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。     

基于支持向量回归的时间序列预测

该文简要介绍了时间序列预测的研究状况以及支持向量回归的基本原理,将支持向量回归用于对Box-Jenkins煤气炉时间序列的预测,并同其他前馈网络——BP神经网络、自适应特征空间扩张神经网络进行比较,仿真结果表明,BP神经网络和自适应特征空间扩张神经网络在预测性能上比较接近,而支持向量回归在预测性能方面明显优于这两种方法,为进行模型辨识与建模研究奠定基础.文章最后分析了支持向量回归优于BP神经网络和自适应特征空间扩张神经网络的机理.     

基于时间序列的支持向量机在负荷预测中的应用

由于负荷预测是不确定、非线性、动态开放性的复杂大系统,传统方法往往难以准确地描述这种复杂的非线性特征,因而无法准确进行负荷预测.作者提出了基于一种基于时间序列的支持向量机(SVM)的负荷预测方法.SVM方法采用结构风险最小化原则(SRM),能够在对小样本学习的基础上,对其它样本进行快速、准确的拟合预测,具有更好的泛化性能和精度,减少了对经验的依赖.时间序列考虑了趋势分量和周期分量,使负荷预测模型更加符合电力负荷特性.将该方法用于实际负荷预测中.和真实值的比较说明所提出的负荷预测方法是可行和有效的.     

基于时间序列与支持向量机的风电场风速预测研究

介绍时间序列法与支持向量机用于风速预测的理论基础,通过Matlab软件,利用风电场采集得到的风速数据,建立时间序列法与支持向量机模型,对这2种方法在风电场风速预测中的应用进行了研究和比较。仿真结果表明,这两种方法都有效,但支持向量机风速预测精度更高,预测结果更好,具有一定的实用价值。     

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。     

基于模拟退火和支持向量机理论的变压器故障诊断方法

针对变压器故障诊断问题,提出了基于模拟退火和支持向量机理论的变压器故障诊断方法,该算法采用模糊理论解决传统三比值法边界过于绝对的问题,并利用模拟退火优化算法获得支持向量机的最优参数设置。     

基于粗糙集和支持向量机理论的变压器故障诊断方法

针对变压器故障诊断问题,提出了基于粗糙集和支持向量机理论的变压器故障诊断方法。该算法利用粗糙集技术对变压器知识进行属性约简,并通过属性表获得故障最简决策表作为支持向量机的输入,与此同时,利用粒子群优化算法获得支持向量机的最优参数设置。实验结果表明,该诊断方法分类性能良好、可靠性高且有效可行。     

基于精简集支持向量机的变压器故障检测方法

为解决变压器故障样本不易收集导致的数据不均衡问题,提出一种基于精简集约简上取样不均衡支持向量机(SVM)变压器故障检测方法。该方法首先利用广义自回归条件异方差(GARCH)模型生成变压器特征向量,然后利用精简集约简算法对少数类边界样本进行上取样,生成人工少数类样本从而实现训练样本均衡;并将该算法同其他不均衡数据取样方法进行比较。结果表明,在不同故障样本及不同不均衡比例下,该算法的检测率提高了6%~9%;此外,该算法生成后的样本不仅能代表整体结构信息,同时又兼顾不同样本组合的局部空间结构信息;因此该算法能有效提高SVM算法在不均衡数据情况下变压器的故障检测性能。     

基于支持向量机的变压器故障多层次诊断及定位

文中提出一种基于支持向量机的变压器故障多层次诊断及定位模型.其基本思路是将变压器的油色谱信息和电气实验特征结合,再通过支持向量机对其进行学习分类,形成分层次、可靠、开放的变压器故障多层次诊断模型,并逐步对变压器的故障进行定位.充分利用支持向量机在解决小样本、非线性及高维模式识别问题等方面特有的优势,解决变压器故障信息存在的冗余、不确定、小样本等问题.实验证明,将支持向量机应用到变压器的故障诊断及定位中是合理可行的.     

基于多级支持向量机分类器的电力变压器故障识别

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。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程,对色谱分析法检测到的特征气体含量进行数值预处理。提取出故障识别所需要的6个特征量。然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别。并最后判断输出变压器所处的状态。测试结果表明,该方法具有三个优点：1)具有较强的鲁棒性。识别正确率极高;2)训练时间很短,实时性能好;3)不存在局部极小问题。     

基于支持向量机的时间序列交叉负荷预报方法

针对电力系统负荷具有拟周期性、非线性、非平稳性和随机性等特点,提出一种支持向量机(support vector machines,SVM)预报模型,并研究它在电力系统短期负荷预报中的应用:通过相空间重构理论,挖掘时间序列数据横向和纵向隐周期性信息,给出了SVM横向和纵向预报样本的构造方法;利用SVM预报方法适应电力系统负荷的非线性;最后,利用SVM时间序列交叉预报方法降低随机因素对负荷预报的影响。算例结果表明,该方法能够揭示负荷的拟周期性、非线性和随机性,且仅采用时间序列交叉就可得到较高的预报精度,便于工程应用。     

基于支持向量回归的凝汽器清洁系数时间序列预测

分析了凝汽器水侧污垢形成的机理，得到凝汽器清洁系数随时间变化的基本规律。提出采用支持向量回归时间序列预测法来预测凝汽器清洁系数。简要介绍了支持向量回归的理论基础，建立了凝汽器清洁系数时间序列预测模型，利用某300MW机组的数据，对模型进行了校验，探讨了参数的选择。并同径向基函数神经网络预测模型进行比较，结果表明，支持向量回归模型在预测性能方面明显优于RBF神经网络方法，并且模型具有较好的预测精度和泛化能力，为凝汽器真空降低故障的诊断，奠定了一定的基础。     

基于模糊理论与支持向量机的变压器故障诊断方法

针对变压器结构的复杂性和故障机理的多样性,提出一种基于模糊理论和支持向量机的变压器故障诊断方法.该方法首先采用模糊理论对故障样本数据进行预处理,提取故障特征,再用支持向量机方法进行故障分类,通过采用一对多(1-a-r)的方法实现多目标分类,得出诊断结果.针对支持向量机参数不易确定的问题,采用多层动态自适应算法与k-折交叉验证方法结合对参数进行优化分析.故障诊断实例测试结果显示,该方法不仅克服了传统比值法中编码缺失、编码边界过于绝对的问题,诊断结果具有更高的准确率,而且也具有较好的适用性.     

基于主成分分析和支持向量机的变压器故障综合诊断方法

本文提出了一种基于主成分分析和支持向量机相结合的电力变压器故障综合诊断方法。该方法首先应用主成分分析法对样本进行特征提取和主要信息的获取,形成新的样本集。然后,建立支持向量诊断模型,并用新的样本集对其进行学习训练和诊断。该方法实现了两种算法的优势互补,提高了样本信息存在噪声污染或不完备时变压器故障诊断的准确性。实验结果表明该方法有效、可行,具有较高的诊断准确率。     

基于概率输出支持向量机和证据理论的变压器故障诊断技术

针对变压器故障诊断准确率低、多种带电检测状态信息难以融合等问题,提出了一种基于概率输出支持向量机与证据理论的变压器检测信息融合诊断模型。     

基于布谷鸟算法和支持向量机的变压器故障诊断

电力变压器是电力系统运行中的重要设备之一,对故障和缺陷进行正确的诊断,关系到整个电网的运行安全。支持向量机(SVM)能够较好地解决小样本、非线性特征的多分类问题,适用于变压器故障类型判断。利用布谷鸟搜索算法,对支持向量机进行寻优得到全局最优解,从而得到具有最佳参数的支持向量机分类模型。该分类模型将变压器油色谱数据(DGA)中各气体相对含量作为评估指标,将变压器的故障分为低能放电、高能放电、中低温过热、高温过热等4个故障类型。通过已有的数据实例分析得出,利用布谷鸟搜索算法得到的分类模型比常用的网格搜索算法(GS)、粒子群搜索算法(PSO)、遗传算法搜索(GA)等算法得到的模型拟合准确率更好。     

基于粗糙集理论和支持向量机的变压器故障诊断

将粗糙集约简与支持向量机分类相结合,建立一个基于粗糙集和支持向量机的变压器故障诊断模型.该模型将油色谱数据诊断结果与电气试验数据相结合,通过粗糙集信息熵进行约简,建立了故障与信息的映射关系,再通过支持向量机分类器对其进行分类,使得变压器的故障分析到初步的部位.经实例分析和验证,该模型能对变压器进行初步定位,并有较高的正判率.     

基于粗糙集理论和支持向量机的变压器故障诊断

将粗糙集约简与支持向量机分类相结合,建立一个基于粗糙集和支持向量机的变压器故障诊断模型。该模型将油色谱数据诊断结果与电气试验数据相结合,通过粗糙集信息熵进行约简,建立了故障与信息的映射关系,再通过支持向量机分类器对其进行分类,使得变压器的故障分析到初步的部位。经实例分析和验证,该模型能对变压器进行初步定位,并有较高的正判率。     

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。