电力系统中非线性负载的广泛使用使得谐波分析必不可少,其中建立适当的模型来表征谐波源特性尤为重要,结合相关文献综述了现有的各种谐波源模型,并对其建模方法进行了分析、比较。考虑到支持向量机在高维数据模型构建中良好的泛化能力,...电力系统中非线性负载的广泛使用使得谐波分析必不可少,其中建立适当的模型来表征谐波源特性尤为重要,结合相关文献综述了现有的各种谐波源模型,并对其建模方法进行了分析、比较。考虑到支持向量机在高维数据模型构建中良好的泛化能力,针对一个低压民用电器整流电路进行Matlab仿真获取训练数据,并用最小二乘支持向量机(leastsquares support vector machine,LS-SVM)建模。结果表明模型输出谐波电流与实际仿真结果基本一致,使用上述方法建立的模型精度高,验证了最小二乘支持向量机是一种有效的谐波源建模方法。展开更多
非稀疏性是最小二乘支持向量机(Least squares support vector machine,LS-SVM)的主要不足,因此稀疏化是LS-SVM研究的重要内容.在目前LS-SVM稀疏化研究中,多数算法采用的是基于迭代选择的稀疏化策略,但是时间复杂度和稀疏化效果还不够理...非稀疏性是最小二乘支持向量机(Least squares support vector machine,LS-SVM)的主要不足,因此稀疏化是LS-SVM研究的重要内容.在目前LS-SVM稀疏化研究中,多数算法采用的是基于迭代选择的稀疏化策略,但是时间复杂度和稀疏化效果还不够理想.为了进一步改进LS-SVM稀疏化方法的性能,文中提出了一种基于全局代表点选择的快速LS-SVM稀疏化算法(Global-representation-based sparse least squares support vector machine,GRS-LSSVM).在综合考虑数据局部密度和全局离散度的基础上,给出了数据全局代表性指标来评估每个数据的全局代表性.利用该指标,在全部数据中,一次性地选择出其中最具有全局代表性的数据并构成稀疏化后的支持向量集,然后在此基础上求解决策超平面,是该算法的基本思路.该算法对LS-SVM的非迭代稀疏化研究进行了有益的探索.通过与传统的迭代稀疏化方法进行比较,实验表明GRS-LSSVM具有稀疏度高、稳定性好、计算复杂度低的优点.展开更多
针对现有电力电子电路故障预测技术的不足,提出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Buck电路为例,选择电路输出电压作为监测信号,提取...针对现有电力电子电路故障预测技术的不足,提出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Buck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回归算法实现故障预测。实验结果表明,利用LS-SVM对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。展开更多
文摘电力系统中非线性负载的广泛使用使得谐波分析必不可少,其中建立适当的模型来表征谐波源特性尤为重要,结合相关文献综述了现有的各种谐波源模型,并对其建模方法进行了分析、比较。考虑到支持向量机在高维数据模型构建中良好的泛化能力,针对一个低压民用电器整流电路进行Matlab仿真获取训练数据,并用最小二乘支持向量机(leastsquares support vector machine,LS-SVM)建模。结果表明模型输出谐波电流与实际仿真结果基本一致,使用上述方法建立的模型精度高,验证了最小二乘支持向量机是一种有效的谐波源建模方法。
文摘非稀疏性是最小二乘支持向量机(Least squares support vector machine,LS-SVM)的主要不足,因此稀疏化是LS-SVM研究的重要内容.在目前LS-SVM稀疏化研究中,多数算法采用的是基于迭代选择的稀疏化策略,但是时间复杂度和稀疏化效果还不够理想.为了进一步改进LS-SVM稀疏化方法的性能,文中提出了一种基于全局代表点选择的快速LS-SVM稀疏化算法(Global-representation-based sparse least squares support vector machine,GRS-LSSVM).在综合考虑数据局部密度和全局离散度的基础上,给出了数据全局代表性指标来评估每个数据的全局代表性.利用该指标,在全部数据中,一次性地选择出其中最具有全局代表性的数据并构成稀疏化后的支持向量集,然后在此基础上求解决策超平面,是该算法的基本思路.该算法对LS-SVM的非迭代稀疏化研究进行了有益的探索.通过与传统的迭代稀疏化方法进行比较,实验表明GRS-LSSVM具有稀疏度高、稳定性好、计算复杂度低的优点.
文摘针对现有电力电子电路故障预测技术的不足,提出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Buck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回归算法实现故障预测。实验结果表明,利用LS-SVM对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。
