基于天牛须搜索优化支持向量机的变压器故障诊断研究

为了准确地判断变压器绕组是否出现故障,保证变压器供电的可靠性,提出了一种基于天牛须搜索算法优化支持向量机(BAS-SVM)的变压器绕组故障诊断方法。采用支持向量机(SVM)作为变压器绕组形变程度的分类器,并应用天牛须算法对SVM的核函数和惩罚因子进行优化,通过人工经验训练BAS-SVM,使其具有很高的故障诊断精度。为了比较BAS-SVM算法在变压器绕组故障诊断的优越性,采用改进的粒子群优化算法(MPSO)优化SVM。通过仿真验证,BAS-SVM算法的故障诊断准确率比MPSO-SVM算法的故障诊断准确率高10%。最后通过实例验证了BAS-SVM算法对变压器绕组故障诊断的可行性。

基于改进粒子群优化LS-SVM的变压器故障气体预测

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。

基于改进粒子群优化算法的短期风电功率预测

针对传统支持向量机(SVM)模型在风电功率预测中存在的参数选取问题,提出一种新的预测模型,采用改进的粒子群(MPSO)优化算法寻求SVM的最优参数模型,经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法.算例结果表明,经MPSO优化的SVM模型应用于短期风电功率预测是有效的,使其预测精度有所提高.

基于MPSO-WLS-SVM的矿井瓦斯涌出量预测模型研究

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的粒子群算法(MPSO)优化的加权最小二乘支持向量机(WLS-SVM),并用其预测非线性动态瓦斯涌出量。算法通过对WLS-SVM的正则化参数C和高斯核参数σ寻优,建立基于MPSO优化的WLS-SVM的瓦斯涌出量预测模型,并利用某矿井监测到的各项历史数据进行实例分析。试验结果表明:该预测模型预测的最大相对误差为5.99%,最小相对误差为0.43%,平均相对误差为2.95%,较其他预测模型有更强的泛化能力和更高的预测精度。

基于MPSO-CWLS-SVM的瓦斯涌出量预测

针对瓦斯涌出量受多因素影响,传统的预测方法难以建立准确的数学模型,导致预测精度低这一问题。提出一种经改进的粒子群算法(MPSO)优化的基于柯西分布加权的最小二乘支持向量机(CWLS-SVM)算法来预测非线性动态瓦斯涌出量。柯西分布加权的最小二乘支持向量机根据预测误差的统计特性,确定加权规则参数,以达到赋予训练样本不同权值的目的。并用MPSO算法对CWLS-SVM模型的正则化参数λ和高斯核参数σ寻优。利用无线传感器网络采集到的各项历史数据进行实例分析。结果表明,该算法有效的提高了瓦斯涌出量的预测精度,降低了预测误差,为煤矿瓦斯防治提供理论支持。

露天矿计划阶段内离散块体物料运距预测算法

矿岩运距是衡量露天矿山卡车运输经济性的重要指标之一,但多年因受运输系统复杂、多变等多种综合因素限制,在进度计划编制期间进行逐条带的运距计算问题一直并未得到有效解决。特别是需要进行离散化的物料规划时,传统逐阶段的运距量测方法无法对离散块体进行逐个推估。因此,为有效解决计划阶段内离散块体物料运距计算问题,根据露天矿外排土场出入口选址及排土运输干线相对固定等空间特征,将非线性预测理论、因子分析法等技术方法应用于实际的矿山优化问题中,研究了排土场计划阶段内块体运距波动变化的主要控制因素;结合外排土场内运距波动变化的影响要素,提出了采用加权最小二乘支持向量机技术(WLS-SVM)拟合非线性运距曲线的预测算法,并对权向量、核参数等主观经验指标进行了动态修正,以实现对计划阶段内(两阶段工程位置间的)离散块体物料过程运距的时变预测;最终,利用拟合出的时变曲线,实现两连续工程位置间逐个物料块体运距的高效计算。实验结果表明:预测算法的误差期望分别为:训练集0. 93 m,测试集0. 84 m,且在实验中表现出模型精度易受样本规模影响的特性,且当样本规模N>90时,可控制绝对误差水平稳定在0. 8%～1. 2%。结论表明:试图应用非线性预测理论处理计划阶段内缺乏时变路网条件的运距预测问题是可行的,提出的算法模型对解决计划阶段内的逐块体运距赋值问题具有现实有效性。常规的露天矿山运输优化问题其优化目标和特征参数之间往往存在紧密耦合关系,无法直接应用特定的优化、规划模型进行计算求解,尝试采用全新的解耦思想和求解思路对于有效解决露天矿山运输优化问题是十分有益的,也应该是今后露天矿山系统工程学科研究的热点问题之一。

需求侧响应下基于负荷特性的改进短期负荷预测方法

为了提高需求侧电力负荷预测精度,针对需求侧自身特点,提出了基于负荷特性的改进短期负荷预测方法。依据需求侧负荷特性与属性聚类算法结合的方法完成两级需求侧负荷分类,并使用优化改进粒子群优化径向基神经网络(MPSO-RBF)和最小二乘支持向量机回归模型(LS-SVM)等算法建立短期预测模型进行负荷预测。利用该方法对某工业园区用电负荷进行预测,并与实际用电负荷数据和利用传统预测模型以及单一模型预测方法进行了比较分析。预测结果平均相对误差表明,基于负荷特性的改进短期负荷预测方法是有效和实用的,既能得到准确的负荷预测结果,方便需求侧用户就地进行各类负荷针对性调控,又方便管理者宏观掌控需求侧用户负荷情况,有效推动能源互联网的发展。