基于小波分析诊断和支持向量机的避雷器在线监测数据故障分析

金属氧化物避雷器(MOA)的健康状况对变电站中线路和设备有着巨大影响,对MOA在线监测数据进行故障诊断能够有效减少因事故引起的负荷损失。以基于Penalized软阈值的小波包对某变电站的MOA在线数据进行滤波,从统计角度得到滤波后的故障信号特征,采用支持向量机对信号进行分类,能够在MOA完全失效前诊断出故障出现的时间点,为计划停电检修提供依据。     

粒子群算法应用于避雷器均压环配置优化

合适的均压环配置即均压环数量和参数能使避雷器电阻片的电压承担率分布更加均匀,均压环数量、参数与电压承担率之间存在着复杂的多维非线性关系,均压环最优配置难于求解但易于评估。为了研究该问题,应用粒子群算法对均压环配置进行优化计算,以最大电压承担率为目标,建立不同个数均压环的优化模型,根据个体适应度值自适应调节惯性权重以提高种群的全局与局部寻优能力。算例结果表明:对500 kV避雷器配置3个均压环和配置2个均压环进行优化计算,优化后最大电压承担率分别为1.104和1.143,均小于1.15,满足相关要求。其中,前者优化后均压效果更为显著;后者优化后结构更为简单。     

粒子群算法应用于避雷器均压环配置优化

合适的均压环配置即均压环数量和参数能使避雷器电阻片的电压承担率分布更加均匀,均压环数量、参数与电压承担率之间存在着复杂的多维非线性关系,均压环最优配置难于求解但易于评估。为了研究该问题,应用粒子群算法对均压环配置进行优化计算,以最大电压承担率为目标,建立不同个数均压环的优化模型,根据个体适应度值自适应调节惯性权重以提高种群的全局与局部寻优能力。算例结果表明:对500 kV避雷器配置3个均压环和配置2个均压环进行优化计算,优化后最大电压承担率分别为1.104和1.143,均小于1.15,满足相关要求。其中,前者优化后均压效果更为显著;后者优化后结构更为简单。     

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.     

基于粒子群优化支持向量机的变压器故障诊断

为了克服了人工神经网络(ANN)中存在的过拟合、收敛速度慢、容易陷入局部极值等缺点,提出了基于粒子群优化支持向量机(PSO-SVM)的变压器故障诊断方法,即将粒子群优化算法(PSO)用于SVM参数优化。PSO是一种智能群体搜索方法,它源于对鸟类捕食行为的研究。这种方法不仅具有很强的全局搜索能力,而且容易实现,适合于SVM参数优化。变压器故障诊断实例分析结果证明,PSO-SVM的诊断精度高于IEC三比值法、BP神经网络、普通的SVM,PSO-SVM适用于电力变压器故障诊断。     

基于和声搜索优化支持向量机的变压器故障诊断

针对支持向量机(SVM)的分类性能容易受到参数的影响问题,提出了基于和声搜索算法(HSA)优化SVM的变压器故障诊断模型HSA-SVM,同时还采用不同模型进行了优化并与HSA-SVM模型进行了比较和分析.     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。     

基于差分进化优化的支持向量机燃料电池故障诊断

质子交换膜燃料电池是一种多耦合非线性的复杂系统,电堆内部的水淹和膜干故障是其运行过程中最常见的故障.基于差分进化算法优化的支持向量机方法,可以用于燃料电池故障诊断,该方法在传统的支持向量机模型上增加了主成分提取和差分进化算法寻找最优参数,使模型得到更好的训练效果.采用电堆20片单电池电压为数据集进行相关的故障验证分析,结果表明:通过差分进化算法优化的支持向量机在燃料电池故障诊断中有着较高的准确度,具有一定的工程应用价值.     

微分进化算法结合有限元应用于避雷器均压环优化

避雷器安装均压环能有效改善电阻片的电压承担率分布情况,均压环优化是以均压环管径、环径、罩入深度为优化自变量,最大电压承担率umax和均压环表面最大场强Emax为因变量,其中,umax为目标函数,Emax小于起晕场强为约束条件,均压环的最优参数难于求解但易于评估。为解决这一问题,采用微分进化算法结合有限元对750 kV避雷器均压环进行了优化计算,优化结果表明:优化后的避雷器电阻片电压承担率分布均匀程度改善明显,电阻片最大电压承担率umax由1.429降低至1.108,均压环表面最大场强由2.555 kV/mm改善至1.673 kV/mm,均满足相关标准要求。     

基于小波支持向量机的径流预测性能优化分析

中长期径流预测是水库调度的重要前提和难点问题。在数据驱动预测模型已有研究基础上,提出了基于小波分解的参数优化支持向量机(WD-SVM-PSO)预测模型,实现了对历史径流过程的分频预处理、分类训练、参数优化及交叉验证,从样本数据、模型参数、训练机制三方面对预测模型性能进行优化。采用淮河流域响洪甸水库1959—2014年径流过程进行模型验证,结果表明:WD-SVM-PSO模型预测合格率为93%,且具有良好的泛化性能,有效规避了过拟合现象;进一步通过对照试验仿真,定量揭示了耦合预测模型三方面要素所起的作用大小依次为:样本数据预处理训练模型模型参数。该结论可为分析和完善数据驱动径流预测模型、提高径流预测精度和可靠性提供参考借鉴。     

基于遗传算法优化参数的支持向量机燃煤发热量预测

利用支持向量回归机(SVR)和遗传算法(GA)对煤的低位发热量建模,采用遗传算法对支持向量机预测模型的各项参数进行寻优,为减少所选参数对训练样本的依赖性,引入交叉验证的思想,以推广能力最好的一组参数作为最终参数.将优化参数代入 SVR 模型,得到基于遗传算法的支持向量回归机(GA-SVR)模型.通过对电厂入炉煤的试验数据进行分析,并且与常规 SVR 模型和 BP 神经网络模型(BP-ANN)进行对比,以验证该模型的可靠性和精确性.结果表明,该方法可准确地预测燃煤发热量.     

基于遗传优化的支持向量机小时负荷滚动预测

利用支持向量机(SVM)和遗传算法(GA)建立24个不同的混合模型来对夏季24点负荷进行滚动预测.通过追加最新的负荷和天气信息来更新混合模型的输入,滚动预测下一小时负荷.利用SVM建立预测模型,利用GA自动选择SVM模型的参数.经过GA优化后的最终SVM模型用于滚动预测下一小时的负荷.研究实例表明,GA简化了SVM参数选择,优化了SVM模型;滚动预测效果要明显好于常规预测方法.     

基于差分进化算法优化支持向量机的柴油机故障诊断

针对支持向量机核函数参数和惩罚因子的不同取值会影响到柴油机故障分类正确率的问题,提出利用差分进化算法对支持向量机相关参数进行选择优化,并在实际中通过柴油机故障诊断实验证明了该方法能够获得较高的故障分类正确率,而且运行时间较短,即说明该方法具有一定的实用性。     

基于优化最小二乘支持向量机的负荷预测

针对交叉验证法确定LS-SVM参数存在盲目性的问题,提出了一种自动选择正规化参数和核参数,建立负荷预测模型的方法。该方法把参数选择问题转化为优化问题,采用全局寻优能力强、收敛速度快的量子遗传算法,自动寻找最小二乘支持向量机的最优参数并建立负荷预测模型。     

基于PSO优化支持向量机的SRM无传感器控制

开关磁阻电机(SRM)具有结构坚固免维护、控制灵活、可靠性高等诸多优点,然而转子位置传感器降低了系统可靠性和坚固度,是限制其推广的制约瓶颈。在分析支持向量机(SVM)基本原理的基础上,设计了粒子群优化(PSO)支持向量机网络,解决了可调参数难以确定的问题。以实验测量的SRM磁链特性为学习样本,提出了PSO-SVM的SRM转子位置估计方法,并对仿真结果与神经网络方法进行了对比。基于DSP+FPGA控制核心的仿真和实验结果验证了所提方法的可行性和有效性,电机转子位置估计准确,动静态性能良好。     

基于VMD-SE和优化支持向量机的光伏预测方法

针对光伏电站短期功率预测准确性的问题,提出了一种基于VMD-SE与改进的灰狼优化(Grey Wolf Optimization,GWO)算法优化支持向量机回归(Support Vector Regression,SVR)的组合预测方法。由于不同天气类型的光伏功率输出相差较大,因而利用相似日选取相同天气类型下的数据进行预测;考虑到光伏功率输出随机波动性较强,采用变分模态分解对原始光伏功率序列进行分解,以减少数据的非平稳性;为了克服支持向量回归参数盲目选取的弊端,利用改进的灰狼优化算法对其参数进行优化,以进一步提高数据的预测精度;最后,将分解后的子序列经样本熵重组后相加求和得到最终预测结果。算例结果表明,该组合预测方法整体上预测误差最小,有效提高了光伏输出功率预测的准确性,可以更好地保障电力系统的可靠运行。     

基于入侵杂草优化算法的支持向量机负荷预测

针对支持向量机(Support Vector Machine,SVM)预测方法中的参数选取主要依靠经验试算实验比对的方法导致难以快速选择合适参数从而影响负荷预测精度的问题,研究了将入侵杂草优化算法(Invasive Weed Optimization,IWO)与支持向量机算法相结合的改进算法。提出控制误差ε的取值,采用入侵杂草寻优算法对惩罚参数C和核函数参数σ进行优化选取,将自动寻优的结果赋给支持向量机,从而实现支持向量机自动寻优。用某市的历史负荷及相关天气等信息数据,通过仿真实验证明了IWO-SVM算法用于短期负荷预测的可行性,以及IWO算法对改善SVM的参数选择的有效性。平均预测误差在3%以内,满足行业要求。     

基于混沌优化支持向量机的火电厂NO_x排放量预测

在传统支持向量机的基础上,建立了基于混沌优化算法优化的支持向量机预测模型,提高了支持向量机的预测精度。根据1995~2009年的NOx统计数据,对2010年的NOx排放量进行了预测,验证了预测模型的合理性。     

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。     

基于遗传算法和支持向量机的低NOx燃烧优化

大型四角切圆电站锅炉NOx排放是造成环境污染的重要因素，也是电厂关心的重要问题。影响燃煤锅炉NOx排放量的因素众多而且复杂。对锅炉NOx排放特性进行建模预测，并结合优化算法实现燃烧优化是降低锅炉NOx排放的有效方法。文中应用支持向量机算法建立了大型四角切圆燃烧锅炉NOx排放特性模型，接合遗传算法，利用NOx排放的热态实炉试验数据对模型进行了校验，对锅炉运行参数进行了优化。结果表明，通过遗传算法的寻优， NOx排放量有比较明显的降低。支持向量机与遗传算法相结合与其它方法相比具有泛化能力好，计算速度快等优点，是锅炉NOx排放控制的有效工具。