基于支持向量机的变电站蓄电池健康度评估

针对变电站蓄电池健康状态评估手段效率低,破坏性强的缺点,以评估变电站蓄电池健康度为目标,利用支持向量机算法提出了一种新的变电站蓄电池健康评估模型.为了验证该模型的有效性,利用北京某变电站蓄电池组的实测数据进行验证,实验结果表明该模型的分类精度高达97.45％.通过实例验证了该模型能够对变电站蓄电池的健康度能够进行较好评...     

基于支持向量回归的时间序列预测

该文简要介绍了时间序列预测的研究状况以及支持向量回归的基本原理,将支持向量回归用于对Box-Jenkins煤气炉时间序列的预测,并同其他前馈网络——BP神经网络、自适应特征空间扩张神经网络进行比较,仿真结果表明,BP神经网络和自适应特征空间扩张神经网络在预测性能上比较接近,而支持向量回归在预测性能方面明显优于这两种方法,为进行模型辨识与建模研究奠定基础.文章最后分析了支持向量回归优于BP神经网络和自适应特征空间扩张神经网络的机理.     

基于支持向量回归的混沌序列预测方法

本文讨论了支持向量机(SVM)的回归算法,将SVM应用于混沌时间序列的预测,并与RBF网络的预测效果进行了比较,仿真结果表明,其预测精度和抗噪声能力要优于RBF网络;同时,采用关联度代替欧式距离,来确定相空间中的最邻近相点,提高了预测时的嵌入维数,从而提高了混沌预测的精度.     

基于支持向量回归的长期电路负载预测

长期电力负载预测是一项具有挑战性的任务,因为负荷和影响负荷的因素之间关系复杂.值得一提的是,总负荷消耗量是衡量经济增长的关键指标,尤其是从全球经济衰退中复苏的指标.因此本文采用以GDP为经济因素的LTLF,采用支持向量回归(SVR)作为训练算法,得到负荷与经济因子GDP之间的非线性关系,以提高预测的准确性.     

基于支持向量机的负荷预测分析

支持向量机(简称SVM)作为新的负荷预测方法在解决小样本、非线性、过学习问题等方面有很好的优势,结合目前新疆地区负荷增长快、负荷变化非线性强的状况可以考虑将其运用至实际工作中以提高预测精度,本文采取新疆某地区实际电网数据以支持向量机预测法进行预测,通过预测结果分析证明其有效性和可行性,体现此方法的实际应用价值.     

基于支持向量机回归的继电器触点接触电阻的长期预测

分析了继电器触点接触电阻的时变规律,提出了基于时变趋势和支持向量机回归（SVR）的触点接触电阻的长期预测方法。采用小波技术和零均值平稳检验技术提取时变长期趋势项,进而以接触电阻的趋势分量为变量,建立了接触电阻的SVR预测模型。分析了接触电阻的超长期预测,提出了基于相关触点的SVR模型的超长期预测方法。预测实例结果表明,所提方法能实现触点接触电阻长期预测,能有效剔除短时干扰、异点对预测结果的影响。     

基于支持向量回归的协调系统建模

电厂单元机组协调系统的控制品质,从很大程度上取决于对机组的动态特性的预测程度。而支持向量机SVM（Support Vector Machines）作为在统计学习理论上发展起来的一种实用算法,其原理经过严密地理论证明已经得到了普遍认可,且已经广泛地应用于模式识别、函数拟合、预测和神经网络等诸多领域。运用支持向量回归的方法对山西阳光发电有限责任公司的协调系统模型进行了预测,并进行了仿真试验,证明了该方法的有效性。     

基于支持向量机的中长期电力负荷预测

通过探讨多种确定性及非确定性负荷预测方法,将当前少有应用的支持向量机算法引入电力系统负荷预测。介绍了统计学理论,引入了根据该理论提出的支持向量机算法。对支持向量机算法原理进行了介绍,分析了该算法的本质及应用价值。采用回归问题的支持向量回归机ε-SVR算法,给出了将该算法应用于中长期负荷预测的方法。通过算例,验证了该方法的有效性。     

基于遗传算法最小二乘支持向量机蓄电池SOC估测

介绍了最小二乘支持向量机( LS-SVM)和遗传算法(GA)的基本理论,建立了基于遗传算法的最小二乘支持向量机蓄电池SOC估测模型.通过数据验证选择了模型的最优核函数,同时利用遗传算法对模型的参数进行了寻优.将寻优结果代入模型进行验证,结果表明,该模型具有很高的预测精度,应用在装甲车辆铅酸蓄电池SOC测上具有很高的实用价值.     

基于免疫支持向量机方法的电力系统短期负荷预测

在对支持向量机(Support Vector Machines,SVM)方法的参数性能进行分析的基础上,提出了一种免疫支持向量机方法来预测电力系统短期负荷,其中利用免疫算法来优化支持向量机方法的参数.免疫算法是根据人类或其它高等动物免疫系统的机理而设计的,通过仿真抗原和抗体之间的相互作用过程,有效地克服了未成熟收敛现象,提高了群体的多样性.电力系统短期负荷预测的实际算例表明,与支持向量机方法相比,本文所提免疫支持向量机方法具有更高的预测精度.     

浅析变电站蓄电池浮充电运行的问题

针对变电站阀控式密封铅酸蓄电池浮充电运行中存在的浮充电压值偏离标准值、蓄电池运行环境温度偏离理想运行温度的现状,对变电站直流系统安全运行造成危害原因进行了分析,提出了合理的解决方案。     

基于遗传算法与支持向量回归的发电机运行参数趋势预测

针对支持向量回归(SVR)模型在设备运行参数趋势预测中。根据人为经验选取模型参数导致预测精度不高的问题,提出了一种使用遗传算法(GA)优化SVR模型参数的方法(GA-SVR)。将该方法应用于发电机定子线圈出水温度的实时趋势预测中。结果表明,相较于SVR模型,GA-SVR具有更高的预测精度,能够满足电厂对发电机运行参数变化的趋势预测精度要求。     

变电站VRLA电池的运行与维护探讨

阀控式铅酸蓄电池简称VRLA电池,维护量小,在变电站直流系统广泛应用。然而VRLA电池应用中,有许多容易被忽视而有可能导致严重后果的问题,对整组电池放电、过充电的传统方法处理落后电池将损害非落后电池,比较理想的方法是落后电池脱离电池组进行单独放电、充电恢复容量。     

基于不同衰退路径下的锂离子动力电池低温应力差异性

锂离子动力电池受到的低温冲击通常发生在某一特定情况下,其低温应力与新电池存在一定差异。通过以35A·h复合材料电池为研究对象,针对电池充放电过程中存在的不同反应阶段,利用转化容量增量曲线划分电池工作区间,使电池在不同SOC区间循环老化,跟踪其电化学特性变化,分析衰退机理。在0℃环境下,采用C/3、C、3C/2、2C和5C/2电流依次对老化电池进行充放电冲击,分析基于不同衰退路径下的动力电池低温应力差异性。结果表明:动力电池在不同SOC区间循环使用会产生差异性明显的衰退路径,其低温衰退与其之前经历的循环衰退并不存在映射关系和一致性。同时得到的结论为动力电池成组应用的寿命分析和梯次利用电池的筛选配组提供依据。     

基于改进支持向量回归的IGBT老化预测

为了准确预测绝缘栅双极型晶体管（IGBT）的老化状态,提出了一种基于改进鲸鱼优化算法（IWOA）优化支持向量回归（SVR）的IGBT老化预测方法。该方法提取IGBT集电极-发射极电压信号的时频域特征,通过核主成分分析（KPCA）降维将时频域特征融合成一个综合指标来表征IGBT的老化状态;针对鲸鱼优化算法（WOA）不足,在WOA的基础上引入Sobol序列种群初始化、惯性权重和反向学习策略,增强WOA的局部搜索能力和收敛速度;利用IWOA优化SVR的惩罚因子和核参数,并构建一种基于综合指标的IGBT预测模型。利用NASA Ames实验室的IGBT老化数据集对IWOA-SVR方法进行验证,结果表明,所构建IWOA-SVR预测模型可以更准确实现对IGBT的老化预测。     

磷酸铁锂电池作为变电站用直流电源的特性

为了探索磷酸铁锂电池取代铅酸蓄电池作为变电站用直流电源的工作特性,通过浮充电测试,对铅酸电池和磷酸铁锂电池在不同浮充电压下的浮充电流特性、搁置特性、模拟工况放电特性等方面进行比对分析,发现磷酸铁锂电池具有远远超过铅酸蓄电池的大电流放电能力;磷酸铁锂电池具有不同于铅酸蓄电池的浮充特性,建议其浮充电压应选择在3.50 V左右。对磷酸铁锂电池组进行长时间浮充试验发现,在室温下3.6 V电压浮充运行一年后,其容量保持率高达96.06%。     

基于最小二乘支持向量机误差补偿模型的锂离子电池健康状态估计方法

对锂离子电池的健康状态(state of health,SOH)进行准确估计是电池安全稳定运行的重要保障。为此,提出一种基于最小二乘支持向量机误差补偿模型(least squares support vector machine-error compensation model,LSSVM-ECM)的锂离子电池SOH估计方法。该方法将电池容量的衰退过程分为总体趋势和局部差异,对于容量衰退的总体趋势,由电池容量历史衰退数据建立经验退化模型(empirical degradation model,EDM),并计算SOH真实值和模型输出值之间的误差;对于容量衰退的局部差异,以等压升时间作为输入,经验模型的拟合误差作为输出,建立LSSVM误差补偿模型,对EDM的预测结果进行动态补偿。公开数据集和实际实验测试的验证结果表明,所提方法具有较高的预测精度和较强的鲁棒性。     

基于ALO-SVR的锂离子电池剩余使用寿命预测

锂离子电池(Lithium-ion batteries,LIBs)的剩余使用寿命(remaining useful life,RUL)预测在电池故障预测与健康管理(prognostics and health management,PHM)中起着十分重要的作用.准确预测电池RUL可以提前对存在安全隐患的电池进行维护和更...