基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

基于ANOVA和BO-SVM的变压器故障诊断方法

为了提高变压器故障诊断模型的诊断精度,提出了一种基于方差分析(analysis of variance, ANOVA)和黑猩猩算法优化支持向量机(bonobo optimizer-support vector machine, BO-SVM)的变压器故障诊断方法。首先,采用方差分析对模型输入量,即变压器油中溶解气体特征进行筛选降维。其次,用黑猩猩算法对影响支持向量机诊断性能的2个参数(核参数与惩罚因子)进行寻优。最后,利用该文所提方法对变压器进行故障诊断,实例仿真结果表明：与IEC、Rogers法相比,采用ANOVA对模型输入量进行筛选降维能更好地提升模型性能;BO算法优化后的支持向量机对比网格搜索算法优化后的支持向量机,在训练速度与诊断精度两方面都有所提升;与粒子群优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)和遗传算法优化支持向量机(genetic algorithm-support vector machine, GA-SVM)相比,所提方法收敛更快,且故障诊断精度更高、更稳定,BO-SVM、...     

基于WPA优化LSSVM的输电线路覆冰厚度预测

针对现有输电线路覆冰厚度预测方法上存在的不足,采用狼群算法(wolf pack algorithm,WPA)对最小二乘支持向量机(least squares support vector machine,LSSVM)的惩罚因子和核函数参数进行优化,建立基于WPA优化LSSVM的输电线路覆冰厚度预测模型.采用某500 k...     

基于最小二乘支持向量机的高压断路器故障诊断

为了快速、准确地对高压断路器发生的故障进行分析和诊断,确定故障的性质、类别和部位,提出了一种高压断路器故障诊断的新方法。首先对高压断路器分合闸线圈电流进行分析,提取电流和时间特征量形成特征向量,然后用遗传算法对最小二乘支持向量机(least square support vector machine,LS-SVM)参数进行优化,最后,将特征向量输入到优化后的最小二乘支持向量机中进行故障识别、分类。试验表明,该方法可以准确地识别断路器的多种故障类型,为断路器故障定位和状态检修提供了依据。与广泛使用的神经网络方法相比,该方法在样本较少时仍能获得较好的诊断效果,更适用于高压断路器等小样本设备的故障诊断。     

基于振动信号分析的高压断路器机械故障诊断

针对高压断路器机械故障诊断方法准确率较低的现状,提出将改进的小波包分解(wavelet packet,WP)、Hilbert谱分析、粒子群优化(particle swarm optimization,PSO)算法和优化后的支持向量机(support vector machine,SVM)相结合的诊断方法,对弹簧操动式高压断路器进行弹簧疲劳和合闸挚子卡涩故障(在高压断路器机械故障中占比较高)的模拟实验和分析。研究结果表明,振动信号的时频特性能较好反映高压断路器的机械状态,尤其基于PSO-SVM的特征分类方法分类效果较好,能大大提高现有高压断路器机械故障诊断方法的准确率。     

用于高压断路器机械故障诊断的AM-ReliefF特征选择下集成SVM方法

针对高压断路器机械故障诊断过程中存在的原始特征维度过高,导致过拟合现象,而传统Relief-F算法在筛选特征过程中对诊断模型没有针对性,以及支持向量机(support vector machine,SVM)算法受参数选择限制导致诊断精度不佳的问题,提出一种AM-ReliefF特征选择下集成SVM的诊断算法。该算法对原始特征空间进行有效筛选,生成适应模型的最优特征子集,并将SVM作为基学习器与Ada Boost算法有效集成,提高诊断性能。首先对LW30-252型SF6高压断路器典型6种工况的合闸振动信号提取特征,构成原始特征空间,然后利用AM-ReliefF特征选择算法构造与集成SVM模型匹配的最优特征子集,最后用集成SVM模型进行故障诊断。与原始特征下单一SVM算法对比,所提方法使故障诊断精度由83.0%提升到98.9%,为高压断路器机械故障诊断研究提供了新思路。     

基于PSO-LSSVM的短期电力负荷预测

提出一种基于粒子群优化-最小二乘支持向量机(particle swarm optimization-least squares support vector machine,PSO-LSSVM)的短期负荷预测的方法。采用PSO算法对LSSVM的模型参数进行寻优,实现LSSVM参数的自动优化选取,进而得到比单一LSSVM更准确的短期负荷预测模型。实际算例结果验证了所提预测方法可行性,与其他方法预测结果的对比进一步突出了所提方法的有效性。     

一种自主核优化的二值粒子群优化–多核学习支持向量机变压器故障诊断方法

支持向量机(support vector machine,SVM)对于核函数及模型参数十分敏感,多核学习可降低模型的参数敏感性.提出了基于二值粒子群优化(binary particle swarm optimization , BPSO)的多核学习 SVM 分类方法(BPSO-MKSVC)进行变压器故障诊断.多核学习支持向量机(multi-kernel support vector classifier,MKSVC)采用由多个基核线性组合的多核进行学习,其中每一个基核完成从特定样本空间提取故障特征,通过多面故障特征的线性组合,将学习分类问题转化为相应的凸规划问题进行迭代求解.采用BPSO 优化算法对 MKSVC 中的基核数及模型参数进行优化,实现了参数的自主选择.与常用诊断算法相比, BPSO-MKSVC 具有更高的诊断精度;与 PSO 优化的 SVM方法相比,其具有更低的参数敏感性和更好的鲁棒性     

基于经验模态分解的高压断路器机械故障诊断方法

分析高压断路器机械振动信号的特性,提出一种以改进的经验模态分解(empirical mode decomposition,EMD)能量熵和支持向量机(support vector machine,SVM)相结合的诊断高压断路器机械故障的方法,并给出了可行的诊断步骤和分析.首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数"(intrinsic mode function,IMF),然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式,实现对待测状态信号各IMF包络的时间轴分段,计算各待测信号IMF包络的能量熵向量,以此构造的经验模态分解能量熵向量作为支持向量机的输入向量.采用"次序二叉树"向量机分类,利用梯度法和交叉检验优化支持向量机模型参数.实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果.     

基于VSRP与β-GWO-SVM的变压器故障辨识方法

针对变压器故障诊断准确率低的问题,提出一种基于VSRP与β-GWO-SVM的变压器故障诊断方法.首先,采用非常稀疏随机投影(very sparse random projection,VSRP)对原始数据进行维数约减,消除变量信息之间的冗余特征;其次,用β-混沌序列优化的灰狼算法(β-chaotic map enabled grey wolf optimizer,β-GWO)动态寻优支持向量机(support vector machine,SVM)的核参数与惩罚因子,获取VSRP与β-GWO-SVM相结合的综合故障诊断模型;最后,将实际变压器故障数据输入诊断模型,并与传统灰狼优化支持向量机模型(GWO-SVM)、粒子群优化支持向量机模型(particle swarm optimization-SVM,PSO-SVM)进行对比验证,诊断精度分别为91.87％、82.13％、75.10％,结果表明该文所提方法能够有效地提升变压器故障诊断性能.     

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。     

遗传优化的最小二乘支持向量机在开关磁阻电机建模中的应用

针对开关磁阻电机的非线性磁链特性,用最小二乘支持向量机(least square support vector machine,LSSVM)与自适应遗传算法相结合的方法精确构建开关磁阻电动机的磁链模型。在最小二乘支持向量机通过采样数据训练模型的过程中,用自适应遗传算法评价拟合误差,优化LSSVM模型的超参数,进而优化开关磁阻电机的磁链模型。通过比较该模型的预测数据与实际测量数据,可以得出用自适应遗传算法优化的最小二乘支持向量机构建的开关磁阻电机模型是可行的,有较高的精度和较好的预测能力。     

基于改进沙丘猫群算法优化支持向量机的高压断路器故障诊断

为了更加准确地对高压断路器的状态进行分析与故障诊断,提出一种多策略改进沙丘猫群优化(improverd sand cat swarm optimization, ISCSO)算法优化支持向量机(support vector machine, SVM)的故障诊断方法。首先,通过多种改进策略对沙丘猫群优化(sand cat swarm optimization, SCSO)算法进行改进,提高算法的全局搜索能力、局部搜索能力及平衡全局的能力,并利用两种不同类型的测试函数对ISCSO进行性能测试,验证了其具有更强的收敛性和寻优能力。然后,采用ISCSO优化SVM,建立故障诊断模型。接着,用完全自适应噪声集合经验模态分解能量熵对振动信号进行特征提取并构建特征样本集。最后,将提取到的特征样本集输入到ISCSO-SVM模型中,对高压断路器进行故障诊断。实验结果表明,该方法的诊断准确率达到了96.29%,与其他三种模型对比实验,证明了该方法具有更高的准确率及更好的稳定性。     

混合布谷鸟算法在高压断路器故障诊断上的应用

为了更准确、快速地对高压断路器故障进行分类、诊断,提出一种基于混合布谷鸟算法优化的最小二乘支持向量机(LSSVM)的故障诊断方法。首先提取分合闸线圈的时间和电流特征量得到特征向量,再利用模拟退火算法(SA)与布谷鸟算法(CS)结合形成的混合布谷鸟算法(CS-SA),对支持向量机进行寻优,旨在得到具有最优参数支持向量机分类模型,提高诊断结果的准确性。最后,利用收集到的数据对该算法进行诊断验证,结果表明利用混合布谷鸟算法优化后的LS-SVM得到的分类模型比常用的粒子群算法、遗传算法、标准布谷鸟算法优化得到的模型准确率更高。     

基于最小二乘支持向量机和粒子群算法的两相流含油率软测量方法

为提高油水两相流含油率的测量精度,提出基于最小二乘支持向量机(least squares support vector machine,LSSVM)和改进的粒子群算法(particle swarm optimization,PSO)的含油率建模方法。该方法将测量的油水总流量和加热器上下游温差作为LSSVM输入,含油率作为输出,对含油率与温差和总流量的关系进行训练,通过改进的PSO优化LSSVM的参数,建立了含油率的优化模型,并用测试数据对含油率的模型进行了比较。实验结果表明,基于改进的PSO-LSSVM含油率模型比PSO-LSSVM和遗传算法–最小二乘支持向量机模型运算速度快,比理论修正模型测量精度高,含油率在4%~60%时,平均测量误差为0.93%。     

基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。     

基于气温累积效应和灰色关联度的短期负荷预测研究

气象因素是短期负荷预测重要的影响因素。为提高预测精度,研究了一种基于气温累积效应和灰色关联度的支持向量机拓展算法——最小二乘支持向量机(least squares support vector machine,LSSVM)。通过相关性分析得到与日平均负荷相关程度较大的气象因素。在此基础上,结合气温累积效应采用灰色关联方法对历史日进行分析,选取与待预测日关联度较大的历史日作为相似日,并对LSSVM模型进行训练和预测。实际应用表明,使用所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

基于支持向量机的电力电子电路故障诊断技术

提出一种利用小波包分析获取电力电子电路故障特征和基于支持向量机状态分类的电力电子电路故障诊断方法。首先讨论小波包故障信号特征提取和支持向量机(support vector machine,SVM)的多值分类算法,重点研究一种改进的支持向量机的"一对多"故障分类算法,实现对十二脉波可控整流电路中晶闸管断路故障的诊断。实验结果分析表明,该方法能准确对电力电子电路进行诊断和故障元定位、诊断精度高,该方法在解决电力电子电路故障诊断问题上有着很好的实用价值和应用前景。     

基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究

电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。