基于PSO-SVM的传感器非线性动态补偿及LabVIEW实现

在动态测试中,由于传感器存在静态非线性失真和动态响应滞后,测量结果含有较大的误差,必须进行非线性动态补偿。实际传感器一般可以等效为一个无记忆非线性环节和一个动态线性环节串联的模型。对支持向量机进行传感器非线性动态补偿的方法进行了研究,对支持向量机核函数以及相关参数的选择进行了分析并利用粒子群优化算法进行了实现。最后在LabVIEW平台实现了补偿算法,通过仿真验证了支持向量机回归的方法在多种信噪比条件下仍然有比较好的补偿效果。     

利用 GWO-LSSVM 算法对光纤压力传感器进行温度补偿

光纤压力传感器工作性能受温度影响较大，需进行温度补偿。针对这一问题，提出了灰狼算法与最小二乘支持向量机(GWO-LSSVM)算法相结合的软件补偿方案，利用灰狼算法在指定范围内迭代优化最小二乘支持向量机的惩罚因子ζ和核参数σ以求构建补偿算法模型。在不同温度环境下，对传感器进行标定试验测得传感器的输入输出数据，分成测试集和训练集。以测试集的预测值计算的均方根误差为适应度函数，将温度补偿问题转化为带约束的凸二次优化问题。结果表明，相较于补偿前，温度补偿后的光纤压力传感器的灵敏度温度系数由9.405×10^-3/℃提升到1.201 6×10^-4/℃,温度附加误差相对值由28.215%提升到0.481%,传感器的温度稳定性得到了很大程度的改善。     

输电线路微风振动传感器设计

微风振动是架空线路时常出现的现象,长期振动会造成导线断股断线、金具脱落等危害。针对现有微风振动在线监测传感器测量误差较大的问题,设计了一种微风振动在线监测数字传感器,传感器在采用悬臂梁式位移计的基础上,将线性回归的方法和BP神经网络算法应用到传感器的非线性标定当中,并进行了传感器标定实验。研究表明,线性回归的标定算法比神经网络的标定算法精度更高,标定后最大相对误差为1.93%。根据研究结果可知,微风振动传感器由频率不同带来的非线性误差,可以采用线性回归的方法进行补偿,能够提高传感器的测量精度,从而能为导线状态检修提供更加可靠的参考依据。     

基于模糊支持向量机的继电保护状态在线评价

继电保护状态评价工作一直以来都是状态检修的重点和难点。提出一种基于模糊支持向量机的继电保护状态评价方法。首先,获取智能变电站继电保护装置的历史数据,从中选择合适的状态评价因素,再对状态评价因素进行数据预处理,并根据状态巡视及故障记录计算装置在各巡视点的百分比剩余寿命,生成训练样本集。然后通过模糊支持向量机回归训练生成模型,利用在线巡视记录,对装置状态进行在线评估。并根据最差指标,判定装置的当前状态,作为最终的在线状态评价结果。仿真分析表明,方法通过引入样本权重,能够区分本装置样本和同型号装置样本的不同,使得算法能够兼顾装置的个性和家族性共性,并具备一定的抗噪能力。     

一种基于萤火虫支持向量机的油色谱在线数据校正方法

为了解决在线油色谱受外界环境和设备误差影响导致数据失真的问题,笔者提出了一种基于萤火虫支持向量机的油色谱在线数据校正的方法。首先将支持向量机中的一组错误惩罚因子,不敏感参数和核参数作为萤火虫个体,通过萤火虫算法对影响支持向量机性能的重要参数进行优化。然后计算油色谱离线数据间的分段函数,当在线数据超出分段函数误差允许的范围时,认为在线数据异常。利用少数准确的油色谱离线数据对支持向量机回归模型进行训练,当在线数据出现异常时,通过支持向量机回归模型对异常的在线数据进行校正。最后通过某台变压器油色谱的在线和离线数据对文中提出的方法进行验证,结果证明了该方法的可行性和有效性。     

粒子群优化的支持向量回归机计算配电网理论线损方法

针对配电网理论线损精确计算,提出一种基于粒子群优化算法的支持向量回归机(SVR-PSO)的理论线损计算方法。SVR-PSO方法将理论线损计算抽象成多元回归分析,理论线损的若干影响因素作为自变量,理论线损值作为因变量,SVR-PSO通过对已知理论线损线路的数据样本训练学习生成配电网理论线损计算模型,进而利用该模型完成未知线路的理论线损计算。在SVR-PSO训练过程中,利用粒子群算法动态地搜索支持向量回归机的最优训练参数,提高了SVR-PSO的计算精度。最后横向对比实验证实了基于SVR-PSO的配电网理论线损计算方法的有效性,与传统方法相比,SVR-PSO方法在计算精度和运算耗时方面拥有更好的性能。     

基于在线支持向量回归算法的电站热耗率模型

利用在线支持向量回归算法（AOSVR）,建立了机组热耗率的在线回归模型。介绍了模型的更新过程,包括增加新样本的递增和冗余样本的删除。对某1 000 MW机组的热耗率计算进行了建模,并与常用的离线式模型SVR和LS-SVR进行了对比,结果表明AOSVR模型能够根据新样本对模型不断进行更新,具有较强的自适应能力和泛化性能,适合在线应用。进一步通过输入参数扰动分析得出AOSVR具有较强的鲁棒性,能够克服输入参数的非正常波动,保证热耗率计算的可靠性。     

增量学习直推式支持向量机及其在旋转机械状态判别中的应用

直推式支持向量机(support vector machine, SVM)是基于已知样本建立对特定的未知样本进行有效识别的理论框架,与归纳式支持向量机相比,前者更经济、分类效果更佳。然而,直推式支持向量机的致命缺点是需要占用大量的训练时间,为此,提出了基于增量学习的支推式支持向量机训练算法,即把当前迭代训练得到的支持向量样本与新赋予类别标签的部分测试样本作为训练样本集参与下一次的迭代训目的是通过减少训练样本的数量以节约训练时间。同时,为确保算法的收敛性及分类准确率,在训练过程中引入了成对标注及错误回溯处理。实际的状态判别结果证明了该方法的有效性。     

采用加速减量策略的快速在线支持向量回归算法

针对在线支持向量同归(online support vector regression,online SVR)算法进行复杂时间序列精确预测时效率较低的问题,提出一种改进减量训练策略的快速预测方法,通过对非支持向量样本的采样选择,采取加速减量训练实现对在线训练数据集规模的缩减,从而达到快速在线训练和预测的目的.将该算法应用于黑龙江移动通信话务量数据的预测中,实验结果表明,在保持Online SVR预测精度的条件下,算法执行效率得到大幅提高.     

开关磁阻电机位置传感器机械偏移故障诊断和容错控制

针对开关磁阻电机位置传感器机械偏移故障,对机械偏移角度对各相续流时间的影响进行了理论分析,并基于各相续流时间提出了相对偏移度来表征其影响程度。借助于支持向量机在分类及回归问题上的应用能力进行机械偏移的故障诊断及容错控制。搭建了基于支持向量机的开关磁阻电机位置传感器偏移故障故障诊断与容错控制仿真模型,验证了所提方法的有效性。实验结果表明,该方案可以很好的实现位置传感器机械偏移故障的诊断,定位故障传感器并进行在线补偿,增强了系统稳定性和可靠性。     

基于贝叶斯理论和在线学习支持向量机的短期负荷预测

该文将贝叶斯理论用于短期负荷预测(STLF)中输入特征的自适应选取。该理论将所有能够获得的信息，包括样本信息和先验知识结合在一起加以利用，不但避免了过拟合问题，而且简化了预测模型。文中同时建立了基于支持向量机(SVM)在线学习的短期负荷预测模型。在充分利用SVM解的稀疏性并结合KKT条件的基础上，以递增和递减算法可直接得到新的回归函数而无需重新训练，从而提高了一般SVM方法进行负荷预测的计算速度。多个实际系统的预测算例表明了该方法在预测精度和预测速度方面的有效性。     

基于最小二乘支持向量机的冷端玻璃板位置建模

玻璃生产线上对冷端玻璃板运动位置监测效果的好坏是安全、高效生产的关键,本文尝试了一种改进最小二乘支持向量机的数据拟合算法来对不同时刻冷端玻璃板的运动位置进行建模。支持向量机是针对小样本的新的学习机器,具有良好的泛化性。通过剪枝算法提高其快速性和稀疏性,并用遗传算法搜索向量机的参数,避免了参数选择的盲目性,获得了最优的参数,提高了预测能力。将此法与工程上常使用的非线性回归分析方法进行仿真比较,结果表明基于改进最小二乘支持向量机算法的拟合效果更好。     

具有增量学习能力的智能孤岛检测方法

基于机器学习的智能孤岛检测方法能有效地提高防孤岛保护的性能,但现有方法皆采用离线学习方案,对配电网因运行条件变化而导致的概念漂移现象缺乏自适应性。提出了一种具有在线增量学习能力的孤岛检测方法。首先,提出利用保护自采数据以及数据采集与监视控制(SCADA)系统采集的开关状态构成原始样本,并基于增量聚类方法进行样本筛选,实现有效样本的在线积累;然后,以各子样本集对系统最新状况的分类性能作为竞争准则,提出了一种样本集的优选方法,并利用加权支持向量机完成了增量学习。仿真结果表明,所提方法能够自主探测概念漂移的发生并进行持续的学习,有效地提高了孤岛检测的准确性和自适应性。     

（15期已排版）基于代价敏感组合核相关向量机的电力变压器 故障诊断

组合核相关向量机可以融合多个特征空间,输出变压器隶属于各种状态的概率。将代价敏感机制融入组合核相关向量机,构建了代价敏感组合核相关向量机,该算法以误诊断代价最小为目标,按贝叶斯风险理论预测样本的故障类别,克服了传统诊断方法未考虑误诊断代价差异的问题。针对代价敏感组合核相关向量机核函数参数选取需人为设定的问题,采用K折交叉验证和粒子群算法相结合的方法寻优核函数参数。基于油中溶解气体分析(dissolved gas analysis,DGA)数据的诊断实例表明,与BP神经网络,支持向量机及组合核相关向量机算法相比,代价敏感组合核相关向量机不仅具有较高的诊断正确率,而且具有较低的误诊断代价。     

LSSVM增量式训练的稀疏化算法在短期负荷预测中的应用

最小二乘支持向量机与传统支持向量机相比在训练速度上有所提高,但当训练样本数目较大时,训练速度也相对缓慢。针对这一特点,对最小二乘支持向量机用增量式训练方法,使训练速度得到进一步提高,但是与传统支持向量机相比,丧失了解的稀疏性,影响了二次学习的效率。因此通过改进的剪枝算法对解进行了稀疏化处理,将此方法应用在电力系统短期负荷预测中,并对其预测结果与支持向量机进行分析比较,预测的准确性得到了进一步提高。     

球边界偏移判别结合空间分布聚类的故障诊断

针对目前支持向量机和支持向量数据描述多分类方法,无法有效处理新类别样本的难题,提出一种自适应的故障诊断方法。首先,在支持向量数据描述多分类器中,增加一种新的球边界偏移判别条件,使诊断模型具有识别新的未知样本的能力;其次,根据未知样本的空间分布情况,进行样本的聚类学习,建立新的故障类别描述域,完成诊断模型的自更新。以混凝土泵车柱塞泵为研究对象进行仿真实验,结果表明:与传统多分类方法相比,该方法有更好的识别精度,特别是测试样本包含未知类别故障时,识别精度仍大于95%,显示了更好的适应能力。     

基于支持向量机的多回路关口电能表在线监测方法研究

根据多回路关口电能表监测的多通道采样连续性,采样信号的多特征及其耦合性,提出一种基于支持向量机的多回路关口电能表在线监测方法,该方法分别设计了基于监测系统的信号采集单元、数据通信单元、数据处理单元及上位机显示单元,搭建了电能表的多个故障缺陷模型,通过信号采集单元将缺陷模型的三相电流及电压实时数据传送给数据处理单元,数据处理单元对收集的数据进行基础运算后形成对应的有功功率样本数据,并对其进行小波包能量谱离线分析后形成故障特征池,构建了基于支持向量机算法的多分类支持向量机模型并将得到的模型内嵌于上位机显示单元,监测系统运行时上位机显示单元直接基于模型的关联规则,与转换后的采样信息进行特征匹配,实现对电能表运行工况的实时监测。经实例验证结果表明该方法能够实时、准确的对多回路关口电能表进行在线监测,具有较强的应用价值及前景。     

基于最小二乘算法的模糊支持向量机控制器及其应用

介绍了一种基于最小二乘算法的模糊支持向量机控制器，它将模糊控制与支持向量机结合起来，融合了两者的优点，既有不依赖被控对象模型又有泛化能力强等特点。同时采用混合学习算法来优化控制器参数，即先采用最小二乘算法离线优化支持向量机(SVM)性能参数，建立SVM控制系统，再根据对象的变化，采用遗传(GA)算法在线学习优化SVM性能参数和模糊比例因子，以使控制器的性能能适应对象的变化而达到最优。火电厂主汽温控制的仿真结果表明这种控制器具有良好的控制性能。     

稀疏在线无偏置最小二乘支持向量机的预测控制

针对非线性预测控制中的预测模型,设计了稀疏在线无偏置最小二乘支持向量机（SONB-LSSVM）,并提出了基于SONB-LSSVM的有约束单步预测控制算法。在每个控制周期,该SONB-LSSVM递推地学习新样本,并删除贡献最小样本。该样本删除技巧能提高学习样本集的多样性和代表性;与ONB-LSSVM相比,SONB-LSSVM的泛化性能受输入信号频率影响较小。控制量由Brent优化方法计算。由于SONB-LSSVM能及时学习过程动态新特性,该预测控制方法具有良好的自适应能力.液位控制仿真表明,在多种波形的期望输出并有扰动情况下该预测控制方法都是有效的。