基于模糊集理论的智能微电网安全风险评估研究

随着我国供配电技术的发展,多能源互补的微电网得到越来越多的应用,但同时也带来大量的安全问题,分析其可能存在的安全风险,并提出应对措施,具有重要意义。通过层次分析法,构建了多能互补的智能微电网风险评估指标体系,在此基础上,采用权威专家赋权的方式对各种指标进行分类,再根据其风险等级的隶属度函数建立评价矩阵,运用模糊集方法对各种影响因子进行量化,得到相对于智能微电网安全风险影响因素的评估值,按照最大隶属度原则确定相应的风险等级。实例研究表明,该评估模型能较好地解决因多名专家主观评价值的偏差问题,可有效提高智能微电网安全风险评估的准确程度。     

基于小波分析与支持向量机的风速预测

将小波多分辨率分析特点和支持向量机良好的泛化性能相结合,建立小波-支持向量机风速预测模型。先将原始风速序列经小波分解成概貌分量和细节分量,再对各分量分别应用支持向量机模型进行预测,最后将各分量的预测结果经小波重构得到原始风速序列的预测值。仿真表明该方法能够改善预测滞后现象以及减小突变点误差,从而提高模型的泛化性能和预测精度。     

基于VMD-IGWO-LSSVM的覆冰预测模型研究

精确的输电线路覆冰厚度预测,可以对线路除冰工作进行科学指导,及时调整电力系统除冰计划。覆冰厚度容易受到温度、湿度和风速等气候因素影响而具有不确定性和非线性。提出一种基于历史统计数据的输电线路覆冰厚度预测模型,使用变分模态分解（VMD）对覆冰厚度数据进行分解,得到具有不同中心频率的子分量;采用改进灰狼算法（IGWO）对最小二乘支持向量机（LS-SVM）中的参数惩罚因子c和核函数宽度δ进行寻优;对于各子分量分别建立最小二乘支持向量机（LS-SVM）预测模型,并集成为总预测值。通过仿真比较,验证了所提模型预测精度更高。     

基于模糊层次分析法的混凝土结构耐久性等级评估模型及应用

为客观地评价影响混凝土结构耐久性的多要素间的耦合作用和影响程度,相对准确地评估水工建筑物的服役状态和耐久性等级,以甘肃省景泰川电力提灌灌区二期工程总干渠#5渡槽混凝土结构耐久性评估为例,将影响结构耐久性的要素分解为环境、材料、人为3个子系统,通过构建影响各子系统的多级指标体系,运用模糊层次分析法(FAHP)建立多层次多指标的混凝土建筑物耐久性综合评估模型;定义了水工建筑物服役的Ⅰ～Ⅴ级共5个耐久性状态,基于模糊数学理论将指标定量化,通过可拓区间判断矩阵计算各层指标权重,结合模糊综合评价法进行逐级评估,从而实现了以综合评估值来定量描述混凝土建筑物的耐久性水平。评估结果表明,其综合评估值为65.76,根据等级划分确定耐久性等级为Ⅱ级,准确反映了渡槽的实际服役状态。可见该模型可较好地表征水工混凝土结构耐久性等级,具有一定的实际应用价值。     

三峡水库中长期径流预报方法研究

中长期径流预报是充分利用水资源、发挥电站经济效益的有力手段。以三峡水库为研究对象,分别采用周期外延叠加技术、人工神经网络模型、投影寻踪自回归模型和支持向量机回归模型对三峡水库逐月入库径流进行预报。从不同侧面比较分析了这四种方法优劣,并总结各预报模型计算结果的特征及规律,为三峡水库寻求径流预报规律和制定未来中长期调度计划提供了技术支持。     

基于支持向量机理论对燃气火焰稳定性的判别

针对燃气火焰稳定性的判别,搭建相应的燃气燃烧试验台,使用FX2000光谱仪采集数字信号并使用数字信号处理的相关知识和方法,通过分析燃气火焰所产生的特定自由基辐射强度的时域与频域,从中提炼出五种特征值,综合试验结果对不同工况条件下各特征值的变化进行分析。在充分考虑各特征值的相关性之后,采用支持向量机的分类方法对火焰信号进行分类与预测,结果表明使用支持向量机原理判别火焰燃烧的稳定性具有较高准确性。     

基于经验模态分解与多步预测的最小二乘支持向量机的风速预测

由于风速信号是非线性、非稳定性的动态信号,用传统预测方法难以达到满意效果。为提高预测精度,提出了基于经验模态分解与多步预测的最小二乘支持向量机相结合的方法,对风速时间序列进行建模预测,即首先对风速动态信号进行经验模式分解,将原信号分解为若干个不同特征尺度(频率)的本征模态函数,然后对不同频带的平稳IMF分量分别建立多步预测的最小二乘支持向量机模型,将各分量的预测值等权求和得到最终预测值。实例分析结果表明,与单一的最小二乘支持向量机预测方法相比,经验模态分解与多步预测的最小二乘支持向量机相结合的风速预测方法误差小,可应用于风速预测中。     

汽车车内噪声声音品质的测试与评价

研究车内噪声客观物理特征与人的主观感受之间的影响关系。通过对3种车型在不同行驶速度下的噪声进行实时录制,并在测试室采用成对比较的方法进行主观评价,同时提取其心理学评价指标,对车辆噪声的烦恼度影响因素进行了试验和分析。采用多元回归分析的方法分析心理学评价指标与主观烦恼度之间的关系。通过心理声学评价指标的线性组合得到的总评估值与主观评估值之间有很高的相关性,能很好地解释主观评估值,采用心理声学评价指标的线性组合对车辆声音品质进行主观评价是可行的。     

在线监测燃煤锅炉NOx排放的自适应支持向量机模型

提出了一种基于改进的在线支持向量机自适应建模方法,并应用于电站锅炉NOx排放连续监测和特性分析.对常规在线支持向量机方法进行了改进,提出了新的样本剔除规则,保证了训练集内样本分布的均匀性.通过该改进方法对基于试验数据的常规向量机模型预测余差进行了连续估计,并预估煤质等因素引起的NOx排放特性的变化,从而补偿了实际工况与试验工况的差别,以便正确给出锅炉NOx排放特性.     

基于粗糙集与支持向量机的发动机故障诊断研究

在提取发动机气门机构故障特征的基础上,提出了采用粗糙集和支持向量机相结合的故障诊断方法。首先,基于粗糙集理论对故障诊断决策表进行属性约简,然后在最优决策属性的基础上使用支持向量机分类器对故障进行分类。实际诊断结果验证了采用粗糙集与支持向量机相结合的方法对故障进行诊断的可行性与有效性。     

基于SVM的对冲燃煤锅炉NOx排放特性

提出了一种基于支持向量机理论在燃煤锅炉NOx排放预测的方法．对某台300 MW旋流对冲燃煤电站锅炉进行了多工况热态试验,考虑温度对NOx生成的影响,利用火焰诊断系统对炉膛温度场进行了测量．应用支持向量机理论建立了NOx排放特性模型并进行了校验．通过同神经网络模型比较,证实了该模型泛化能力强、预测精度高的优点．该模型可为电厂锅炉通过燃烧调整降低NOx排放提供参考．     

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.     

基于提升小波和LS-SVM的大坝变形预测

提出了一种基于提升小波和最小二乘支持向量机的大坝变形预测方法,通过提升小波分析提取大坝监测数据效应量,分别对各效应量使用最小二乘支持向量机模型进行训练预测,再将合成各分量的预测结果作为最终的变形预测结果.算例结果表明,该方法较符合实际情况,具有很高的预测精度和良好的泛化能力.     

支持向量机和BP神经网络在水轮发电机轴承故障诊断中的应用

支持向量机(SVM)与BP神经网络相比各有优缺点,通过对支持向量机和BP神经网络在水轮发电机滚动轴承故障诊断中的仿真实验,来对比两者在轴承故障诊断上的泛化能力。首先通过应用经验模态分解(EMD)的方法将轴承振动信号进行分解,得到本征模函数(IMF),再将IMF的平均能量值作为故障特征向量。将这些特征向量作为支持向量机和BP神经网络的学习样本。经过仿真研究结果表明,在小样本集的前提下,支持向量机在轴承故障诊断中的精确度不但受样本数量变动的影响较小,准确度也高于BP神经网络,具有较强的泛化能力。对水轮发电机滚动轴承故障诊断模型的应优先考虑选择SVM。     

基于支持向量机和BP神经网络的燃煤锅炉NO_x排放预测

基于某660 MW燃煤锅炉运行时的热态实验数据,应用BP神经网络方法和支持向量机回归的方法对该燃煤电站锅炉NO_x排放特性分别进行建模,针对BP神经网络存在的问题,采用动量法对其进行改进,而对SVM预测模型进行了核函数及相应参数c和g进行了选优。两种模型仿真结果的平均相对误差为2.75%和1.37%,证明模型的准确性和泛化能力比较好。引入神经网络模型评价指标,对这两种模型的仿真和预测结果进行对比分析,结果表明采用支持向量机方法建立的NO_x排放模型比BP神经网络模型收敛速度快,准确度高,性能更优。     

致密砂岩储层物性参数建模方法探讨

数理统计方法和地质理论结合已逐渐成为研究复杂储层的方向。由于致密砂岩储层的复杂性,其孔隙度、渗透率与测井资料不只是简单的线性关系,常用的线性回归方法难以满足致密砂岩储层物性研究的精度要求。选取致密砂岩储层研究区内3口取心井511个岩心分析样品,首先运用贝叶斯判别法将储层砂岩分为三类:石英砂岩、岩屑砂岩和岩屑石英砂岩,然后采用多元逐步回归、主成分分析和支持向量机方法对不同类型砂岩分别进行建模,对比各方法得出的复相关系数,发现支持向量机回归得到的复相关系数明显高于其他两种方法 ,且支持向量机回归方法得到的预测值与原始值的平均绝对误差也是最小的。支持向量机模型效果检验结果表明,孔隙度绝对误差小于1.5%,渗透率绝对误差小于0.25×10~(-3)μm~2,说明该模型预测效果较好,适用于研究区致密砂岩储层物性参数建模。     

自适应粒子群支持向量机风速组合预测模型

提出一种优化的支持向量机风速组合预测模型,首先通过模糊层次分析法对参与组合的单项预测模型进行遴选,在当前风速样本集下自适应决策预测效果较优的单项预测模型的输出值作为支持向量机的输入,将实际风电场风速值作为支持向量机的输出,并采用粒子群算法优化支持向量机组合模型的参数。基于实际运营的风电场数据进行仿真分析,自适应遴选出BP神经网络、RBF神经网络、小波神经网络和遗传算法优化BP神经网络这4种单项预测模型参与支持向量机组合,结果表明所提方法的预测精度不仅高于单项模型,且高于线性组合预测模型和神经网络组合预测模型。     

最小二乘支持向量机在大坝渗流监测中的应用

支持向量机的训练速度慢．制约了它的发展和推广应用。Suykens提出了一种新的支持向量机方法——最小二乘支持向量机。最小二乘支持向量机是支持向量机的发展和改进,它采用等式约束替代不等式约束,求解速度大大加快。将其用于大坝的渗流监测中．并与传统的支持向量机进行了比较,结果显示二者的预测效果都比较好．但是最小二乘支持向量机的训练效率比支持向量机要高。     

LS-SVM在电力系统负荷预测中的应用

针对支持向量机(SVM)法预测电力负荷存在空间划分参数率定人为因素影响的缺陷,采用谱分析法进行周期分析,比较了二次函数趋势的年负荷序列与周期性月负荷序列,并采用最小二乘支持向量机(LS-SVMlabl.5)法预测负荷.实例结果表明,周期性的月负荷序列实测值与预测值拟合度较好,预测精度高、简捷、合理、实用.     

基于支持向量机的风速预测模型研究

由于风速的随机性很大,风速大小的影响因素较多,风速预测的准确度不高.针对这种现象,该文基于支持向量机(SVM)理论,结合风速资料,建立支持向量机(SVM)预测模型来进行短期的风速预测,由支持向量机预测模型得到的预测风速与实际风速基本一致,预测效果较理想,预测的平均绝对百分比误差为10.07%,验证了支持向量机预测模型在风速短期预测中的可行性.