基于PSO-SVM的小电流接地故障选线方法

针对小电流接地系统,现有故障选线方法的精度不高,为此提出基于粒子群优化向量机（PSO‐SVM ）的选线方案。在搭建小电流接地系统仿真模型的基础上,采用M atlab进行PSO优化算法仿真实验,根据不同的接地情况获得故障时各线路零序电流,利用小波包变换（WPT ）与傅里叶变换（FFT ）从零序电流中提取暂态分量、谐波分量、五次谐波分量作为PSO‐SVM输入特征进行训练,用训练好的SVM 对测试样本行检测,得到选线结果。仿真结果表明,该方法使学习训练速度加快、自适应能力增强、选线精度提高进,且其不受接地电阻、故障距离等因素影响。     

基于PSO-SVM模型的供水管网漏损诊断

为了找到更高精确度的供水管网定位方法,基于支持向量机搭建了PSO-SVM给水管网漏失诊断模型,对影响支持向量机(SVM)性能的两个重要参数c和g使用粒子群优化算法(PSO)做了优化处理,使得支持向量机的运算速率和准确度显著提高,利用单漏点供水管网仿真模拟试验平台测得管网各运行工况下的漏点特征数据,测得数据通过后期归一化处理作为PSO-SVM模型的输入样本数据集,样本数据经PSO-SVM模型运行后证明该模型可有效对管网漏失点做出精准定位,并能对各漏失点的漏失量做出精准预测。     

复杂机械结构的煤矿设备安全性分析

在对具有复杂机械结构的煤矿设备安全性分析深入研究的基础上,提出了一种新的安全性分析方法,即通过对结构进行有限元分析,得到多组荷载效应,然后建立基于PSO-SVM的具有复杂机械结构的煤矿设备安全性分析模型,以有限元分析结果为训练样本集,利用此模型可直接进行结构的安全性分析。通过实例分析证明,该法避免了有限元分析的复杂加载和长时间运算,有效地简化了复杂结构的安全性分析问题,通过分析得到的结果与实际结果的对比肯定了该方法的有效性。     

基于ReliefF与互信息结合的特征评价、筛选的家庭负荷类型辨识方法研究

家庭负荷识别是实现需求侧精细化管理的关键。针对现有家庭负荷辨识研究中对所提取特征贡献度及相关性分析不足的问题,提出了基于ReliefF与互信息结合的特征评价、筛选的家庭负荷类型辨识方法。文中在现有研究基础上提取了16个家庭负荷运行暂、稳态特征,对其权重及特征间相关性进行分析,筛选了其中辨识效果最优的特征组合,利用基于粒子群优化的支持向量机(Support Vector Machine based on Particle Swarm Optimization,PSOSVM)分类模型对实测数据样本进行了辨识。算例结果验证了所提算法的准确性和优越性。     

冲击地压危险等级预测的PSO-SVM模型

为了对冲击地压进行有效的预测,分析了冲击地压的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的冲击地压危险程度预测模型,并通过实例,对PSO-SVM模型的预测效果进行了检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对实例进行了预测,最后对三种方法的预测精度进行了比较分析,结果显示:PSO-SVM方法的预测精度要高于BP-NN和SVM方法的预测精度,可见,PSO-SVM预测方法对煤矿冲击地压危险程度预测具有一定的参考价值和指导意义.     

基于PSO优化SVM的转炉炼钢用氧量预测研究

用氧量是影响钢水质量的主要因素之一,为提高转炉炼钢用氧量模型的预测精度,提出基于PSO优化SVM的吹氧量建模预测方法。针对SVM结构参数依据经验选取,致使预测模型的泛化能力差,在标准PSO算法的基础上,优化SVM的惩罚系数、不敏感损失系数和高斯核宽度系数3个结构参数,并建立转炉炼钢用氧量预测模型;在此基础上利用UCI数据库中的Auto-MPG标准数据,验证了方法的有效性;最后以某钢厂100 t转炉的实际生产数据建立吹氧量预测模型,结果表明,与标准BP、RBF及SVM相比,基于PSO优化SVM的转炉炼钢吹氧量预测模型精度高、泛化能力强。     

基于快速谱相关和PSO-SVM的变工况滚动轴承状态识别

滚动轴承故障诊断进入“大数据”时代需要不断发展和完善故障智能识别技术,而已有方法在变工况下的故障识别准确率较低。针对此问题,提出了一种基于快速谱相关和粒子群优化支持向量机(PSO-SVM)的变工况滚动轴承状态识别方法。对滚动轴承的振动信号进行快速谱相关,得到快速谱相关谱;在快速谱相关谱中选取4个循环频率,并求其能量均值,得到信号的特征能量矩阵;将它作为特征向量输入PSO-SVM进行训练和测试。试验结果表明：在运用PSO-SVM进行变工况滚动轴承状态识别的过程中,由快速谱相关谱得到的特征能量矩阵能更好地体现滚动轴承在不同工况下的多状态特征,且PSO-SVM的自适应能力强,不需要人为设置参数,具有更高的识别率。     

基于PSO-SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对该实例进行了预测,进而对这3种方法的预测精度进行了比较.分析结果表明3种方法的预测准确率PSO-SVM为87.5％、BP-NN为50％、SVM为62.5％.可见,PSO-SVM方法的预测效果要好于BP-NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义.     

基于EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

基于PSO-SVM方法的电源线传导泄漏信号识别与还原

针对显示器电源线传导泄漏信号中红信号识别的难题,该文提出基于粒子群(PSO)算法优化支持向量机(SVM)的识别方法。首先对传导泄漏信号进行滤波预处理并分段,然后利用粒子群-支持向量机(PSO-SVM)对传导泄漏信号进行训练、分类并与SVM分类性能进行对比,最后应用PSO-SVM实现了显示图像的还原。结果表明此算法可以准确实现电源线传导泄漏信号中红信号的识别,且识别率明显高于SVM分类器。