最小二乘支持向量机的电力电子电路故障诊断应用研究

基于wigner-ville分布的电力电子电路故障诊断技术 王荣杰 （集美大学轮机工程学院，厦门361021） 摘要：提出了一种基于wigner-ville分布的电力电子电路故障诊断方法，首先建立各种类型故 障信号的wigner-ville模时频矩阵，然后计算故障信号wigner-ville模时频矩阵与标准模时频矩 阵的相似度，以相似度最大为判别依据实现故障的诊断。三相桥式可控整流电路晶闸管故障诊 断仿真结果表明该方法能准确对电力电子电路故障进行类型的识别和故障元的定位，对噪声具 有鲁棒性，且算法简单，在解决电力电子电路故障问题上有着很好的工程实用价值。 关键词：wigner-ville分布；相似度；故障诊断；电力电子电路 中图分类号：tp181文献标识码:a faultdiagnosistechnologybasedonwigner-vill

基于分形神经网络的电力电子电路故障诊断

基于量子神经网络的电力电子电路故障诊断

基于改进粒子群神经网络的电力电子电路故障诊断

根据齿轮箱故障时振动信号特点,提出了一种基于小波分解和最小二乘支持向量机(ls-svm)相结合的齿轮箱故障诊断方法。通过对齿轮箱振动信号进行小波分解,得到各分解节点对应频率段的重构信号和节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到ls-svm多类分类器中进行故障识别。诊断结果表明:该方法能够准确地识别风力发电机组齿轮箱的常见故障。

为了提高变压器故障诊断正判率,提出了一种基于小样本的最小二乘支持向量机(ls-svm)多分类电力变压器油中气体分析(dga)法,即通过相关统计分析和数据的预处理,选择变压油中典型气体作为ls-svm的输入,然后利用典型故障气体的体积分数在高维空间的分布特性诊断变压器故障类型。该法在小样本条件下可获得最优解,泛化能力很好,且没有传统支持向量机只能分两类的缺陷,很好地解决了变压器多种故障共存的实际情况。试验表明,该方法分类效果很好,可较好地解决变压器放电和过热共存时故障的难分辨问题,故障类型的正判率较高。

研究电路的故障问题,应提高快速性和准确性。为提高仿真电路故障诊断效率,给出了一种基于改进支持向量机的仿真电路故障诊断方法。首先通过小波包变换实现了信号的能量特征提取,根据主元分析完成了特征压缩;其次针对支持向量机多分类一对一方法存在的不可分类区,将其与最近邻分类法相结合,实现了电路的故障诊断,并提出了一种混合遗传算法实现了小波函数和支持向量机参数的同步选择;最后通过一仿真电路的仿真实验,与bp,rbf和pnn等神经网络对比,结果显示基于支持向量机的方法诊断精度最高,达到98%,为设计提供参考依据。

为了解决因缺少大量故障数据样本而制约数字电路故障智能诊断发展的问题,提出了一种基于支持向量机的故障诊断仿真模型。由fpga仿真产生数字电路,由pci-7200i/o卡进行采集。支持向量机建立在vc维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷。在选取诊断模型输入向量时,对故障信号进行筛选,简化了故障特征向量的提取。仿真结果表明支持向量机可以有效地对数字电路故障进行诊断。

人工神经网络在电力电子电路故障诊断中有广泛的应用。常用的反向传播算法存在着容易陷入局部极小点、对初值要求高的缺点,给故障诊断带来不便。提出了采用遗传算法优化人工神经网络结构的初值,将遗传算法与人工神经网络结合起来,应用于电力电子电路的故障诊断中。仿真实验表明该方法是有效的。

支持向量机(svm)算法以统计学习理论为基础,依据结构风险最小化的原则,且在有效的特征信息有效的情况下,能够对数据中隐藏的有效信息进行挖掘。故本文用支持向量机对zpw-2000轨道电路进行故障诊断研究,且用遗传算法和粒子群算法对其中的参数进行优化,进而实现故障类别的判断。对提高铁路信号维护的智能化水平有重大意义。

针对模拟电路的故障诊断问题,详细介绍了支持向量机算法,由于它在非线性映射、小样本学习方面的独特优势,故将它引用到模拟电路的故障诊断过程中。并提出了一种基于支持向量机的诊断方法,该算法能够对被测电路的故障进行有效并且精确地分类。以折线逼近平方曲线的近似测量电路为例,设计了基于支持向量机的模拟电路故障诊断系统。以实际测试数据作为训练样本进行学习训练后,对其它实际测量数据进行诊断,其结果正确,验证了算法的有效性。

毕业设计（论文） 题目：电力电子电路缓冲器的研究与仿真 学生姓名：xxx 学号：xxx 所在学院：电气与光电工程学院 专业班级：电气工程及其自动化1405班 届别：2018届 指导教师：xxx 皖西学院本科毕业设计（论文）创作诚信承诺书 1.本人郑重承诺：所提交的毕业设计（论文），题目《电力 电子电路缓冲器的研究与仿真》是本人在指导教师指导下独立完 成的，没有弄虚作假，没有抄袭、剽窃别人的内容； 2.毕业设计（论文）所使用的相关资料、数据、观点等均真 实可靠，文中所有引用的他人观点、材料、数据、图表均已标注 说明来源； 3.毕业设计（论文）中无抄袭、剽窃或不正当引用他人学 术观点、思想和学术成果，伪造、篡改数据的情况； 4.本人已被告知并清楚：学校对毕业设计（论文）中的抄袭、 剽窃、弄虚作假等违反学术规范的行为将

支持向量机（svm）是-种解决小样本分类问题的最佳理论算法,它的核函数的参数选择非常重要,直接影响着故障诊断的准确率.本文将粒子群算法（pso）用于支持向量机的参数优化,提出基于粒子群支持向量机的故障诊断模型,并将其运用于轨道电路中.通过对比matlab仿真结果得出：经过粒子群寻优得到的参数比随机选取的参数更优,所建立的pso-svm模型的故障诊断准确率高于普通的svm模型.

偏最小二乘(pls)运算降低电力负荷数据之间的相关性,最小二乘支持向量机(ls-svm)可以获得模型的全局最优预测效果,减少预测过程的运算量。介绍了pls和ls-svm的基本原理,给出了pls-ls-svm建立短期日电力负荷预测模型的过程,并用于某地区2008年的用电日负荷预测,预测的平均相对误差和最大相对误差分别为0.685%和8.8599%。与基于ar(1)模型的预测结果相比,pls-ls-svm模型更高的预测准确性可为短期电力负荷预测提供有效依据。

针对神经网络存在结构较难确定,训练易陷入局部最小等问题,提出将最小二乘支持向量机和相似搜索用于预测出清电价。该方法对相似搜索得到的相似负荷日的数据用最小二乘支持向量机建立预测模型,采用美国newenglandiso的真实数据做验证,结果表明该方法比bp神经网络有更高的预测精度,是一种有效的预测方法。

基于可靠性数据分析和最小二乘支持向量机对电力变压器故障进行了诊断,并给出了实例分析。

提出一种联合灰色模型(greymodel,gm)和最小二乘支持向量机回归(leastsquaresupportvectorregression,lssvr)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正β参数的gm(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。

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。

通过影响因素分析,确定了软土层厚度、软土层压缩模量、地表硬层厚度、地表压缩模量、路堤高度、路堤顶宽、路基填筑时间和填筑竣工时沉降量等参数对公路软基沉降有影响。对公路软基的观测数据进行分析和取样,输入样本为各参数,输出样本为路堤中线下地表沉降值,利用最小二乘支持向量机的非线性映射和泛化能力,通过训练,建立了公路软基沉降预测模型。研究表明,所建立的模型对公路软基沉降进行预测具有较高的精度,同时具有很好的泛化性能。

86电子电路故障诊断的新方法

支持向量机模拟电路故障诊断涉及到特征提取、特征选择和支持向量机的参数优化等问题,它们都对诊断结果有直接的影响。针对这一问题,提出了一种基于改进的离散粒子群算法的同步优化方法。该算法采用非线性惯性权重和遗传操作相结合的方法,提高了粒子群前期迭代的探索能力和后期迭代的开发能力,同时降低了粒子群陷入局部最优的风险。通过模拟电路的仿真实验,验证了同步优化方法和改进的离散粒子群算法的有效性。

电力云计算将虚拟化与分布式技术代替传统的服务器+san/nas信息计算模式,虚拟池对数据的整合与管理在提高资源利用率和降低建设成本的同时,由于电力云稳定和可靠工作的前提很大程度上依赖于良好的网络状态,由此也带来故障诊断更加复杂的新挑战.为了实现电力云网络故障的诊断,针对网络故障本身具有的小样本和非线性特征,采用支持向量机svm算法,在二分类无法解决多分类的基础上进行改进,选择了一对一svm,借助实验数据和matlab仿真结果验证了其可行性.