基于免疫优化多分类SVM的变压器故障诊断新方法

针对支持向量机中参数设置对支持向量机分类精确度影响较大及传统支持向量机不能直接用于多分类问题的状况,提出了一种基于免疫优化多分类支持向量机的变压器故障诊断新方法,该方法利用免疫算法优化支持向量机分类参数。以一类分类算法为基础建立多分类算法模型,在高维特征空间求出超球体中心,然后计算样本与中心最小距离,以此判定该点所属故障类型。该算法充分发挥了支持向量机高泛化能力的优势,大大减少了对支持向量机参数选择的盲目性。仿真计算结果表明,在有限样本情况下,该方法能够达到较高的变压器故障诊断率,从而证实了该方法的正确性和有效性。     

基于免疫支持向量机方法的电力系统短期负荷预测

在对支持向量机(Support Vector Machines,SVM)方法的参数性能进行分析的基础上,提出了一种免疫支持向量机方法来预测电力系统短期负荷,其中利用免疫算法来优化支持向量机方法的参数.免疫算法是根据人类或其它高等动物免疫系统的机理而设计的,通过仿真抗原和抗体之间的相互作用过程,有效地克服了未成熟收敛现象,提高了群体的多样性.电力系统短期负荷预测的实际算例表明,与支持向量机方法相比,本文所提免疫支持向量机方法具有更高的预测精度.     

短期负荷预测的支持向量机参数选择方法

支持向量机SVM(support vector machine)方法的合理参数选择对提高回归结果的准确性有重要作用.该文采用基于支持向量机短期负荷预测的参数选择方法,用遗传算法对参数种群进行编码、交叉、复制和变异,求得最优参数和最优核函数.将该算法应用于电力系统短期负荷预测中,应用了筛选和不筛选特征值两种方案对历史数据进行了预测.算例证明,无论是应用筛选特征值方案还是不筛选特征值方案,参数选择对预测精度提高都具有重要作用.     

自适应模糊支持向量机邻近增量算法在变压器故障诊断中的应用

提出了一种基于自适应模糊支持向量机增量算法的变压器故障诊断方法.对变压器故障诊断采取分层结构,以模式识别思想提取与分类模式密切相关的输入特征,有效地抑制了冗余信息的干扰;采用参数自适应优化算法增强了SVM参数选择的灵活性,加快了算法的收敛速度.邻近增量算法提高了诊断模型的精度与对于新样本的学习能力,与普通的多分类支持向量机以及多分类模糊支持向量机算法相比,该算法具有较好的收敛性和良好的诊断效果.     

基于支持向量机的中长期电力负荷预测

通过探讨多种确定性及非确定性负荷预测方法,将当前少有应用的支持向量机算法引入电力系统负荷预测。介绍了统计学理论,引入了根据该理论提出的支持向量机算法。对支持向量机算法原理进行了介绍,分析了该算法的本质及应用价值。采用回归问题的支持向量回归机ε-SVR算法,给出了将该算法应用于中长期负荷预测的方法。通过算例,验证了该方法的有效性。     

基于最小二乘支持向量机的短期负荷预测

针对当今人工智能短期负荷预测方法存在的缺陷,提出了一种最小二乘支持向量机(LS-SVM)短期负荷预测方法,即建立最小二乘支持向量机(LS-SVM)回归模型。在选取该模型训练样本时,为了提高预测精度,采用灰色关联投影法来选取相似日。同时,针对标准粒子群优化算法易陷入局部最优的缺点,提出自适应变异粒子群优化算法来选择最小二乘向量机的参数,从而提高了负荷预测精度,避免了对模型参数的盲目选择。仿真结果分析表明,该方法有效、可行。     

基于混合免疫算法的变压器故障诊断

为了提高变压器故障诊断正确率,提出一种免疫支持向量机混合智能诊断方法,首先将变压器故障分为放电性和过热性,然后用免疫聚类算法对所荻取的数据进行预选取,加快模型参数的确定速度,利用支持向量机识别类内变压器故障,利用基于交叉验证的网格搜索法来确定支持向量基的参数.经过大量实例分析,并将其结果与神经网络方法进行对比,表明该算法具有较高的诊断精度.     

基于人工免疫加权支持向量机的电力负荷预测

提出了一种人工免疫加权支持向量机负荷预测模型,针对各训练样本重要性的差异,提出了给各个样本的参数赋予不同权重的加权支持向量机方法,并用人工免疫算法对支持向量机的核函数和参数进行寻优,从而很好的解决支持向量机应用中核函数和参数选择这一公认的难题,减少了人工凭经验选择的盲目性.经过仿真,证明了其在短期负荷预测中的有效性.     

基于最小二乘支持向量机的冷端玻璃板位置建模

玻璃生产线上对冷端玻璃板运动位置监测效果的好坏是安全、高效生产的关键,本文尝试了一种改进最小二乘支持向量机的数据拟合算法来对不同时刻冷端玻璃板的运动位置进行建模。支持向量机是针对小样本的新的学习机器,具有良好的泛化性。通过剪枝算法提高其快速性和稀疏性,并用遗传算法搜索向量机的参数,避免了参数选择的盲目性,获得了最优的参数,提高了预测能力。将此法与工程上常使用的非线性回归分析方法进行仿真比较,结果表明基于改进最小二乘支持向量机算法的拟合效果更好。     

采用支持向量机和模拟退火算法的中长期负荷预测方法

准确的中长期负荷预测能够提高电力系统的经济效益和社会效益.分析了支持向量机(support vector nachine,SVM)模型,并针对利用支持向量机进行负荷预测需要人为地确定相关参数的不足,提出了利用支持向量机进行中长期预测的新方法.该方法利用模拟退火(simulated annealing,SA)算法自动优化参数.实例验证结果表明,所提出的方法可以有效地选取支持向量机模型的参数,降低支持向量机的建模误差和测试误差,该方法与利用默认参数支持向量机进行预测的方法相比,有效地提高了负荷预测精度.     

基于遗传算法与支持向量回归的发电机运行参数趋势预测

针对支持向量回归(SVR)模型在设备运行参数趋势预测中。根据人为经验选取模型参数导致预测精度不高的问题,提出了一种使用遗传算法(GA)优化SVR模型参数的方法(GA-SVR)。将该方法应用于发电机定子线圈出水温度的实时趋势预测中。结果表明,相较于SVR模型,GA-SVR具有更高的预测精度,能够满足电厂对发电机运行参数变化的趋势预测精度要求。     

基于改进GWO-SVR的锂电池SOH估计

为了提高锂电池健康状态的估计精度，提出了一种基于IGWO-SVR的锂电池SOH估计方法。针对支持向量回归(SVR)内核参数选择的问题，采用改进灰狼(IGWO)算法优化支持向量回归的内核参数；选取合适的健康特征作为输入，电池SOH作为输出，建立IGWO-SVR估计模型，实现锂电池SOH的估计。基于NASA电池数据集，对该模型进行训练及验证，并与SVR和GWO-SVR方法相比。结果表明，IGWO-SVR方法能有效提高SOH估计的精度和稳定性，最大估计误差不超过2%。     

基于 CGA-SVR 的电主轴磨损故障诊断方法研究

电主轴是数控机床的一个重要功能部件,其优劣直接影响着工件质量,对电主轴进行故障诊断可以提高可靠性、降低生 产成本。 因此采用混沌遗传算法(CGA) 优化的支持向量机回归模型( SVR) 进行电主轴故障诊断。 此方法利用主成分分析 (PCA)对电主轴磨损故障振动信号的时、频域特征向量进行降维,将降维后的特征向量输入到经过 CGA 参数优化的 SVR 模型 中并进行训练和测试。 结果表明,使用该模型对电主轴进行故障诊断,其训练和测试的准确率分别达到了 99. 272% 和 95. 249%,可以实现对电主轴磨损故障进行准确诊断。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

Support vector classification and regression for fault location in distribution system using voltage sag profile

Fault location identification is an important task to provide reliable service to the customer. Most existing artificial intelligence methods such as neural network, fuzzy logic, and support vector machine (SVM) focus on identifying the fault type, section, and distance separately. Furthermore, studies on fault type identification are focused on overhead transmission systems and not on underground distribution systems. In this paper, a fault location method in the distribution system is proposed using SVM, addressing the limitations of existing methods. Support vector classification (SVC) and regression analysis are performed to locate the fault. The method uses the voltage sag data during a fault measured at the primary substation. The type of fault is identified using SVC. The fault resistance and the voltage sag for the estimated fault resistance are identified using support vector regression (SVR) analysis. The possible faulty sections are identified from the estimated voltage sag data and ranked using the Euclidean distance approach. The proposed method identifies the fault distance using SVR analysis. The performance of the proposed method is analyzed using Malaysian distribution system of 40 buses. Test results show that the proposed method gives reliable fault location.     

Fault location in a series compensated transmission line based on wavelet packet decomposition and support vector regression

This paper proposes a novel transmission line fault location scheme, combining wavelet packet decomposition (WPD) and support vector regression (SVR). Various types of faults at different locations, fault resistance and fault inception angles on a series compensated 400 kV-285.65 km power system transmission line are investigated. The system only utilizes a single-end measurements. WPD is used to extract distinctive fault features from 1/2 cycle of post fault signals after noises have been eliminated by a low pass filter, and SVR is trained with features obtained from WPD. After training, SVR was then used in precise location of fault on the transmission line. The result shows that fault location on transmission line can be determined rapidly and correctly irrespective of fault impedance.     

基于ALO-SVR的锂离子电池剩余使用寿命预测

锂离子电池(Lithium-ion batteries,LIBs)的剩余使用寿命(remaining useful life,RUL)预测在电池故障预测与健康管理(prognostics and health management,PHM)中起着十分重要的作用。准确预测电池RUL可以提前对存在安全隐患的电池进行维护和更换,以确保储能系统安全可靠。文章提出一种基于蚁狮优化和支持向量回归(ant lion optimization and support vector regression,ALO-SVR)的方法,可有效提高锂离子电池RUL预测的准确性。SVR方法在处理小样本数据和时间序列分析上具有优势,但SVR方法在内核参数选择上存在困难。因此,文章利用ALO算法优化SVR核参数,随后采用PCoE(NASA ames prognostics center of excellence)和CALCE(center for advanced life cycle engineering)电池数据集对所提方法进行仿真验证。通过对比SVR方法,ALO-SVR方法可以提供更精确的电池RUL预测结果,能有效提高锂离子电池剩余使用寿命预测的准确性和鲁棒性。     

变尺度混沌蚁群算法在NOx排放优化中的应用

为了控制燃煤电厂NOx排放,应用支持向量回归建立了大型四角切圆燃烧电站锅炉NOx 排放特性模型。利用大样本量的热态实炉NOx 排放试验数据对模型进行了训练和验证,结合NOx排放模型采用一种变尺度混沌蚁群算法对锅炉运行参数进行优化, 定量分析优化算法参数对优化结果的影响。计算结果表明,相对于BP神经网络,支持向量回归模型能更好地预测锅炉NOx排放;变尺度混沌蚁群算法能明显降低NOx排放,且具有较高的稳定性与鲁棒性,1.8 min的优化时间也便于在线应用;支持向量回归与变尺度蚁群混合算法能有效降低燃煤锅炉NOx排放,是锅炉NOx排放控制的有效工具。     

Hybrid kernel learning via genetic optimization for TS fuzzy system identification

This paper presents a new TS fuzzy system identification approach based on hybrid kernel learning and an improved genetic algorithm (GA). Structure identification is achieved by using support vector regression (SVR), in which a hybrid kernel function is adopted to improve regression performance. For multiple‐parameter selection of SVR, the proposed GA is adopted to speed up the search process and guarantee the least number of support vectors. As a result, a concise model structure can be determined by these obtained support vectors. Then, the premise parameters of fuzzy rules can be extracted from results of SVR, and the consequent parameters can be optimized by the least‐square method. Simulation results show that the resulting fuzzy model not only achieves satisfactory accuracy, but also takes on good generalization capability. Copyright © 2008 John Wiley & Sons, Ltd.