基于PSO-LSSVM的过电压识别

基于PSO优化最小二乘支持向量机的热工系统辨识

基于PSO优化最小二乘支持向量机的热工系统辨识
宋宏耀;宋宏兵;崔秀政
【期刊名称】《电力科学与工程》
【年(卷),期】2009(025)010
【摘要】在用最小二乘支持向量机(LS-SVM)辨识大迟延对象时,正则化参数、核宽度以及模型类中的迟延时间多是根据经验估测的,而不同的参数值对最小二乘支持向量机辨识的精度就会不同.针对上述问题,采用粒子群优化(PSO)算法对热工辨识系统中的相关参数进行优化.对电厂一次风量数据和平均床温数据进行的仿真实验结果表明,在用LS-SVM对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳参数及迟延时间,能够有效地提高辨识精度.
【总页数】4页(P43-46)
【作者】宋宏耀;宋宏兵;崔秀政
【作者单位】陕西渭河发电有限公司,陕西,咸阳,712085;陕西渭河发电有限公司,陕西,咸阳,712085;国核电力规划设计研究院,北京,100094
【正文语种】中文
【中图分类】TP273
【相关文献】
1.基于 PSO 优化参数的最小二乘支持向量机短期负荷预测 [J], 吴文江;陈其工;高文根
2.基于PSO的RBF神经网络在热工系统辨识中的应用 [J], 王学厚;韩璞;李岩;贾增
周
3.基于PSO算法的MFF模型的参数辨识与优化 [J], 滕峰成;郝宇;林晓乐
4.基于PSO优化参数的最小二乘支持向量机短期负荷预测 [J], 吴文江;陈其工;高文根;
5.基于PSO优化的冷凝器模型参数辨识 [J], 杨东润;赵星凯;刘忠晨;张迎;孙梅因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进PSO算法的LSSVM入侵检测模型

Ａｓｒｃ：Ａｐｒｌｌｐｒｃｗｒｐｉｉｔｎ（Ｓ）ａｏｔｍｉｐｏｏｅａｅｎｂｓＳｌｏｔｍａｄＬＰＯａｂｔｔａａｌａｉｅｓａｍｏｔｚｉＰＯｌｒｈｓｒｐｓｄｂｓｄｏａｉＰＯａｒｈｎＷＤＳｌａｅｔｌｍａｏｇｉｃｇｉ —
法。该ＰＯ算法在提高搜索效率的同时有着早熟收敛、Ｓ
陷于局部最优的缺点。本文提出一种改进的ＰＯ算法，Ｓ即并行ＰＯ算法。该算法将粒子群分成两组１行协同Ｓ进
搜索，组粒子具有不同的ｗ，中ｗ较大的粒子组侧两其
机器学习的方法在入侵检测领域应用广泛，有较并好的检测效果。统的机器学习算法需要大量的网络数传据，正常的网络数据特征有着小样本、维数、变性而高多
重全局搜索；较小的粒子组侧重在ｗ大的粒子组找到ｗ全局最优位置的附近区域进行精细搜索。组都有一部每分固定的粒子，余的粒子根据进化阶段动态分配给两其组，通过动态分配粒子保证算法初期以全局搜索为主，后期以局部搜索为主。通过适应度函数的仿真实验，证
降ＰＯ算法。Ｓ
关键词：ＰＯ算法；ＬＳＭ；适应度；入侵检测ＳＳＶ

基于PSO-SVM的电能质量复合扰动分类识别方法

针对以上问题，本文提出了一种基于 PSO-SVM 的电能质量复合扰动分类识别方法。首先采用小波变换对信号进行特征提取，对提取的近似分量和各层细节分量进行数学变换，得到合适的样本特征，便于 SVM 分类识别。然后采用 PSO 参数寻优方法，找到能得出最佳识别率的 c、 g 参数，解决了传统分类器 SVM 分类时，参数选择不当造成的识别精度低的问题。最后采用 Matlab 进行仿真实验，结果表明：该方法在识别电能质
粒子群优化（particle swarm optimization，PSO）和支持向量机（support vector machine，SVM）的电能质量复合扰动识
别方法。首先采用 db4 小波对扰动信号进行特征提取，通过对得到的近似分量和各层细节分量参数进行数学变换，
获得合适的训练和测试样本。然后用 PSO 寻优方法对支持向量机的参数进行选择，解决了参数选择不当造成的识
作者简介：马燕琪（1995-），女，研究方向为电力系统及其自动化。
2016 年第 8 期总第 185 期 17
-2
0
-2
200 400 600 800 1000 1200
200 400 600 800 1000 1200
C5 ??????? -2 2
400 600 800 1000 1200
1 电能质量扰动类型
电能质量相关的 IEEE 标准将扰动信号分为暂态和稳态 2 种类型，常见的单一电能质量扰动有：电压中断、电压暂升、电压暂降、脉冲暂态、谐波及电压波动，各信号模型如表 1 所示。文献 [5] 将电能质量扰动又分为幅值扰动和加性扰动，因此电能质量复合扰动共有 40 种，其中包含了 17 种双重扰动，17 种三重扰动和 6 种四重扰动。本文采用文献 [6] 所提出的 10 种电力系统常见复合扰动信号，具体包括：电压暂升和谐波，电压暂升和电压波动，电压暂降和谐波，电压暂降和电压波动，脉冲暂态和谐波，脉冲暂态和电压波动，电压暂升、谐波和电压波动，电压暂降、谐波和电压波动，脉冲暂态、谐波和电压波动，电压暂升、脉冲暂态、谐波和电压波动。10 种复合扰动信号分别用 C1~C10 表示，波形图如图 1 所示，其中信号的采样频率为 6.4 kHz。

LSSVM与PSO—LSSVM在短期电力负荷预测中的优劣

LSSVM与PSO—LSSVM在短期电力负荷预测中的优劣尹中诚【摘要】短期电力负荷预测的精度关乎电力企业的经济效益,预测模型决定精度的高低.针对预测模型的适用性和稳定性,采用基于统计学习理论的机器学习LSSVM 和PSO—LSSVM算法对广东某一区域电力负荷进行预测.结果显示:工作日、双休日和节假日,PSO—LSSVM算法预测准确度明显大于LSSVM预测;此外LSS-VM 和PSO—LSSVM算法对工作日和双休日24小时每时刻的预测误差约在2％左右.因此,选择预测模型时,一方面要考虑不同地区各种影响因素,另一方面要根据样本量大小,选择合适、有效的模型,从而提高预测准确度.【期刊名称】《青海电力》【年(卷),期】2019(038)002【总页数】6页(P53-57,67)【关键词】短期电力负荷预测;预测模型;机器学习;准确度【作者】尹中诚【作者单位】广东珠海金湾发电有限公司,广东珠海519000【正文语种】中文【中图分类】TM715+.10 引言短期负荷预测是以时间维度周、日、时为主，用于电力系统的调度〔1〕。

电力负荷预测准确度是决定未来用电量变化趋势的关键，对于以电力为主的各大企业进行统筹、规划、部署、运行等策略也至关重要〔2〕。

但是，在现实应用环境中电力负荷的预测往往受地域、湿度、温度等因素的影响，使实际应用时预测模型预测精度参差不齐〔3-5〕。

目前，基于统计学习理论的预测模型—支持向量机(support vector machine，SVM),粒子群算法(The particle swarm optimization，PSO)，以及神经网络模型等广泛应用于短期电力负荷预测中。

文献〔6〕采用SVM理论，搭建一种短期负荷模型，与传统模型相比精度提高。

文献〔7〕采用粒子群算法对SVM回归参数进行寻优选择，使基于统计的机器学习理论SVM算法在最优参数下提高了预测精度。

文献〔8〕分析BP神经网络和Elman神经网络建立的短期负荷预测模型，结果表明Elman网络预测精度高于BP神经网络模型。

基于LSSVM_算法的10kV_配电线路故障诊断模型

运营维护技术 2023年12月25日第40卷第24期261 Telecom Power TechnologyDec. 25, 2023, Vol.40 No.24范凯：基于LSSVM 算法的 10kV 配电线路故障诊断模型在其他条件均一致的情况下，使用文献[1]模型后，故障位置与实际位置存在误差的范围为-0.201～0.404 km ，对于ACG 故障诊断的位置误差较大，说明对于ACG 故障诊断效果相对不足。

使用文献[2]模型后，故障位置与实际位置存在误差的范围为-0.023～0.031 km ，对于AB 故障诊断的位置误差较大，说明对于AB 故障诊断效果相对不足。

而使用本文模型后，故障位置与实际位置存在误差的范围为0～0.001 km ，故障位置与实际位置基本一致，说明使用本文设计的方法之后，在AG 、AB 、AC 、ACG 等故障类型中均体现了良好的诊断效果，故障诊断效果较好，可以在配电线路发生故障时准确找到故障位置，为配电线路的稳定使用提供保障。

3　结　论近年来，电力系统规模持续扩大，为人们提供了更加稳定的供电环境。

配电线路是电力系统中必不可少的元件，具有较为复杂的拓扑结构，规模更大、覆盖面更广，对于提高供电稳定性具有重要作用。

随着配电线路的广泛应用，不可避免地出现了电力故障问题。

由于配电线路结构复杂，接地故障更加频繁，一旦出现接地故障，就会出现停电等情况，影响周围居民的用电质量。

文章利用LSSVM 算法设计了 10 kV 配电线路故障诊断模型，从特征参数、损失函数等方面提升故障诊断的准确性，有效提高了用户的用电质量，具有较好的实际应用价值。

参考文献：[1] 郭伯森，李天友，王连辉，等.基于层次分析法的中压配电线路森林火灾故障预警辨识模型[J].供用电，2023，40（3）：55-62.[2] 陈海东，蒙　飞，赵　磊，等.利用分布式电源注入信号的配电线路故障性质识别技术[J].高压电器，2022，58（12）：123-129.[3] 梁政伟，陆宝军，张毓桂.基于蝴蝶结模型-ALARP 原则的输配电线路故障和改进方案可行性分析[J].现代职业安全，2023（4）：97-101.[4] 韦　翔，赵许许，高　宁，等.基于时频能量相似度逼近的配电线路故障定位方法[J].武汉大学学报（工学版），2022，55（10）： 1034-1043.[5] 仲　赞，蒋丰庚，刘腾柱，等.数字化接地故障定位装置在10 kV 配电线路故障处理中的应用[J].电力与能源，2022，43（4）：308-311.[6] 王鹏玮，徐丙垠，陈　恒，等.基于波形比较的架空配电线路故障离线定位自动计算方法[J].电力自动化设备，2021，41（6）：73-97.[7] 曾　飞，黄哲忱，卫志农，等.配电线路故障指示器三相同步精度检测方法研究[J].电力系统保护与控制，2021，49（19）：11-17.[8] 孙　嫱，张志林，林财徳，等.基于多旋翼无人机的输配电线路故障精确测距研究[J].电子设计工程，2021，29（13）：133-136.表1　实验结果模型故障类型故障阻抗/Ω故障相角/（°）故障位置/km 位置误差/km实际值诊断值文献[1]模型AG100904.5254.3240.201AB 2455.5645.574-0.01AC 50708.0458.246-0.201ACG 2909.0368.6320.404文献[2]模型AG 100904.5254.548-0.023AB 60455.5645.5330.031AC 50708.0458.064-0.019ACG 2909.0369.0210.015本文模型AG 100904.5254.5240.001AB 60455.5645.5640.000AC 50708.0458.0450.000ACG2909.0369.0360.000。

基于改进PSO-LSSVM的模拟电路诊断方法

Ａｂｓｔｒａｃｔ：Ｂａｓｅｄｏｎｔｈｅｐｒｅｐｒｏｃｅｓｓｉｎｇ，ｗａｖｅｌｅｔｐａｃｋｅｔａｎａｌｙｓｉｓ，ｎｏｒｍａｌｉｚａｔｉｏｎ，ＩｍｐｒｏｖｄｅＰａｒｔｉｃｌｅＳｗａｒｍＯｐｉｔｍｉｚａｉｔｏｎ（ＩＰＳＯ）ａｌｇｏｉｒｈｍｔ
（１．ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｉｔｏｎｓ，Ｎａｎｊｉｎｇ２１０００３，Ｃｈｉｎａ；
第２５卷
２０１５年６月
第６期
计算机技术与发展
ＣＯＭＰＵＴＥＲＴＥＣＨＮＯＬＯＧＹＡＮＤＤＥＶＥＬＯＰ
Ｊｕｎｅ２０１５
基于改进ＰＳＯ— ＬＳＳＶＭ的模拟电路诊断方法
拟电路，首先对信号进行预处理，其次进行小波包分解，通过归一化等方法进一步处理故障特征信息，作为ＰＳＯ — ＩＳＳＶＭ的
输入样本。在充分考虑传统粒子群优化算法中容易陷入局部极小等缺陷的基础上，提出了利用新的模拟退火算法改进ＰＳＯ — ＬＳＳＶＭ的方法。文中优化了模拟电路故障的特征提取方法与分类效果，有效地提高了故障诊断的精度和效率。关键词：模拟电路；故障诊断；粒子群算法；ｌ／ｂ＝乘支持向量机；模拟退火算法

基于PSO与LS—SVM的飞机总体设计的综合论证

ＳｈＨＩＺｉ—ｆ．Ｕｉ—ｖｎｕＬＩＨａａ２
（．Ｘ ’ｎＩｓｔｅｏｐｌｄＯｔｓＸａｈｎｉ０５Ｃｉａ１ｉａｔｕｆｐｉｐｉ，ｉｎＳａｘ１６，ｈｎ；ｎｉｔＡｅｃ７０２ｈｅｏｄＡｔｌｒＥｇｅｒｇＣｌｇ，ｉｈｎｉ１０５Ｃｉａ．ＴｅＳｃｎｒｌｙｎｉｅｉｏｌｅＸａＳａｘ７０２，ｈ）ｉｅｎｎｅｎｎ
ＰＯａｄＬＳｎＳ—ＳＶＭａｅｎｐｅｅｔｄｈｓｂｅｒｓｎｅ．ＴｅｐａｔｒｎＬｈａｍｅｅｓｉＳ—ＳｒＶＭｒｐｉｚｄｂＳａｅｏｔｍｉｙＰＯ，ＳｈｅｔｒｇｅｓｏｅＯｔｅｂｓｅｒｓｉｎｍｏｅｆＬｄｌｏＳ—ＳＶＭａｅｄｔｒｉｅ．Ａｆｒａｄｈｏｃｎｂｅｅｎｄｍｔｗｒｓｔｅｎｎ—ｌｅｒｙｍａｐｎｄｌｂｔｅｎｔｅｍｏｔａｔｒｆｅｉａｉｐｉｇｍｏｅｅｗｅｈｓｌｆｃｏｓｏｎｔｙａｒｌｎｎｅｌｅｔｅａｕｔｎａｄＬｉａｅｉｔｌｇｎｖａｉｎＳ—ＳｐｉｌｏＶＭｓｅｔｂｉｈｄａｄｔｅｃｓｆｒｃｓｉｇｉｐｒｒｅ．Ｔｅｓｌｔｎｅ — ｉｓｌｅｎｈｏｔｏｅａｔｅｆｍｄａｓｎｓｏｈｉａｉｘｍｕｏａｌｈｗｈｔｔｅｍｏｅｓａｐｉａｌｎｅｉｂｅｍｐｅｓｏｓｔａｄｌｉｐｌｂｅａｄｒｌｌ．ｈｃａＫＥＹＷＯＲＤＳ：ｎｅｌｅｔｅａｕｔｎ；Ａｉｌｎｅｉｎ；Ｌａｔｑａｅｕｐ￣ｖｃｏｃｉｅａｔｌｗａｎｐｉ — Ｉｔｌｇｎｖｌａｉｉｏｐｒａｅｄｓｇｅｓｓｕｓｓｐｏｅｔｒｍａｈｎ；Ｐｒｉｅｓｒｌｔｒｃｏｍｉ

基于PSO优化的LSSVM的电力系统电压优化的研究

基于PSO优化的LSSVM的电力系统电压优化的研究作者：吴明伟詹跃东来源：《软件》2017年第09期摘要：由于传统的方法在处理电压优化与治理问题时存在较大的局限性。

针对地区电力系统电压优化和治理问题进行了研究，建立了以有功网损为目标函数的不等式约束的优化问题，并考虑到电压优化问题的控制变量能够进行种群划分，而粒子群算法（PSO）又能够降低搜索空间的运算复杂度，因此提出了基于粒子群优化最小二乘支持向量机（PSO-LSSVM）来对电力系统电压进行优化。

通过实例的结果分析，该方法对电压的合格率有所提高，对电压性能有明显的改善，损耗也下降了，且收敛速度加快，有助于解决地区电力系统电压优化和治理问题。

关键词：数学模型；粒子群优化；最小二乘支持向量机；电压优化0 引言电力系统的无功优化作为非线性的规划问题，存在着多个不等式的约束条件。

而且控制变量的类型也比较复杂，既有连续值，又有离散值。

所以导致无功优化的分析过程变得更加复杂。

无功优化的常见方法有线性方程、动态规划。

但却存在着一系列的问题，如电力系统的规模较大，变量过多的时候，最优解的求解过程将会非常困难甚至不能求解；并且由于参数系数的选取不恰当的话会容易陷入局部最优解。

由于无功优化的方法存在和许多问题，本文提出一种将最小二乘支持向量机（LS-SVM）与PSO相结合的方式来对电力系统进行优化，从而得到比较稳定的电力系统模型。

同时，相比较常规的支持向量机，最小二乘支持向量机收敛速度更快。

1 电力系统无功电压优化控制问题为了能够得到电力系统电压优化控制的数学模型，电力系统的发电机电压和无功功率作为控制变量，变压器变比和电容为影响因子，以功率损耗作为优化目标，从而得出电力系统电压优化控制的目标函数。

考虑到实际电网运行方式，功率平衡约束方程及潮流方程为：G，，是线路间的电流导体；Bij是线路间的电纳；P，和Q，分别为有功、无功功率；Vi. Vj为电压幅值；0i，为电压相角差；电网不等式约束条件为：其中，N G为总节点数；N T为线路变压器个数；N C为补偿电容器节点个数。

基于PSO优化SVM分类器的配电网电压波动分析

文章编号:1007-757X(2020)11-0174-03基于PSO优化SVM分类器的配电网电压波动分析陈宁钊(国网福建省电力有限公司安溪县供电公司，福建泉州362400)摘要：为了进一步改善直流电能质量，需要提出一种基于PSO优化SVM分类器的配电网电压波动分析方法$在分析直流电压波动的基础上，设计了基于PSO优化的SVM分类器$通过仿真分析得到采在含有5各类簇的情况下，轮廓系数与1非常接近，可见采用特征集对各类直流电能质量扰动情况进行准确分析。

测试发现，在30个测试样本内实现正确分类的是28,只出现了1组电压波动以及1组电压纹波发生分类错误的情况，分类模型获得了高达92.1%的准确率。

通过算法比较得到采用BP神经网络算法进行处理时形成了更低的分类准确率，相对于SVM需要更多的训练样本数$采用文中算法能够使分类过程达到更高的准确率，能够显著改善PSO优化效果，而在训练时间方面则比多分类SVM更弱$关键词：配电网；电压波动；SVM分类器；准确率中图分类号：TP393文献标志码：AVoltage Fluctuation Analysis of Distribution NetworkBasedonOptimalSVM ClasifierofPSOCHEN Ningzhao(Anxi County Power Supply Company of State Grid Fujian Electric Power CO.,LTD,Quanzhou362400,China) Abstract:In order to further improve the DC energy quality,it is necessary to propose a PSO-based SVM classifier optimization method for distribution network voltage fluctuation analysis.Based on the analysis of DC voltage fluctuation,an SVM classifier basedonPSOoptimizationisdesignedRThesimulationanalysisshowsthatinthecasethatthereare5kindsofclusters,the contourcoe f icientisverycloseto1,soitcanbeseenthatthefeaturesetisusedtoaccuratelyanalyzethemassdisturbanceof a l kindsofdcenergyRThetestfindsthat28ofthe30testsamplesarecorrectlyclassified,only1setofvoltagefluctuationand 1set of voltage ripple are misclassified.The classification model achieves an accuracy rate of92.1%.Through algorithm com-parison,it6anbe6on6ludedthatthe6lassifi6ationa66ura6yislowerwhenBPneuralnetworkalgorithmisusedforpro6essing, and more training samples are required than SVM.The algorithm proposed in this paper6an make the6lassifi6ation pro6ess a-6hievehighera66ura6yandsignifi6antlyimprovetheoptimizatione f e6tofPSO.However,itisweakerthanmulti-6lassifi6ation SVMintheterm oftrainingtime.Key words:distribution network；voltage fluctuation；SVM classifier；accuracy0引言目前，多种电力电子技术呈现快速发展的趋势，由此产生了更明显的源储荷直流特征，这使得直流配用电技术也引起众多学者与企业的密切关注。

基于PSO和LSSVM回归的摄像机标定

和最小二乘支持向量机（ＳＶＭ）／ＬＳ￣归的摄像机非线性隐式标定方法。该方法采用最小二乘回归机精确逼近图像坐
标与世界坐标之间复杂的非缌｝成像关系；利用ＰＯ算法搜索ＬＳ生ＳＳＶＭ回归模型的最优参数，提高ＬＳＳＶＭ回归的收敛速度和泛化能力。通过运用标准ＢＰ神经网络、遗传算法、ＬＳＭ及粒子群优化的ＬＳＳＶＳＶＭ回归方法对圆
ＣａｅａＣａｉｒｔｏｓｄｏＳａｄＬＳＶＭｇｅｓｏｍｒｌａｉｎＢａｅｎＰ０ｎＳｂＲｅｒｓｉｎ
ＬＩＪｎ－ｏＵｉｓｎｇ，ＹＵＡＮ－ｏｎＳｉｃｇ，ＪＡＮＧａ－ｉＤＵＡＮ－ｈａＩＸｉｎｇｋｕ，Ｚｈｉｓｎ
ｃｌｒｉｎａｎｗｉｌｉｎｎｌｅａｒｃｌｒｔｎｍｅｏａｅｎＰｒｃｗａｍｔｉａｏＰＯ）ｎｅｓａｂａｏ，ｅｉｔｍｐｉｔｏ —ｎａｃｍｅａａｉａｏｔｄｂｓｄｏａｉｌＳｒＯｐｉｚｔｎ（ＳａｄＬａｔｃｉｒｂｉｈｔｅｍｉＳｕｒｕｐ￣ＶｃｏｃｉｅＬＳｑａｅＳｐｏｅｔｒＭａｈｎ（ＳＶＭ）ｅｒｓｉｎｗｓｒｐｓｄＡｌｓｓｕｒｐｏｅｔｒｅｅｓｎｍａｈｎｓｒｇｅｓａｏｏｅ．ａｔｑａｅｕｐｒｖｃｇｓｉｃｉｅｏｐｅｓｔｏｒ光电工程
ＯｐｏＥｌｃｒｎｃＥｎｉｅｒｎｔ — ｅｔｏｉｇｎｅｉｇ
Ｖ＿．７．０３ＮＯ．１５
Ｍａ，００ｙ２１

基于BAPSO-LSSVM的故障诊断算法

ａｌｏｇｃｉｒｃｕｉｔ，ａｄｉａｇｎｏｓｔｉｃｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅＶｏｌｔｅｒｒａｓｅｒｉｅｓｃｏｍｂｉｎｅｄｗｉｔｈｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＬＳＳＶＭ）ｗａｓ
钟英榕，陈长兴，任晓岳，王旭婧（空军工程大学理学院，陕西西安７１００５１）
摘要：针对模拟电路故障诊断样本高维复杂性带来诊断正确率低及时延过大的问题，提出一种基于Ｖｏｌｔｅｒｒａ级数与优化
最小二乘支持向量机相结合的诊断方法。将Ｖｏｌｔｅｒｒａ级数在电路故障特征提取方面的充分性，与经改进粒子群算法（ＢＡＰ —
ｎｏｓｉｓａｌｇｏｒｉｔｈｍ，ａｎｄｔｈｅｓｕｐｅｒｉｏｒｉｔｙｉｎｃｒｅａｓｅｓｗｈｉｌｅｓａｍｐｌｅｑｕａｎｔｉｔｙｇｒｏｗｓｉｎｔｅｒｍｓｏｆｄｉａｇｎｏｓｉｓｔｉｍｅ．Ｋｅｙｗｏｒｄｓ：ａｎａｌｏｇｃｉｒｃｕｉｔ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；Ｖｏｌｔｅｒｒａｓｅｒｉｅｓ；ＬＳＳＶＭ；ｐａｒｔｉｃｌｅｓｗａｒｍ
２０１６年１１月第３７卷第ＴＥＲＥＮＧＩＮＥＥＲＩＮＧＡＮＤＤＥＳＩＧＮ

基于PSO-LSSVM的网络化制造系统安全检测

基于PSO-LSSVM的网络化制造系统安全检测
张昱
【期刊名称】《现代制造工程》
【年(卷),期】2011(000)004
【摘要】为了解决传统网络化制造系统安全检测技术检测精度低的难题,提出基于粒子群优化最小二乘支持向量机(PSO.LSSVM)的网络化制造系统安全检测方法.首先,确定网络化制造系统安全检测特征,并对特征进行预处理.然后,建立基于粒子群优化最小二乘支持向量机的网络化制造系统安全检测模型.最后,通过实例证明该方法的有效性及优越性.分别采用人工神经网络、支持向量机与PSO-LSSVM方法进行对比分析,实验结果表明,PSO-LSSVM对网络化制造系统的安全检测性能优于神经网络与支持向量机的安全检测性能.
【总页数】4页(P95-98)
【作者】张昱
【作者单位】广东省科学院自动化工程研制中心,广州510070
【正文语种】中文
【中图分类】F224
【相关文献】
1.拉曼光谱结合PSO-LSSVM算法检测三组分食用调和油含量 [J], 张燕君;何宝丹;付兴虎;徐金睿;周昆鹏
2.区域网络化制造系统安全体制研究 [J], 皮建勇;刘心松;吴艾;符青云;刘丹
3.网络化制造系统安全体系结构的研究 [J], 任竞颖;李杰
4.基于优化支持向量机的网络化制造安全检测 [J], 施进发;李济顺;焦合军;李晓东
5.基于PSO-LSSVM和特征波长提取的羊肉掺假检测方法 [J], 成甜甜;王克俭;韩宪忠;李师;王媛
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进PSO算法的LS-SVM油层识别模型

基于改进PSO算法的LS-SVM油层识别模型
夏克文;董瑶;杜红斌
【期刊名称】《控制与决策》
【年(卷),期】2007(22)12
【摘要】为解决常规油层识别方法因其本身缺陷而无法取得理想效果的缺点,提出一种基于改进PSO算法的LS-SVM油层识别模型,即综合已有改进的PSO模型提出一种新的改进形式,并用此算法迭代求解LS-SVM中出现的矩阵方程,从而避免矩阵求逆,加快LS-SVM算法的训练速度,节省内存,而且求得最优解.实际应用表明,所提出的识别模型优于BP模型和经典SVM模型,识别精度高、收敛速度快、效果显著.
【总页数】5页(P1385-1389)
【关键词】最小二乘支持向量机;粒子群优化算法;油层识别
【作者】夏克文;董瑶;杜红斌
【作者单位】河北工业大学信息工程学院
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于改进PSO算法的LS-SVM对管道超声导波缺陷的二维轮廓重构 [J], 杜云朋;王建斌;张轩硕;钱苏敏
2.基于自适应PSO算法的LS-SVM牵引变压器绝缘故障诊断模型 [J], 方科;黄元
亮;刘新东
3.基于粒子群优化算法的LS-SVM字符识别模型 [J], 刘玲;张兴会
4.基于改进PSO算法和LS-SVM的苹果分级检测 [J], 夏卿;李先锋
5.基于改进PSO算法和LS-SVM的短期电力负荷预测 [J], 潘磊;李丽娟;丁婷婷;刘对
因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于PSO-SVM的电能质量扰动识别与分类的新方法

一种基于PSO-SVM的电能质量扰动识别与分类的新方法杨宁霞;孙晧;公政;高建成
【期刊名称】《电测与仪表》
【年(卷),期】2014(051)016
【摘要】针对目前电网电能质量扰动识别与分类中采用的SVM分类器参数难以选择的问题,提出了一种基于粒子群(PSO)优化SVM的电能质量扰动识别新方法.利用MATLAB软件对实际电网中常见的5种扰动信号进行建模,将检测到的电压信号经复小波变换后作为PSO-SVM的输入样本进行训练和测试.仿真结果表明,该方法能够快速、可靠地对电能质量扰动进行识别与分类,对电网的电能质量监测具有较高的应用价值.
【总页数】4页(P17-20)
【作者】杨宁霞;孙晧;公政;高建成
【作者单位】山东科技大学电气与自动化工程学院,山东青岛266590;山东科技大学电气与自动化工程学院,山东青岛266590;山东电力潍坊市供电公司,山东潍坊261000;山东电力新泰市供电公司,山东泰安271200
【正文语种】中文
【中图分类】TM76
【相关文献】
1.一种新的电能质量扰动分类识别算法 [J], 赖晓君;孙洪成
2.一种实时电能质量扰动识别分类方法 [J], ZHANG Lipeng;ZHENG Yan;QIN
Gang;DONG Ji;SUN Wei
3.基于改进PSO-SVM算法的电能质量扰动分类 [J], 何行;夏水斌;张芹;董重重;冉艳春;王汪兵;王先培
4.基于PSO-SVM的地震信号分类识别研究 [J], 施佳朋;黄汉明;薛思敏;黎炳君
5.基于改进S变换的电能质量扰动分类新方法 [J], 张淑清;李盼;师荣艳;胡永涛;姜万录;刘子玥
因版权原因，仅展示原文概要，查看原文内容请购买。