基于支持向量机的区域覆冰模型

针对无人区输电线路冰区划分问题,本文提出一种基于支持向量回归机(support vector vegression,SVR)的区域覆冰模型。利用研究区域大量实测覆冰数据和同时气象数据,采用ArcGIS提取区域地形因子,并将气象因子空间数值化,分析覆冰与气象因子和地形因子的关系,构建区域覆冰数学模型。研究结果表明支持向量机覆冰模型优于线性模型。     

基于极限学习机和支持向量机的输电线路覆冰预测

物体表层的水分会因为受到特殊气象条件的影响导致物体出现覆冰现象,此类现象常见于飞机跑道、高速路等。当覆冰现象发生在电力系统中可能会因此产生诸多不利影响,如使输电线路发生形变而进一步造成损坏,更严重的情况还可能会导致断线,断线造成的停电中断容易引起更大范围的供电系统瘫痪,造成重大经济损失。尤其是在极端天气状况下,事故率非常高,很有必要对该类型事故进行深入分析和研究。     

基于粒子群算法优化支持向量机的输电线路覆冰预测

分析了现有输电线路覆冰厚度预测方法中的不足,提出了一种基于粒子群算法优化支持向量机的输电线路覆冰预测。通过历史覆冰增长数据样本对支持向量机进行训练,利用训练的模型对线路覆冰厚度进行预测。同时利用粒子群优化算法对支持向量机关键参数进行优化,有效提高了覆冰厚度预测精度,为输电线路防冰提供了可靠依据。     

基于支持向量机和模糊控制的输电线路覆冰状态评估模型

输电线路覆冰严重威胁着电力系统的安全运行。为提高输电线路覆冰状态评估准确率,以输电线路覆冰监测系统为基础,综合考虑监测系统的等效覆冰厚度、微气象参数以及覆冰持续时间等,提出基于支持向量机和模糊控制的输电线路覆冰状态评估模型。支持向量机实现覆冰状态的初步分类,输出无覆冰状态和有覆冰状态,针对有覆冰的状态进一步通过模糊控制评估模型对覆冰的严重程度作出准确评估,输出线路覆冰综合评估结果。实验数据验证了评估模型的准确性和可行性。     

基于支持向量机的输电线路覆冰回归模型

为对输电线路覆冰进行有效地监测、预测及预警,提出了一种基于支持向量机(support vector machine,SVM)的输电线路覆冰回归模型,用于输电线路覆冰情况的短期预测。这一研究工作是在MATLAB环境下,应用LIBSVM软件包编程进行建模仿真的;针对实测微气象-覆冰数据多维、自由度大的特性,选定与覆冰相关性最大的气温、相对空气湿度数据以及覆冰参考量作为输入量,覆冰质量作为输出量;提出了基于支持向量机的超短期预测、短期迟滞预测和滚动预测3种预测模型,并通过实例数据仿真评估了模型的有效性。结果表明:超短期预测模型预测精度>90%,但时效仅15min、实用价值较低;短期迟滞预测模型和滚动预测模型在2h内预测精度均>80%,可适用于输电线路覆冰的短期实时预测;滚动预测模型理论上可预测更长期的覆冰情况,假设微气象参量恒定不变限制了其预测精度,若结合微气象预报将会有更好的预测效果。由于目前适用于建模仿真的完整覆冰数据较少,因此支持向量机用于建立输电线路覆冰回归模型的有效性和稳定性还有待进一步验证。     

基于布谷鸟搜索算法优化支持向量机的输电线路覆冰预测

为了提高输电线路覆冰预测精度,采用主成分分析确定输电线路覆冰的关键影响因子为温度、湿度和风速,以此作为覆冰预测模型的输入量。采用布谷鸟算法对支持向量机的惩罚因子和核参数进行优化,建立基于CS-SVM的输电线路覆冰厚度预测模型。采用实际运行线路的覆冰数据进行仿真分析,结果表明,基于CS-SVM的输电线路覆冰厚度预测模型的平均相对误差、均方根误差和全局最大误差分别为5.254%、0.952%、5.827%,均小于其他几种常用覆冰预测模型,验证了模型的正确性和有效性。     

基于灰色支持向量机的输电线路覆冰厚度预测模型

为了降低输电线路覆冰事故对电网安全造成的严重影响,对输电线路覆冰厚度进行预测将能够有效地指导电网抗冰工作。提出了基于灰色支持向量机的输电线路覆冰厚度短期预测模型,分析了样本中脏数据的剔除及数据预处理方法,通过模型预测值与实测数据的对比验证了该模型的准确性和适用性,根据模型预测的线路最大覆冰厚度值对现场观冰、冰情预警以及开展交直流融冰提供策略指导。将该模型与传统的支持向量机和广义回归神经网络覆冰预测模型进行了对比,结果表明,该模型平均误差为0.325 mm,平均绝对百分误差仅为2.61%,适用于输电线路覆冰厚度短期预测。在易覆冰地区,应用该预测模型能够更好地指导输电线路抗冰工作。     

基于Bi-LSTM和支持向量机的风机叶片短期覆冰状态预测模型

风机叶片覆冰灾害严重危害风电场安全经济运行,对风机叶片覆冰状态的预测是预防覆冰灾害的有效手段。针对传统覆冰状态预测方法精度较差问题,基于风电场SCADA监测数据,提出一种基于Bi-LSTM和SVM的风机叶片短期覆冰状态预测模型。首先,采用PCA对风机叶片覆冰状态监测特征指标进行降维,筛选可以反映风机叶片覆冰状态的特征指标;其次,基于大量历史数据,对Bi-LSTM和SVM模型进行训练,训练结果表明模型有较好精确度;最后,将多组实际数据集输入Bi-LSTM预测模型,预测输出值输入SVM模型,对风机叶片是否会出现覆冰故障进行判别。结果表明,所提方法可准确实现叶片覆冰状态预测,准确率可达95%。     

基于覆冰增长速度的覆冰在线监测系统动态预警方案研究与探讨

以覆冰在线监测系统的预警方式为对象,提出基于覆冰增长速度的动态报警方式,根据覆冰增长速度结合气象预报推算得出覆冰达到设计值所需的预警时间,从而对覆冰进行动态预测,为启动融冰措施提供依据.     

利用泄漏电流分帧与小波技术识别覆冰绝缘子闪络故障

在人工气候室内,通过动态采集3片串XP-70覆冰绝缘子融冰过程中的泄漏电流,并在比较传统利用时频域分析泄漏电流存在不足的基础上,提出了对闪络全过程的泄漏电流采用分帧计算参考量:短时能量信号和过零率信号的极值,利用小波分解重构能量信号与过零率信号的包络曲线,从而从数值和曲线2个直观的角度快速地为覆冰绝缘子闪络故障的发生提...     

应用支持向量机的变压器故障组合预测

对变压器油中溶解气体进行预测有助于及时预测变压器的故障。提出一个基于支持向量机(support vector machine,SVM)的变压器故障组合预测模型及其求解步骤。在预测过程中,首先利用多个单一预测方法如线性模型、指数模型、乘幂模型、非等间隔灰色GM(1,1)模型和非等间隔灰色Verhulst模型构成预测模型群,对原始油中溶解气体数据进行拟合。然后,将预测模型群的拟合结果作为支持向量机回归模型的输入进行2次预测,形成变权重的组合预测。该文对基于SVM的组合预测过程和参数计算进行了详细地探讨。通过2个实例证明了该文提出的组合预测模型能较好地平衡拟合和外推,在某种程度上解决了传统方法拟合优而外推差的问题。此外,通过与多种预测方法进行比较,基于支持向量机的变压器故障组合预测模型的预测精度明显优于单一预测模型和其它的组合预测模型。     

基于支持向量机的复杂环境条件下绝缘子闪络电压的预测

在大型人工气候实验室对XZP-160绝缘子试验数据的基础上,提出了一种基于支持向量机的绝缘子闪络电压预测方法。支持向量机是以统计学习理论为基础的,采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法。该文以气压、覆冰、污秽程度等环境条件作为输入,绝缘子的闪络电压作为输出,对环境条件和闪络电压的关系进行训练,建立绝缘子闪络电压的预测模型。结果表明预测的闪络电压与实测结果基本一致。该方法为复杂环境条件下外绝缘的选择提供了一种新的途径。     

基于支持向量机和多源信息的直驱风力发电机组故障诊断

提出了一种综合考虑风速、转速以及主轴水平方向和垂直方向振动的时域特征参数、频域特征参数等多源信息的基于支持向量机(support vector machine,SVM)的直驱风力发电机组故障诊断方法。对直驱风电机组正常状态、风轮质量不平衡、风轮气动不平衡、偏航和断叶片等5种状态进行实验分析,研究不同状态下的机组特征。根据实验分析结论,将风电机组主轴水平方向、垂直方向振动的时域参数、频域参数以及风速、转速选为描述机组运行状态的特征参数,对机组进行故障识别。将风电机组5种状态下的特征参数作为学习样本,在SVM中训练,建立不同特征的参数向量和故障类型的映射关系,从而达到故障诊断的目的。根据风电机组不同故障的实验数据,对考虑多源信息的故障模型进行应用检验。结果表明,该方法简单有效,具有很好的故障识别能力和良好的鲁棒性,适合直驱风电机组故障诊断,同时可以满足在线故障诊断的要求。     

支持向量机的低压故障电弧识别方法

故障电弧是引发电气火灾事故的主要原因之一。该文将支持向量机引入故障电弧研究领域,进行不同负荷情况下故障电弧识别检测。首先参照美国UL1699标准进行实验采集电流数据,然后利用支持向量机实现故障电弧训练、检测识别,并对训练、识别结果进行分析,实验证明本文的检测方法具备一定的泛化能力。     

基于支持向量机的齿轮箱齿轮故障诊断

通过对风机传动系统中齿轮故障进行模拟试验,构建结构风险最优的支持向量机（SVM）网络,对采集到的电磁速度信号进行快速傅里叶分解,选取高频段的频谱特性作为分量进行样本化学习,完成对齿轮故障样本的训练,使SVM具备分类功能.最后,采用SVM对齿轮箱试验台齿轮故障进行诊断分类识别,取得较好的效果,说明齿轮故障信号高频特性所包含故障信息在整个频谱中的有效性以及SVM作为一种故障诊断方法的实用性.     

基于粗糙集与支持向量机的变压器故障诊断法

为了及时监测变压器潜伏性故障和准确诊断故障,提出了一种基于粗糙集与支持向量机相结合的电力变压器故障诊断的新方法。该法应用粗糙集理论将专家知识简化,获得简约诊断规则并对变压器进行粗诊断,然后以支持向量机准确的二类分类功能进行准确故障诊断。该方法实现了两种智能算法的有效互补,拥有粗糙集理论的处理不完备信息能力、简单快速以及支持向量机准确的二类分类功能,有效弥补了单一算法的不足,提高了故障诊断的快捷性和准确性,且降低了样本训练时间和诊断的复杂度。实验结果与改进的IEC三比值法比较,表明该方法有效、可行,具有较高的诊断准确率。     

基于变量选择的锅炉NO_x排放的最小二乘支持向量机建模

电站燃煤锅炉是大气NOx污染的主要来源之一,建立有效的NOx排放模型是锅炉优化降低NOx的基础。针对热工过程变量之间的强相关和耦合性,利用偏最小二乘方法(partial least squares,PLS)对多工况实炉热态测试数据进行重要变量(variable importance in projection,VIP)信息提取和变量选择(variable selection,VS),把最优的变量子集作为最小二乘支持向量机(least squares support vector machine,LSSVM)的输入,最终得到NOx排放的VS-LSSVM模型。最优的输入变量个数通过留一交叉验证法获取。并将该模型与其他建模方法进行对比,结果表明通过变量选择后建模可以降低模型的复杂度,提高模型的泛化能力。     

支持向量机在模拟电路故障诊断中应用

支持向量机是建立在统计学习理论基础上的机器学习方法,结构简单,泛化能力强,对小样本分类具有良好的识别效果.本文提出了基于支持向量机的模拟电路故障诊断新方法,描述了电路故障特征的选取过程,建立了以支持向量机为基础的模拟电路故障诊断模型.并以双二次滤波电路为诊断实例,实验结果表明,该方法故障诊断准确率大于96.5%,优于传统方法.     

基于分形维数和支持向量机的串联电弧故障诊断方法

电弧故障是引起电气火灾的重要原因之一。针对串联电弧故障随机性、多样性和隐蔽性等带来的诊断难题,为提高故障诊断率,设计了一种新的串联电弧故障诊断方法。借助高频电流传感器和高速数据采集系统采集串联电弧故障电流,通过分形维数定量衡量高频电流信号的混沌特性,以便提取串联电弧故障的特征信息,以盒维数和关联维数构造串联电弧故障的特征向量,采用最小二乘支持向量机对电流信号的特征向量进行分类,实现了线路正常与串联电弧故障状态的正确区分。运用所建立的实验平台验证了整个诊断方法的有效性,实验结果表明,串联电弧故障诊断率达到98%以上,所设计的诊断方法具有良好的泛化能力。