最小二乘支持向量機(jī)的電力電子電路故障診斷應(yīng)用研究

基于wigner-ville分布的電力電子電路故障診斷技術(shù) 王榮杰 （集美大學(xué)輪機(jī)工程學(xué)院，廈門361021） 摘要：提出了一種基于wigner-ville分布的電力電子電路故障診斷方法，首先建立各種類型故 障信號的wigner-ville模時(shí)頻矩陣，然后計(jì)算故障信號wigner-ville模時(shí)頻矩陣與標(biāo)準(zhǔn)模時(shí)頻矩 陣的相似度，以相似度最大為判別依據(jù)實(shí)現(xiàn)故障的診斷。三相橋式可控整流電路晶閘管故障診 斷仿真結(jié)果表明該方法能準(zhǔn)確對電力電子電路故障進(jìn)行類型的識別和故障元的定位，對噪聲具 有魯棒性，且算法簡單，在解決電力電子電路故障問題上有著很好的工程實(shí)用價(jià)值。 關(guān)鍵詞：wigner-ville分布；相似度；故障診斷；電力電子電路 中圖分類號：tp181文獻(xiàn)標(biāo)識碼:a faultdiagnosistechnologybasedonwigner-vill

基于分形神經(jīng)網(wǎng)絡(luò)的電力電子電路故障診斷

基于量子神經(jīng)網(wǎng)絡(luò)的電力電子電路故障診斷

基于改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)的電力電子電路故障診斷

根據(jù)齒輪箱故障時(shí)振動信號特點(diǎn),提出了一種基于小波分解和最小二乘支持向量機(jī)(ls-svm)相結(jié)合的齒輪箱故障診斷方法。通過對齒輪箱振動信號進(jìn)行小波分解,得到各分解節(jié)點(diǎn)對應(yīng)頻率段的重構(gòu)信號和節(jié)點(diǎn)的能量,并將各節(jié)點(diǎn)能量組成的特征向量作為診斷模型的特征向量,輸入到ls-svm多類分類器中進(jìn)行故障識別。診斷結(jié)果表明:該方法能夠準(zhǔn)確地識別風(fēng)力發(fā)電機(jī)組齒輪箱的常見故障。

為了提高變壓器故障診斷正判率,提出了一種基于小樣本的最小二乘支持向量機(jī)(ls-svm)多分類電力變壓器油中氣體分析(dga)法,即通過相關(guān)統(tǒng)計(jì)分析和數(shù)據(jù)的預(yù)處理,選擇變壓油中典型氣體作為ls-svm的輸入,然后利用典型故障氣體的體積分?jǐn)?shù)在高維空間的分布特性診斷變壓器故障類型。該法在小樣本條件下可獲得最優(yōu)解,泛化能力很好,且沒有傳統(tǒng)支持向量機(jī)只能分兩類的缺陷,很好地解決了變壓器多種故障共存的實(shí)際情況。試驗(yàn)表明,該方法分類效果很好,可較好地解決變壓器放電和過熱共存時(shí)故障的難分辨問題,故障類型的正判率較高。

研究電路的故障問題,應(yīng)提高快速性和準(zhǔn)確性。為提高仿真電路故障診斷效率,給出了一種基于改進(jìn)支持向量機(jī)的仿真電路故障診斷方法。首先通過小波包變換實(shí)現(xiàn)了信號的能量特征提取,根據(jù)主元分析完成了特征壓縮;其次針對支持向量機(jī)多分類一對一方法存在的不可分類區(qū),將其與最近鄰分類法相結(jié)合,實(shí)現(xiàn)了電路的故障診斷,并提出了一種混合遺傳算法實(shí)現(xiàn)了小波函數(shù)和支持向量機(jī)參數(shù)的同步選擇;最后通過一仿真電路的仿真實(shí)驗(yàn),與bp,rbf和pnn等神經(jīng)網(wǎng)絡(luò)對比,結(jié)果顯示基于支持向量機(jī)的方法診斷精度最高,達(dá)到98%,為設(shè)計(jì)提供參考依據(jù)。

為了解決因缺少大量故障數(shù)據(jù)樣本而制約數(shù)字電路故障智能診斷發(fā)展的問題,提出了一種基于支持向量機(jī)的故障診斷仿真模型。由fpga仿真產(chǎn)生數(shù)字電路,由pci-7200i/o卡進(jìn)行采集。支持向量機(jī)建立在vc維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上,根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷。在選取診斷模型輸入向量時(shí),對故障信號進(jìn)行篩選,簡化了故障特征向量的提取。仿真結(jié)果表明支持向量機(jī)可以有效地對數(shù)字電路故障進(jìn)行診斷。

人工神經(jīng)網(wǎng)絡(luò)在電力電子電路故障診斷中有廣泛的應(yīng)用。常用的反向傳播算法存在著容易陷入局部極小點(diǎn)、對初值要求高的缺點(diǎn),給故障診斷帶來不便。提出了采用遺傳算法優(yōu)化人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的初值,將遺傳算法與人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來,應(yīng)用于電力電子電路的故障診斷中。仿真實(shí)驗(yàn)表明該方法是有效的。

支持向量機(jī)(svm)算法以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ),依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則,且在有效的特征信息有效的情況下,能夠?qū)?shù)據(jù)中隱藏的有效信息進(jìn)行挖掘。故本文用支持向量機(jī)對zpw-2000軌道電路進(jìn)行故障診斷研究,且用遺傳算法和粒子群算法對其中的參數(shù)進(jìn)行優(yōu)化,進(jìn)而實(shí)現(xiàn)故障類別的判斷。對提高鐵路信號維護(hù)的智能化水平有重大意義。

針對模擬電路的故障診斷問題,詳細(xì)介紹了支持向量機(jī)算法,由于它在非線性映射、小樣本學(xué)習(xí)方面的獨(dú)特優(yōu)勢,故將它引用到模擬電路的故障診斷過程中。并提出了一種基于支持向量機(jī)的診斷方法,該算法能夠?qū)Ρ粶y電路的故障進(jìn)行有效并且精確地分類。以折線逼近平方曲線的近似測量電路為例,設(shè)計(jì)了基于支持向量機(jī)的模擬電路故障診斷系統(tǒng)。以實(shí)際測試數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練后,對其它實(shí)際測量數(shù)據(jù)進(jìn)行診斷,其結(jié)果正確,驗(yàn)證了算法的有效性。

畢業(yè)設(shè)計(jì)（論文） 題目：電力電子電路緩沖器的研究與仿真 學(xué)生姓名：xxx 學(xué)號：xxx 所在學(xué)院：電氣與光電工程學(xué)院 專業(yè)班級：電氣工程及其自動化1405班 屆別：2018屆 指導(dǎo)教師：xxx 皖西學(xué)院本科畢業(yè)設(shè)計(jì)（論文）創(chuàng)作誠信承諾書 1.本人鄭重承諾：所提交的畢業(yè)設(shè)計(jì)（論文），題目《電力 電子電路緩沖器的研究與仿真》是本人在指導(dǎo)教師指導(dǎo)下獨(dú)立完 成的，沒有弄虛作假，沒有抄襲、剽竊別人的內(nèi)容； 2.畢業(yè)設(shè)計(jì)（論文）所使用的相關(guān)資料、數(shù)據(jù)、觀點(diǎn)等均真 實(shí)可靠，文中所有引用的他人觀點(diǎn)、材料、數(shù)據(jù)、圖表均已標(biāo)注 說明來源； 3.畢業(yè)設(shè)計(jì)（論文）中無抄襲、剽竊或不正當(dāng)引用他人學(xué) 術(shù)觀點(diǎn)、思想和學(xué)術(shù)成果，偽造、篡改數(shù)據(jù)的情況； 4.本人已被告知并清楚：學(xué)校對畢業(yè)設(shè)計(jì)（論文）中的抄襲、 剽竊、弄虛作假等違反學(xué)術(shù)規(guī)范的行為將

支持向量機(jī)（svm）是-種解決小樣本分類問題的最佳理論算法,它的核函數(shù)的參數(shù)選擇非常重要,直接影響著故障診斷的準(zhǔn)確率.本文將粒子群算法（pso）用于支持向量機(jī)的參數(shù)優(yōu)化,提出基于粒子群支持向量機(jī)的故障診斷模型,并將其運(yùn)用于軌道電路中.通過對比matlab仿真結(jié)果得出：經(jīng)過粒子群尋優(yōu)得到的參數(shù)比隨機(jī)選取的參數(shù)更優(yōu),所建立的pso-svm模型的故障診斷準(zhǔn)確率高于普通的svm模型.

偏最小二乘(pls)運(yùn)算降低電力負(fù)荷數(shù)據(jù)之間的相關(guān)性,最小二乘支持向量機(jī)(ls-svm)可以獲得模型的全局最優(yōu)預(yù)測效果,減少預(yù)測過程的運(yùn)算量。介紹了pls和ls-svm的基本原理,給出了pls-ls-svm建立短期日電力負(fù)荷預(yù)測模型的過程,并用于某地區(qū)2008年的用電日負(fù)荷預(yù)測,預(yù)測的平均相對誤差和最大相對誤差分別為0.685%和8.8599%。與基于ar(1)模型的預(yù)測結(jié)果相比,pls-ls-svm模型更高的預(yù)測準(zhǔn)確性可為短期電力負(fù)荷預(yù)測提供有效依據(jù)。

針對神經(jīng)網(wǎng)絡(luò)存在結(jié)構(gòu)較難確定,訓(xùn)練易陷入局部最小等問題,提出將最小二乘支持向量機(jī)和相似搜索用于預(yù)測出清電價(jià)。該方法對相似搜索得到的相似負(fù)荷日的數(shù)據(jù)用最小二乘支持向量機(jī)建立預(yù)測模型,采用美國newenglandiso的真實(shí)數(shù)據(jù)做驗(yàn)證,結(jié)果表明該方法比bp神經(jīng)網(wǎng)絡(luò)有更高的預(yù)測精度,是一種有效的預(yù)測方法。

基于可靠性數(shù)據(jù)分析和最小二乘支持向量機(jī)對電力變壓器故障進(jìn)行了診斷,并給出了實(shí)例分析。

提出一種聯(lián)合灰色模型(greymodel,gm)和最小二乘支持向量機(jī)回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負(fù)荷智能組合預(yù)測方法。在考慮負(fù)荷日周期性的基礎(chǔ)上,通過對歷史負(fù)荷數(shù)據(jù)的不同取舍,構(gòu)建出各種不同的歷史負(fù)荷數(shù)據(jù)序列,并對每個(gè)歷史數(shù)據(jù)序列分別建立能修正β參數(shù)的gm(1,1)灰色模型進(jìn)行負(fù)荷預(yù)測;采用最小二乘支持向量機(jī)回歸算法對不同灰色模型的預(yù)測結(jié)果進(jìn)行非線性組合,以獲取最終預(yù)測值。該方法在充分利用灰色模型所需原始數(shù)據(jù)少、建模簡單、運(yùn)算方便等優(yōu)勢的基礎(chǔ)上,結(jié)合最小二乘支持向量機(jī)所具有的泛化能力強(qiáng)、非線性擬合性好、小樣本等特性,提高了預(yù)測精度。仿真結(jié)果驗(yàn)證了所提出組合方法的有效性和實(shí)用性。

針對最小二乘支持向量機(jī)在電力負(fù)荷預(yù)測應(yīng)用中的參數(shù)優(yōu)化問題,將改進(jìn)粒子群算法引入到最小二乘支持向量機(jī)參數(shù)中,建立一種新型的電力負(fù)荷預(yù)測模型(ipso-lssvm)。首先將最小二乘支持向量機(jī)參數(shù)編碼為粒子初始位置向量;然后通過粒子個(gè)體之間的信息交流、協(xié)作找到最小二乘支持向量機(jī)的最優(yōu)參數(shù),并針對標(biāo)準(zhǔn)粒子群算法的不足進(jìn)行相應(yīng)改進(jìn);最后將其應(yīng)用于電力負(fù)荷建模與預(yù)測,并通過仿真對比實(shí)驗(yàn)測試其性能。實(shí)驗(yàn)結(jié)果表明,ipso-lssvm可以獲得較高準(zhǔn)確度的電力負(fù)荷預(yù)測結(jié)果,大幅度減少了訓(xùn)練時(shí)間,滿足電力負(fù)荷在線預(yù)測要求。

通過影響因素分析,確定了軟土層厚度、軟土層壓縮模量、地表硬層厚度、地表壓縮模量、路堤高度、路堤頂寬、路基填筑時(shí)間和填筑竣工時(shí)沉降量等參數(shù)對公路軟基沉降有影響。對公路軟基的觀測數(shù)據(jù)進(jìn)行分析和取樣,輸入樣本為各參數(shù),輸出樣本為路堤中線下地表沉降值,利用最小二乘支持向量機(jī)的非線性映射和泛化能力,通過訓(xùn)練,建立了公路軟基沉降預(yù)測模型。研究表明,所建立的模型對公路軟基沉降進(jìn)行預(yù)測具有較高的精度,同時(shí)具有很好的泛化性能。

86電子電路故障診斷的新方法

支持向量機(jī)模擬電路故障診斷涉及到特征提取、特征選擇和支持向量機(jī)的參數(shù)優(yōu)化等問題,它們都對診斷結(jié)果有直接的影響。針對這一問題,提出了一種基于改進(jìn)的離散粒子群算法的同步優(yōu)化方法。該算法采用非線性慣性權(quán)重和遺傳操作相結(jié)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開發(fā)能力,同時(shí)降低了粒子群陷入局部最優(yōu)的風(fēng)險(xiǎn)。通過模擬電路的仿真實(shí)驗(yàn),驗(yàn)證了同步優(yōu)化方法和改進(jìn)的離散粒子群算法的有效性。

電力云計(jì)算將虛擬化與分布式技術(shù)代替?zhèn)鹘y(tǒng)的服務(wù)器+san/nas信息計(jì)算模式,虛擬池對數(shù)據(jù)的整合與管理在提高資源利用率和降低建設(shè)成本的同時(shí),由于電力云穩(wěn)定和可靠工作的前提很大程度上依賴于良好的網(wǎng)絡(luò)狀態(tài),由此也帶來故障診斷更加復(fù)雜的新挑戰(zhàn).為了實(shí)現(xiàn)電力云網(wǎng)絡(luò)故障的診斷,針對網(wǎng)絡(luò)故障本身具有的小樣本和非線性特征,采用支持向量機(jī)svm算法,在二分類無法解決多分類的基礎(chǔ)上進(jìn)行改進(jìn),選擇了一對一svm,借助實(shí)驗(yàn)數(shù)據(jù)和matlab仿真結(jié)果驗(yàn)證了其可行性.