支持向量机

在覆冰条件的气象因素下，输电导线随时间累积形成的覆冰厚度、形状和分布变化，影响着电网系统的安全运行。按预测模型从覆冰生长到导线除冰各阶段存在的关联分析，讨论了各模型的优势差异以及相互存在组合的可能性。覆冰全周期存在着由微观到宏观的变化，影响着导线覆冰的生长进程。预测模型可按全周期组合，首先，对初始数据的降噪可解决数据发散，用主成分分析法的降维可提高预测精度。其次，模型中的支持向量机、混合的群智能优化算法、遗传算法组合等工具乃至交叉方式，都着力于覆冰过程的辨识与建模。再次，将热力融冰技术的负荷交流或涡流自热环应用在除冰阶段，使覆冰监测形成了动态闭环系统。最后，结合分析对输电线路覆冰预测的研究方向做了展望。

为了提高光伏发电功率预测精度，根据不同天气类型下光伏输出功率特点，确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm，WPA）缺陷，对狼群游走位置和奔袭步长进行改进，得到改进狼群算法（improved wolf pack algorithm，IWPA），并通过IWPA对最小二乘支持向量机（least squares support vector machine，lSSVM）进行优化，建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真，结果表明：无论是晴天、多云还是阴雨天气，所提方法预测精度更高，回归拟合时的误差波动更小。

电力系统中可能会出现多个位置电压降低或电流异常的情况，导致中压直流配电网相关故障信号特征会发生明显的形变波动，超过正常的波动区间，导致故障诊断精细化程度下降。提出了中压配电线路断线高阻接地故障精细化诊断方法。在构建高阻接地电阻模型的基础上，采用小波能量矩算法获取中压配电线路断线高阻接地故障特征，将提取的故障特征输入最小二乘多级支持向量机中，实现中压配电线路断线高阻接地故障精细化诊断。仿真结果表明：所提方法获取的故障相电压波形差异小于2.3%；故障相电流波形相似度高于98%；诊断时间较短，故障诊断时的最高识别率可达到98%，平均识别准确率达到了95%；收敛值达到0.97。由此可知，所提方法抗干扰性能强，可以准确识别光伏能源接入中压配电线路断线高阻接地故障，保证光伏能源接入中压配电线路后的稳定运行。

针对锅炉燃烧系统的多目标优化，在所建立的锅炉燃烧系统预测模型的基础上，分别采用加权-粒子群算法和多目标粒子群优化(multi-objective particle swarm optimization，MOPSO)算法优化锅炉系统的可调整运行参数，以实现锅炉高效率低NO x 排放。分析表明，2种优化算法所得的运行参数相近，趋势与燃烧特性分析和燃烧调整试验结果相符合，说明智能算法优化电站锅炉燃烧系统有效可行。但是加权-粒子群优化算法主观依赖性严重，难以选取合适的权值，优化时间长且结果少；而MOPSO算法优化时间远远小于加权-粒子群算法优化时间，并且优化结果更多，优化效率更高，更有利于指导锅炉的实际运行。

电力人员行为识别是电力系统安全运维的重要环节，现有的人员行为识别算法主要采用支持向量机和多层感知机进行行为分类，存在识别精度低、未考虑人体骨架之间交互关系、迁移性、通用性差等问题。针对上述问题，提出一种基于自注意力与交叉注意力机制的行为分类解码器，充分考虑了人体骨架之间的关联。其分类精度相比传统分类方法提升10%~20%，较深度学习多层感知机（multilayer perceptron，MLP）分类方法提升2%以上。该方法运用编码器-解码器架构的二阶段方法进行行为识别，使得解码器可以适用于任意姿态估计，网络后端具有很强的可扩展性。此外，采用分组解码的方式克服了注意力机制带来的二次方复杂度，使得该解码器可以扩展到更多行为类别，具有更好的普适性。该行为识别算法能够在基于变电站工作场景下的人员图像数据集验证中达到优异的识别效果，综合识别率达91.1%，验证了所提电力人员行为分类方法的有效性和适用性。

分布式光伏功率预测对光伏电站运行和调度具有重要意义，针对点预测方法难以全面描绘分布式光伏功率不确定性的问题，提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)和麻雀搜索算法优化的最小二乘支持向量机(sparrow search algorithm optimized least square support vector machine，SSA-LSSVM)分布式光伏功率区间预测模型。 方法 首先，通过CEEMDAN将光伏功率序列分解为多个模态分量，再对一次分解得到的高频非平稳分量进行二次分解；其次，采用样本熵(sample entropy，SE)将所有分量重构为趋势分量和振荡分量；然后，通过SSA-LSSVM得到2个分量的点预测值；最后，对振荡分量的点预测误差进行概率密度估计，叠加点预测值得到总体的预测区间结果。 结果 所提区间预测模型具有更高的区间覆盖率且区间平均宽度更窄。 结论 在分布式光伏功率数据处理中加入二次模态分解，再结合样本熵对其子序列进行重构，可有效降低原始预测分量的复杂程度，同时提升模型预测准确性。

针对变压器绕组变形、轻微匝间短路故障诊断准确率低的问题，提出一种变压器绕组早期故障诊断方法。首先，利用ANSYS仿真软件建立与实验变压器相关参数一致的有限元模型，分析变压器在绕组发生各种故障的漏磁场分布规律，并根据这些规律选取合适的故障特征以及光纤漏磁场传感器安装位置。然后，通过改进长鼻浣熊优化算法(improved coati optimization algorithm, ICOA)寻找残差神经网络(ResNet)的最优超参数，以此参数构建ICOA-ResNet模型，将所得故障特征量输入模型进行故障诊断。最后，通过仿真数据和动模实验验证所提出的变压器绕组早期故障诊断模型的可行性。所提模型与支持向量机等4种模型相比，在绕组早期故障诊断上有更高的准确率，表明所提方法对变压器绕组变形、匝间短路故障诊断的有效性。

数字换流站是新型电力系统建设的枢纽节点,以融合终端为核心的物联感知网络是数字换流站物联感知体系的关键基础设施。数字换流站内复杂的电磁环境及高低温、盐雾腐蚀、交变湿热等工况条件下多种物理场相互作用和叠加,这些耦合干扰会影响换流站物联感知网络设备的通信效能,降低物联感知网络通信性能和服务质量,影响数字换流站全面智能感知能力和高效的智慧运检水平。针对缺乏数字换流站复杂电磁干扰与多物理场影响下物联感知网络通信效能有效评估方法这一问题,文章从基本通信能力、业务保障能力、生存保障能力和资源利用能力4个层面出发,建立多级分层的换流站物联网通信效能评估体系,在此基础上,采用支持向量机算法构建评估模型,实现对数字换流站物联感知网络通信效能的快速、准确评估,提升物联感知网络对换流站高效运行和数字化建设的支撑能力。

为了提升变电设备运维管理的智能化水平，及时发现并预防因设备过热导致的故障风险，保障电网安全稳定运行，提出了变电设备温度态势感知及辅助决策方案。 方法 从感知层、理解层、预测层和辅助决策层4个方面展开研究。在感知层，利用K近邻(K-nearest neighbor，KNN)分类算法分析多类温度数据的关联性。在理解层，通过BP神经网络构建历史数据传递模型，以处理历史数据缺失问题。在预测层，为应对非线性数据和噪声，设计了自回归积分滑动平均(autoregressive integrated moving average，ARIMA)模型与支持向量机(support vector machine，SVM)组合的温度预测模型。在辅助决策层，应用灰色关联度分析设备温度变化与故障风险之间的关系。 结果 基于所提方案的算例验证结果表明，该方案实现了对设备未来温度变化趋势的有效感知，并为设备缺陷判断提供了依据。 结论 所提方案通过多维度、深层次的温度数据分析，揭示了设备温度与故障风险之间潜在的关联关系，实现了对变电设备运行趋势的预判，为变电设备运行方式优化以及制定设备检修计划提供参考。

针对使用支持向量机(support vector machine, SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题，提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先，使用核主成分分析(kernel principal component analysis, KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次，使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization, NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization, INGO)进行性能测试，验证了INGO算法的优越性。然后，基于KPCA提取的低维敏感特征，使用INGO对SVM的参数进行组合寻优，建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后，对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好，更适用于变压器的故障诊断。