基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值（WSV）和支持向量机（SVM）的电力系统故障类型识别的新方法。利用WSV来量化故障特征,再与SVM结合进行故障类型识别。对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别。仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性。SVM具有训练样本少、训练时间短、识别率高等优点。     

基于奇异值特征向量的支持向量机人脸识别技术

支持向量机的人脸识别的方法,是利用专门的小样本统计理论来解决典型小样本问题的人脸识别技术。该文作者采用对图像灰度变化有良好稳定性等特性的图像矩阵的奇异值(SVD)特征向量来表征人脸。实验取得了较高的识别率,不仅验证了方法的有效性,也说明了支持向量机在人脸识别领域的实用性。     

基于小波包降噪和Hilbert谱奇异值的滚动轴承故障诊断

Hilbert谱奇异值是对振动信号进行Hilbert-Huang变换得到Hilbert谱时频矩阵后,再利用奇异值分解的方法提取矩阵的特征得到的,但对噪声比较敏感。为了消除随机噪声和局部强干扰对特征提取的影响,先利用小波包降嗓,得到振动信号的谱奇异值作为故障特征,并选用SVM来诊断故障类型。试验结果表明,该方法能有效地应用于滚动轴承故障的识别。     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提。应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵。以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络。应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型。仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响。     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提.应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵.以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别 A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络.应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型.仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响.     

基于小波分解的支持向量机母线负荷预测

为提高母线负荷预测的准确性,提出一种基于小波分解和支持向量机的母线负荷预测方法。该方法利用小波分解算法将目标负荷序列分解为若干个不同频率的子序列,通过分析各个序列的特征规律,构造不同的支持向量机模型对各分量分别进行预测,再将各分量预测值进行重构得到最终预测值。对某一区域内15条母线进行预测,采用平均日母线负荷准确率进行评价。与单独使用支持向量机方法相比,应用所提方法提高了962点的预测效果,占总预测点数的66.8%;全系统的准确率由93.5%提高到了95.1%。     

基于Morlet小波核多类支持向量机的故障诊断

故障诊断问题实质上是一个模式识别问题,即多分类问题.采用Morlet小波来构造支持向量机(Support Vector Machine, SVM)的核函数,Morlet小波核SVM比普通SVM具有更好的鲁棒性和更强的泛化能力.在一对一算法的基础上实现Morlet小波核多类支持向量机的故障诊断,并将此方法成功应用于电厂汽轮发电机组的故障诊断.实验仿真结果表明Morlet小波核多类SVM故障分类器比BP神经网络训练和测试速度快,且其分类精度在高斯噪声干扰下还保持100%,比BP神经网络高出11.8%.因此该方法能够快速而准确地对电厂汽轮发电机组的故障进行诊断,满足电力系统实时操作的要求.     

基于小波奇异熵和相关向量机的氢气传感器故障诊断

针对氢气传感器故障问题,提出了一种智能化的传感器故障诊断方法,可以对自身故障状态进行诊断和识别。提出了一种基于小波奇异熵(wavelet singular entropy,WSE)和相关向量机(relevance vector machine,RVM)原理的氢气传感器故障诊断方法,将小波变换和奇异熵两种分析思想相结合,提取信号的完备故障特征;利用小生境粒子群优化算法(niche particle swarm optimization,NPSO)对相关向量机的核参数进行优化,提高故障诊断的准确率。将提出的方法与其他成熟算法进行了比较,实验结果表明所提方法故障诊断识别率达到98%以上,解决了非线性、小样本条件下的传感器故障诊断问题,提高了传感器的可靠性。     

基于支持向量机的移动机器人故障诊断

某些移动机器人在人们无法到达的环境下工作,因此机器人应该具备自己诊断和处理故障的能力。本文研究移动机器人运行时正常状态和可能发生的故障状态,通过采集和记录其数据作为训练和测试数据,采用小波变换提取不同状态下的特征矢量,利用支持向量机(SVM)的方法对特征矢量分类,实现对移动机器人行进时的故障诊断。结果表明,小波变换提取特征矢量、支持向量机分类的方法对于移动机器人的故障诊断效果良好。     

基于布谷鸟算法和支持向量机的变压器故障诊断

电力变压器是电力系统运行中的重要设备之一,对故障和缺陷进行正确的诊断,关系到整个电网的运行安全。支持向量机(SVM)能够较好地解决小样本、非线性特征的多分类问题,适用于变压器故障类型判断。利用布谷鸟搜索算法,对支持向量机进行寻优得到全局最优解,从而得到具有最佳参数的支持向量机分类模型。该分类模型将变压器油色谱数据(DGA)中各气体相对含量作为评估指标,将变压器的故障分为低能放电、高能放电、中低温过热、高温过热等4个故障类型。通过已有的数据实例分析得出,利用布谷鸟搜索算法得到的分类模型比常用的网格搜索算法(GS)、粒子群搜索算法(PSO)、遗传算法搜索(GA)等算法得到的模型拟合准确率更好。     

基于最小二乘支持向量机的机车轴承故障诊断

针对神经网络故障诊断存在的诸多问题,提出了基于最小二乘支持向量机的机车轴承故障诊断方法。采用最小二乘支持向量机方法建立多类故障分类器,对输入的特征向量信息进行分类,完成故障诊断功能。仿真证明了最小二乘支持向量机在小样本情况下比神经网络具有更强的泛化能力,用于故障诊断时在识别准确率和抗干扰能力方面有明显的优势。     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

基于小波包能量熵判别的高压输电线路单相自适应重合闸

提出了利用小波包能量熵来判别故障性质的单相自适应重合闸新方法.介绍了小波包能量熵的概念,引入能量修正因子对能量熵定义进行了改进,以获得更高的判别灵敏度.分析对比了2种故障相电压的特点,从原理上揭示了在二次电弧能量较大的频段,2种电压信号能量时间分布明显不同:计算表明2种故障情况下低频节点熵值M3.0比较接近,而在高频段节点处瞬时性故障的熵值要大得多.最后,提出利用高频节点特征频带的熵值均值作为判别指标.理论分析和基于EMTP/Matlab仿真结果表明:该故障判别方法能快速准确地识别故障性质,且灵敏度不受系统运行方式、过渡电阻、故障位置和振荡电压幅值等因素的影响,对二次电弧模型精度要求也不高,具有较好的适应性.     

Fault location in a series compensated transmission line based on wavelet packet decomposition and support vector regression

This paper proposes a novel transmission line fault location scheme, combining wavelet packet decomposition (WPD) and support vector regression (SVR). Various types of faults at different locations, fault resistance and fault inception angles on a series compensated 400 kV-285.65 km power system transmission line are investigated. The system only utilizes a single-end measurements. WPD is used to extract distinctive fault features from 1/2 cycle of post fault signals after noises have been eliminated by a low pass filter, and SVR is trained with features obtained from WPD. After training, SVR was then used in precise location of fault on the transmission line. The result shows that fault location on transmission line can be determined rapidly and correctly irrespective of fault impedance.