基于灰度熵多阈值分割和SVM的火焰图像状态识别

为了进一步提高锅炉燃烧火焰图像状态识别的性能,提出了一种基于灰度熵多阈值分割和支持向量机(supportvector machine,SVM)的火焰图像状态识别方法。对火焰图像进行基于灰度熵准则的多阈值分割,采用改进粒子群优化算法选取最优多阈值,由此快速准确地分割出火焰图像中的背景区域、有效燃烧区域及高温燃烧区域;然后,提取火焰图像的10个特征参数,以此作为训练样本训练支持向量机,最后采用支持向量机依据提取的特征对火焰图像进行分类,并通过上述改进粒子群优化算法优化支持向量机中的2个参数。实验结果表明,提出的方法分割结果正确,与采用将图像像素作为训练样本的方法相比,该方法的分类识别正确率更高,运行速度大大加快。     

基于Krawtchouk矩和支持向量机的火焰状态识别

监测炉膛火焰燃烧状态对防止锅炉爆管起着重要作用。为了进一步提高火焰图像特征提取的准确度和燃烧状态的识别率,文中将Krawtchouk矩引入火焰特征提取,提出了一种将Krawtchouk矩不变量与小波支持向量机相结合的火焰燃烧状态识别方法。首先计算火焰图像的Krawtchouk矩及Krawtchouk矩不变量,以此构造火焰图像的特征向量;然后根据训练样本的特征向量构造支持向量机,对火焰图像进行状态识别,并采用混沌小生境粒子群算法优化支持向量机中的核函数参数与惩罚因子,使其识别性能最优。大量实验结果表明:与基于Hu矩和支持向量机的方法、基于Zernike矩和支持向量机的方法相比,采用Krawtchouk矩不变量作为火焰图像的特征能更好地对火焰图像燃烧状态进行识别,识别率大大提高,且结果与实际情况相符。     

最小二乘支持向量机可视化燃烧/排放关联特性的研究

一种基于光学原理的燃烧火焰/温度场测量装置,用以获得实时的炉内燃烧信息,以便实施洁净煤燃烧技术。文中以可视化火焰检测系统对电站锅炉燃烧火焰和温度场进行监测的研究。通过测量,得到了数值化的火焰/温度场信息,对燃烧火焰的图像进行了分析,提取了不同单色波波长下的火焰图像的平均灰度、方差、熵、火焰丰度、能量、最高灰度等特征量,计算得到了温度分布。为了建立锅炉排放与火焰参数及燃烧温度的关系,利用最小二乘支持向量机原理,以火焰参数为主要判据,将得到的表征燃烧的特征量作为最小二乘支持向量机的输入,对NOx排放量进行了预估。结果表明,估计值与实测值具有一致性。     

PCA和SVM在火焰监测中的应用研究

通过对火焰图像进行分析,提取火焰亮度、火焰面积、质心偏移距离和圆形度等7个特征量.然后基于主元分析技术,提出一种对燃烧火焰稳定性进行监视和诊断的方法,采用Hotelling T2和Q两个统计量对每一时刻的图像数据向量进行监测,检验是否超过各自的控制限,只要这两个统计量之一越限,则可判定燃烧出现异常.实验结果表明:该方法能够在线实时地、有效地识别、判断火焰的燃烧状态,并且将结果以Q图、Hotelling T2图和主元图的形式直观地表示出来;该文同时应用支持向量机方法分别对特征向量和原始图像数据进行识别分类,结果表明基于主元分析原理和支持向量机方法所得到的结果是一致的.     

基于火焰自由基成像和支持向量机的燃烧过程NO_x排放预测

火焰特征参数对燃烧稳定性及污染物生成具有重要影响。火焰自由基作为燃烧的中间产物,其特征在研究污染物的生成机制及其控制方面起着重要的作用。文中通过火焰自由基图像处理和火焰温度监测,并结合支持向量机的软计算法提出了一种NOx(NO和NO2)排放量的在线预测技术。该技术通过光增强成像系统采集火焰自由基OH*,CN*,CH*和C2*的数字图像,同时使用光谱仪和双色法获取火焰温度。在所得的火焰基图像中提取其特征值(自由基灰度等值线和比值),并结合火焰温度,建立基于支持向量机的软计算方法,实现了对NOx的排放预测。在燃气燃烧试验炉上的实验结果验证了基于火焰自由基图像的NOx预测排放模型的有效性。     

传感器非线性校正的遗传支持向量机方法

针对传感器非线性校正中现有的较为常用的神经网络法的不足和支持向量机参数难确定的问题,提出了一种遗传算法和支持向量机相结合的方法,阐述了支持向量机的非线性校正原理和遗传算法优化支持向量机参数的实现过程,并分别采用BP神经网络法和遗传支持向量机方法对压力传感器进行非线性校正.实验结果表明: BP神经网络法使得传感器的最大相...     

基于燃煤特性的电站锅炉排烟温度预测模型研究

排烟温度是影响锅炉热损失的重要指标,其受到机组负荷、煤种(煤质)、燃烧系统控制参数等多种因素的综合影响,难以用1个线性的数学式来描述它们之间的关系。利用锅炉的历史运行数据和入炉煤种数据,分别采用3种非线性工具即支持向量机、最小二乘支持向量机和神经网络对锅炉排烟温度进行建模,同时采用交叉验证方法并结合遗传算法对前2种算法的模型参数进行优化选择。对3种预测模型的预测结果进行的比较分析表明,支持向量机法的泛化能力较高且收敛速度快。鉴于煤质对锅炉燃烧工况的影响,利用支持向量机法在考虑煤质因素情况下对排烟温度进行建模预测,结果表明考虑煤质后排烟温度建模预测具有更高的精确性。     

利用粒子群优化最小二乘支持向量机诊断H桥功率模块IGBT故障

为了提高H桥功率模块中IGBT故障诊断的准确性,提出将粒子群优化最小二乘支持向量机用于H桥功率模块中IGBT故障诊断。分析了功率模块中可供采集的信号,将H桥直流侧电容电压作为故障的原始信号。通过小波多分辨率提取故障特征。采用粒子群算法优化最小二乘支持向量机中的核函数和正则化参数。通过仿真实验表明,粒子群优化最小二乘支持向量与默认参数最小二乘支持向量机、粒子群优化支持向量机和遗传算法优化最小二乘支持向量机相比,诊断准确率高和诊断时间短等优点,具有很好的实用性。     

基于蜜蜂进化遗传算法优化SVM的超短期风电功率预测

提出了基于蜜蜂进化型遗传算法优化支持向量机(SVM)的超短期风电功率预测方法。针对遗传算法在优化支持向量机参数存在的早熟问题,提出了将蜜蜂进化型遗传算法应用于优化支持向量机参数,提高了搜索效率。通过某风电场预测数据进行对比实验,验证了该方法可以有效提高预测准确率和精度。     

四角切圆锅炉炉膛温度场均衡性优化

电站锅炉炉膛温度场的均衡性与锅炉的安全、稳定运行息息相关,尤其是四角切圆燃烧锅炉,火焰中心极易发生偏斜。针对这一问题,根据四角切圆的形成方式分析影响温度场均衡性的主要因素,从燃烧调整试验中总结出二次风门开度与炉膛温度的关系。利用最小二乘支持向量机对稳定工况下的温度场均衡性建立回归预测模型,并根据试验结论确定优化方案,利用遗传算法对二次风门开度变化量进行寻优,以期减小火焰中心位置的偏斜。结果证明,最小二乘支持向量机模型精确度很高,泛化能力较强,经遗传算法优化后的温度场均衡性品质变好。     

基于遗传算法优化参数的支持向量机燃煤发热量预测

利用支持向量回归机(SVR)和遗传算法(GA)对煤的低位发热量建模,采用遗传算法对支持向量机预测模型的各项参数进行寻优,为减少所选参数对训练样本的依赖性,引入交叉验证的思想,以推广能力最好的一组参数作为最终参数.将优化参数代入 SVR 模型,得到基于遗传算法的支持向量回归机(GA-SVR)模型.通过对电厂入炉煤的试验数据进行分析,并且与常规 SVR 模型和 BP 神经网络模型(BP-ANN)进行对比,以验证该模型的可靠性和精确性.结果表明,该方法可准确地预测燃煤发热量.     

基于支持向量机与遗传算法的灰熔点预测

为了提高估算煤灰熔点的精度，文中采用支持向量机算法对求解灰熔点问题进行了建模，并利用遗传算法对支持向量机模型的参数进行了优化，获得了最优的模型参数。支持向量机模型将灰成分作为输入量，煤的灰熔点Tst作为输出量，用试验数据对模型进行了校验和参数的寻优，利用优化后的模型对单煤和混煤灰熔点进行了预测，并将预测结果与实验结果进行了对比，结果表明，优化后的支持向量机模型实现了对单煤和混煤灰熔点较精确的预测。支持向量机可用于小样本问题的学习，计算速度快，提高了实时处理与预测能力。     

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。     

一种用于电力变压器故障识别的理论方法研究

支持向量机方法基于小样本的统计学习理论,其本质上是个优化和分类问题。设计了一种使用遗传算法优化多分类支持向量机参数,并将参数优化后的多分类支持向量机用于电力变压器故障识别的方法。该方法对色谱分析法检测到的特征气体含量进行数值预处理,提取出故障识别所需要的n+1个特征量,然后利用数值预处理后得到的数据样本对多分类支持向量机进行训练和识别,通过输出结果判断变压器所处的状态,以达到设备状态监测的目的。     

一种基于M-ary支持向量机的功率变换器故障分类方法

针对功率变换器开关管的故障诊断和定位问题,提出了一种基于遗传算法优化的M-ary支持向量机故障分类方法。该方法以类内类间距离为判据,通过遗传算法来确定与故障本身有关的较优故障编码,然后建立优化后的M-ary支持向量机模型来对功率变换器进行故障诊断和定位。仿真和物理实验结果表明,基于遗传算法优化后的M-ary支持向量机与标准M-ary支持向量机相比,具有更高的诊断精度;与常用的一对一支持向量机和一对多支持向量机相比,需要的子分类器数目少,诊断速度快。     

基于参数优化的最小二乘支持向量机状态估计方法

考虑到最小二乘支持向量机的参数选择会对状态估计的结果产生较大影响,提出了一种基于参数优化的最小二乘支持向量机的状态估计方法.首先,在非线性回归估计模型的训练过程中,采用两层网格搜索策略和交叉验证法来动态地调整LS-SVM的参数,从而更好地反映估计模型的复杂度,以此提高状态估计的精度.其次,由于估计模型在应对不良数据时可...     

基于最小二乘支持向量机的电站锅炉燃烧优化

高效、低污染是电站锅炉燃烧优化的目标。该文基于最小二乘支持向量机,建立了电站锅炉燃烧模型,实现了飞灰含碳量、排烟温度、NOx排放量等参数的软测量和锅炉效率的预测;对比了最小二乘支持向量机和BP神经网络模型的性能,对比结果表明,最小二乘支持向量机具有训练时间短、泛化能力高等优点。提出2种锅炉燃烧优化方式,并以所建立的燃烧模型为基础,采用遗传算法对锅炉运行工况进行寻优,为分散控制系统基础控制层提供最佳的操作变量设定值。算例表明,文中所提出的燃烧优化方案可以有效提高电站锅炉效率和降低NOx排放量。     

基于火焰光谱和特征工程的生物质燃料识别

火焰光谱包含了丰富的燃烧信息,火焰自由基的光谱特征对不同生物质燃料识别具有重要影响。文中通过生物质燃烧火焰和火焰自由基光谱特征的测量,结合特征工程,提出一种基于改进支持向量机的生物质燃料识别技术。该技术通过光纤光谱仪获得生物质火焰辐射强度和火焰自由基(OH*(310.85nm),CN*(390.00nm),CH*(430.57nm)和C_2*(515.23nm、545.59nm))辐射强度信号,通过特征提取、基于Filter的特征选择和基于字典学习的特征学习,构建特征工程,获得能够准确反应样本类别的特征,并结合改进的网格搜索算法优化支持向量机的径向基核参数γ和误差惩罚因子C,建立生物质燃料识别模型。在燃烧试验炉上的实验结果验证了该模型的有效性。     

多分类支持向量机在电力变压器故障诊断中的应用

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好地解决了小样本、高维数、非线性等学习问题。支持向量机分类性能的好坏很大程度依赖于核函数与核参数的选取。目前常用的参数寻优方法有网格搜索法、遗传算法和粒子群优化算法。本文提出了一种基于支持向量机多分类的电力变压器故障诊断模型,以变压器油中5种特征气体作为输入,5种故障状态作为相应的输出,选用高斯径向基核函数,使用网格搜索法获取最优参数C、g。经实验表明,该模型准确率为83.3%,具有较好的实用性。     

基于遗传算法和支持向量机的低NOx燃烧优化

大型四角切圆电站锅炉NOx排放是造成环境污染的重要因素，也是电厂关心的重要问题。影响燃煤锅炉NOx排放量的因素众多而且复杂。对锅炉NOx排放特性进行建模预测，并结合优化算法实现燃烧优化是降低锅炉NOx排放的有效方法。文中应用支持向量机算法建立了大型四角切圆燃烧锅炉NOx排放特性模型，接合遗传算法，利用NOx排放的热态实炉试验数据对模型进行了校验，对锅炉运行参数进行了优化。结果表明，通过遗传算法的寻优， NOx排放量有比较明显的降低。支持向量机与遗传算法相结合与其它方法相比具有泛化能力好，计算速度快等优点，是锅炉NOx排放控制的有效工具。