安國慶 梁宇飛 蔣子堯 李爭 安琪 陳賀 李崢 王強 白嘉誠

摘 要：針對目前非侵入式負荷辨識存在模型訓(xùn)練時間過長以及負荷特征相近的電器辨識精度不高的問題，提出了一種基于CF-MF-SE聯(lián)合特征的非侵入式負荷辨識方法。以穩(wěn)態(tài)電流信號為基礎(chǔ)，通過提取峰值因數(shù)表征波形的畸變程度，采用裕度因子表征信號的平穩(wěn)程度，譜熵表征頻譜結(jié)構(gòu)復(fù)雜程度，并結(jié)合PSO-SVM實現(xiàn)負荷辨識。結(jié)果表明，新方法可解決電器電流波形相近不易識別的難題，減少訓(xùn)練時間，有效提高識別準確率和效率。所提方法將振動信號特征作為負荷特征引入負荷辨識領(lǐng)域，為非侵入式負荷辨識技術(shù)的特征選取提供了新思路，其中譜熵作為對負荷敏感的關(guān)鍵特征，與其他特征組合可明顯提高辨識率，為實際應(yīng)用中負荷特征的靈活選擇提供了參考。

關(guān)鍵詞：電氣測量技術(shù)及其儀器儀表;非侵入式負荷辨識;譜熵;支持向量機;粒子群優(yōu)化

中圖分類號：TM933?? 文獻標識碼：A

doi：10.7535/hbkd.2021yx05004

收稿日期：2021-05-16;修回日期：2021-09-01;責(zé)任編輯：馮 民

基金項目：河北省省級科技計劃資助（20311801D）;2020年通用航空增材制造協(xié)同創(chuàng)新中心課題（15號）

第一作者簡介：安國慶（1995—），男，河北石家莊人，副教授，博士，主要從事電力設(shè)備狀態(tài)監(jiān)測方面的研究。

通訊作者：安 琪博士。E-mail：an-qi.122@163.com

Non-intrusive load identification based on CF-MF-SE joint feature

AN Guoqing1，2，LIANG Yufei1，JIANG Ziyao1，LI Zheng1，2，AN Qi1，

CHEN He2，LI Zheng2，WANG Qiang2，BAI Jiacheng1

（1.School of Electrical Engineering，Hebei University of Science and Technology，Shijiazhuang，Hebei 050018，China;2.Hebei Institute of Intelligent Distribution and Electric Equipment Technology （Shijiazhuang Kelin Electric Company Limited），Shijiazhuang，Hebei 050222，China）

Abstract：Aiming at the problems of the current non-intrusive load identification，such as too long model training time and low identification accuracy of electrical appliances with similar load characteristics，a non-intrusive load identification method based on CF-MF-SE joint feature was proposed.Based on the steady-state current signal，the peak factor was extracted to represent the distortion degree of the waveform，the margin factor was extracted to represent the stability degree of the signal，the spectral entropy was extracted to represent the complexity degree of the spectrum structure，and PSO-SVM was combined to realize load identification.Experimental results show that this method can solve the problem that the electrical current waveform is too similar to identify successfully，reduce the training time，and improve the recognition accuracy and efficiency.This method introduces the vibration signal characteristics as load characteristics into the field of load identification，which provides a new idea for feature selection of non-invasive load identification technology.As a key feature sensitive to load，spectral entropy can significantly improve the identification rate when combined with other features，which provides reference for the flexible selection of load characteristics in practical application.

Keywords：

electrical measuring technology and its instrumentation;non-intrusive load identification;spectral entropy;support vector machine;particle swarm optimization

近年來，電網(wǎng)負荷日益增加以及分布式清潔能源不斷接入電網(wǎng)，對智能電網(wǎng)的發(fā)展提出了更高要求，“智能用電”和“綠色用電”成為當(dāng)今研究熱點[1]。負荷監(jiān)測作為實現(xiàn)智能電網(wǎng)的第一步，通過檢測某一環(huán)境內(nèi)的總負荷獲取內(nèi)部各用電器的用電信息，獲取的信息不僅可以幫助用戶掌握電器的工作狀態(tài)及能耗信息，而且可為電力公司進行電力部署提供依據(jù)。

傳統(tǒng)的負荷監(jiān)測技術(shù)采用侵入式方法，需要在每個被監(jiān)測的設(shè)備上安裝測量設(shè)備，成本高且安裝維護不方便，所以侵入式負荷監(jiān)測在用戶側(cè)無法普及[2-3];而非侵入式方法只需在電能入口處安裝測量裝置即可獲得總負荷的電壓、電流等電氣信號，通過提取這些電氣量的特征信息，實現(xiàn)負荷識別[4]。與侵入式負荷監(jiān)測相比，非侵入式負荷監(jiān)測成本更加低廉、實用性強，因此有著更為廣闊的應(yīng)用前景。

近年來，為了有效識別用電負荷，國內(nèi)外學(xué)者對負荷特征的挖掘選取進行了大量研究。文獻[5]利用差量特征提取方法將獲取到的任意時刻的變化特征量作為負荷特征，使用模糊聚類方法對負荷進行聚類識別，但對于負荷特征相似的電器不能準確識別;文獻[6]把電器投切時的暫態(tài)波形和功率變化值作為負荷特征并建立模板庫，使用DTW算法計算待測電器的負荷特征與模板的相似度，從而實現(xiàn)電器的識別，但無法準確識別對功率波形相似的電器;文獻[7]提取電器負荷的有功功率和無功功率作為特征并用支持向量機對電器負荷進行識別，簡單直觀但對功率相近的負荷分類效果不理想;文獻[8]基于Siamese神經(jīng)網(wǎng)絡(luò)的低維特征空間模型，結(jié)合孤立森林算法去除低維特征的離群值，然后使用凸包重疊率相似度計算方法實現(xiàn)對已知和未知設(shè)備進行識別，且取得了較好的效果;文獻[9]將多種負荷特征構(gòu)造成為特征集，通過降維處理從而得到最佳辨識特征;文獻[10]選取電氣特征和外部數(shù)據(jù)為特征量，綜合考慮居民負荷的時間特性和對外部數(shù)據(jù)的關(guān)聯(lián)特性，利用貝葉斯網(wǎng)絡(luò)模型對居民用電行為進行建模分析，取得了較好的效果。文獻[11]利用信號的功率差來標記狀態(tài)轉(zhuǎn)換事件并利用差量提取任意時刻的特征值，采用粒子群優(yōu)化加權(quán)隨機森林進行識別，能有效識別設(shè)備的類型和開關(guān)狀態(tài)。

電氣信號的特征提取作為非侵入式負荷辨識的關(guān)鍵技術(shù)之一，提取的特征會直接影響到辨識結(jié)果的準確率。本文提出了一種基于CF-MF-SE聯(lián)合特征分析的非侵入式負荷辨識方法，對電器的穩(wěn)態(tài)電流信號進行多維特征提取，用于訓(xùn)練支持向量機（SVM）進行負荷辨識，并采用粒子群算法對SVM模型參數(shù)進行優(yōu)化。

1 負荷特征提取

通過對電器工作時電流信號的分析，發(fā)現(xiàn)不同電器在工作時電流的頻譜結(jié)構(gòu)復(fù)雜程度、畸變程度以及平穩(wěn)程度存在差異。而譜熵（spectral entropy，SE）、峰值因數(shù)（crest factor，CF）和裕度因子（margin factor，MF）可分別用來表征電流的頻譜復(fù)雜程度、畸變程度和平穩(wěn)程度。譜熵作為一種典型的結(jié)構(gòu)復(fù)雜度方法，主要應(yīng)用于混沌系統(tǒng)的復(fù)雜性分析[12-13];峰值因數(shù)、裕度因子則主要用于表征軸承性能的退化指標[14-16]。無論是譜熵、峰值因數(shù)還是裕度因子，在非侵入式負荷辨識中用于表征負荷特征的研究很少。

1）峰值因數(shù)（crest factor，CF）

峰值因數(shù)也被稱為波峰系數(shù)，當(dāng)非線性負載接入正弦波電壓時，其產(chǎn)生的電流波形會發(fā)生畸變，而峰值因數(shù)的大小則表示了電流的畸變程度。將電流作為負荷識別的監(jiān)測信號，設(shè)電流信號為x（n），n=1，2，...，N，峰值因數(shù)的計算見式（1）。

CF=maxxn1N∑Nn=1xn2 。（1）

2）裕度因子（margin factor，MF）

裕度因子常用來表示信號的穩(wěn)定程度，其計算式見式（2）。

MF=maxxn1N∑Nn=1xn122 。（2）

3）譜熵（spectral entropy，SE）

譜熵采用傅里葉變換，通過傅里葉變換后的頻域內(nèi)能量分布，結(jié)合香農(nóng)熵得出相應(yīng)譜熵值[13]。其算法流程如下。

第1步：去除直流分量。已知時間序列x（n）的長度為N，采用式（3）去除直流分量，使頻譜可以更加有效地反映出信號的能量信息，見式（3）。

x（n）=x（n）-x-，（3）

式中x-=1N∑Nn=1xn。

第2步：對經(jīng)過式（3）處理后的序列x（n）進行離散傅里葉變換，得

Fk=∑Nn=1xne-j2πNnk=∑Nn=1xnWnkN，? k=1，2，…，N 。（4）

第3步：對經(jīng)過式（4）處理后的頻譜序列F（k）取其前一半進行計算，依據(jù)Paserval定理，計算其中某一特定頻率的功率譜值，即

pk=1NFk2，k=1，2，…，N/2 。（5）

則序列的總功率可定義為

ptot=1N∑N/2k=1Fk2 。（6）

相對功率譜的概率Pk可表示為

Pk=pkptot=1NFk21N∑N/2k=1Fk2=Fk2∑N/2k=1Fk2 ，（7）

式中∑N/2k=1Pk=1。

第4步：利用式（7）并結(jié)合香農(nóng)熵概念，求得信號的譜熵SE：

SE=-∑N/2k=1Pkln Pk 。（8）

一般情況下，由于SE的最大值為ln（N/2），因此，需要時會對SE進行歸一化操作，得到如下歸一化的SE，即

SEN=SElnN/2。（9）

將上述提取的負荷特征組成一個三維特征向量X=[CF，MF，SE]作為支持向量機的輸入樣本。

2 基于粒子群優(yōu)化的支持向量機

2.1 支持向量機

支持向量機（SVM）算法能夠在很廣的函數(shù)集中構(gòu)造函數(shù)，有很強的通用性，不需要微調(diào)，魯棒性能好，同時SVM也可避免其他智能算法在網(wǎng)絡(luò)結(jié)構(gòu)選擇、過學(xué)習(xí)和欠學(xué)習(xí)的缺點[17]。負荷辨識是一個非線性分類問題，因此利用高斯核函數(shù)將空間中非線性樣本映射到高維空間，對其進行非線性變換。針對負荷辨識問題，通過一對多法構(gòu)造多分類器，實現(xiàn)負荷辨識。

假定樣本的訓(xùn)練集為（Xi，Yi），i=1，2，…，n，其中n為樣本的訓(xùn)練集數(shù)量，Xi為第i個訓(xùn)練樣本， Yi∈{-1，+1}。利用SVM實現(xiàn)分類問題可通過求解最優(yōu)化問題來完成，即

min12‖ω‖2+C∑ni=1εi，s.t.? YiωTXi+b≥1-εi， εi>0， i=1，2，…，n，（10）

式中：ω為權(quán)值系數(shù);εi為松弛變量;C為懲罰因子。

引入拉格朗日函數(shù)將其轉(zhuǎn)化為對偶問題的同時，引入核函數(shù)，將非線性樣本映射到高維空間，即可將非線性回歸問題轉(zhuǎn)換為線性問題求解。

max Wα=-12∑ni=1∑nj=1αiαjYiYjKXi，Xj+∑ni=1αi，

s.t.? ∑ni=1αiYi=0， 0≤αi≤C， i=1，2，…，n，（11）

式中：α為拉格朗日乘子;K（Xi，Xj）為核函數(shù)。

本文選用高斯核函數(shù)

KXi，Xj=exp-g‖Xi-Xj‖2 ，（12）

式中g(shù)為核函數(shù)參數(shù)，g>0。

核函數(shù)類型確定之后，結(jié)合粒子群算法進行參數(shù)C和g尋優(yōu)。

2.2 粒子群優(yōu)化支持向量機原理

粒子群優(yōu)化（PSO）算法是一種強大的多維空間尋優(yōu)技術(shù)，用于在多維搜索空間尋找全局最優(yōu)解。粒子群優(yōu)化過程從隨機產(chǎn)生的粒子群開始，每個粒子代表一個極值優(yōu)化問題的潛在最優(yōu)解，用位置、速度和適應(yīng)度值3項指標表示該粒子特征，適應(yīng)度值由適應(yīng)度函數(shù)計算得到，其值的好壞表示粒子的優(yōu)劣[18-19]。

設(shè)在D維目標搜索空間中，初始種群由m個粒子組成，粒子的個體位置為pid，速度為 vid ，其中i為粒子個數(shù)，i = 1，2，…，m;d為粒子的搜索維度，d= 1，2，…，D。每一次迭代中，粒子根據(jù)式（13）和式（14）更新其位置和速度。

vk+1id=wvkid+c1r1Pbestid-xkid+c2r2Gbestid-xkid，（13）

xk+1id=xkid+vk+1id，（14）

式中：Pbestid表示個體的局部最優(yōu)位置;Gbestid表示整個種群的全局最優(yōu)位置;k= 1，2，…，K，K為最大迭代次數(shù);w為慣性因子;r1，r2為[0，1]之間的隨機數(shù);c1，c2為學(xué)習(xí)因子。

SVM分類模型的精確度與懲罰參數(shù)C和核函數(shù)參數(shù)g有著直接聯(lián)系[20]，故使用粒子群算法對SVM的C，g參數(shù)進行尋優(yōu)。實現(xiàn)過程如下：

步驟1：初始化粒子群算法的參數(shù)：對種群數(shù)量m，各粒子的位置、速度，最大迭代次數(shù)K，慣性因子w，學(xué)習(xí)因子c1，c2等進行隨機初始化。

步驟2：根據(jù)目標函數(shù)來計算每個粒子的適應(yīng)度值，每個粒子的適應(yīng)度值與它自身經(jīng)歷過的最優(yōu)位置Pbest做比較，若優(yōu)于自身的最優(yōu)位置，則進行替代，否則Pbest不變;并同時將每個粒子的適應(yīng)度值與全局經(jīng)歷的最優(yōu)位置Gbestid進行比較，若優(yōu)于全局的最優(yōu)位置，則更新Gbest，否則Gbest不變;

步驟3：利用式（13）、式（14）更新粒子位置和速度;

步驟4：判斷是否滿足結(jié)束條件，即達到了最大迭代次數(shù)K或達到了最小誤差要求。 如果滿足結(jié)束條件，則結(jié)束程序并輸出最優(yōu)結(jié)果，進行步驟5;否則返回步驟2繼續(xù)執(zhí)行。

步驟5：使用尋優(yōu)得到的最優(yōu)參數(shù)組合對SVM模型進行訓(xùn)練。

3 實驗結(jié)果與分析

3.1 實驗數(shù)據(jù)采集

在實際應(yīng)用中，負荷數(shù)據(jù)通過在用戶入口處（220 V母線）安裝的數(shù)據(jù)采集設(shè)備（智能電表）獲得。為了模擬實際情況，搭建了負荷數(shù)據(jù)采集平臺，如圖1所示，并通過該平臺進行負荷數(shù)據(jù)采集。

圖1中插排主線模擬用戶的入戶220 V母線，采集設(shè)備即智能電表安裝在插排主線上，插排插座模擬用戶住宅，智能電表采樣頻率為6.4 kHz。在數(shù)據(jù)采集時，智能電表對主線的電流和電壓進行采樣，采樣信號經(jīng)ADC模數(shù)轉(zhuǎn)換后，以串口通信的方式傳至電腦端。

實驗采集了空調(diào)、微波爐、熱水器、熱水壺、電熱爐（小太陽）、冰箱、電磁爐、電吹風(fēng)、電飯煲、洗衣機、抽油煙機共11種電器的電流數(shù)據(jù)。其中空調(diào)有制冷和制熱2種工作狀態(tài)。

3.2 基于電流信號的PSO-SVM負荷辨識

設(shè)置PSO算法的最大迭代次數(shù)K=200，種群數(shù)量m=20，學(xué)習(xí)因子c1=1.5，c2=1.7，慣性因子w=1。

為了驗證所提取特征的有效性，選取電器的穩(wěn)態(tài)電流信號作為SVM的輸入樣本。獲取用電網(wǎng)絡(luò)中各個負荷單獨運行時的電流信號，從中提取各負荷的穩(wěn)態(tài)電流，選取每個電器的50組數(shù)據(jù)作為訓(xùn)練集用于訓(xùn)練SVM模型，1 000組數(shù)據(jù)作為測試集用于驗證模型的有效性。結(jié)果如圖2所示。

從圖2中可以看出，測試數(shù)據(jù)的平均識別率為93.46%，橢圓圈住的部分為錯誤識別的部分，其中各電器的識別率如表1所示。

從表1可以看出，除了洗衣機和油煙機外，利用PSO-SVM算法對各電器的穩(wěn)態(tài)電流數(shù)據(jù)進行訓(xùn)練，具有很高的識別率。洗衣機和抽油煙機的識別率遠低于其他電器，僅為67.8%和53.7%，主要原因是二者的電流波形相似。為解決電流波形相似而不易識別的問題，提出了基于CF-MF-SE聯(lián)合特征分析的PSO-SVM負荷辨識方法。

3.3 基于CF-MF-SE聯(lián)合特征的PSO-SVM負荷辨識

保持PSO算法的參數(shù)設(shè)置不變，在3.2所選取數(shù)據(jù)的基礎(chǔ)上，對50組訓(xùn)練集和1 000組測試集提取CF-MF-SE聯(lián)合特征。結(jié)果如圖3所示。

從圖3可以看出，測試數(shù)據(jù)的平均識別率為97.59%，橢圓圈住的部分為錯誤識別的部分，其中各電器的識別率如表2所示。

從表2可以看出，相比于表1，洗衣機和抽油煙機的識別率分別從67.8%和53.7%上升至99.6%和99.8%，雖然個別電器的識別率有所下降，但整體的平均識別率從93.46%上升至97.59%，解決了電流波形相似而不易識別的問題。同時對電流信號進行負荷特征提取，降低了電流信號的維度，壓縮了數(shù)據(jù)量，使得訓(xùn)練時間大幅度減少，節(jié)省了時間成本。上述結(jié)果表明，利用PSO-SVM算法對各電器的CF-MF-SE聯(lián)合特征進行負荷辨識，可解決電器電流波形相似不易識別的難題，極大地優(yōu)化了整體識別率和識別時間。

3.4 對比分析

保持使用的數(shù)據(jù)和PSO參數(shù)設(shè)置不變，

分別采用一維特征[CF]、[MF]、[SE]，二維特征[CF，MF]、[CF，SE]、[MF，SE]與三維特征[CF，MF，SE]進行對比分析，結(jié)果如表3所示。

由表3可知，使用三維特征[CF，MF，SE]作為負荷特征進行負荷辨識，其平均識別率均高于其他的特征組合，但訓(xùn)練時間也是最長的。同時可知SE特征存在的組合中，平均識別率明顯提升，該特征是負荷識別的核心特征。

4 結(jié) 語

提出了一種基于CF-MF-SE聯(lián)合特征分析的非侵入式負荷辨識方法，對負荷設(shè)備的穩(wěn)態(tài)電流進行峰值因數(shù)、裕度因子和譜熵特征的提取，結(jié)合經(jīng)PSO算法優(yōu)化的SVM模型，實現(xiàn)負荷辨識，且具有較高的準確率。

該負荷辨識方法有如下優(yōu)勢。

1）選取峰值因數(shù)、裕度因子和譜熵作為負荷特征，能夠解決電器電流波形相似不易識別的難題，提高負荷辨識的平均識別率，同時可以有效壓縮數(shù)據(jù)量，減少訓(xùn)練時間，提高效率。

2）譜熵能夠有效描述電器頻譜的結(jié)構(gòu)復(fù)雜程度，對負荷的變化比較敏感，當(dāng)與其他負荷特征進行組合時，能明顯提高負荷辨識的識別率。在實際應(yīng)用中，可根據(jù)具體需求，選擇適宜的組合方式進行辨識，為負荷辨識的發(fā)展打開了新思路。

3）與傳統(tǒng)SVM依靠經(jīng)驗選取參數(shù)相比，采用粒子群算法對SVM的C和g參數(shù)進行尋優(yōu)，有利于快速獲取最優(yōu)解，有效提高識別準確率。

本文僅探討了CF-MF-SE聯(lián)合特征在某電器中的應(yīng)用，未來將在更多電器上進行更為廣泛而深入的探索。

參考文獻/References：

[1] 程祥，李林芝，吳浩，等.非侵入式負荷監(jiān)測與分解研究綜述[J].電網(wǎng)技術(shù)，2016，40（10）：3108-3117.

CHENG Xiang，LI Linzhi，WU Hao，et al.A survey of the research on non-intrusive load monitoring and disaggregation[J].Power System Technology，2016，40（10）：3108-3117.

[2] 牛盧璐.基于暫態(tài)過程的非侵入式負荷監(jiān)測[D].天津：天津大學(xué)，2010.

NIU Lulu.Non-intrusive Load Monitoring Based on Transient Characteristics[D].Tianjin：Tianjin University，2010.

[3] 于超，覃智君，陽育德.基于啟停狀態(tài)識別改進因子隱馬爾可夫模型的非侵入式負荷分解[J/OL].電網(wǎng)技術(shù).[2021-02-23].https：//doi.org/10.13335/j.1000-3673.pst.2020.1893.

YU Chao，QIN Zhijun，YANG Yude.Non-intrusive load disaggregation by improved factorial hidden Markov model considering on-off status recognition[J/OL].Power System Technology.[2021-02-23].https：//doi.org/10.13335/j.1000-3673.pst.2020.1893.

[4] 邵琪，包永強，張旭旭.基于分數(shù)階Hilbert倒譜特征提取的非侵入式負荷監(jiān)測研究方法[J].電子器件，2020，43（6）：1314-1319.

SHAO Qi，BAO Yongqiang，ZHANG Xuxu.Non-intrusive load monitoring research method based on fractional Hilbert cepstrum feature extraction[J].Chinese Journal of Electron Devices，2020，43（6）：1314-1319.

[5] 孫毅，崔燦，陸俊，等.基于差量特征提取與模糊聚類的非侵入式負荷監(jiān)測方法[J].電力系統(tǒng)自動化，2017，41（4）：86-91.

SUN Yi，CUI Can，LU Jun，et al.Non-intrusive load monitoring method based on delta feature extraction and fuzzy clustering[J].Automation of Electric Power Systems，2017，41（4）：86-91.

[6] 華亮亮，黃偉，楊子力，等.基于DTW算法的非侵入式家居負荷行為識別方法[J].電測與儀表，2019，56（14）：17-22.

HUA Liangliang，HUANG Wei，YANG Zili，et al.A nonintrusive recognition method of household load behavior based on DTW algorithm[J].Electrical Measurement & Instrumentation，2019，56（14）：17-22.

[7] TABATABAEI S M，DICK S，XU W S.Toward non-intrusive load monitoring via multi-label classification[J].IEEE Transactions on Smart Grid，2017，8（1）：26-40.

[8] YIN B，ZHAO L W，HUANG X Q，et al.Research on non-intrusive unknown load identification technology based on deep learning[J].International Journal of Electrical Power & Energy Systems，2021，131：107016.

[9] 祁兵，韓璐.基于負荷空間劃分的非侵入式辨識算法[J].電測與儀表，2018，55（16）：19-25.

QI Bing，HAN Lu.A non-intrusive identification algorithm based on partition of the load space[J].Electrical Measurement & Instrumentation，2018，55（16）：19-25.

[10]張恒，鄧其軍，周東國.基于貝葉斯網(wǎng)絡(luò)的非侵入式家庭負荷動態(tài)監(jiān)測模型[J].電測與儀表，2020，57（23）：63-70.

ZHANG Heng，DENG Qijun，ZHOU Dongguo.Dynamic monitoring model of non-intrusive household load based on Bayesian network[J].Electrical Measurement & Instrumentation，2020，57（23）：63-70.

[11]謝詩雨，李君豪，王勁峰，等.基于粒子群優(yōu)化加權(quán)隨機森林的非侵入式負荷辨識[J].電器與能效管理技術(shù)，2019（9）：22-26.

XIE Shiyu，LI Junhao，WANG Jinfeng，et al.Non-invasive load identification of weighted random forest based on particle swarm optimization[J].Low Voltage Apparatus，2019（9）：22-26.

[12]葉曉林，牟俊，王智森，等.基于SE和C0算法的連續(xù)混沌系統(tǒng)復(fù)雜度分析[J].大連工業(yè)大學(xué)學(xué)報，2018，37（1）：67-72.

YE Xiaolin，MOU Jun，WANG Zhisen，et al.Analysis of continuous chaotic complexity based on SE and C0 algorithm[J].Journal of Dalian Polytechnic University，2018，37（1）：67-72.

[13]王微，胡雄，王冰，等.基于譜熵與彎曲時間特征的性能退化GG聚類[J].中國工程機械學(xué)報，2020，18（2）：95-100.

WANG Wei，HU Xiong，WANG Bing，et al.Performance degradation Gath-Geva fuzzy clustering based on spectrum entropy and curved time feaure[J].Chinese Journal of Construction Machinery，2020，18（2）：95-100.

[14]孫晨光.基于PSO優(yōu)化SVM的滾動軸承剩余使用壽命預(yù)測研究[D].石家莊：石家莊鐵道大學(xué)，2019.

SUN Chenguang.Research on Remaining Useful Life Prediction of Rolling Bearing Based on PSO Optimized SVM[D].Shijiazhuang：Shijiazhuang Tiedao University，2019.

[15]董紹江，王軍，徐向陽，等.基于多SVM誤差加權(quán)的軸承剩余壽命預(yù)測[J].制造技術(shù)與機床，2017（12）：103-106.

DONG Shaojiang，WANG Jun，XU Xiangyang，et al.Rolling bearing residual Life prediction based on error weighted multiple improved support vector machine model[J].Manufacturing Technology & Machine Tool，2017（12）：103-106.

[16]肖順根，馬善紅，宋萌萌，等.基于EEMD和PCA滾動軸承性能退化指標的提取方法[J].江南大學(xué)學(xué)報（自然科學(xué)版），2015，14（5）：572-579.

XIAO Shungen，MA Shanhong，SONG Mengmeng，et al.Performance degradation indicator extraction method of rolling bearings based on the EEMD and PCA[J].Journal of Jiangnan University（Natural Science Edition），2015，14（5）：572-579.

[17]廖俊勃，張恒，李嚴彪，等.基于改進PSO-SVM的預(yù)測算法研究[J].工業(yè)控制計算機，2019，32（11）：85-87.

LIAO Junbo，ZHANG Heng，LI Yanbiao，et al.Study on prediction algorithm based on improved PSO-SVM[J].Industrial Control Computer，2019，32（11）：85-87.

[18]劉冬梅，霍龍龍，王浩然，等.基于PSO-SVM的電流放大器故障診斷研究[J].傳感器與微系統(tǒng)，2021，40（8）：50-52.

LIU Dongmei，HUO Longlong，WANG Haoran，et al.Study on fault diagnosis for current amplifier based on PSO-SVM[J].Transducer and Microsystem Technologies，2021，40（8）：50-52.

[19]李文武，石強，李丹，等.基于VMD和PSO-SVR的短期電力負荷多階段優(yōu)化預(yù)測[J/OL].中國電力.[2020-12-21].http：//kns.cnki.net/kcms/detail/11.3265.TM.20201221.1513.019.html.

LI Wenwu，SHI Qiang，LI Dan，et al.Multi-stage optimization forecast of short-term power load based on VMD and PSO-SVR[J/OL].Electric Power.[2020-12-21].http：//kns.cnki.net/kcms/detail/11.3265.TM.20201221.1513.019.html.

[20]任強，官晟，王鳳軍，等.基于EEMD和PSO-SVM的電機氣隙偏心故障診斷[J].組合機床與自動化加工技術(shù)，2021（2）：73-76.

REN Qiang，GUAN Sheng，WANG Fengjun，et al.Motor air-gap eccentricity fault diagnosis based on EEMD and PSO-SVM[J].Modular Machine Tool & Automatic Manufacturing Technique，2021（2）：73-76.