基于决策树支持向量机模型的变压器故障诊断法

根据对变压器常见故障原因和危害程度的分析,构造了电力变压器故障诊断决策树。其判定级别为自上而下,而决策树的每一叶都对应着一种具体的故障模式,并选用不同的支持向量机单元模块作为决策树不同分支中的基本分类器,建立组合支持向量机模型,实现了对故障的多分辨识别,该方法提高了故障分析及预测的准确度。应用结果表明该系统模型是富有成效的。     

基于GEP滑动窗口模型的变压器油中溶解气体含量预测

为了对变压器的运行状态和潜伏性故障进行有效预测,提出了基于基因表达式程序设计(Gene Expression Programming,GEP)滑动窗口预测模型的变压器油中溶解气体浓度的预测方法。根据变压器油中溶解气体量的变化特点,选择合适的嵌入维度、终结点集、函数集等GEP运行参数后由适应度函数驱动进行遗传操作,演化出各气体的预测模型。结合变压器运行实例,给出了7种主要气体的预测结果以及H2含量的预测公式,并与MGM(1,7)模型进行比较。对比结果表明,该方法能有效地提高预测精度。     

基于改进粒子群优化LS-SVM的变压器故障气体预测

最小二乘支持向量机(LS-SVM)能较好的解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障气体预测,但参数c与σ2的选取对预测结果影响较大,有必要对其进行优化选择.提出一种基于改进粒子群(MPSO)的参数寻优方法,并将其应用到变压器油中故障气体预测.改进粒子群算法在每次迭代中,将粒子群进行分类,不同类...     

用油中溶解气体色谱分析法诊断变压器故障

文章通过对变压器油中溶解气体进行色谱分析,对变压器故障进行诊断,并给出实例.     

基于改进模糊时间序列的变压器油中气体预测方法

对变压器油中溶解气体含量进行预测有助于及早发现变压器内部的潜伏性故障,且对于更好地实现状态检修有着重要的指导意义.针对变压器油中气体组分数据丰富、正常运行状态下各组分含量变化趋势不明显的特点,提出基于模糊时间序列模型的变压器油中气体组分预测方法.考虑到油中气体组分的变化是相互作用和影响的,从论域划分角度对经典模糊时间序列模型进行改进,提出基于空间模糊C均值(fuzzy C-means,FCM)论域划分的多因素模糊时间序列模型.通过实例分析证明该方法能很好地拟合油中气体组分的变化趋势,且与经典模糊时间序列模型及一维FCM划分模糊时间序列模型的对比分析,验证了改进模型在预测效果上的优越性.     

光声光谱法在变压器油溶解气体检测中的应用

油中气体分析仪测量油中气体含量的方法有很多种,如传统的色谱法、红外光谱法和光声光谱法.本文通过对某变压器油的跟踪检测证明了光声光谱法具有无需消耗载气、监测气体种类多、长期稳定性好的优点.光声光谱技术的技术特点对比和实测的数据分析表明,光声光谱技术气体监测设备性能精度完全符合要求.     

面向电力变压器油中溶解气体的卷积神经网络诊断方法

油中溶解气体分析法（Dissolved Gas Analysis,DGA）是判断变压器内部故障的重要方法之一。针对传统基于浅层的机器学习方法在变压器故障诊断中存在的特征提取和泛化能力方面的不足,提出了一种基于卷积神经网络的变压器故障诊断方法。利用网络中的卷积层对油中溶解气体进行特征转换,结合池化层强化重要特征的能力,对故障敏感特征进行提取。通过实验研究了卷积核数目、卷积核大小、池化层、网络深度对模型诊断性能的影响。通过混淆矩阵、ROC曲线和PR曲线对比分析了卷积神经网络模型、支持向量机(Support Vector Machine,SVM) 模型、BP神经网络(Back Propagation Neural Network,BPNN)模型。实验结果表明,卷积神经网络模型的诊断性能更为优秀。     

基于模糊理论与支持向量机的变压器故障诊断方法

摘 要: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-α-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...     

变压器油中溶解气体在线监测系统的监督管理

当前电网系统内的变压器上安装的油中溶解气体在线监测系统由于种类繁多,各厂家产品质量参差不齐,经长期运行后测量准确性变差,且频繁出现误报警,不能满足状态监测要求,给电网安全带来严重的隐患。文章从入网检验制度和手段、运行质量评估及现场检验等多方面进行管控,把好监测装置入网质量关口,督促运维单位提升监测装置运行效能,并开展现场校验,提升系统测量准确性,进而实现监测装置全过程精益化监督管理。     

基于支持向量机的地下水位预测

地下水位的动态变化是一个复杂的非线性过程,地下水位与其影响因素之间存在着复杂的非线性关系,将支持向量机方法应用于地下水位预测,并提出相应的模型.实例分析结果表明,与基于GM(1,1)的预测模型相比,地下水位预测的支持向量机模型科学可行,预测精度高,对地下水位预测的问题具有较好的适用性.     

基于混合遗传算法的支持向量机参数选择

针对常用的梯度下降法支持向量机参数选择方法易陷入局部极小点的问题,提出一种基于混合遗传算法的支持向量机参数选择方法.该方法结合遗传算法的全局优化能力和梯度法的局部寻优能力,能够选择到更好的支持向量机参数.仿真实验表明,使用该方法确定的参数可使支持向量机具有更好的泛化性能.     

Estimation of sand liquefaction based on support vector machines

The origin and influence factors of sand liquefaction were analyzed, and the relation between liquefaction and its influence factors was founded. A model based on support vector machines (SVM) was established whose input parameters were selected as following influence factors of sand liquefaction: magnitude (M), the value of SPT, effective pressure of superstratum, the content of clay and the average of grain diameter. Sand was divided into two classes: liquefaction and non-liquefaction, and the class label...     

Robustly stable model predictive control based on parallel support vector machines with linear kernel

Robustly stable multi-step-ahead model predictive control (MPC) based on parallel support vector machines (SVMs) with linear kernel was proposed. First, an analytical solution of optimal control laws of parallel SVMs based MPC was derived, and then the necessary and sufficient stability condition for MPC closed loop was given according to SVM model, and finally a method of judging the discrepancy between SVM model and the actual plant was presented, and consequently the constraint sets, which can guarantee that the stability condition is still robust for model/plant mismatch within some given bounds, were obtained by applying small-gain theorem. Simulation experiments show the proposed stability condition and robust constraint sets can provide a convenient way of adjusting controller parameters to ensure a closed-loop with larger stable margin.     

基于支持向量机预报模型的烧结终点模糊控制

针对烧结过程存在时间滞后和参数不确定问题，在分析烧结过程热状态的基础上，提出应用支持向量机优良的时序预测性能，建立了基于风箱废气温度预报烧结终点的预报模型.结合烧结终点预报模型，将模糊控制策略应用于烧结终点控制系统开发.介绍了控制系统的组成与烧结终点模糊控制器的设计方法.仿真结果和现场应用均证实了烧结终点控制系统的有效性，在存在较大干扰的情况下，能保持较好的控制品质.控制系统可准确、快速地预报烧结终点，具有稳定烧结终点和优化过程操作的作用.     

基于最小二乘支持向量机的模糊时序分析方法

利用最小二乘支持向量机良好的分类和函数估计能力，提出了一种新的模糊时序分析方法。该方法包括两部分：在模糊时序处理部分通过建立启发式规则、模糊变量、论域、模糊集合和隶属度函数，完成历史数据的模糊化；最小二乘支持向量机处理部分替代传统的模糊关系计算，对模糊化的历史数据进行分析，然后去模糊化得到最后的预测结果。与多种传统模糊时序分析方法的对比试验表明，该方法充分利用了支持向量机较好的推广性能等优点，具有更高的精度和较好的泛化效果。     

基于支持向量机的变异语音分类研究

变异语音的训练样本有限，采用传统的分类方法进行分类，效果不够理想，而支持向量机方法在有限样本情况下可以保持很好的分类推广能力．采用支持向量机方法进行变异语音分类，提取基频和TE0基频作为变异语音分类的特征，讨论了样本预处理和参数选择等问题．提出了直接截取和DTW规正两种方法来解决语音样本特征向量长度不一致的问题．基于TE0基频特征，采用指数径向基函数(ERBF)内核，对应力(G—force)影响下的变异语音进行分类，分类正确率可达到99．2％，比传统的贝叶斯分类器和HMM分类器，分类性能分别平均提高了12．6％和6．0％．实验结果表明，采用支持向量机方法进行变异语音分类是可行的．     

基于支持向量机的变异语音分类研究

变异语音的训练样本有限,采用传统的分类方法进行分类,效果不够理想,而支持向量机方法在有限样本情况下可以保持很好的分类推广能力.采用支持向量机方法进行变异语音分类,提取基频和 TEO 基频作为变异语音分类的特征,讨论了样本预处理和参数选择等问题,提出了直接截取和 DTW 规正两种方法来解决语音样本特征向量长度不一致的问题.基于 TEO 基频特征,采用指数径向基函数(ERBF)内核,对应力(G-force)影响下的变异语音进行分类,分类正确率可达到99.2%,比传统的贝叶斯分类器和 HMM 分类器,分类性能分别平均提高了12.6%和6.0%.实验结果表明,采用支持向量机方法进行变异语音分类是可行的.     

支持向量机α阶逆系统解耦控制方法

为了解决采用传统逆系统方法难以建立逆模型的困难,提出了基于支持向量机(SVM)的α阶逆系统解耦控制方法.在被控对象精确模型未知的情况下,根据SVM的非线性辨识原理,利用具有高斯核函数的SVM离线建立被控对象的非线性逆模型,根据逆系统方法原理,将得到的SVM逆模型串联在原系统之前,将复杂的非线性多变量系统解耦成多个相对独立的单输入输出伪线性子系统.通过对一个典型的两输入两输出强耦合非线性系统进行仿真，结果表明,在没有系统模型先验知识的情况下，利用该方法能够建立准确的非线性系统的逆模型.基于SVM的α阶逆系统解耦控制方法适用于较一般的离散非线性系统，且结构简单，易于工程实现.     

一种基于支持向量回归机的经验模态分解方法

经典经验模态分解中采用基于曲线参数插值拟合局部均值曲线,该类方法对参加拟合的极值点很敏感,若出现干扰的异常极值点或得不到真实的极值点,将导致分解结果失真或产生模态混叠.提出一种基于支持向量回归机拟合局部均值曲线的经验模态分解方法,即利用序列的极值点训练支持向量回归机拟合局部均值曲线代替传统的曲线参数插值.实验表明,与经典算法相比,该方法具有更好的频率分辨率,对采样频率不敏感且能克服微弱高频间断信号的干扰,有效解决Hilbert-Huang变换中存在的模态混叠问题.