基于离散粒子群和偏最小二乘的湖库型水源地水体悬浮物浓度和浊度遥感反演方法北大核心CSCD

用离散粒子群优选反演悬浮物浓度和浊度的特征波段,可减少水质参数偏最小二乘反演模型的输入参数个数和建模过程的不确定性,提高偏最小二乘反演模型的预测精度。以2014年7月21—23日在南四湖获取的水体实测光谱数据和同步水质分析数据为例,分别建立南四湖水体悬浮物浓度和水体浊度的偏最小二乘(PLS)反演模型和离散粒子群-偏最小二乘(NDBPSO-PLS)反演模型并进行验证。结果表明:经NDBPSO优选之后,反演悬浮物浓度和浊度的NDBPSO-PLS模型输入特征波段由PLS模型的370个分别减少到127个和134个,输入特征变量由PLS模型的60个减少到21个,反演悬浮物浓度和浊度的NDBPSO-PLS模型建模精度和预测精度均优于PLS模型。该方法可以有效提高PLS模型反演水体悬浮物浓度和浊度的精度。     

基于离散粒子群和偏最小二乘的湖库型水源地水体悬浮物浓度和浊度遥感反演方法

用离散粒子群优选反演悬浮物浓度和浊度的特征波段,可减少水质参数偏最小二乘反演模型的输入参数个数和建模过程的不确定性,提高偏最小二乘反演模型的预测精度。以2014年7月21—23日在南四湖获取的水体实测光谱数据和同步水质分析数据为例,分别建立南四湖水体悬浮物浓度和水体浊度的偏最小二乘(PLS)反演模型和离散粒子群-偏最小二乘(NDBPSO-PLS)反演模型并进行验证。结果表明:经NDBPSO优选之后,反演悬浮物浓度和浊度的NDBPSO-PLS模型输入特征波段由PLS模型的370个分别减少到127个和134个,输入特征变量由PLS模型的60个减少到21个,反演悬浮物浓度和浊度的NDBPSO-PLS模型建模精度和预测精度均优于PLS模型。该方法可以有效提高PLS模型反演水体悬浮物浓度和浊度的精度。     

基于偏最小二乘回归的年用电量预测研究

对年用电量的预测若采用一般最小二乘回归法建模，其估计参数存在着很大的误差且物理意义明显不足。而偏最小二乘回归方法则实现了多元线性回归、主成分分析和典型相关分析的综合、克服了自变量之间的多重相关性的问题，因而更具有先进性，其计算结果更为可靠，在实际系统中的可解释性也更强，且方法简单，计算快捷。该文将偏最小二乘回归模型(Partial Least Square Regression，PLS)应用于年用电量预测，并与基于最小二乘的多元线性回归模型预测成果进行对比，探讨了偏最小二乘法在电力负荷预测中的可行性和优势。通过四川省电网年用电量预测表明：偏最小二乘回归法比一般最小二乘法优，具有较强的实用性。     

基于变量选择的深度置信神经网络锅炉烟气NOx排放预测

准确预测NOx排放量有利于降低选择性催化还原（SCR）烟气脱硝成本,优化锅炉燃烧过程。本文利用偏最小二乘法（PLS）对燃煤锅炉实际数据进行变量重要性投影分析,得到变量重要性投影指标Vip,以Vip为依据对原始变量进行排序,将20项最优变量子集作为深度置信神经网络（DBN）的输入,得到NOx排放预测的PLS-DBN模型,并将PLS-DBN模型与最小二乘支持向量机（LSSVM）、DBN、误差反向传播神经网络（BPNN）模型用于某660 MW机组锅炉的3 000组训练集及500组预测集进行测试对比。结果表明:PLS-DBN模型训练集和测试集的预测误差均较小,且在训练集和测试集上均方根误差不大于2%的预测准确率分别为0.940和0.714,预测准确率最高;表明PLS-DBN模型比其他3种NOx预测模型具有更高的预测精度和模型泛化能力。     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型。首先通过偏最小二乘（PLS）对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法（SVM）对提取的成分进行预测。算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法。     

基于改进骨干差分进化算法优化LSSVM的短期光伏发电功率预测

准确预测光伏发电功率对于保障电力系统安全稳定和经济运行具有重要意义。提出一种基于改进骨干差分进化算法（IBBDE）优化最小二乘支持向量机（LSSVM）的光伏发电功率预测模型。IBBDE算法采用广义反向学习初始化种群和自适应调整交叉概率对骨干差分进化算法进行改进以提升算法的全局寻优能力,利用IBBDE算法优化LSSVM预测模型的正规化参数和核参数来提高模型的预测精度。采用西藏某光伏电站发电功率进行预测仿真,结果表明:晴天天气下,IBBDE-LSSVM模型预测结果平均绝对误差和均方根误差分别为5.39%和3.98%;雨天天气下,IBBDE-LSSVM模型预测结果平均绝对误差和均方根误差分别为10.69%和7.86%,预测效果较好。     

遗忘因子递推最小二乘法辨识锂离子电池参数

递推最小二乘法是辨识锂离子电池等效电路模型参数常见的方法，然而随着递推过程中数据的增加，新数据的生成会受到旧数据的影响，导致误差较大。为此，对锂离子电池的二阶RC等效电路模型进行建模和分析，提出一种用于等效电路模型参数在线辨识的遗忘因子递推最小二乘(FFRLS)法。在动力应力测试实验的基础上，在线辨识等效电路模型参数，利用识别的电路参数对电池电压进行在线预测。通过对比不同遗忘因子(λ)下的端电压均方根误差，发现λ=0.86～0.94为最佳范围。所提算法的精度优于递推最小二乘(RLS)法，验证了算法的可行性和有效性。     

MAFFRLS算法辨识锂离子电池模型参数

建模方法和模型参数辨识方法会影响锂离子电池状态的准确估计,特别是在动态工况下,因此在线辨识电池模型参数的方法很重要。提出一种改进的自适应遗忘因子递推最小二乘(MAFFRLS)法,优点是在不同误差范围内可以自适应地更新遗忘因子最优值。选用二阶RC等效电路模型,在动态工况下对该算法进行验证。将所提出的算法与递推最小二乘(RLS)法和遗忘因子递推最小二乘(FFRLS)法进行对比。在动态应力测试(DST)工况下,使用RLS、FFRLS和MAFFRLS算法估计电压,平均绝对误差分别为0.010 2 V、0.009 9 V和0.004 6 V,均方根误差分别为0.015 5 V、0.015 0 V和0.006 8 V。MAFFRLS算法的平均绝对误差和均方根误差更小,准确性更高。     

基于改进即时学习算法的吸收塔pH值软测量技术研究

针对火电厂脱硫系统工作过程中存在非线性、时变性、多变量等问题,提出了一种基于改进即时学习算法的脱硫系统吸收塔浆液pH值软测量模型.在选择即时学习算法相似样本时,为了充分考虑输入变量与输出变量之间的相关性,采用一种基于偏最小二乘法(partial least squares,PLS)的相似准则确定系统当前工作点的建模邻域,利用得到的建模邻域建立基于最小二乘支持向量机(least squares support vector machine,LSSVM)的局部模型预测当前pH值.将该方法应用于脱硫系统吸收塔pH值建模仿真,结果表明,该软测量模型具有良好的预测性能.     

基于PSO-LSSVM的离心泵状态预测方法

油田系统中离心泵因长期在恶劣环境下运行,受现场工况、介质腐蚀等因素影响,故障信号多表征出明显的非线性和时变非平稳性,数据量大,运行状态难以实时准确预测,本文提出了一种基于PSO（Particle Swarm Optimization,粒子群算法）优化LS-SVM（Least Squares Support Vector Machines,最小二乘支持向量机）的离心泵状态预测方法。首先利用粒子群算法的全局搜索特性,对最小二乘支持向量机的核参数g和惩罚因子C进行快速自动寻优,其次确定了平均绝对误差、平均相对误差和均方根误差为预测精度评估指标,最后通过实时采集的数据对本文的预测方法进行验证。结果表明：与LS-SVM预测模型相比,PSO优化LS-SVM模型降低了计算的复杂性,具有泛化能力强,预测精度高的优点,平均绝对误差、平均相对误差和均方根误差较LS-SVM模型分别减少了52%、56%和44%。该方法可为预测性维修提供理论依据,在工程实践方面具有良好的应用前景。     

改进偏最小二乘回归在电力负荷预测中的应用

多元回归分析是中长期电力负荷预测中的一个重要方法,其中偏最小二乘法因为可以有效解决样本数据偏少以及自变量多重线性的问题而得到采用。探讨了通过Bootstrap方法给偏最小二乘法筛选自变量后进行负荷分析预测的可行性,将计算结果与一般偏最小二乘法及经变量筛选的逐步回归法进行比较。算例表明,应用Bootstrap方法进行参数检验的偏最小二乘方法在变量关系的描述上更简明准确,同时提高了预测精度,具有一定的实用性。     

基于偏最小二乘回归分析的中长期电力负荷预测

针对中长期电力负荷预测,介绍偏最小二乘回归分析方法的原理,推导该算法的简化建模步骤。该方法能在最大限度保留原有数据信息的前提下,将数据信息集中在几个互不相关的主成分上,因而能有效解决建立负荷预测模型时由于样本个数较少及自变量存在严重的多重相关性,难以通过多元回归分析建立预测模型的问题。通过算例对偏最小二乘回归分析方法、最小二乘法和逐步回归分析方法进行了比较,结果表明,将偏最小二乘回归分析方法用于中长期电力负荷预测时,计算快捷,准确性高,具有较强的实用性。     

基于SiPLS和SPA波长选择的玉米组分测量研究

研究分析80个玉米实验光谱数据,经预处理后,分别进行区间偏最小二乘(iPLS)、组合区间偏最小二乘法(SiPLS)和连续投影算法(SPA)优选玉米水分组分的最佳波长,建立校正模型。结果表明,iPLS、SiPLS和SPA将建模变量从700个分别降低到70、140和2个,各占据全光谱的10%、20%和0.29%,而其建模精度比700个全谱变量建模精度甚至更好。其中SiPLS和SPA的建模精度相当,但是SPA方法将建模变量从700个降低到2个,计算复杂度得到最大程度的降低,并保持了建模精度,表明SPA是一种有效的特征波长提取方法,且这一研究方法可推广应用到对玉米中油脂、蛋白质和淀粉的含量检测中。     

基于变量选择的锅炉NO_x排放的最小二乘支持向量机建模

电站燃煤锅炉是大气NOx污染的主要来源之一,建立有效的NOx排放模型是锅炉优化降低NOx的基础。针对热工过程变量之间的强相关和耦合性,利用偏最小二乘方法(partial least squares,PLS)对多工况实炉热态测试数据进行重要变量(variable importance in projection,VIP)信息提取和变量选择(variable selection,VS),把最优的变量子集作为最小二乘支持向量机(least squares support vector machine,LSSVM)的输入,最终得到NOx排放的VS-LSSVM模型。最优的输入变量个数通过留一交叉验证法获取。并将该模型与其他建模方法进行对比,结果表明通过变量选择后建模可以降低模型的复杂度,提高模型的泛化能力。     

采用正交信号修正法与偏最小二乘回归的中长期负荷预测

介绍正交信号修正法的基本思想并详细推导该算法的实现步骤,将一种改进后的正交信号修正法(orthogonal signal correction,OSC)与偏最小二乘法(partial least square method,PLS)相结合,对原始数据通过OSC消除正交分量,利用PLS建立中长期负荷预测模型。该方法能有效地去除自变量系统中与因变量无关的正交数据信息,增强自变量、因变量之间的相关性,在有限的成分中提高成分解释能力。通过算例将PLS与OSC-PLS进行比较分析,结果表明,运用OSC-PLS进行中长期负荷预测,尽管预测模型提取的成分个数变少了,但模型成分的解释性却大幅度增强, 预测精度明显提高,具有较强的实用性。     

基于太赫兹时域光谱系统的橡胶分类识别

基于太赫兹时域光谱（THz TDS）系统对4种橡胶样品进行检测,分别采用核主成分分析（KPCA）和核典型相关分析（KCCA）方法对橡胶太赫兹光谱进行特征提取,引入PCA和CCA作为对比,再结合支持向量机（SVM）建立分类模型,对橡胶进行分类识别,最后以偏最小二乘判别法（PLS DA）的识别结果作为参考。结果表明,SVM结合特征提取方法可以对橡胶的光谱进行分类识别,KPCA SVM对吸收谱的分类效果最佳,而PLS DA对折射谱的分类效果要优于SVM,同时,KPCA对光谱的特征提取效果要优于标准的KCCA方法。实验为橡胶的识别分析提供了新的方法。     

基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测

为了提高接地网腐蚀速率预测精度,利用核主成分分析法对接地网腐蚀速率的主元进行提取,依据KPCA分析结果进行了指标重构,减少了接地网腐蚀预测模型建模工作量。通过收敛因子非线性调整及莱维飞行策略对斑点鬣狗算法进行改进,基于改进后的斑点鬣狗算法对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立了基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测模型。仿真结果表明,经ISHO优化LSSVM接地网腐蚀速率预测模型的平均相对误差、均方根误差、全局最大相对误差均定系数分别为2.79%、0.139、3.53%和0.995,均优于其他接地网腐蚀预测模型,验证了模型的正确性和优越性。     

定子绕组绝缘状态参量的偏最小二乘回归分析

借助提取主元的思路 ,在小样本情况下 ,用PLS方法对定子绝缘状态的非破坏性参量与其击穿电压之间的相关性信息进行筛选和综合 ,讨论了定子状态特征参量的各种数据信息。试验结果表明该方法在样本数较少及非破坏性参量之间存在多重相关性时 ,具有更好的分析解释能力 ,为定子绝缘状态参量分析提供了新的研究方法。