基于PSO-LSSVM在线学习的电力设备温度预测方法

摘要

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。