基于支持向量机和粒子群算法的信息网络安全态势复合预测模型

提出一种基于支持向量机和粒子群算法的网络态势复合预测模型。模型使用滑动窗口方法将各原始离散时间监测点的安全态势值构造成部分线性相关的连续时间序列,以其作为安全态势数据样本集对支持向量机加以训练,生成预测模型。在支持向量机训练过程中,利用粒子群算法搜寻支持向量机的最优训练参数,以降低支持向量机参数选择的盲目性,提高预测精度。最后通过基于大量电力企业信息网络现场安全监测数据的实验,验证了复合预测模型的有效性。     

基于改进粒子群算法与支持向量机的变压器状态评估

支持向量机(SVM)能较好地解决小样本、非线性特征的多分类问题,适用于电力变压器运行状态评佑,但参数选择时分类效果有着显著影响.利用改进的粒子群算法(PSO)对支持向量机(SVM)参数进行寻优,通过引入收敛因子、惯性因子动态化和自适应杜子变异三种方法对传统的PSO算法进行改进,从而获得最佳的分类模型.该模型以变压器油中...     

基于粒子群优化支持向量机的变压器故障诊断

为了克服了人工神经网络(ANN)中存在的过拟合、收敛速度慢、容易陷入局部极值等缺点,提出了基于粒子群优化支持向量机(PSO-SVM)的变压器故障诊断方法,即将粒子群优化算法(PSO)用于SVM参数优化。PSO是一种智能群体搜索方法,它源于对鸟类捕食行为的研究。这种方法不仅具有很强的全局搜索能力,而且容易实现,适合于SVM参数优化。变压器故障诊断实例分析结果证明,PSO-SVM的诊断精度高于IEC三比值法、BP神经网络、普通的SVM,PSO-SVM适用于电力变压器故障诊断。     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。     

基于支持向量机的CFB锅炉烟气含氧量建模和预测

采用具有良好泛化能力的回归型支持向量机(SVR)对CFB锅炉的烟气含氧量进行预测,通过对450 t/h CFB锅炉的实测数据进行了实验研究。实验结果表明:基于SVM的烟气含氧量预测模型具有较好的学习能力和泛化能力,相对于受到多种干扰的氧量测量数据来说,具有较高的预测精度,对CFB锅炉的优化运行和推断控制具有参考价值。     

基于粒子群算法-最小二乘支持向量机算法的磁化曲线拟合

磁化曲线是强非线性函数,提高磁化曲线的拟合精度对含有铁磁材料的电气设备建模准确性至关重要。提出了一种基于粒子群算法-最小二乘支持向量机(PSO-LSSVM)算法的磁化曲线拟合方法。该方法用粒子群优化算法解决了最小二乘支持向量机(LSSVM)参数的选择问题。仿真结果显示PSO-LSSVM算法能获得最优的LSSVM参数,且采用PSO-LSSVM算法拟合的磁化曲线与实际测量的磁化曲线基本无偏差,拟合精度较高。     

基于粒子群算法优化支持向量机的输电线路覆冰预测

分析了现有输电线路覆冰厚度预测方法中的不足,提出了一种基于粒子群算法优化支持向量机的输电线路覆冰预测。通过历史覆冰增长数据样本对支持向量机进行训练,利用训练的模型对线路覆冰厚度进行预测。同时利用粒子群优化算法对支持向量机关键参数进行优化,有效提高了覆冰厚度预测精度,为输电线路防冰提供了可靠依据。     

基于粒子群算法优化支持向量机的专用工程费用量化研究

针对电力专用工程费用的复杂性且易受各种因素影响的问题,以某地区专用工程数据为基础,参考国内其他地区的收费标准,提出了一种基于粒子群算法优化支持向量机的专用工程费用预测。通过历史的专用工程费用数据样本对支持向量机进行训练,利用训练的模型对专用工程费用进行预测。同时用粒子群优化算法优化支持向量机的关键参数,提高专项工程费用的预测精度。     

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。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support VectorM ach ine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Partic le Swarm Optim ization)优化参数的SVM短期电力负荷预测模型。PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力。用所建立的负荷预测模型编制的M atlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support Vector Machine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Particle Swarm Optimization)优化参数的SVM短期电力负荷预测模型.PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力.用所建立的负荷预测模型编制的Matlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高.     

基于支持向量机的大型电厂锅炉飞灰含碳量建模

飞灰含碳量是影响锅炉热效率的一个重要因素,影响燃煤锅炉飞灰含碳量的因素多而且复杂,对锅炉飞灰含碳量特性进行建模预测并结合优化算法实现燃烧优化是降低锅炉飞灰含碳量的有效方法.该文应用支持向量机算法建立了大型四角切圆燃烧锅炉飞灰含碳量特性的模型,并利用飞灰含碳量的热态实炉试验的数据对模型进行了校验,对支持向量机学习算法中参数的选择进行了探讨,获得了最佳学习参数.结果说明支持向量机与其它建模方法相比具有泛化能力好,计算速度快等优点,是锅炉飞灰含碳量特性建模的有效工具.     

基于在线支持向量机的锅炉动态建模方法研究

利用在线支持向量机的非线性映射特性,建立锅炉排放、锅炉效率与燃烧调整中诸多操作量(如:二次风门开度、燃烬风门开度、给煤量偏置等)的动态数学模型,并对动态模型进行仿真研究。现场数据仿真表明,所建的模型可以较好地体现锅炉燃烧系统的动态特性。当过程中出现之前建模数据没有囊括的工况时,模型可以利用新数据实现在线更新,并补充新的支持向量,因而具备对煤质变化的适应能力。     

粒子群优化算法和最小二乘支持向量机的 雷电过电压识别

为了提高雷电过电压的识别率,满足雷电过电压识别的实时性,提出了粒子群优化算法和最小二乘支持向量机的雷电过电压识别模型。首先提取多种特征作为雷电过电压识别的输入向量,然后采用最小二乘支持向量机设计雷电过电压识别的分类器,采用粒子群优化算法确定最合理的分类器参数,最后通过实验分析其有效性和优越性。结果表明,PSOLSSVM可以描述雷电过电压信号与特征间变化关系,提高了雷电过电压识别率,加快了雷电过电压识别速度,识别结果优于其他模型。     

改进粒子群算法和最小二乘支持向量机的电力负荷预测

针对最小二乘支持向量机在电力负荷预测应用中的参数优化问题,将改进粒子群算法引入到最小二乘支持向量机参数中,建立一种新型的电力负荷预测模型(IPSO-LSSVM)。首先将最小二乘支持向量机参数编码为粒子初始位置向量;然后通过粒子个体之间的信息交流、协作找到最小二乘支持向量机的最优参数,并针对标准粒子群算法的不足进行相应改进;最后将其应用于电力负荷建模与预测,并通过仿真对比实验测试其性能。实验结果表明,IPSO-LSSVM可以获得较高准确度的电力负荷预测结果,大幅度减少了训练时间,满足电力负荷在线预测要求。     

基于粒子群优化支持向量机的电能替代潜力分析方法

"电能替代"战略可以在终端能源消费环节实现电能替代散烧煤、直燃油,最终实现能源发展方式的根本转变。为提供面向电源、电网、产能规划的理论指导,提出了基于粒子群优化支持向量机的电能替代潜力分析方法。基于多维度数据定义电能替代发展的主要影响因素,通过支持向量机实现影响因素与累计电能替代量的拟合分析,并对于支持向量机参数选择进行粒子群优化,实现了对累计电能替代量的有效预测。仿真结果表明,上述方法能够显著提升预测精度,对于支持电能替代的潜力分析具有一定的指导意义。     

支持向量机回归算法在锅炉燃烧系统建模中的应用研究

针对高维非线性系统,分析了基于支持向量机网络的建模能力,并将增量回归支持向量机算法应用于锅炉燃烧过程建模,根据现场采集的数据进行支持向量机网络建模和泛化能力实验.理论分析和实验结果表明网络具有良好的辨识精度和泛化能力.     

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%。     

基于支持向量机的锅炉煤质预测模型

通过基于统计学习理论的支持向量机建模和机理性的分析及推导,给出了2种不同的电厂锅炉煤质预测模型,并结合现场试验数据,给出2种方法不同的预测结果及评价.验证了支持向量机建模对于火力发电厂煤质监测具有较高的应用价值.     

基于改进粒子群优化支持向量机的光伏电池输出功率预测

采用支持向量机预测光伏电池功率时,其预测精确度与惩罚参数c和核函数参数g的取值有关。提出一种改进粒子群算法优化支持向量机并预测光伏电池输出功率。改进粒子群算法通过控制粒子的初始速度和位移并限制粒子速度的最大值和最小值,保证粒子不超出规定的速度边界,且具有自主调节功能;增加自适应粒子变异,避免粒子群算法陷入局部最优而导致搜索精度下降。结果表明,采用改进粒子群算法优化支持向量机预测光伏电池输出功率的精度更高,误差更小。