基于mRMR-BO优化Stacking集成模型的NOx浓度动态软测量

针对火电厂选择性催化还原(selective catalytic reduction,SCR)烟气脱硝系统中，由于影响入口NO_x质量浓度因素过多及系统大迟延大惯性，导致入口NO_x质量浓度难以准确及时测量的问题，提出了利用最大相关-最小冗余算法(max-relevance and min-redundancy,mRMR)结合贝叶斯优化算法(Bayesian optimization,BO)优化Stacking集成模型的SCR烟气脱硝系统入口NO_x质量浓度动态软测量模型。针对动态NO_x生成过程中静态单一模型预测精度降低及辅助变量与入口NO_x质量浓度时间异步的问题，利用mRMR-BO结合模型进行辅助变量筛选，Copula熵(copula entropy,CE)确定辅助变量迟延，BO结合模型确定辅助变量阶次，将TCN及LASSO利用Stacking法集成，使用含有迟延时间及阶次信息的辅助变量构建动态Stacking集成软测量模型。仿真结果显示：集成模型较TCN及LASSO单一网络的均方...     

基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

基于线性组合的风电机组风速软测量方法

针对风电机组来流风速不易直接测量的现状,文章提出了基于BP神经网络与最小二乘支持向量机线性组合的风电机组风速软测量方法。首先,分析影响风电机组来流风速的各种因素,寻找与其有关联的直接或间接可测变量;其次,对传统的BP神经网络和最小二乘支持向量机风速软测量模型做一些改进,主要是增加输入变量维数;然后根据均方误差最小原则,合理分配权重,建立基于BP神经网络与最小二乘支持向量机的线性组合模型。最后通过现场实测来流风速对组合风速软测量模型的有效性和准确性进行验证,并与传统的BP神经网络和最小二乘支持向量机风速软测量模型输出结果对比分析,得到提出模型具有更高的测量精度。     

基于压缩感知最小二乘支持向量机的NO_x软测量模型

提出了一种基于压缩感知(CS)和最小二乘支持向量机(LSSVM)构成的压缩感知最小二乘支持向量机(CS-LSSVM)软测量模型,用于预测烟气中的NOx质量浓度。利用压缩感知理论中的最小二乘匹配追踪算法(LS-OMP)对LSSVM在建模过程中的映射矩阵进行压缩,采用压缩后的稀疏映射矩阵直接建立CS-LSSVM软测量模型。与传统LSSVM模型相比,本模型通过稀疏映射矩阵,降低了运算成本的同时提高了模型的计算速度;与传统稀疏化LSSVM(Sparse-LSSVM)模型相比,LSSVM模型仍需要在建模后不断稀疏新输入的支持向量,本文CS-LSSVM模型仅通过在建模过程中一次性压缩,降低了运算成本的同时提高了软测量精度,将该模型用于电厂燃煤锅炉NOx排放的软测量中,现场数据仿真结果表明,用本文提出的方法以50%的支持向量就能达到很好的表现能力,为现场NOx的在线软测量提供了数据支持。     

基于最小二乘支持向量机和粒子群算法的两相流含油率软测量方法

为提高油水两相流含油率的测量精度,提出基于最小二乘支持向量机(least squares support vector machine,LSSVM)和改进的粒子群算法(particle swarm optimization,PSO)的含油率建模方法。该方法将测量的油水总流量和加热器上下游温差作为LSSVM输入,含油率作为输出,对含油率与温差和总流量的关系进行训练,通过改进的PSO优化LSSVM的参数,建立了含油率的优化模型,并用测试数据对含油率的模型进行了比较。实验结果表明,基于改进的PSO-LSSVM含油率模型比PSO-LSSVM和遗传算法–最小二乘支持向量机模型运算速度快,比理论修正模型测量精度高,含油率在4%~60%时,平均测量误差为0.93%。     

基于CNGWO-LSSVM的汽轮机热耗率预测模型

为了准确计算汽轮机热耗率,提出一种改进灰狼优化算法优化最小二乘支持向量机（LSSVM）的热耗率软测量方法。首先针对灰狼算法收敛精度低的缺点提出一种混沌非线性灰狼优化算法（CNGWO）,通过Kent混沌搜索策略和非线性动态递减权值策略来改善灰狼优化算法的性能。然后利用CNGWO算法预先选择LSSVM模型参数,并建立CNGWO-LSSVM的软测量模型。以某600 MW超临界汽轮机组实时运行数据仿真实验,对具有复杂非线性的热耗率变量进行预测,预测结果表明,经过CNGWO算法优化的LSSVM模型取得了较好的预测效果,为汽轮机热耗率的精确计算提供了一种有效方法。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

电力市场环境下基于FOALSSVM的电价预测

提出了一种基于果蝇优化算法(FOA)和最小二乘支持向量机(LSSVM)模型的日均电价混合预测模型。将日均电价的历史数据和负荷数据作为输入变量,利用FOA优化选择用于电价预测的LSSVM模型最优参数值,进而对日均电价进行预测。以澳大利亚NSW电力市场的实际数据为例对该模型进行了仿真测试,其结果表明:与自适应LSSVM、模拟退火LSSVM和ARIMA-GARCH模型相比,本文提出的预测模型的预测性能最好,其收敛速度快,预测精度高。     

基于互信息和约减LSSVM的水泥生料细度软测量

针对水泥生料粉磨工艺复杂难以解释,过程数据存在偏斜和冗余性、与生料细度映射关系难以描述等问题,提出了基于互信息(mutual information,MI)和约减最小二乘支持向量机(least square support vector machine,LSSVM)的软测量算法,在此基础上建立了水泥生料细度软测量模型。该方法首先从机理上分析生料细度的影响因素,并在此基础上采用互信息方法分析变量间的相关性,得到输入变量;然后基于KS算法对样本数据进行约减,采用最小二乘支持向量机的方法建立水泥生料细度软测量模型。最后应用某水泥厂立磨的实际运行数据进行仿真,验证了该方法的有效性。     

结合改进PSO算法和LSSVM的化工异常工况超早期监测预警研究

针对化工过程采样间隔短、动态性强,短期参数预测不能有效地为现场人员提供充足的操作时间,提出了结合改进粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的异常工况超早期监测预警方法。采用最小二乘支持向量机对归一化处理后的过程数据进行训练,利用改进的粒子群优化算法对最小二乘支持向量机中的核参数和惩罚因子进行快速精确地全局寻优,得到优化的预测模型。在丙烷塔的超压异常工况超早期监测预警案例分析中,能够准确地对未来500 s内的过程数据进行预测,并比DCS系统提前40 s发出异常报警,相比于最小二乘支持向量机预测模型和标准粒子群优化的最小二乘支持向量机预测模型,所提方法有效降低了预测误差。     

基于BP网络变量选择与LSSVM结合的锅炉脱硝经济性建模EI北大核心CSCD

大型燃煤电站锅炉在进行烟气脱硝时会产生较高的运行成本,建立有效的脱硝成本预测模型是对其进行经济性优化的基础。从某660MW火电机组的厂级监控信息系统(supervisory information system,SIS)选取历史运行数据,将BP神经网络算法与最小二乘支持向量机(least squares support vector machine,LSSVM)结合,利用BP网络算法对输入变量进行选择以降低模型的维数与复杂度,将筛选出来的变量作为LSSVM模型的输入,建立了脱硝成本预测的BP-LSSVM模型。将该模型与单纯的LSSVM模型进行对比,结果表明通过神经网络变量选择,能有效降低模型的复杂度,提高模型的泛化能力,从而实现火电机组脱硝成本精确快速地预测。     

基于改进最小二乘支持向量机的短期负荷预测

为了提高短期负荷预测的精度,提出基于量子差分进化算法(Quantum Differential Evolution,QDE)优化的最小二乘支持向量机(Least Squares-Support Vector Machine,LSSVM)模型。该算法克服了最小二乘支持向量机算法中依据经验选定参数的盲目性。实例验证结果表明,QDE-LSSVM的预测精度要远高于BP神经网络与单纯的最小二乘支持向量机,证明了利用量子差分进化选取最小二乘支持向量机的有效性。该算法更适用于当前中国短期负荷预测的需要。     

遗传优化的最小二乘支持向量机在开关磁阻电机建模中的应用

针对开关磁阻电机的非线性磁链特性,用最小二乘支持向量机(least square support vector machine,LSSVM)与自适应遗传算法相结合的方法精确构建开关磁阻电动机的磁链模型。在最小二乘支持向量机通过采样数据训练模型的过程中,用自适应遗传算法评价拟合误差,优化LSSVM模型的超参数,进而优化开关磁阻电机的磁链模型。通过比较该模型的预测数据与实际测量数据,可以得出用自适应遗传算法优化的最小二乘支持向量机构建的开关磁阻电机模型是可行的,有较高的精度和较好的预测能力。     

基于引力搜索算法与LSSVM的机组初压优化

主蒸汽压力是影响汽轮机热经济性的重要参数。以精确确定汽轮机滑压运行时最优初压为目标,提出了一种基于引力搜索算法（GSA）与最小二乘支持向量机（LSSVM）相结合的汽轮机初压优化方法。首先,采用LSSVM建立汽轮机热耗率预测模型,同时,GSA算法被用来优化LSSVM模型超参数以改善GSA-LSSVM模型的泛化能力;然后,在GSA-LSSVM热耗率预测模型基础上利用GSA算法搜索各个负荷下热耗率最小时所对应的主蒸汽压力,即为最优初压。最后,对某电厂600 MW 机组进行初压优化实验,仿真结果验证了该方法能够优化搜索到较好的主蒸汽运行初压。     

基于PSO-LSSVM的锂离子电池荷电状态预测方法

锂离子电池荷电状态(State of Charge,SOC)直接影响着锂离子电池使用性能和效率。为了实现准确的SOC在线预测,提出一种粒子群优化最小二乘支持向量机软测量方法。该方法使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)建立非线性系统模型,以锂离子电池工作电压、电流为输入量,电池SOC为输出量。建立软测量模型时,LSSVM正则化参数λ和径向基核宽度μ直接影响着模型的准确度,采用粒子群算法(Particle Swarm Optimization,PSO)对这两个关键参数进行优化。用型号为BTS6050C4的NBT电池测试系统进行样本数据采集,通过MATLAB仿真软件进行模型训练并校正。实验和仿真结果表明采用PSO-LSSVM优化算法精确度高、易实现,且在正常和过充工作环境下均可有效预测锂离子电池SOC。     

基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机（SVM）解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度。将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果。     

基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机(SVM)解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度.将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果.     

基于粒子群算法-最小二乘支持向量机算法的磁化曲线拟合

磁化曲线是强非线性函数,提高磁化曲线的拟合精度对含有铁磁材料的电气设备建模准确性至关重要。提出了一种基于粒子群算法-最小二乘支持向量机(PSO-LSSVM)算法的磁化曲线拟合方法。该方法用粒子群优化算法解决了最小二乘支持向量机(LSSVM)参数的选择问题。仿真结果显示PSO-LSSVM算法能获得最优的LSSVM参数,且采用PSO-LSSVM算法拟合的磁化曲线与实际测量的磁化曲线基本无偏差,拟合精度较高。     

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。     

电站锅炉典型热工参数软测量研究

提出了基于最小二乘支持向量机(ＬＳＳＶＭ)统计学习建模理论的电站锅炉热工参数软测量方法。在LSSVM软测量建模理论基础上,重点研究了热工参数的动态软测量建模及模型在线更新等核心问题。以锅炉飞灰含碳量和烟气含氧量为范例,以锅炉实际运行数据为基础验证了提出的软测量建模方法。在算法验证基础上设计了锅炉飞灰含碳量及烟气含氧量软测量平台,该软件平台在广东某600 MW机组进行了现场试验,验证了提出的锅炉热工参数软测量方法的正确性。