模糊支持向量机在变压器故障诊断中的应用

为了解决在变压器故障诊断时复杂难辨的问题,提出了利用模糊支持向量机构建变压器故障诊断模型的方法。该方法是在支持向量机(SVM)的基础上引入模糊度隶属函数,从而有效消除噪声和野点对诊断结果的影响。通过模糊C均值算法(FCM)求取模糊支持向量机的隶属度,对所得样本进行预处理,然后利用交叉验证和网格搜索相结合的方法对支持向量机进行参数寻优。实验表明,该方法比改良IEC比值法和传统支持向量机法具有更高的准确率,更适用于变压器故障诊断。     

支持向量机在入侵检测中的应用

随着计算机技术技术的发展,入侵检测系统问题更加突出和复杂,它是任何一个完整的网络安全系统中必不可缺的部分。目前现有商用的入侵检测系统所采用的检测方法大多是基于规则的,这样就造成了它们只能够对某一些特定的或己知的入侵行为取得比较好的结果.本文把模糊C均值聚类和支持向量机结合到一起,支持向量机是一种高效的模式识别方式,为了降低它的运算复杂性,用FCM把输入数据进行适当处理。提高了系统整体入侵检测的运算速度和精度。通过实验证明了该方法具有一定的优势。     

基于欧氏聚类和支持向量机的变压器故障诊断

以变压器油中溶解气体的相关信息作为特征向量,首次将基于欧氏聚类的支持向量机多分类模型应用于变压器故障诊断中。该组合模型以变压器状态类别间的欧氏距离为依据,构建支持向量机多分类模型。实验表明,该方法能够避免多分类模型组建的盲目性,同时能有效地对变压器进行故障诊断。     

支持向量机多分类及其在变压器故障诊断中的应用

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,较好解决了小样本、高维数、非线性等学习问题。分析比较了目前常用的几种支持向量机多分类方法,并将其应用于变压器故障诊断中。通过实验表明,树形支持向量机多分类模型比较适用于变压器故障诊断。     

支持向量机多分类及其在变压器故障诊断中的应用

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,较好解决了小样本、高维数、非线性等学习问题.分析比较了目前常用的几种支持向量机多分类方法,并将其应用于变压器故障诊断中.通过实验表明,树形支持向量机多分类模型比较适用于变压器故障诊断.     

多分类支持向量机在电力变压器故障诊断中的应用

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。支持向量机分类性能的好坏很大程度依赖于核函数与核参数的选取。目前常用的参数寻优方法有网格搜索法、遗传算法和粒子群优化算法。本文提出了一种基于支持向量机多分类的电力变压器故障诊断模型,以变压器油中5种特征气体作为输入,5种故障状态作为相应的输出,选用高斯径向基核函数,使用网格搜索法获取最优参数C、g。经实验表明,该模型准确率为83.3%,具有较好的实用性。     

支持向量机参数优化及其在变压器故障诊断中的应用

支持向量机(Support Vector Machines,SVM)分类器在变压器故障诊断中取得了较好的效果,然而对其性能起关键作用的参数选择,却没有理论依据或有效方法。鉴于交叉验证(Cross validation,CV)是模型性能评估和模型选择的有效方法,而遗传算法(Genetic Algorithm,GA)可以实现全局寻优,将CV与GA方法相结合用来选取SVM分类器参数。该方法采用GA方法对SVM分类器参数进行优化,利用CV构造GA适应度函数,为SVM分类器参数选择提供评价标准。并将其应用于变压器故障诊断,从而充分利用有限的变压器故障样本数据,提高SVM分类器的推广性。实例分析表明同Grid与SVM相结合,CV、Grid与SVM相结合及GA与SVM相结合的方法相比,所提方法具有更好的效果。     

支持向量机在传动装置故障诊断中的应用

针对传动装置中变速箱齿轮故障诊断问题.利用建立在结构风险最小原理基础上的支持向量机的模式分类功能,构造了两种多故障分类器.支持向量机采用高斯径向基函数作为核函数,选取样本进行测试和训练,在小样本情况下对变速箱齿轮的故障进行诊断.本文重点讨论了"成对分类"与"一对余类"两种多类分类算法的应用.实例表明,多类分类器对设备故障具有很好的分类效果,同时也显示了支持向量机在处理小样本问题上的优越性.     

基于多类支持向量机的变压器绝缘故障诊断

利用支持向量机进行故障诊断,提出了一种基于决策树的多类支持向量机,并在变压器绝缘故障诊断中检验了它的有效性。     

基于粗糙集与支持向量机的变压器故障诊断

介绍了基于粗糙集理论(RS)和支持向量机(SVM)的变压器故障诊断方法,使用这种方法可提高训练速度和诊断准确率。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

HHT与SVM在离心泵故障振动信号处理中的应用

提出了希尔伯特-黄变换HHT和支持向量机SVM相结合的离心泵振动信号故障诊断方法。首先将离心泵振动信号时间序列数据经验模态分解EMD,然后经过HHT获得各模态的能量,并以“能量比”为元素,构造离心泵振动信号的特征向量,用SVM方法训练测试样本获得了很好的分类效果。实验结果表明该方法对离心泵振动信号具有很高的诊断率。     

基于高阶谱与支持向量机的电力电子电路故障诊断技术

针对现有电力电子电路故障诊断方法存在的不足，研究了采用高阶谱分析和支持向量机(support vector machine，简称SVM)的电力电子电路故障诊断和定位方法。首先利用高阶谱中的双谱技术分析、处理和提取电路状态的故障信息特征；然后设计和采用多类层次支持向量机分类器作为故障模式的训练和识别器，其中，分类器的结构利用模糊C-均值算法(fuzzy C-means，简称FCM)进行了优化；最后采用一个实际的Buck功率电路进行了建模、仿真和验证。结果表明，采用该方法对电力电子电路故障的诊断和定位率可达99%以上，达到了较为理想的诊断精度。     

基于支持向量机的局部阴影条件下光伏阵列建模

由于周围高大建筑物、树木等的遮挡,光伏阵列经常处在局部阴影中.而光伏阵列是光伏发电系统的关键部分,其电气特性容易受到光伏电池温度、太阳光辐射强度和负载阻抗等因素的影响.为了能够获得光伏阵列最大输出功率,建立其电气特性模型尤为重要.本文首先基于光伏阵列的工作原理,提出了一种快速建立局部阴影下光伏阵列数学模型的方法.然后,...     

基于支持向量机混合模型的短期负荷预测方法

将支持向量机专家系统混合模型应用于短期负荷预测采用方法分为2个阶段:应用神经网络中的聚类算法将历史数据分割成不相连的数据域;对每个数据域选择最佳核函数预测单个SVMs。实际数据验证表明,该方法与单个多项式核、高斯核和3次样条核的SVMs预测相比具有预测精度高、支持向量少和计算量小等优点。     

基于粒子群算法优化支持向量机的变压器绕组变形分类方法

变压器是电网最为核心的设备,绕组变形是变压器主要的故障类型之一,频率响应分析法(frequency response analysis, FRA)是目前广泛应用的绕组变形检测方法。为提高绕组变形分类诊断的性能,文中提出基于粒子群算法优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)的变压器绕组变形分类方法,采用数学统计方法提取频率响应曲线的特征参量,并输入到支持向量机模型进行训练,利用粒子群算法优化支持向量机模型参数,使其能够有效区分不同的绕组故障类型。为证明文中方法在变压器绕组故障诊断方面的有效性,在一台特制模型变压器上进行了一系列故障模拟实验。数据处理结果表明,训练后的支持向量模型表现出了极高的性能,并且,相比传统的网格搜索参数优化算法,粒子群算法优化的支持向量机可以显著提高变压器绕组变形故障的分类性能。     

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。