基于LS-SVM的电力电子电路故障预测方法
基于GMDH ̄PSO ̄LSSVM中长期电力负荷预测

基于GMDH ̄PSO ̄LSSVM中长期电力负荷预测作者:龙金莲卢家暄张玉分王家忠陶然来源:《贵州大学学报(自然科学版)》2017年第06期摘要:针对电力负荷预测粒子群优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型输入节点难以确定的问题,提出了一种基于数据分组处理方法(Group Method of Data Handling, GMDH)来优化PSO ̄LSSVM(Particle Swarm Optimization ̄Least Squares Support Vector Machine)的中长期电力负荷预测预测方法。
该方法是首先利用GMDH算法获得LSSVM建模中的输入变量;然后利用基于自适应变异的PSO算法对LSSVM建模中的参数进行优化,选用某地区2008~2013年的历史数据作为模型的训练样本建立模型;最后使用训练好的GMDH ̄PSO ̄LSSVM模型对2014、2015年的用电量进行外推预测。
组合模型预测结果表明该方法达到了较高的预测精度,预测精度提高了2.21%。
关键词:负荷预测;数据分组处理方法;粒子群算法;最小二乘支持向量机中图分类号:TM7151文献标识码: A电力负荷预测准确度直接影响了电网及发电的运行与规划。
科学的预测结果是正确决策的有力保障。
电力负荷的预测类型可以分为长期、中期、短期和超短期。
前两种预测在厂网规划和水库调度等应用较为广泛[1]。
预测的主要方法有时间序列法、基于智能的神经网络法、LSSVM模型预测法、遗传算法等。
但是,神经网络预测算法必须建立在足够多容量的训练样本基础上,且易造成局部最优的状况;采用统计学理论进行建模的支持向量机具有有效克服陷入局部最优的能力,且其核函数及其参数对预测值的影响很大;PSO ̄LSSVM模型有效优化了LSSVM 的核函数及其参数,但该模型却无法确定合适的输入节点数。
智能优化LS-SVM在电力负荷预测中的应用

基于SVM的智能电网故障诊断技术研究

基于SVM的智能电网故障诊断技术研究一、引言近年来,随着电力行业的快速发展,智能电网已经逐渐成为未来电力发展的趋势。
在智能电网中,电力系统的故障问题一直是困扰着电力公司的重要问题。
为了有效地解决电力系统故障问题,需要采用先进的技术手段来进行诊断与监测。
二、智能电网故障诊断技术的研究现状目前,电力系统中的故障诊断技术主要采用传统的人工判断的方法,即检查电线路和设备进行故障的初步确认,然后根据经验进行排除法来确定故障原因。
然而,这种传统方法存在着诊断时间长、人力成本高、易出现误判等问题,难以满足大规模的电力系统故障诊断的需要。
为了解决传统电力系统故障诊断方法的缺陷,研究人员开始将机器学习技术引入电力系统故障诊断领域。
其中,支持向量机(SVM)是一种具有广泛应用前景的机器学习技术,在智能电网故障诊断技术中的应用也逐渐受到关注。
三、支持向量机技术概述支持向量机是一种基于统计学习理论的非线性分类器,其基本思想是将高维的样本转换成低维的空间,然后在低维空间中构造一个超平面来进行分类。
SVM的核心是分类器的设计,该分类器可以改变不同问题的学习性质以达到高效和准确的分类。
支持向量机是一种强大的机器学习算法,它可以在非线性情况下直接利用核函数将输入的数据映射到高维空间中,然后在高维空间下使用线性分类器进行分类,从而实现复杂的数据分类任务。
同时,支持向量机的训练过程是一个优化问题,在求解过程中可以避免陷入局部最优解,因此具有较高的稳定性。
四、基于SVM的智能电网故障诊断技术研究4.1 SVM模型的建立智能电网故障诊断技术的研究中,需先将故障数据采集后进行特征提取,得到故障数据的特征向量。
然后,可以将特征向量作为SVM模型的输入,从而建立智能电网故障诊断模型。
在SVM模型的建立过程中,需要选择合适的核函数和调整参数,以达到最佳的分类效果。
4.2 SVM模型参数的优化在SVM的训练过程中,可能会遇到训练样本不平衡、模型过拟合或欠拟合等问题,这时需要对模型的参数进行优化。
基于SVM的模拟电路故障诊断及参数优化方法

基于SVM的模拟电路故障诊断及参数优化方法
焦鹏;王新政;谢鹏远
【期刊名称】《计算机测量与控制》
【年(卷),期】2013(21)8
【摘要】根据模拟电路故障的特点,结合支持向量机在解决小样本、非线性和高维模式识别问题中所具有的结构简单、泛化能力强等特点,建立基于支持向量机的模拟电路故障诊断模型,针对支持向量机的核参数及惩罚参数对分类效果影响显著这一问题,利用改进的粒子群算法对以上参数进行优化;实验结果表明采用结构风险最小化原则建立的支持向量机模型在学习分类和快速全局寻优方面具有突出的性能,通过对模型参数进行优化,可进一步提高故障诊断效果.
【总页数】4页(P2039-2042)
【作者】焦鹏;王新政;谢鹏远
【作者单位】海军装备研究院航空装备论证研究所,上海200436;海军航空工程学院科研部,山东烟台 264001;中国人民解放军91055部队,浙江台州 318050【正文语种】中文
【中图分类】V241.4
【相关文献】
1.基于迁移学习LSSVM的模拟电路故障诊断 [J], 庄城城;易辉;张杰;刘帅
2.基于改进SVM的模拟电路故障诊断 [J], 周绍磊;廖剑;史贤俊;戴邵武
3.基于改进SVM的模拟电路故障诊断 [J], 周绍磊;廖剑;史贤俊;戴邵武;
4.基于DCCA-IWO-MKSVM的模拟电路故障诊断方法 [J], 杨晓朋; 陈伟; 王鹏展; 侯进; 刘自鹏
5.一种SVM参数优化的模拟电路故障诊断仿真研究 [J], 周晚
因版权原因,仅展示原文概要,查看原文内容请购买。
ls-svm回归 需求功率 -回复

ls-svm回归需求功率-回复lssvm回归是一种基于支持向量机的回归方法,可用于预测不同自变量与因变量之间的非线性关系。
在这篇文章中,我们将详细解释lssvm回归的原理和应用,并以需求功率为例,演示如何使用lssvm回归来预测需求功率的变化。
第一部分:概述在现代社会中,需求功率的准确预测对电力系统的运行和规划至关重要。
传统的线性回归方法在面对非线性关系时表现不佳,因此需要一种更强大的预测模型。
lssvm回归正是为了解决这个问题而提出的一种方法。
第二部分:lssvm回归原理lssvm回归与传统的支持向量机(SVM)相似,但有一些关键区别。
支持向量机分类问题是通过找出一个最优超平面,将不同类别的样本点分开。
而在lssvm回归中,我们要拟合一个函数,以预测连续的因变量。
其基本思想是通过构建一个非线性映射将数据从输入空间映射到高维特征空间,从而在特征空间中寻找最优线性回归函数。
具体而言,lssvm回归的目标是最小化目标函数,该函数包括两个部分:一个表示模型误差的平方和,另一个表示模型复杂度的正则化项。
通过引入一个惩罚参数来平衡这两个部分,我们可以在模型的复杂度和预测准确度之间找到一个合适的平衡。
第三部分:数据准备在应用lssvm回归之前,我们首先需要准备好训练数据和测试数据。
对于需求功率的预测问题,我们可以收集过去一段时间内的历史需求功率数据作为训练数据,然后将新的自变量输入模型以预测未来的需求功率。
此外,我们还要考虑到可能会影响需求功率的其他因素,如温度、湿度、时间等。
这些变量可以作为额外的自变量输入到lssvm回归模型中,以提高预测的准确性。
第四部分:模型训练与参数选择在准备好数据后,我们可以使用训练数据来训练lssvm回归模型。
模型训练的过程涉及到选择合适的惩罚参数和核函数参数。
惩罚参数决定了模型对误差的容忍程度,过小的惩罚参数会导致过拟合,而过大的惩罚参数会导致欠拟合。
通过交叉验证等方法,我们可以选择一个最佳的惩罚参数。
基于改进粒子群优化LS-SVM的变压器故障气体预测

基于改进粒子群优化LS-SVM的变压器故障气体预测
沙立成;宋珺琤
【期刊名称】《华北电力大学学报(自然科学版)》
【年(卷),期】2011(038)001
【摘要】最小二乘支持向量机(LS-SVM)能较好的解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障气体预测,但参数c与σ2的选取对预测结果影响较大,有必要对其进行优化选择.提出一种基于改进粒子群(MPSO)的参数寻优方法,并将其应用到变压器油中故障气体预测.改进粒子群算法在每次迭代中,将粒子群进行分类,不同类粒子采取不同加速因子,相比较经典粒子群算法,可以有效扩大粒子搜索区间,增强其局部搜索能力.最后进行了多组现场数据的实例分析,结果表明:基于MPSO进行参数优化后的LS-SVM预测准确率明显优于传统LS-SVM预测结果.
【总页数】4页(P35-38)
【作者】沙立成;宋珺琤
【作者单位】华北电力大学,电气与电子工程学院,北京,102206;北京市电力公司调度通信中心,北京,100031;天津市东丽区军粮城发电有限公司,天津,300300
【正文语种】中文
【中图分类】TM411.1
【相关文献】
1.基于改进LS-SVM的变压器油中气体浓度预测 [J], 张美金;鄂小雪
2.基于改进粒子群优化LS-SVM的短期风速预测 [J], 范曼萍;周冬
3.改进粒子群优化的多类LS-SVM电机故障识别算法 [J], 陈义;郭香蓉;王世峰
4.基于自适应粒子群优化LSSVM的变压器油中溶解气体浓度预测 [J], 连文莉;耿波;周舟;司刚全
5.改进粒子群优化的多类LS-SVM电机故障识别算法 [J], 陈义;郭香蓉;王世峰因版权原因,仅展示原文概要,查看原文内容请购买。
基于机器学习的电力系统故障预测与分析

基于机器学习的电力系统故障预测与分析近年来,随着电力需求的不断增长以及电力系统规模的扩大,电力系统故障问题日益凸显。
电力系统的故障会给社会带来严重的影响,甚至可能导致灾难性后果。
因此,针对电力系统故障的预测与分析成为了不可忽视的重要研究方向。
近年来,基于机器学习的方法在此领域得到了越来越广泛的应用。
一、电力系统故障的影响与挑战电力系统故障的发生可能会导致供电中断,给用户生活和生产造成巨大的困扰。
特别是对于某些关键行业,如医疗、金融和交通,电力系统故障可能引发严重事故和财产损失。
另一方面,电力系统规模的扩大也给故障的检测与分析带来了挑战。
传统的基于规则的故障检测方法需要依赖专家经验和大量的规则库,无法适应系统规模的不断扩大和故障模式的多样性。
因此,基于机器学习的方法成为了一种可行的解决方案。
二、基于机器学习的电力系统故障预测机器学习是一种通过从数据中学习模式和知识,并基于这些模式和知识进行决策和预测任务的方法。
在电力系统故障预测中,机器学习算法通过对历史数据的学习,可以构建故障的预测模型,从而对未来可能发生的故障进行预测。
常见的基于机器学习的电力系统故障预测方法包括支持向量机(SVM)、神经网络(NN)和随机森林(Random Forest)等。
这些方法通过学习历史数据中的特征和故障模式,可以预测出未来可能发生的故障类型和时间。
三、基于机器学习的电力系统故障分析除了预测外,机器学习在电力系统故障分析方面也有不可忽视的作用。
传统的故障分析方法通常需要依赖专家经验和大量的繁琐计算来确定故障原因和解决方案。
而基于机器学习的故障分析方法可以通过对大量历史故障数据的学习,自动地提取出导致故障的关键因素,并给出相应的排查和解决方案。
常见的基于机器学习的电力系统故障分析方法包括聚类分析、关联规则挖掘和决策树等。
聚类分析可以将故障数据分为若干个簇,从而发现故障之间的关联性和共性;关联规则挖掘可以找到导致故障的关键因素和顺序;决策树可以通过学习历史故障和解决方案的关系,给出相应的排查和处理策略。
基于优化的LS-SVR的继电保护设备故障率预测模型

基于优化的LS-SVR的继电保护设备故障率预测模型邓旭阳;陈志光;林燕贞;龚庆武【期刊名称】《电网与清洁能源》【年(卷),期】2016(032)003【摘要】电力系统的互联运行对继电保护设备提出更高的要求,而继电保护设备的安全稳定运行与故障率息息相关.为了解决标准粒子群(SPSO)陷入局部最优的问题,加入高斯扰动操作,提出了高斯扰动的标准粒子群算法(GDSPSO),并在优化过程改变传统学习因子是定值的缺陷,引入学习因子随着迭代次数变化的表达式,提高算法的搜索能力,更好地优化最小二乘支持向量机(LS-SVR)的学习参数,建立预测模型,并作误差分析.最后以某一地区相同型号,相同运行环境的24台继电保护设备为例,说明GDSPSO相比较其他3种算法而言,寻优速度快,稳定性好,计算耗时短,利用GDSPSO优化得到的学习参数建立的预测模型,预测效果好,预测精度高.【总页数】10页(P25-33,39)【作者】邓旭阳;陈志光;林燕贞;龚庆武【作者单位】广东电网有限责任公司电力调度控制中心,广东广州510600;广东电网有限责任公司电力调度控制中心,广东广州510600;武汉大学电气工程学院,湖北武汉430072;武汉大学电气工程学院,湖北武汉430072【正文语种】中文【中图分类】TM774【相关文献】1.基于改进果蝇优化算法的电力设备故障率预测 [J], 高僮;周莽;孙树学;王晖;2.基于改进果蝇优化算法的电力设备故障率预测 [J], 高僮;周莽;孙树学;王晖3.基于多状态信息修正优化组合的电力设备故障率计算方法 [J], 吴杰康;胥志强;徐庆焯;鲍雨徽4.基于GA优化小波LS-SVR的惯性器件故障预报 [J], 蔡艳宁;胡昌华5.基于改进PSO算法优化LS-SVR的话务量预测 [J], 张杰;贾振红;覃锡忠;陈丽因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
基于LS-SVM的电力电子电路故障预测方法 [摘要]电力电子电路是整个电力电子设备中最关键的部分,面对其可能出现的故障及其严重后果,对其的故障预测就显得尤其重要。
为此,根据现有故障预测理论和方法,在总结前人经验的基础上,本文采用最小二乘支持向量机预测算法对电力电子电路进行故障预测。
具体内容如下:以基本降压斩波电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波值作为电路特征性能参数,并利用LS-SVM 回归预测算法实现故障预测。
仿真结果表明,利用LS-SVM 对基本降压斩波电路输出平均电压与输出纹波电压的预测相对误差均低于2%,能够跟踪故障特征性能参数的变化趋势,有效实现电力电子电路故障预测。
[关键词]电力电子电路故障预测特征性能参数最小二乘支持向量机The power electronic circuit fault prediction methodbased on the LS-SVMAbstract:The power electronic circuit is the most important part of the power electronic equipment . facing its possible faults and its serious consequences , its fault prediction is especially important. Therefore, in view of the existing power electronic circuit fault prediction of the characteristics of the technology , the paper proposes the least square support vector machine forecasting algorithm for the power electronic circuit fault prediction. Specific content as follows: With basic buck-chopper circuit , choose circuit output voltage signal as monitoring signal, extract output voltage ripple and average value as circuit features performance parameters, then using LS-SVM regression algorithm to the fault prediction . The experimental result shows that the use of the output circuit LS-SVM average voltage and output voltage ripple of the relative prediction error less than 2%, it can follow the fault feature performance parameters change trend, realize the power electronic circuit fault prediction effectively .Key words:The power electronic circuit , fault prediction , features performance parameters , least square support vector machine .目录1.绪论 (1)1.1 课题研究的目的及意义 (1)1.1.1对电力电子电路进行故障预测的目的和前景 (1)1.1.2 本课题的主要思想和方法 (1)1.2 电力电子电路故障诊断特点和作用 (1)1.2.1 电力电子电路故障诊断特点 (1)1.2.2 电力电子电路故障预测的作用 (1)1.3 传统的电力电子电路故障诊断方法 (2)1.4 电力电子电路故障预测方法的研究现状 (3)1.5 本论文主要内容 (3)2. 最小二乘支持向量机理论 (4)2.1 支持向量机 (4)2.1.1 支持向量机概述 (4)2.1.2 统计学习理论 (4)2.1.3 支持向量机原理 (5)2.2 最小二乘法 (9)2.2.1 最小二乘法原理 (9)2.2.2 最小二乘法公式 (10)2.3 最小二乘支持向量机和支持向量机的比较 (10)2.4 本章小结 (11)3. 基于LS-SVM的电力电子电路故障预测 (12)3.1 电力电子电路故障预测步骤 (12)3.2 特征性能参数的提取 (12)3.2.1 电力电子电路仿真模型的建立 (12)3.2.2 特征性能参数的计算 (13)3.2.3 特征性能参数数据 (13)3.3 本章小结 (14)4.LS-SVM 预测结果及故障分析 (15)4.1 特征性能参数预测结果 (15)4.2 buck电路故障预测结果 (17)4.3 核函数参数寻优 (18)4.4 本章小结 (21)5.结论与展望 (22)参考文献 (23)致谢 (24)外文文献翻译 (25)1.绪论1.1 课题研究的目的及意义1.1.1对电力电子电路进行故障预测的目的和前景随着新型飞机的研制开发及其安全性、可靠性要求的不断提高,作为提高飞机安全性的有效手段,以及促进现有飞机维修保障技术的智能化发展,飞机健康预报与管理技术已经得到国内外越来越多的重视关注[1-2]。
飞机电源系统故障预测[3]是飞机健康管理系统的重要组成部分,而飞机电源系统故障预测的关键在于对电力电子电路的故障预测,因此对电力电子电路故障预测关键技术研究在飞机的健康管理系统中具有十分重要的理论意义和应用前景。
另外,由于各种电力电子设备在国民生产及人民生活中的广泛应用,能及时保证各种设备的良好运行,避免不必要的损失,对其的故障预测就显得尤为重要,而由于电力电子设备由很多部分组成,其中包括电力电子主电路、电动机、发电机和各种应用电路等。
电力电子电路又是整个电力电子设备中最关键的部分,故对电力电子电路的故障预测和诊断就显得尤其重要。
1.1.2 本课题的主要思想和方法将电路特征性能参数和最小二乘支持向量机( least squares support vector machine,LS-SVM) 预测算法结合,对电力电子电路进行故障预测。
以基本降压斩波电路(buck chopper)为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波值(峰-峰值)作为电路特征性能参数,并利用LS-SVM 回归算法实现故障预测,实现电力电子电路的故障预测。
由此,本课题采用基于最小二乘支持向量机( least squares support vector machine,LS-SVM ) 的电力电子电路故障预测方法,其基本思想为: 优选电路级故障特征性能参数,利用LS-SVM回归算法预测所选故障特征性能参数,实现电力电子电路的故障预测。
1.2 电力电子电路故障诊断特点和作用1.2.1 电力电子电路故障诊断特点电力电子电路的实际运行表明,大多数故障表现为功率开器件的损坏,其中以功率开关器件的开路和直通最为常见,属于硬故障。
但是,电力电子电路的故障诊断与一般的模拟电路和数字电路的故障诊断还有一个重要的差别,那就是故障信息仅存在于发生故障到停电之前的数毫秒到数十毫秒之间,因此需要实时监视、在线诊断。
电力电子设备一旦发生故障,小则造成电器产品损坏、交通阻塞、工矿企业停产,大则会威胁人民生命、财产安全,甚至造成重大的人员伤亡或灾难事故,影响国民经济的正常运行。
所以,对电力电子电路进行故障预测和诊断显得日趋重要。
长期以来,人们采取两种维修对策:一是等设备坏了再进行维修,称为事后维修,这种办法的缺陷是经济损失很大。
二是定期检修设备,称为预防维修。
这种方法有一定的计划性和预防性,但其缺陷是如果没有故障,则没有必要的经济损失比较大。
1.2.2 电力电子电路故障预测的作用(1)实现早期预报,防止事故发生;(2)预知性维修,提高设备管理水平;(3)方便检修,缩短了维修时间,提高设备利用率;(4)对提高设备的设计制造水平,改善产品质量有指导意义。
1.3 传统的电力电子电路故障诊断方法一般来说,电力电子电路故障诊断技术包括两方面的内容:一是故障信息的检测:以一定的检测技术,获取故障发生时的所需故障信息,供故障分析,推理用;二是故障的诊断:依据检测的故障信息,运用合适的故障诊断方法,对故障进行分析、推理,找出故障发生的原因并定位故障发生部位。
传统的故障诊断方法在电力电子电路故障诊断中也得到的广泛应用,如故障字典法、故障树、专家系统等[4]。
(1)故障字典法。
把一组典型的测量特征值和故障值以一定的表格形式存放,通过比较测量值和特征值,判断故障。
先用计算机对电路正常状态和所有硬故障状态模拟,建立故障字典。
然后对端口测试进行分析,以识别故障,即将选定节点上测出的电压与故障字典中电压比较,运用某些隔离算法查出对应故障。
故障字典法对于模拟电路和数字电路故障诊断具有很大的实用价值,但故障字典法只能解决单故障诊断,多故障的组合数大,在实际中很难实现。
(2)故障树法。
故障树诊断法就是对可能造成系统失效的各种因素(包括硬件、软件、环境、人为因素)进行分析,画出逻辑框图,即故障树,从故障树的顶事件进行搜索从而找出故障原因的方法。
故障树表达了系统内在联系,并指出了元部件故障与系统之间的逻辑关系。
故障树诊断直观、灵活、通用,但建树工作量大,繁琐易错,对诊断故障空间较小的问题比较合适。
(3)残差法。
残差法是一种基于解析模型的故障诊断方法。
即通过研究实际系统与参考模型特征输出量间的残差来进行电力电子装置主电路在线故障诊断和故障定位的过程。
该方法同样适用于逆变器主电路的故障诊断,参考模型法用于电力电子电路的故障诊断具有检测量少、判据简单且与输出大小无关的特点。
特别是在复杂电力电子电路的故障诊断中该法的优势更加明显。
(4)直接检测功率器件两端电压或桥臂电流的方法。
通过检测各功率器件两端的电压,或检测各桥臂电流,得到功率器件的工作方式,再与触发脉冲进行时序逻辑比较,从而判断被诊断对象是否故障,此方法需要检测每个被诊断器件的电压和电流,所需测点较多,需要专门的检测电路和逻辑电路。
该方法还可以通过测量电路的输入输出来实现故障诊断。
正常工作时,电路的输入输出在一定的范围内变动,当超出此范围时,可认为故障已经发生。