.在本文中,将相关向量机(RVM)应用于SAR图像目标分类识别,对3类飞机仿真目标进行分类,从分类正确率、分类时间、泛化能力和鲁棒性方面全面考察其性能.与支持向量机(SVM)相比,相关向量机没有多余的参数调整,核函数不需要满足Mercer条件,可以获得更多的稀疏模型.仿真结果表明,在对3种类型的飞机仿真目标进行分类的情况下,使用RVM方法总体分类性能略高于SVM.     

基于支持向量机和交叉验证的变压器故障诊断

为及时监测变压器潜伏性故障和准确诊断故障,提出基于优化惩罚因子C参数的支持向量机算法（C-SVC：C-support vector classification）和交叉验证算法相结合的变压器故障诊断方法。该方法利用变压器在故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的体积分数数据建立训练集和测试集。在训练集中,该方法能自动优化出（寻找最佳）支持向量机的核函数的参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而诊断出变压器的故障类型。变压器故障诊断实例分析结果证明,该方法可行,有效,且具有较高的故障诊断准确率。     

一种自主核优化的二值粒子群优化–多核学习支持向量机变压器故障诊断方法

支持向量机(support vector machine,SVM)对于核函数及模型参数十分敏感,多核学习可降低模型的参数敏感性.提出了基于二值粒子群优化(binary particle swarm optimization , BPSO)的多核学习 SVM 分类方法(BPSO-MKSVC)进行变压器故障诊断.多核学习支持向量机(multi-kernel support vector classifier,MKSVC)采用由多个基核线性组合的多核进行学习,其中每一个基核完成从特定样本空间提取故障特征,通过多面故障特征的线性组合,将学习分类问题转化为相应的凸规划问题进行迭代求解.采用BPSO 优化算法对 MKSVC 中的基核数及模型参数进行优化,实现了参数的自主选择.与常用诊断算法相比, BPSO-MKSVC 具有更高的诊断精度;与 PSO 优化的 SVM方法相比,其具有更低的参数敏感性和更好的鲁棒性     

负荷模型参数简化对负荷分类结果的影响

负荷模型作为电力系统仿真的主要元件之一,越来越受到重视,但目前动态负荷模型的参数个数较多,严重制约了负荷模型参数辨识的精度.为了解决这个问题,通常的做法是对负荷模型参数进行简化;另外,为了消除负荷时变性对建模的影响,需要对负荷进行分类,但参数简化对负荷分类结果是否有较大的影响却不得而知.为了探讨这个问题,应用基于空间响应的聚类分析法对负荷进行了分类,然后应用轨迹灵敏度方法对负荷模型参数进行了简化,重新对数据进行了分类并比较了参数简化前后分类的结果,以一实际系统分析为例,结果表明参数简化前后分类误差没有较大幅度增加,验证了参数简化的有效性.     

基于支持向量机的规则零件检测技术研究

基于机器视觉的零件检测系统由于具有非接触、实时性强、速度快等优点广泛应用于各种工业生产中,提出了一种基于边缘跟踪的零件缺陷边缘智能检测算法,很好的检测到了完整的缺陷边缘,为特征提取提供了高质量的缺陷边缘参数。采用基于支持向量机的分类识别算法,避免了神经网络算法中需要多样本和过度拟合的问题,通过对比分析选择合适于本系统的核函数,并运用基于交叉验证和网格搜索的参数选择方法找到核函数的最佳参数,采用一对一的投票策略进行分类训练和测试,最后对采集到的缺陷零件样本进行了分类测试实验,达到预定的较高的检测精度。     

含类信息的极限学习机自动编码器特征学习方法

极限学习机自动编码器(ELM-AE)将极限学习机(ELM)技术与自动编码器(AE)结合,可以无监督学习数据特征且克服了参数迭代调整的昂贵时间消耗。然而,以最小化重构误差为目标的ELM-AE并不能有效利用分类问题中的数据类别信息,导致特征的类别可分性较差。针对此现象,本文提出一种面向数据分类的含类信息极限学习机自编码(CELM-AE)特征学习方法,该方法将投影特征向量的类间离散度与类内相似度限制到ELM-AE的目标函数中,且可通过解析算法求得更具类别分辨力的最优数据表示。对6种UCI数据集分别使用基于CELM-AE、ELM-AE和AE的特征表示进行分类实验,结果表明,CELM-AE得到的数据特征在两种分类器(ELM/KNN)下的分类精度与稳定性表现均优于ELM-AE与AE,且时间代价很小,说明了CELM-AE在提取可分性数据特征表示方面的优势。     

RBF-SVM的核参数选择方法及其在故障诊断中的应用

基于核理论的SVM中,RBF核函数应用最广,是一个普适的核函数,但其参数的选择却没有固定方法。鉴于此,本文首先分析了现有核函数参数优选算法的不足;然后在SVM网络结构分类原理的基础上提出了基于数据最大方差-关联度准则的核参数选择算法,并结合粒子群算法建立了RBF核参数的自动优选流程。将其用于模拟电路故障诊断实验,证明了所提方法具有参数选择准确、简单快速等优点,优选得到的核参数提高了故障诊断率。     

基于PSO优化核主元分析的海上风电机组运行工况分类

海上风电机组运行环境复杂多变,对其工况进行分类可以提高机组运行健康状态评价的准确性,为制定合理的运行维护策略提供可靠依据。提出一种基于PSO优化核主元分析(KPCA)的多参数工况分类方法。针对核函数参数难以确定的问题,综合考虑类内散度和类间散度构建优化核参数的适应度函数,应用PSO算法对其进行寻优,将优化后的KPCA用于数据的特征提取,在此基础上采用模糊C-均值聚类(FCM)建立分类模型。通过对UCI数据库中的三组实验数据进行分类验证了该方法的有效性。最后,应用该方法对某海上风电场实测数据进行工况分类,并与PCA+FCM、KPCA+FCM两种方法进行比较。结果表明,提出方法的分类结果优于其他两种,能够得到清晰准确的分类结果,利于分工况建立准确的机组运行健康状态评价模型。