反向建模方法在火电厂关键参数建模中的应用

提出在火电厂关键参数建模中采用反向建模方法,以规避传统建模方法在实际应用中的建模难题.以超临界直流锅炉中间点温度为例,利用桌600MW超临界机组的实际运行数据,采用反向建模方法建立了该参数的数学模型.建模算法选用最小二乘支持向量机(LS-SVM),应用粒子群算法(PSO)解决了 LS-SVM 参数寻优问题,并将 PSO-LS-SVM 所得模型与 LS-SVM、偏最小二乘(PLS)以及BP神经网络所得模型进行了对比,结果表明:基于PSO-LS-SVM 的中间点温度数学模型计算速度快、精度高,验证了反向建模思想的有效性和可行性.     

基于CLSSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。     

燃煤机组深度调峰运行下SCR入口烟温预测方法研究

提出一种基于模糊聚美-最小二乘向量机-神经网络(FCM-LSSVM-ANN)的多模型融合方法,对全工况下选择性催化还原(SCR)入口温度进行提前预测。采用模糊聚类对不同工况下的锅炉系统运行数据进行分解,并建立若干个基于最小二乘支持向量机的预测模型,最后采用神经网络对预测结果进行非线性融合得到最终预测结果。多模型融合的方法可以对锅炉系统全工况的运行特性进行学习,能更准确地完成负荷大范围波动条件下SCR入口温度预测。同时本文采用某600 MW机组实际运行数据对所提方法进行对比验证,结果表明本文方法能够实现该机组30%～100%负荷范围SCR入口温度的准确预测,平均预测偏差控制在±4℃以内,相对误差大多数情况下小于1%。本模型可以为燃煤机组深度调峰下脱销系统入口温度进行提前预警。     

基于FOA和LS-SVM的风电场风速预测研究

针对目前最小二乘支持向量机选取核参数和惩罚因子的各种方法尚存在着一定的局限性,文章采用果蝇优化算法对参数进行优化选择,提出了基于果蝇优化算法与最小二乘支持向量机结合的风速混合预测方法。对新疆某风电场为期5天的240个(采样间隔0.5 h)实测风速值进行了仿真测试,利用建立的预测模型,对第5天的风速值进行预测,预测结果的平均绝对百分比误差仅为8.32%。将其与单纯的LS-SVM模型和基于网格搜索优化的LS-SVM模型的预测结果作了对比,仿真结果验证了基于果蝇优化算法和最小二乘支持向量机混合预测模型的可行性和果蝇算法对最小二乘支持向量机参数优化的有效性。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

基于模糊LS-SVM算法的大坝变形预测模型

在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机(LS-SVM)算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LSSVM模型,且支持向量机(SVM)的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析.     

基于最小二乘支持向量机的生物质热值预测

生物质的热值与其组成成分有关,基于此,应用最小二乘支持向量机方法建立了生物质热值预测的有效模型,并利用Biomass Feedstock Composition and Properties Database数据库提供的数据进行了测试。以该数据库的部分生物质的固定碳、挥发分和灰分含量作为输入,以相应的热值作为输出,训练最小二乘支持向量机。训练完成后,用剩余的生物质进行测试。测试结果表明,预测方法准确,速度较快。与神经网络方法相比,基于最小二乘支持向量机的生物质的热值预测方法更有效。     

基于NWAPSO参数全局寻优的LS-SVM电站风机性能预测

风机的性能曲线是风机选型和优化运行的重要依据.通常该曲线通过试验试验数据和性能图表上的数据进行曲线拟合获得.由于该曲线非线性很强,传统方法复杂昂贵,而且拟合精度不高。针对以上不足,提出了一种基于非线性权重自适应粒子群优化(NWAPSO)参数全局寻优的最小二乘支持向量机(LS-SVM)风机性能预测方法。通过最小二乘支持向量机建模,并应用非线性权重自适应粒子群优化算法对模型参数进行全局寻优,得到具有较高精度的风机性能曲线。计算结果表明,根据本文方法建立的模型很简洁,只需要知道少量的训练样本就能建立,可以比较精确的预测风机性能,具有较显著的工程应用价值。     

基于最小二乘支持向量机的氨法烟气脱硫装置脱硫效率预测

针对如何提高氨法烟气脱硫装置脱硫效率的预测精度,建立了以烟气量、喷淋浆液密度、液气比、喷淋塔pH值、预洗涤塔pH值和浓缩槽pH值为输入变量,以脱硫效率为输出量的最小二乘支持向量机（LS-SVM）脱硫效率的预测模型,并运用这一模型对某135 MW机组氨法烟气脱硫装置的脱硫效率进行了预测评判.结果表明：与传统的支持向量机模型进行比较,LS-SVM模型预测结果的最大误差只有传统模型的14%左右;LS-SVM模型所得预测值与实际值的误差小于5%,完全在工程所允许的误差范围之内,模型是可行的.     

基于数值模拟与试验运行数据的电站锅炉燃烧系统复合建模

建立电站锅炉燃烧系统的数值模拟模型,通过该模型提供的训练样本建立最小二乘支持向量机模型(LS-SVM),利用试验数据对所建模型进行修正,并通过实时运行数据更新模型,提出了一种电站锅炉燃烧系统的复合建模方法.结果表明:复合建模方法有效地提高了模型的精度和运算速度,通过对初始LS-SVM模型的修正和更新可以进一步提高模型精度,为燃烧优化打下良好的基础.     

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。     

基于LS_SVM的气液两相流含气率软测量

采用多圈环形管用于气液两相流参数的测量,对环形管上升段水平方向内外侧差压波动信号进行了分析,采用无因次分析方法获得与差压波动信号均方根相关的特征量,得到了此特征量与容积含气率的关系模型,并在此基础上进行了实验.利用支持向量机优良的非线性映射和强大的泛化能力,建立了一个基于最小二乘法支持向量机的含气率软测量模型,给出了相应的系统结构和算法,针对LS-SVM方法参数选取困难的特点,采用遗传算法进行优化,以提高软测量的精度.仿真和实际运行结果表明,基于LS-SVM的气液两相流含气率软测量模型具有较高的估算精度与泛化能力,为气液两相流舍气率的测量提供了一种简单、可靠的新方法.     

基于最小二乘支持向量机的水库来水量预测模型

为提高水库来水量的预测精度,提出了一种基于最小二乘支持向量机(LS-SVM)的来水量预测模型。实例应用结果表明,该模型预测能力强、预测精度高,其预测精度明显高于BP模型,为来水量预测提供了一种可靠、有效的方法。     

自适应遗传优化的最小二乘支持向量回归机在煤粉着火温度建模中的应用

针对煤粉着火温度与煤质指标间的非线性关系，提出了基于自适应遗传算法和最小二乘支持向量回归机的煤粉着火温度预测模型.通过对实验数据进行预测评判，并与常规的最小二乘支持向量回归机模型和BP神经网络模型相比较，以验证此模型的可靠性和精确性.结果表明，该模型是合理可行的，该模型比传统计算模型具有更好的泛化能力，能更准确地预测煤...     

最小二乘支持向量机在城市防洪体系综合评价中的应用

基于我国城市防洪体系安全评价的指标体系及其等级标准,提出了一种基于小样本的最小二乘支持向量机(LS-SVM)的城市防洪体系安全综合评价模型.在柳州市防洪体系的实例应用结果表明,该模型能较好地对城市防洪体系进行综合评价,评价结果符合客观实际.     

基于最小二乘支持向量机的煤粉着火温度预测分析

针对关系到锅炉经济安全运行的煤着火温度估计难的问题,采用最小二乘支持向量机方法建立煤粉着火温度的预测模型,并和利用PLS以及BP神经网络等方法建立的预测模型进行对比,结果表明,最小二乘支持向量机克服了BP神经网络泛化能力弱以及PLS无法解决的非线性等问题,采用最小二乘支持向量机方法建立的煤粉着火温度模型具有很高的预测精度.     

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.     

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。     

基于CPSO-LSSVM的汽轮机热耗率软测量模型

为了准确建立汽轮机热耗率预测模型,提出了一种基于变空间Logistic混沌粒子群算法(CPSO)优化最小二乘支持向量机(LSSVM)的汽轮机热耗率软测量模型。采用变空间Logistic混沌搜索策略和粒子镜像越界处理策略来改善粒子群算法(PSO)的全局优化性能,提出了CPSO优化最小二乘支持向量机的超参数以改善模型预测精度,并以某600 MW汽轮机组为研究对象,利用该机组的运行数据建立CPSO-LSSVM的热耗率预测模型。结果表明:CPSO-LSSVM模型具有更高的预测精度和更强的泛化能力,能够准确有效地预测热电厂的汽轮机热耗率。