CN111523710A - 基于pso-lssvm在线学习的电力设备温度预测方法 - Google Patents

基于pso-lssvm在线学习的电力设备温度预测方法 Download PDF

Info

Publication number
CN111523710A
CN111523710A CN202010281268.2A CN202010281268A CN111523710A CN 111523710 A CN111523710 A CN 111523710A CN 202010281268 A CN202010281268 A CN 202010281268A CN 111523710 A CN111523710 A CN 111523710A
Authority
CN
China
Prior art keywords
temperature
sample
lssvm
training
power equipment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010281268.2A
Other languages
English (en)
Inventor
刘磊
杨洋
曾曙光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202010281268.2A priority Critical patent/CN111523710A/zh
Publication of CN111523710A publication Critical patent/CN111523710A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于PSO‑LSSVM在线学习的电力设备温度预测方法，该方法针对训练样本进行在线评价和筛选：首先将采集的电力设备实时温度数据传输到后台系统，并对采样数据进行预处理；然后根据LSSVM模型的KKT条件，判断是否对新增样本进行增量学习，同时通过可调整的余弦相似度方法，对当前训练样本集特性差别最大的样本进行剔除；然后，由在线训练好的PSO‑LSSVM模型，对t时刻后的电力设备温度进行预测，并对可能超过温度阈值的电力设备进行不同等级的高温预警。本发明更加重视了新增样本的贡献，获得最能反映当前状态的训练样本集，以提高模型的泛化能力的同时提高了预测运行效率，能有效的对下一时刻温度进行预测，提高了使用电气设备的安全性。

Description

基于PSO-LSSVM在线学习的电力设备温度预测方法
技术领域
本发明涉及电力设备故障监测技术领域，具体涉及一种基于PSO-LSSVM在线学习的电力设备温度预测方法。
背景技术
随着现代电力系统向大机组、大容量、高电压等级的趋势发展，对供电可靠性和稳定性的要求也越来越高。温度是运行中的高压电气设备很重要且需严格监测的参数，设备温度变化信息能够正确反映高压设备是否处于正常状态，若温升过高，极易导致设备损坏，造成巨大的经济损失。由于设备升温是一个持续的过程，故可以通过已采集的温度数据变化趋势对下阶段温度进行预测，起到故障预警的作用。
传统的温度监测方式主要是人工间断性的离线监测，并对采集后的数据利用离线学习模型进行预测。由于系统是动态时变的，该方式不仅不能实时获取所有电气设备的温度情况，也不易于预测设备温度的发展趋势。近年来有学者提出在线的方法，但往往忽略对样本的剪枝或者是采用滑动时间窗法来剪枝，这些方法都不能很好解决数据冗余的问题，造成运算效率过高。
发明内容
有鉴于此，本发明提供了一种基于PSO-LSSVM在线学习的电力设备温度预测方法，该方法更加重视了新增样本的贡献，获得最能反映当前状态的训练样本集，以提高模型的泛化能力的同时提高了预测运行效率，能有效的对下一时刻温度进行预测，提高了使用电气设备的安全性。
本发明采取的技术方案为：
基于PSO-LSSVM在线学习的电力设备温度预测方法，该方法针对训练样本进行在线评价和筛选：首先将采集的电力设备实时温度数据传输到后台系统，并对采样数据进行预处理；然后根据LSSVM模型的KKT条件，判断是否对新增样本进行增量学习，同时通过余弦相似度方法，对当前训练样本集特性差别最大的样本进行剔除；然后，由在线训练好的PSO-LSSVM模型，对t时刻后的电力设备温度进行预测，并对可能超过温度阈值的电力设备进行不同等级的高温预警。
基于PSO-LSSVM在线学习的电力设备温度预测方法，包括以下步骤：
步骤1：通过传感器将采集的电力设备实时温度数据利用串口通信的方式传送到后台系统上进行数据储存，再对采样数据进行预处理剔除异常数据。后台系统主要包括电脑。
预处理方法为：若当前采集的温度数据超过了已采集的温度值的平均值的3倍，则定义该点为异常点并进行剔除。用公式表示为：
Figure BDA0002446672720000021
其中，n表示已采集温度数据总数，T表示温度值，Tn+1表示的新采集的温度数值。Flag来判断该点是否为异常点，若Flag大于0，则表示新采集的温度数值异常并进行剔除，反之则为正常点，不做处理。
步骤2：按照采集的时间序列顺序，构建一个初始训练样本，设含有L个训练样本的训练集样本对为{(xi,yi)},i＝1,2,…L}，其中xi是第i个训练样本的输入列向量，yi为输出值。通过一个非线性映射函数
Figure BDA0002446672720000025
将样本映射到高维特征空间，然后进行线性回归，函数可用以下式表示：
f(x)＝wφ(x)+b
式中，w和b分别表示权值向量和偏置量。则LSSVM的优化问题可以描述为：
Figure BDA0002446672720000022
其中，C和ξi分别表示惩罚因子和松弛变量，w和b分别表示权值向量和偏置量，yi为第i个样本的输出值。由于核函数参数σ和惩罚因子C影响LSSVM对温度的预测，利用粒子群算法PSO对LSSVM模型参数进行优化，核函数采用高斯径向函数计算。参数优化的核函数为：
Figure BDA0002446672720000023
式中，yi,
Figure BDA0002446672720000024
分别表示第i个样本的输出值和预测值，LSSVM的优化就是通过迭代找到一组最优的参数(C,σ)，得到一个初始预测模型。
步骤3：在初始预测模型的基础上，对下一时刻温度数据进行预测，并与步骤1采集到的该时刻实时温度数据进行比较，判断其是否满足KKT条件，即判断预测偏差是否大于误差阈值ε，若满足KKT条件，则进入步骤4进行增量学习；否则直接进入步骤8。
所述步骤3中，
αi,
Figure BDA0002446672720000031
为对偶参数，ε规定了回归函数的误差，设为0.01，定义样本系数偏差
Figure BDA0002446672720000032
和边界函数g(xi)＝f(xi)-yi；根据ei和xi的情况，能够将样本集分为如下三个子集：
Figure BDA0002446672720000033
其中，E为错误支持向量集，B为边界支持向量集，R为样本保留集，判断其是否满足KKT条件，即判断预测偏差是否大于误差阈值：|g(xi)|＞ε。
定义样本系数偏差
Figure BDA0002446672720000034
和边界函数g(xi)＝f(xi)-yi；αi,
Figure BDA0002446672720000035
为函数的对偶参数，f(xi)和yi第i个样本的输出值和预测值。ε为回归函数的误差，设为0.01。E为错误支持向量集，B为边界支持向量集，R为样本保留集。
步骤4：将新增温度数据样本加入训练集；
样本数据随着时间不断添加，也就是样本集随着时刻
Figure BDA0002446672720000036
随着时刻t每次产生一个增量样本.设更新后的样本集表示为{(xt,yt)}。将更新后的样本集替代初始的训练样本集。
步骤5：判断训练集样本数是否满足最大样本数，若满足最大样本数，则需要进入到步骤6剔除相似度值较小的样本；否则直接进入步骤8。
步骤6：采用余弦相似度方法进行剪枝操作，计算各训练样本与新增样本的相似度值，具体计算公式为：
Figure BDA0002446672720000037
剔除掉训练样本中相似度最小的样本，提高模型运行效率。
其中，cos(θ)表示余弦值，余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似。x,y分别表示新增样本中的温度值和训练集样本中温度值的向量。n表示向量数。
步骤7：在对初始样本{(xi,yi)},i＝1,2,…L}进行增量操作和剪枝操作后得到的训练样本为{(Xi,Yi)},i＝1,2,…M}。该样本是通过步骤4的增量学习和步骤6中剔除冗余样本后获得的最能反映当前状态样本训练集得到更新后的模型方程为：
f′(X)＝wφ(Xi)+b(i＝1,2,..M)
w和b分别表示权值向量和偏置量，M为当前训练样本总数。再重复步骤2的过程对更新后的样本训练集进行重新训练，即可实现在线训练。参数优化的核函数为：
Figure BDA0002446672720000041
式中，
Figure BDA0002446672720000042
分别表示更新后的训练样本中第i个样本的输出值和预测值。优化后得到更新后模型的核函数参数σ′和惩罚因子C′。
步骤8：再利用更新后的模型对下时刻温度进行实时预测，重复步骤3-步骤7，达到在线更新模型的目的。
步骤9：判断预测的下一时刻的温度值是否大于设定的温度阈值T，该温度阈值T能够根据不同场景下人工调节；若小于设定的温度阈值T，则为安全状态；否则予以报警，根据预测温度的不同等级范围，提醒工作人员及时进行不同程度的降温处理。
本发明一种基于PSO-LSSVM在线学习的电力设备温度预测方法，技术效果如下：
1)：基于KKT条件检验选择性的对新增样本学习，不仅使样本保留了原有的历史信息且获得了新信息，还减少了模型的更新次数。
2)：基于调整的余弦相似度方法，综合考虑了时间序列中数据的变化趋势，较为准确的确定了样本间的相似度值，使剪枝操作更加简便及准确，能有效的剔除掉冗余数据，避免网络重复训练，且获得最能反映当前状态的训练样本集。
3)：在线学习和离线训练模型比较，模型具有更好的泛化性能，能提高一定的预测精度及运行效率，在实际时间序列预测模型中具有较高的可行性。
4)：本发明提出的在线学习策略，能实现模型在线更新的同时能够最大限度保证其泛化能力；提高了温度预测精度以及运行效率，能有效预防设备高温情况。及时做到故障预警，提高了使用电气设备的安全性。
附图说明
图1为PSO算法对模型最佳参数寻优流程图。
图2为用户使用软件界面示意图。
图3为实际温度曲线与预测温度曲线对比效果图。
图4为本发明基于PSO-LSSVM在线学习的电力设备温度预测方法流程图。
具体实施方式
基于PSO-LSSVM在线学习的电力设备温度预测方法，包括以下步骤：
步骤1：通过光纤传感器，每隔5min将实时收集到的电气设备温度数据传到后台系统，再对数据进行预处理，以去除噪声的影响。
步骤2：按照采集的时间序列顺序构建一个初始训练样本，采用8个温度输入值作为LSSVM模型的输入层，下一时刻温度值作为输出层，且初始样本总数N设定为200组。利用粒子群算法(PSO)对LSSVM模型参数进行优化，得到一个最佳的初始预测模型，如图1所示。
步骤3：在初始预测模型的基础上，对下一时刻温度数据进行预测，并与步骤1采集到的该时刻实时温度数据进行比较，判断其是否满足KKT条件，即判断预测偏差是否大于误差阈值ε。αi,
Figure BDA0002446672720000051
为对偶参数，ε规定了回归函数的误差，设为0.01。定义样本系数偏差
Figure BDA0002446672720000052
和边界函数g(xi)＝f(xi)-yi。根据ei和xi的情况可以将样本集分为如下三个子集：
Figure BDA0002446672720000053
其中E为错误支持向量集，B为边界支持向量集，R为样本保留集。判断其是否满足KKT条件，即判断预测偏差是否大于误差阈值：|g(xi)|＞ε。
若满足KKT条件，则进入步骤4进行增量学习；否则直接进入步骤8。
步骤4：将新增温度数据样本加入训练集进行训练。
步骤5：判断训练集样本数是否满足最大样本数N，若满足最大样本数N，则需要剔除特征不足的数据进入到步骤6；否则直接进入步骤8。
步骤6：采用余弦相似度方法计算各训练样本与新增样本的相似度值，具体计算公式为：
Figure BDA0002446672720000054
剔除掉训练样本中相似度最小的样本，提高模型运行效率。
步骤7：对增量操作和剪枝操作后得到的新的训练样本进行在线训练，得到更新后的模型。
步骤8：再利用更新后的模型对下时刻温度进行实时预测，重复步骤3-步骤7，达到在线更新模型的目的。判断预测的下一时刻的温度值是否大于设定的温度阈值T，该阈值可根据不同场景下人工调节。若小于设定的温度阈值，则为安全状态；否则予以报警，且根据预测温度的不同等级范围，提醒工作人员及时进行不同程度的降温处理。
优选的方案：用户界面如图2所示，以用户界面的形式展示给工作人员，在界面设定好串口，传输波特率，传输数据的数据位以及停止位和校验位。点击打开串口后，即可以开始采集数据，并对下时刻温度数据进行预测，将实际温度值和预测温度值的变化曲线和数值展示在用户界面，实际值与预测值效果图如图3所示。

Claims (7)

1.基于PSO-LSSVM在线学习的电力设备温度预测方法，其特征在于：该方法针对训练样本进行在线评价和筛选：首先将采集的电力设备实时温度数据传输到后台系统，并对采样数据进行预处理；然后根据LSSVM模型的KKT条件，判断是否对新增样本进行增量学习，同时通过可调整的余弦相似度方法，对当前训练样本集特性差别最大的样本进行剔除；然后，由在线训练好的PSO-LSSVM模型，对t时刻后的电力设备温度进行预测，并对可能超过温度阈值的电力设备进行不同等级的高温预警。
2.基于PSO-LSSVM在线学习的电力设备温度预测方法，其特征在于包括以下步骤：
步骤1：通过传感器将采集的电力设备实时温度数据传送到后台系统，再对采样数据进行预处理，去除噪声影响；
步骤2：按照采集的时间序列顺序，构建一个初始训练样本，利用粒子群算法PSO对LSSVM模型参数进行优化，得到一个最佳的初始预测模型；
步骤3：在初始预测模型的基础上，对下一时刻温度数据进行预测，并与步骤1采集到的该时刻实时温度数据进行比较，判断其是否满足KKT条件，即判断预测偏差是否大于误差阈值ε，若满足KKT条件，则进入步骤4进行增量学习；否则直接进入步骤8；
步骤4：将新增温度数据样本加入训练集训练；
步骤5：判断训练集样本数是否满足最大样本数，若满足最大样本数，则需要剔除特征不足的数据进入到步骤6；否则直接进入步骤8；
步骤6：采用余弦相似度计算方法，计算各训练样本与新增样本的相似度值；
步骤7：对增量操作和剪枝操作后得到的新的训练样本，进行在线训练，得到更新后的模型；
步骤8：再利用更新后的模型对下时刻温度进行实时预测，重复步骤3-步骤7，达到在线更新模型的目的；
步骤9：判断预测的下一时刻的温度值是否大于设定的温度阈值T，该温度阈值T能够根据不同场景下人工调节；若小于设定的温度阈值T，则为安全状态；否则予以报警，根据预测温度的不同等级范围，提醒工作人员及时进行不同程度的降温处理。
3.根据权利要求2所述基于PSO-LSSVM在线学习的电力设备温度预测方法，其特征在于：所述步骤1中，预处理方法为：若当前采集的温度数据超过了已采集的温度值的平均值的3倍，则定义该点为异常点并进行剔除，用公式表示为：
Figure RE-FDA0002502734170000021
其中，n表示已采集温度数据总数，T表示温度值，Tn+1表示的新采集的温度数值；Flag来判断该点是否为异常点，若Flag大于0，则表示新采集的温度数值异常并进行剔除，反之则为正常点，不做处理。
4.根据权利要求2所述基于PSO-LSSVM在线学习的电力设备温度预测方法，其特征在于：所述步骤2中，按照采集的时间序列顺序，构建一个初始训练样本，设含有L个训练样本的训练集样本对为{(xi,yi)},i＝1,2,…L}，其中，xi是第i个训练样本的输入列向量，yi为输出值；
通过一个非线性映射函数
Figure RE-FDA0002502734170000022
将样本映射到高维特征空间，然后进行线性回归，函数可用以下式表示：
f(x)＝wφ(x)+b
式中，w和b分别表示权值向量和偏置量，则LSSVM的优化问题描述为：
Figure RE-FDA0002502734170000023
其中，C和ξi分别表示惩罚因子和松弛变量，w和b分别表示权值向量和偏置量，yi为第i个样本的输出值；由于核函数参数σ和惩罚因子C影响LSSVM对温度的预测，利用粒子群算法PSO对LSSVM模型参数进行优化，核函数采用高斯径向函数计算，参数优化的核函数为：
Figure RE-FDA0002502734170000024
式中，yi,
Figure RE-FDA0002502734170000025
分别表示第i个样本的输出值和预测值，LSSVM的优化就是通过迭代找到一组最优的参数(C,σ)，得到一个初始预测模型。
5.根据权利要求2所述基于PSO-LSSVM在线学习的电力设备温度预测方法，其特征在于：所述步骤3包括：
αi,
Figure RE-FDA0002502734170000026
为对偶参数，ε规定了回归函数的误差，设为0.01，定义样本系数偏差
Figure RE-FDA0002502734170000027
和边界函数g(xi)＝f(xi)-yi；根据ei和xi的情况，能够将样本集分为如下三个子集：
Figure RE-FDA0002502734170000031
其中，E为错误支持向量集，B为边界支持向量集，R为样本保留集，判断其是否满足KKT条件，即判断预测偏差是否大于误差阈值：|g(xi)|>ε。
6.根据权利要求2所述基于PSO-LSSVM在线学习的电力设备温度预测方法，其特征在于：所述步骤6中，具体计算公式为：
Figure RE-FDA0002502734170000032
其中，cos(θ)表示余弦值，余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似；x,y分别表示新增样本的温度值和训练集样本中温度值的向量；n表示向量个数。
7.根据权利要求2所述基于PSO-LSSVM在线学习的电力设备温度预测方法，其特征在于：所述步骤7包括：
在对初始样本{(xi,yi)},i＝1,2,…L}进行增量操作和剪枝操作后得到的训练样本为：{(Xi,Yi)},i＝1,2,…M}；该样本是通过步骤4的增量学习和步骤6中剔除冗余样本后获得的最能反映当前状态样本训练集得到更新后的模型方程为：
f′(X)＝wφ(Xi)+b(i＝1,2,..M)
w和b分别表示权值向量和偏置量，M为当前训练样本总数；再重复步骤2的过程对更新后的样本训练集进行重新训练，即实现在线训练；参数优化的核函数为：
Figure RE-FDA0002502734170000033
式中，
Figure RE-FDA0002502734170000034
分别表示更新后的训练样本中第i个样本的输出值和预测值，优化后得到更新后模型的核函数参数σ′和惩罚因子C′。
CN202010281268.2A 2020-04-10 2020-04-10 基于pso-lssvm在线学习的电力设备温度预测方法 Pending CN111523710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010281268.2A CN111523710A (zh) 2020-04-10 2020-04-10 基于pso-lssvm在线学习的电力设备温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010281268.2A CN111523710A (zh) 2020-04-10 2020-04-10 基于pso-lssvm在线学习的电力设备温度预测方法

Publications (1)

Publication Number Publication Date
CN111523710A true CN111523710A (zh) 2020-08-11

Family

ID=71901570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010281268.2A Pending CN111523710A (zh) 2020-04-10 2020-04-10 基于pso-lssvm在线学习的电力设备温度预测方法

Country Status (1)

Country Link
CN (1) CN111523710A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112072987A (zh) * 2020-09-08 2020-12-11 河钢数字技术股份有限公司 一种基于物联网的涂布类冶金生产线电机的监控系统
CN112418498A (zh) * 2020-11-12 2021-02-26 中国农业大学 用于智能温室的温度预测方法及系统
CN112465259A (zh) * 2020-12-12 2021-03-09 武汉七星电气有限公司 一种基于深度神经网络的开关故障预测方法
CN112580709A (zh) * 2020-12-14 2021-03-30 上海电力大学 一种海上风电机组自适应状态评估方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944122A (zh) * 2010-09-17 2011-01-12 浙江工商大学 一种融合增量学习的支持向量机多类分类方法
CN102637208A (zh) * 2012-03-28 2012-08-15 南京财经大学 一种基于模式挖掘的噪音数据过滤方法
CN102663412A (zh) * 2012-02-27 2012-09-12 浙江大学 基于最小二乘支持向量机的电力设备载流故障趋势预测方法
CN102682220A (zh) * 2012-05-17 2012-09-19 鲁东大学 一种短期电力负荷预测方法
CN104463381A (zh) * 2015-01-04 2015-03-25 福州大学 基于kpca与wlssvm的建筑能耗预测方法
CN106548234A (zh) * 2016-11-17 2017-03-29 北京图森互联科技有限责任公司 一种神经网络剪枝方法及装置
CN107391482A (zh) * 2017-07-12 2017-11-24 成都准星云学科技有限公司 一种基于句模进行模糊匹配与剪枝的方法
CN110134088A (zh) * 2019-05-21 2019-08-16 浙江大学 一种基于增量支持向量回归的自适应质量预报方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944122A (zh) * 2010-09-17 2011-01-12 浙江工商大学 一种融合增量学习的支持向量机多类分类方法
CN102663412A (zh) * 2012-02-27 2012-09-12 浙江大学 基于最小二乘支持向量机的电力设备载流故障趋势预测方法
CN102637208A (zh) * 2012-03-28 2012-08-15 南京财经大学 一种基于模式挖掘的噪音数据过滤方法
CN102682220A (zh) * 2012-05-17 2012-09-19 鲁东大学 一种短期电力负荷预测方法
CN104463381A (zh) * 2015-01-04 2015-03-25 福州大学 基于kpca与wlssvm的建筑能耗预测方法
CN106548234A (zh) * 2016-11-17 2017-03-29 北京图森互联科技有限责任公司 一种神经网络剪枝方法及装置
CN107391482A (zh) * 2017-07-12 2017-11-24 成都准星云学科技有限公司 一种基于句模进行模糊匹配与剪枝的方法
CN110134088A (zh) * 2019-05-21 2019-08-16 浙江大学 一种基于增量支持向量回归的自适应质量预报方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何邦乐等: "基于PSO-LSSVM 的高压电力电缆接头温度预测", 《电力工程技术》 *
赵文文: "基于在线增量LSSVM污水软测量建模研究与应用", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112072987A (zh) * 2020-09-08 2020-12-11 河钢数字技术股份有限公司 一种基于物联网的涂布类冶金生产线电机的监控系统
CN112418498A (zh) * 2020-11-12 2021-02-26 中国农业大学 用于智能温室的温度预测方法及系统
CN112418498B (zh) * 2020-11-12 2024-06-04 中国农业大学 用于智能温室的温度预测方法及系统
CN112465259A (zh) * 2020-12-12 2021-03-09 武汉七星电气有限公司 一种基于深度神经网络的开关故障预测方法
CN112465259B (zh) * 2020-12-12 2023-01-31 武汉七星电气有限公司 一种基于深度神经网络的开关故障预测方法
CN112580709A (zh) * 2020-12-14 2021-03-30 上海电力大学 一种海上风电机组自适应状态评估方法
CN112580709B (zh) * 2020-12-14 2022-11-29 上海电力大学 一种海上风电机组自适应状态评估方法

Similar Documents

Publication Publication Date Title
CN111523710A (zh) 基于pso-lssvm在线学习的电力设备温度预测方法
CN112734128B (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN110689171A (zh) 一种基于e-lstm的汽轮机健康状态预测方法
CN117421687B (zh) 一种数字化电力环网柜运行状态监测方法
CN113156917A (zh) 基于人工智能的电网设备故障诊断方法及系统
CN113987033B (zh) 主变在线监测数据群体偏差识别与校准方法
CN111525587A (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN110059938B (zh) 一种基于关联规则驱动的配电网规划方法
CN116151561A (zh) 一种电力系统运行安全态势辨识方法及系统
CN116388150A (zh) 基于数字孪生和神经网络技术的配变短期负荷预测方法
CN111785093A (zh) 一种基于分形插值的空中交通流量短期预测方法
CN115169719A (zh) 一种基于模糊聚类和bp神经网络的台区状态预测模型
CN113689072B (zh) 一种基于马尔科夫链的海上风电机组运行状态评估方法
CN116629843B (zh) 智能化柴油发电机组的远程预警与维护决策支持系统
CN116505556B (zh) 基于一次调频的风电场功率控制系统及方法
CN116070669B (zh) 一种基于改进深度置信网络的车间能耗预测方法与管理系统
CN110874672A (zh) 基于量子遗传算法的farima模型电力负荷预测方法
CN117034001A (zh) 一种风电机组故障预测方法、装置及电子设备
CN116401545A (zh) 一种多模型融合的水轮机振摆分析方法
CN111369072A (zh) 一种基于稀疏化方法的核最小均方时间序列在线预测模型
CN113468720B (zh) 一种数模联动的随机退化设备寿命预测方法
CN115618752B (zh) 一种基于Autoformer模型的电力负荷控制方法及系统
CN116760033B (zh) 一种基于人工智能的实时电力需求预测系统
CN117910550B (zh) 一种基于深度学习的无油超高速离心压缩机自动优化系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200811

RJ01 Rejection of invention patent application after publication