基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数.经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法(FAPSO)并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测,实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值.     

基于改进混沌粒子群的PEMFC模型参数辨识

基于质子交换膜燃料电池(PEMFC)电堆的输出特性及相关电化学反应建立输出特性模型,提出改进混沌粒子群优化(CPSO)算法来优化PEMFC输出特性模型参数辨识问题。首先采用6种标准测试函数验证了CPSO算法的寻优性能,然后针对两种参数不同的电堆进行了输出特性模型参数辨识。结果表明,相较于遗传算法(GA)、粒子群优化(PSO)算法、受约束粒子群优化(B-PSO)算法、具有收缩系数的粒子群优化(PSO-χ)算法、引力粒子群优化(GSAPSO)算法以及差分进化算法(DE),CPSO算法辨识精度最高且收敛速度最快。静态工况下电堆1的均方根误差为0.213,平均相对误差为2.339%;电堆2的均方根误差为0.481,平均相对误差为1.243%,充分说明CPSO算法在PEMFC输出特性模型参数辨识方面的优越性。     

基于改进粒子群神经网络短期负荷预测

在电力系统的发展过程中,电力负荷充当着非常重要的角色,电力负荷预测的精度显得尤为重要。为了提高短期电力负荷预测的精度,提出了改进的粒子群-BP神经网络混合优化算法。采用自适应惯性权重改进的粒子群算法,使得粒子群算法的收敛速度和收敛精度有所提高,改进后的算法优化神经网络的过程中,对BP神经网络的初始权值和阈值等参数进行改善,并建立基于IPSO-BP算法模型对短期电力负荷进行预测。以某地的历史负荷数据进行训练仿真,结果表明,该模型的收敛速度和预测精度优于传统粒子群-BP神经网络模型。模型改善了粒子群算法和神经网络各自的缺点,提高了BP神经网络的泛化能力。该模型提高了短期电力负荷预测精度,平均相对误差在1%左右,模型可用于电力系统的短期负荷预测。     

基于改进粒子群优化LSSVM的金属腐蚀速率预测模型

针对电力金属设施在土壤中的腐蚀预测问题,分析现有腐蚀预测方法的不足,考虑金属腐蚀影响因素,研究提出了一种采用改进粒子群优化LSSVM的金属腐蚀速率预测方法。在传统粒子群算法中引入收缩因子,以控制粒子速度,增强粒子的搜索能力,从而解决粒子群早熟问题。采用实验数据进行仿真分析,改进PSO-LSSVM预测模型的平均相对误差仅为2.24%,与其他几种方法相比,改进粒子群优化的LSSVM算法具有更高的预测精度。     

基于改进粒子群算法的开关磁阻电机本体优化

针对开关磁阻电机多变量、高非线性以及传统设计过程无法快速而准确获得最优方案的问题,提出一种基于Kriging模型和改进粒子群算法的参数优化策略。首先建立多目标优化模型,采用田口正交方法进行敏感性分析,依据灵敏度大小将优化变量分为两个子空间;其次为提高多目标粒子群算法的收敛速度和全局寻优精度,引入天牛须搜索算法中环境感应机制和遗传算法中交叉变异策略;最后建立Kriging模型,利用改进粒子群算法对两个子空间参数进行迭代寻优。实验结果表明,优化后的转矩脉动减少23%,平均转矩提高2.3%,在大幅度减少转矩脉动情况下保持了较大平均转矩。结论是改进的粒子群算法与Kriging模型相结合策略适用于开关磁阻电机优化过程,可显著提高优化效率,保证求解精度。     

基于斑点鬣狗算法优化支持向量机的短期风电功率预测

为提高短期风电功率预测精度,提出了一种基于斑点鬣狗算法优化支持向量机的短期风电功率预测方法。采用斑点鬣狗算法对支持向量机的惩罚系数和核参数进行优化,建立基于SHO SVM的短期风电功率预测模型,并采用实际风电场运行数据进行仿真分析。仿真结果表明,SHO SVM模型的平均相对误差和均方根误差分别为4.15%和0.196,预测精度和数据波动性均优于其他模型,验证了短期风电功率预测方法的正确性和实用性。     

群智能优化算法优化支持向量机的方法及应用

水质评价过程具有多变量、非线性、不确定等特点,传统的粒子群算法训练神经网络的水质评价模型收敛速度慢、泛化性能差。为了克服传统模型的缺点,提出了利用动态多种群粒子群算法训练支持向量机的模型,并利用多种群粒子群算法优化支持向量机结构参数。该模型结合了粒子群算法的搜索性能以及支持向量机的高效性、强鲁棒性等优点,提高了模型的泛化能力。通过对新疆某流域站点的水文数据进行仿真,结果得出该方法的相对误差为2.74%,远低于传统粒子群算法4.21%的相对误差,由此证明该模型的应用效率及精度得到提高,适用于日常水质评价工作。     

基于SVM和Kriging模型的变压器故障诊断方法

为了保证变压器供电的可靠性,结合油中溶解气体分析法(DGA),提出了基于支持向量机(SVM)和Kriging模型的双级分类算法,实现变压器的潜伏性故障的预测。首先,以SVM作为初级分类器,将待测DGA数据分类为正常、放电故障或过热故障三种状态;其次,以Kriging模型作为次级分类器,对待测数据进行二次分类,完成精确诊断。为提高算法精度,应用改进的粒子群优化算法分别对SVM的核函数参数、惩罚系数以及Kriging模型的相关参数进行优化。所提方法集成了粒子群优化算法的快速寻优能力,SVM的分类能力与Kriging模型高精度拟合等优点,因此有效地提高了诊断精度。最后通过变压器故障诊断实例验证了文中方法的有效性。     

基于SVM改进PSO算法的电缆接头温度预测分析

为了获得更高的电缆接头温度预测精度,引入了粒子群(PSO)优化算法来动态寻优标准化参数。以PSOSVM算法对电缆接头温度进行预测,生成相应的训练与测试样本。通过训练样本来计算PSO-SVM模型乘子λ及其偏差量B,再根据计算得到的B与λ处理测试样本获得模型精度与预测效果。仿真分析结果表明:采用PSO-SVM方法可以预测得到更加符合实测值的结果,获得比SVM预测方法更优的相对误差,得到的优化参数是完全有效的。大小不一样的数据样本会对预测结果精度造成明显影响,其中样本较多时可以获得相对更高的预测精度。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support VectorM ach ine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Partic le Swarm Optim ization)优化参数的SVM短期电力负荷预测模型。PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力。用所建立的负荷预测模型编制的M atlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高。     

智能控制在锅炉燃烧优化中的应用

利用支撑向量机建立电厂锅炉燃烧模型,使用非线性模型预测控制算法闭环控制锅炉的燃烧过程,改善锅炉燃烧状况,达到提高锅炉燃烧效率、减少污染物排放的目的。支撑向量机用于模型回归具有泛化能力强,在线训练速度快等优点,使用支撑向量机作为预测控制算法中的内部模型在非线性系统控制中具有良好的性能。为求解这个模型预测控制算法中的非线性优化问题,提出了一种新的混合型优化算法,使用粒子群算法进行全局搜索,使用拟牛顿法进行局部最优搜索,既实现了进化算法全局优化的特性,又保持了基于梯度的优化算法的快速收敛速度。     

基于细菌觅食算法优化的电力变压器故障诊断技术

针对支持向量机(SVM)分类性能受参数影响,且最优参数难以获取这一问题,提出一种基于细菌觅食算法(BFA)的电力变压器故障诊断模型的参数寻优方法。该方法以电力变压器油中特征气体含量作为状态评价样本,通过BFA寻找全局最优SVM参数解,构建k-折平均分类准确率目标函数,建立变压器故障诊断模型。仿真结果表明,BFA对SVM最优参数的选取较遗传算法(GA)、粒子群算法(PSO)更迅速,且优化后的SVM电力变压器故障诊断模型具有更高的精确度;利用BFA优化方法建立的SVM电力变压器状态诊断模型,对IEC三比值法中无法判断的数据也可进行精确诊断。最后,通过实例分析,验证了方法的有效性。     

基于改进萤火虫算法和多分类支持向量机的变压器故障诊断

为了高效完成电力变压器故障诊断,引入萤火虫算法(FA),利用混沌优化理论和自适应变步长机制对算法进行改进,提高算法的收敛速度和精度,并将改进萤火虫算法(IFA)和支持向量机(SVM)理论相结合构造变压器故障诊断方法.该方法利用IFA选择合适的SVM参数,同时结合二叉树方法构造多分类SVM进行变压器故障类型识别.变压器故...     

基于改进PSO的SVM参数优化及其在风速预测中的应用

针对风电场短期风速预测的准确性问题,提出一种基于改进粒子群优化（PSO）算法的支持向量机（SVM）风速预测方法.通过对基本粒子群算法中的学习因子进行改进,来改善粒子群算法的自我学习能力和社会学习能力,从而使其更有利于收敛到全局最优解,进而能够找到更准确的参数值,使支持向量机的预测误差达到最小,提高风速的预测精度.实验结果表明,与PSO-SVM预测法和SVM预测法相比较,改进PSO-SVM法预测结果更准确.     

基于支持向量机和粒子群算法的信息网络安全态势复合预测模型

提出一种基于支持向量机和粒子群算法的网络态势复合预测模型。模型使用滑动窗口方法将各原始离散时间监测点的安全态势值构造成部分线性相关的连续时间序列,以其作为安全态势数据样本集对支持向量机加以训练,生成预测模型。在支持向量机训练过程中,利用粒子群算法搜寻支持向量机的最优训练参数,以降低支持向量机参数选择的盲目性,提高预测精度。最后通过基于大量电力企业信息网络现场安全监测数据的实验,验证了复合预测模型的有效性。     

核主成分分析和粒子群优化支持向量机在电力机车笼型异步牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统。其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

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。     

改进支持向量机在电力变压器故障诊断中的应用研究

针对电力变压器故障诊断中状态量判断指标过于绝对、智能算法准确率受参数影响等问题,在分析电力变压器故障的基础上,提出将支持向量机(Support Vector Machine,SVM)和细菌觅食算法(Bacterial Foraging Algorithm,BFA)相结合用于电力变压器的故障诊断方法。通过细菌觅食算法的寻优能力找到最优的支持向量机惩罚因子和核参数,提高了故障诊断能力。通过仿真和实例进行对比分析,验证了该方法的优越性。结果表明,相比于粒子群优化,细菌觅食算法具有更好的寻优能力。基于BFA-SVM的故障诊断模型,相比于改进前,具有更高的准确性、鲁棒性和寻优能力,故障诊断准确率相比于粒子群优化提高了7.50%,具有一定的实用价值。