基于多输出LSSVM的压气机特性的拟合和预测研究

采用最小二乘支持向量机进行了压气机特性拟合和预测研究,利用遗传算法对向量机的核参数和惩罚参数进行优化,提高建模精度,分析了已知特性数据的拟合精度,并对已知转速特性线上的未知数据、已知转速特性线之间的未知转速特性线、已知转速特性线之外的未知转速特性线进行预测,将预测结果与BP神经网络预测结果进行对比,表明最小二乘支持向量机法具有更高的预测精度,可满足工程仿真需求。     

基于BP神经网络的人工加糙明渠糙率预测模型

糙率是明渠水力计算的各项影响因素中最重要的参数。运用BP神经网络的方法,结合其在结构上的稳定性及在处理非线性数据上的优势,以矩形人工加糙明渠为研究对象,建立预测模型研究其各水力要素与糙率间的复杂非线性关系。根据前期的试验研究成果,选择绝对粗糙度Δ、底坡i、弗劳德数Fr、流量Q作为主要影响因素对糙率进行神经网络建模及预测,并将预测结果与径向基(RBF)神经网络及偏最小二乘及最小二乘支持向量机(PLS-LSSVM)进行对比。研究结果表明,基于L-M算法的BP神经网络糙率预测模型的平均绝对百分比误差为0.51%,均方根误差为8.15×10-5,精度优于其他预测模型,说明BP神经网络可有效预测矩形人工加糙明渠的糙率。     

基于Kriging算法的压气机特性建模

为提高压气机模型的精度,提出了一种基于Kriging算法的压气机特性建模方法,以船舶柴油机用压气机为例,基于Kriging方法构造压气机流量特性预测模型,讨论了该方法中相关参数初值和相关模型对预测误差的影响.在此基础上,以压气机流量特性预测为例,对比分析了Kriging模型、BP神经网络和曲线拟合3种方法的预测精度.结果表明:Kriging模型具有较高的预测精度,BP神经网络次之,曲线拟合方法的预测能力明显不足.最后,通过对压气机流量和效率特性的预测,验证了Kriging方法用于预测不同型号压气机特性参数的适用性和精确性.     

基于小波包与LSSVM的短期光伏输出功率预测研究

由于太阳辐照度及其他气象会随时发生变化,导致光伏电站输出功率具有可变性和不确定性,这将会对电网的安全运行造成重大影响。文章研究了影响光伏电站输出功率的几种气象因素,提出了一种基于小波包与最小二乘支持向量机(LSSVM)的短期光伏电站输出功率预测方法。首先,利用小波包将原始光伏电站输出功率,以及太阳辐照度、环境温度、环境湿度等气象因素进行分解,得到基频信号和多层高频信号;然后,利用最小二乘支持向量机所具有的处理小样本数据和解决非线性函数的能力,将得到的基频信号和多层高频信号作为最小二乘支持向量机的输入变量;最后,将不同尺度的输出结果进行叠加、合成,得到原始光伏电站输出功率的预测值。仿真结果表明,与传统的最小二乘支持向量机预测法、BP神经网络预测法,以及EMD与LSSVM相结合的预测方法相比,文章预测方法的预测精度较高,可以有效地预测光伏电站输出功率。     

内燃机机油泵性能建模方法的比较研究

通过对目前几种常用的机油泵工作特性建模方法进行比较分析,指出全工况下对机油泵性能进行建模的必要性。结合前期研究结果,对BP网络、延迟BP网络、径向基函数网络和反馈型神经网络这四种典型的神经网络模型进行实例比较研究,从而得到预测全工况下机油泵性能的最佳神经网络模型。还对神经网络建模方法的不足以及相应的联合建模方案进行了初步探讨,提出利用先进的CFD仿真分析手段,结合尽可能少的实验数据,实现全工况下的机油泵性能的预测和建模。     

基于BP和Elman神经网络的压气机特性的计算

采用BP神经网络和Elman神经网络对某型轴流式压气机进行了特性计算,分析了这两种神经网络在压气机特性计算方面的不同之处,结果表明BP神经网络和Elman神经网络在样本数据内插值预测的情况下都可以获得比较理想的精度,而在需要样本数据外插值预测的情况下,Elman神经网络利用逐步外插法,通过增加样本点的方式,具有更好的泛化能力。     

基于NURBS曲线的高亚音速压气机叶型参数化建模方法研究

具有良好灵活性的高精度叶型参数化建模方法对于压气机叶型设计和优化具有重要影响。本文研究了一种基于非有理B样条曲线理论(NURBS)曲线组和遗传算法的轴流压气机叶片参数化建模方法。该方法基于中弧线厚度叠加法,采用两条三次七点NURBS曲线分别构造中弧线形状和厚度分布,前尾缘采用双二次NURBS曲线,通过多段曲线光滑拼接实现叶片造型。以压气机型线方差值最小作为目标函数,利用遗传算法实现了叶型的参数化建模。通过数值模拟实验证明,本文提出的参数化造型方法适用于高亚音速压气机叶型的参数化建模。     

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.     

重型发电燃气轮机的建模与状态监测研究

为了建立燃机整体的性能预测模型,采用BP神经网络和基于思维进化算法的神经网络(MEA-BP算法)对压气机特性曲线进行预测和分析,得到了各部件的特性和基于热力学原理的数学表达式,搭建了燃机的整体仿真模型,建立了GE9F型重型燃气轮机的性能监测及耗差分析模型,分析不同工况条件下机组的性能参数和经济性指标。对机组的运行数据进行了多元线性回归分析,可以实现压气机和燃机的性能预测,为运行人员的运行调整提供参考。     

两种风速短临预报方法对比研究

利用BP神经网络法和最小二乘法,对不同地形条件下的4个测站的10 s量级和15 min量级平均风速进行短临预报实验。研究发现,最小二乘法预报误差小,满足预报误差小于35%的日数比较大。无论是10 s量级预报,还是15 min量级预报,对于风速较大的01号站和04号站,最小二乘法优于BP神经网络法;对于风速较小的02号站和03号站,两种预报方法的预报效果相近;在10 s量级和15 min量级的风速短临预报方面,算法复杂的BP神经网络法并无明显优势。因此,在选取预报方法前,应结合预报方法本身的特征,充分考虑预报方法对地形、地貌和气候特征以及预报时效的适应性,最好对几个备选方法进行预报效果比对。     

电站煤粉炉NO_x排放特性的最小二乘支持向量机模型

为获得电站煤粉炉NOx排放特性的在线预测模型,实现低NOx闭环运行控制,以某电厂300MW四角切圆燃烧煤粉炉为研究对象建立了NOx排放特性的最小二乘支持向量机模型.在建模过程中,进行了模型性能对核函数、惩罚因子γ和核函数参数σ2的敏感性分析,并运用遗传算法和交叉证实获得了γ和σ2的最佳值.最后利用不同试验工况下的样本数据检验了模型的预测性能,并将该模型的预测性能与BP神经网络模型相比较,结果说明该模型的建模特点和预测性能能够满足NOx排放的在线预测.     

三次样条插值法影响流场测试精度的研究

目前处理五孔探针数据时采用的方法有线性插值法、最小二乘法等。对于相同的测试数据,采用不同插值方法所得到的结果存在差别。为了提高精度,通过理论分析,在这些方法的基础上提出了三次样条插值法。该方法将各标定数据点拟合为抛物线,从而使拟合曲线在非标定点上更接近真实曲线,同时拟合曲线在经过标定点时不发生偏离。为检验方法的合理性,对各种方法做了对比实验。实验结果显示,三次样条拟合曲线更贴近校准曲线。此方法有更广泛的适用性,能够为五孔探针流场测试结果精度的提高起到较大帮助。     

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。     

基于BP神经网络的PTC工质出口温度研究

在槽式抛物面太阳集热器的热性能研究中,数据往往具有随机性、非线性和不确定性等特点,采用传统建模方法经常做出大量假设,导致仿真精度不高且复杂。以槽式抛物面太阳集热器为研究对象,将传统理论模型与BP人工神经网络相互耦合,通过集热器热性能室外动态试验,建立工质出口温度的神经网络预测校正模型。引入Levenberg-Marquardt(LM)法对BP神经网络的权值及阈值进行优化。分析结果表明,预测校正模型可将绝对误差控制在3.8℃以内,相对误差保持在3.6%以内,可有效提高槽式抛物面太阳集热器热性能的仿真模型计算精度。     

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。     

带中间冷却和回热的燃气轮机动态性能的研究

对某舰用燃气轮机进行了中间冷却和回热（ICR）的改造设计,采用按比例缩小压气机的方法,使改造设计后的燃气轮机各部件性能达到了良好的匹配.依照模块化建模的原理,建立了换热器等部件模块,在此基础上,在EASY 5仿真平台上搭建了ICR燃气轮机的系统模型,并对其进行了稳态和动态的仿真试验计算.结论认为,舰用燃气轮机改造为ICR燃气轮机,需要重新设计压气机以平衡由于中间冷却器造成的高压压气机入口折合流量降低的影响;ICR燃气轮机具有较高的效率和良好的变工况性能.图5表1参5     

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.     

多级轴流压气机一维性能预测程序开发及应用

为了实现对轴流压气机气动性能的准确预测,基于平均流线法建立了多级轴流压气机一维气动性能预测方法,编制了相应的Matlab程序,该方法允许针对不同类型压气机选择适用的经验模型。通过计算得到了某四级亚音速轴流压气机和某八级高速轴流压气机的气动性能,对比分析发现,一维性能预测结果与实验/三维CFD模拟结果吻合较好,效率与压比计算偏差均保持在较小范围内,预测结果精度较高。为进一步提高压气机气动性能预测的准确性,发展了一种经验模型自动校准方法,采用该方法对选取的四级亚音速轴流压气机和八级高速轴流压气机模型进行校准,校准后对各转速下气动性能的预测精度均有所提高。研究工作表明,所建立的多级轴流压气机一维气动性能预测方法以及模型自动校准方法具有一定的准确性和可靠性。     

基于人工蜂群优化支持向量参数的压气机特性线的表达

为克服传统方法对压气机特性线内插与外推预测性能模拟精度不高的问题及准确实现压气机在变工况条件下基于部件特性线行为的燃气轮机的热力学仿真计算，一种基于蜜蜂采蜜行为的人工蜂群(Artificial Bee Colony, ABC)优化支持向量机 (Support Vector Machine, SVM)参数的方法被提出并用于压气机特性线的表达。从泛化精度及计算耗时的角度，与常用的BP算法、粒子群算法和网格寻优法的SVM模型相比较。同时，为验证训练样本容量对实验结果的影响，减少样本集数量，对比同一转速下不同算法的预测性能曲线及柱状残差图。应用分析表明，不同转速下基于ABC算法优化的SVM模型在压气机特性线的表达上具有更佳的预测精度和计算实时性，并且，该方法不随样本容量波动而精度失准，具有良好的鲁棒性。     

基于数据和神经网络的压气机性能预测研究

由于缺乏相关实验数据,压气机的全转速性能曲线往往难以获得。从有限的数据点出发,搭建了不同的神经网络预测模型并做了相关讨论,同时提出了能有效处理特性线的新建模思路。结果表明,RBF神经网络能够更好地吻合实验样本,而BP神经网络则预测性能更佳。最后提出了考虑IGV的处理方法,并利用燃气轮机的实际运行数据对预测模型进行了检验,证明该方法能够很好地描述压气机的动态性能,可为燃气轮机的动态过程模拟提供参考。