基于LS-SVM的天然气水合物生成条件预测模型建立

在天然气管线内生成的水合物会严重影响天然气的开采、运输,因而天然气水合物的预测方法和防治措施备受重视。针对天然气水合物生成条件,考虑天然气组分对水合物生成的影响,为简化计算、提高预测精度,引入一种能够很好解决复杂物理问题的最小二乘支持向量机(LS-SVM),并且通过Matlab语言编程,建立了一种包含CH4浓度、CO2浓度、H2S浓度以及水合物生成温度为输入,水合物生成压强为输出的天然气水合物生成条件预测模型,同时将实验数据作为最小二乘支持向量机训练数据并进行预测分析。结果表明,该预测模型不仅拥有较高的预测精度,而且方法简单、可行,为天然气水合物生成条件预测提供了一种新的解决方法。     

城市燃气储气管网设施适应性及负荷预测

在对某城市燃气输配系统运行现状调研的基础上,分析了基本信息情况和燃气输配系统的气源管线、管网结构和用户构成等进行调研和分析,根据燃气用户用气特点和2012年至2018年用气数据,完成对天然气市场中长期负荷预测,建立城区在役燃气管网水力计算模型,完成城区燃气管网的适应性和水力可靠性分析,根据后期燃气管网规划资料,完成燃气管网中长期适应性分析。     

支持向量机在炸药爆热预测中的应用

根据支持向量机(SVM)理论,基于支持向量回归机(SVR)原理。利用Matlab语言,设计炸药爆热预测模型,通过已知炸药爆热预测,对模型进行验证,并对另外几个炸药进行预测。结果表明,SVR模型对爆热的预测可以得到较好的预测结果,运行速度较快,精度较高,具有良好的应用前景,可为爆热预测提供理论依据。     

西安市冬季天然气用气负荷与气温关系分析

城市天然气用气负荷受当地气象因素、居民生活习惯、节假日和当地消费水平等多种因素共同影响,其中气温对城市天然气负荷变化的影响最为显著.本文根据西安市天然气负荷量和气温的历史数据,通过相关性分析和回归分析等方法,找出天然气日均负荷变化与日均气温之间的关系,为天然气负荷预测和调度提供参考.     

支持向量机在混炼胶质量预测中的应用

介绍支持向量机（SVM）的原理，并试验研究密炼过程中应用SVM模型对混炼胶质量进行预测。结果表明，SVM预测模型所得结果与回归分析法模型的预测结果接近，且具有更强的泛化能力；其预测误差控制在门尼粘度均值的3％以内。     

城市天然气管网模糊风险评价方法及其应用

以模糊风险评价技术为代表的城市天然气管网风险评价技术是一种高效的管理技术,通过风险评价,能最大限度较少管道风险与成本。介绍了模糊风险评价技术的基本理论,在此基础上研制了油气管线风险评价软件,将其运用于某天然气管网实例分析中,分析出管网的风险值为23．4987,风险较低,风险的主要诱导因素为腐蚀。     

基于SVM的天然气管道泄漏次声波检测技术研究

为了有效的对天然气管道泄漏进行及时识别,根据管道泄漏信号特征,本文采用了次声波检测技术进行长距离输气管道泄漏检测。结合支持向量机(SVM)人工智能识别理论,提出了基于次声波-SVM的管道泄漏智能识别方法。应用该智能识别方法对实际天然气管道泄漏进行检测实验研究,同时对影响SVM识别准确度的三类核函数进行了对比分析。实验结果表明:基于次声波-SVM(RBF核函数)的检测模型识别准确率最高,且该方法可以有效满足长输管道的泄漏检测。     

基于回归分析的燃气负荷预测

燃气负荷预测是实现燃气管网现代化、智能化管理的重要手段,是合理利用天然气的关键之所在。建立在回归分析基础上的负荷预测建立在统计学基础上,具有建模简单、直观明了、理解简单的优点。尽管回归分析对历史数据有一定的依赖性,精确度不如神经网络等模型。但是作为对数据的模糊预测,结果可以满足预测要求,具有较高的参考价值。     

天然气负荷预测研究综述

精确的负荷预测结果随着天然气消费量的快速增加而日益重要，天然气行业正面临着前所未有机遇和挑战。在天然气行业中，由于各种预测方法的特点不同，将各种传统、人工智能算法应用于负荷预测时，需要对不同方法在负荷预测中的适用程度和优缺点进行分析。对国内外天然气负荷预测的研究现状进行论述，并分析了不同方法的特点和优缺点，对天然气行业负荷预测方法的选择具有一定的参考意义。最后，对未来天然气行业的负荷预测进行了展望。     

天然气集输管网系统规划设计优化研究

进行天然气集输管网系统的优化设计,主要就是在进行集输管网规划设计过程中,对于气井和集气站的归属关系以及集输管网的布局方式、集输管网管径组合等,进行最优化设置与处理,以实现对于天然气集输管网系统的最优化规划设计实现,节省天然气集输管网系统的规划设计成本费用,提高规划设计经济效益。本文主要从天然气集输管网系统规划设计中井组最优化设置、集气站位置的最优化选择、枝状管网布局的最优化实现等方面,对于天然气集输管网系统规划设计的优化实现进行分析论述。     

基于支持向量机回归的天然气负荷预测研究

Natural gas load forecasting is a key process to the efficient operation of pipeline network. An accurate forecast is required to guarantee a balanced network operation and ensure safe gas supply at a minimum cost. Machine learning techniques have been increasingly applied to load forecasting. A novel regression technique based on the statistical learning theory, support vector machines (SVM), is investigated in this paper for natural gas shortterm load forecasting. SVM is based on the principle of structure risk minimization as opposed to the principle of empirical risk minimization in conventional regression techniques. Using a data set with 2 years load values we developed prediction model using SVM to obtain 31 days load predictions. The results on city natural gas short-term load forecasting show that SVM provides better prediction accuracy than neural network. The software package natural gas pipeline networks simulation and load forecasting (NGPNSLF) based on support vector regression prediction has been developed, which has also been applied in practice.     

Research on Natural Gas Short-Term Load Forecasting Based on Support Vector Regression

Natural gas load forecasting is a key process to the efficient operation of pipeline network. An accurate forecast is required to guarantee a balanced network operation and ensure safe gas supply at a minimum cost. Machine learning techniques have been increasingly applied to load forecasting. A novel regression technique based on the statistical learning theory, support vector machines (SVM), is investigated in this paper for natural gas short-term load forecasting. SVM is based on the principle of structure risk minimization as opposed to the principle of empirical risk minimization in conventional regression techniques. Using a data set with 2 years load values we developed prediction model using SVM to obtain 31 days load predictions. The results on city natural gas short-term load forecasting show that SVM provides better prediction accuracy than neural network. The software package natural gas pipeline networks simulation and load forecasting (NGPNSLF) based on support vector regression prediction     

基于向量投影的代谢支持向量机乙烯精馏产品质量软测量建模

针对支持向量机(SVM)增量学习过程中易出现计算速度慢、稳定性差的缺陷,提出了一种基于向量投影的代谢支持向量机建模方法.该方法首先运用向量投影算法对训练样本进行预选取来减少样本数量,提高SVM建模速度.然后将新增样本"代谢"原则引入SVM增量学习过程中,以解决因新增样本不断加入而导致训练样本数量"爆炸"的问题.最后将该方法用于乙烯精馏产品质量软测量建模,实验结果表明,与传统SVM和最小二乘支持向量机(LSSVM)相比,向量投影的代谢SVM具有更好的预测结果.     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

与机理杂交的支持向量机为发酵过程建模

针对生物发酵过程机理复杂、高度非线性的特点,采用基于结构风险最小的支持向量机为发酵过程建模,其算法规范,建模复杂度低于神经网络方法,所建模型的预测效果更好.还将生化过程的动力学机理与支持向量机相结合,采用串联和串并联结构,提出与机理杂交的支持向量机建模方法,并为间歇式酒精发酵过程中酵母菌体浓度变化建立了预测模型.原理分析与试验结果表明与机理杂交的支持向量机建模方法,相比于单一近似的动力学模型、单一的支持向量机模型,以及机理杂交的神经网络模型,它的预测精度高,泛化能力强,性能更为优越.     

基于最小二乘支持向量机的聚氯乙烯汽提过程预测模型

聚氯乙烯(PVC)汽提过程最显著的特点为具有非线性和时变性,属于复杂的非线性工业控制过程,而支持向量机对于非线性系统控制过程表现出了良好的性能。研究基于最小二乘支持向量机建立了(PVC)汽提过程的温度预测模型,将统计学习理论和结构风险最小化理论应用到PVC生产过程中,对汽提塔温度进行建模和仿真实验,仿真结果表明建模方法有效。     

基于证据框架的最小二乘支持向量机在精对苯二甲酸生产中的应用

支持向量机是一种基于统计学习理论的新型机器学习方法.本文给出一种考虑损失函数的噪声模型参数β的贝叶斯证据框架最小二乘支持向量机回归算法,通过贝叶斯证据框架自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中.将提出的算法用于精对苯二甲酸（purified terephthalic acid,PTA）生产过程中的关键指标对羧基苯甲醛（4-carboxybenzaldhyde,4-CBA）含量的预测中,能很好地跟踪4-CBA含量的变化趋势,泛化能力较强,为4-CBA含量的实时预测提供了很好的解决方案.     

基于差分进化算法-最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中存在的一类难以在线测量参数估计问题的有效方法,该技术的核心是建立优良的数学模型。支持向量机是基于统计学理论的一种机器学习方法,最小二乘支持向量机是一种扩展的支持向量机,相对于支持向量机具有较快求解速度。最小二乘支持向量机存在着参数选择的问题,针对这个问题,采用差分进化算法进行参数选择。提出基于差分进化算法的最小二乘支持向量机应用于软测量建模,并将其应用于对苯二甲酸中对羧基苯甲醛含量测试的软测量建模中,获得了满意的结果。     

巴伦诺尔一矿煤发热量的综合预测

通过分析巴伦诺尔一矿煤质得到了17组煤质分析数据,包括Mad,Ad,Hdaf,Qgr,d。利用多元回归分析的原理,建立煤的发热量关于煤中水分和灰分含量的多元回归方程,并通过R检验、F检验、t检验,证明了回归方程的作用显著,即具有实用价值。但是线性回归分析仅能对煤的发热量进行估算,并不能精确预测。因此,采用了支持向量机(SVM)算法对多元线性回归的初步预测结果进行小范围修正,修正结果显示总体预测精度明显提高,这2种方法的结合,效果优于常用方法。     

基于支持向量机的氨含量预测模型

氨合成反应器出口氨含量与其影响因素间存在较强的非线性关系,为其建模,可预报氨含量,进而指导生产、优化反应器的操作.本文运用具有较强的非线性拟合能力和基于结构风险最小化原则的支持向量机,建立了氨含量的预测模型,验证表明,该模型具有较强的拟合和预测能力.