基于PSO-LSSVM模型空调负荷预测研究

提出利用粒子群优化(PSO)算法优化的最小二乘支持向量机(LSSVM)预测模型(PSO-LSSVM模型)。以厦门某公共建筑作为研究对象,将平均绝对误差绝对值、平均相对误差绝对值作为评价指标,评价LSSVM模型、PSO-LSSVM模型对空调负荷的预测效果。LSSVM模型、PSO-LSSVM模型的空调负荷预测值与实测值变化趋势基本一致。与LSSVM模型相比,PSO-LSSVM模型的预测值平均绝对误差绝对值、平均相对误差绝对值更小,PSO-LSSVM模型的预测准确性更高。     

基于数据驱动方法的污水源热泵故障诊断研究

利用反向神经网络(BP)构建污水源热泵机组故障诊断模型,并通过粒子群算法(PSO)优化BP神经网络的权值和阈值。以陕西省某大型污水源热泵集中供暖系统为研究对象,采集2017～2018年冬季供暖期间机组的蒸发器,冷凝器,压缩机的压力、温度等工况数据作为训练测试样本,其神经网络的结构以12种故障特征向量作输入端,4种诊断结果作输出端,隐含层根据kolmogorov定理确定为25个,从而建立故障诊断模型,并分析其性能。实验结果表明:经过PSO优化后的BP神经网络故障诊断模型训练迭代次数降低了24.45%,诊断准确率提高了12%,性能优化显著。     

基于LMD-PSO-LSSVM组合模型的深基坑变形预测

变形是造成基坑安全隐患的重要因素。为准确预测基坑变形趋势,提出一种将局部均值分解(LMD)、粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)组合的深基坑变形预测模型。通过 LMD 将时序样本分解为多个分量,利用PSO优化后的LSSVM模型对各分量建立非线性基坑变形预测模型,最后采用滚动预测的方法对各分量进行预测并将结果叠加得到时序样本的预测值。通过实际工程进行模型预测与分析。结果表明:该模型不仅反映出基坑变形本质特征,而且预测精度明显提高,将其运用于基坑变形预测研究中具有较好的应用性和可靠性。     

面向故障诊断的供水管网水压监测点优化布置方法

为解决供水管网故障诊断中准确率不高、经济性不佳的问题,设计了一个基于改进的果蝇优化算法核极限学习机的供水管网故障诊断模型。经验证,该模型具有学习速度快、故障识别率高等优点。以该模型为核心提出了基于果蝇优化算法的供水管网水压监测点优化布置方法。该方法首先利用果蝇优化算法形成多组水压监测点方案,然后用供水管网故障诊断模型计算每种方案的诊断准确率,选择其中诊断准确率最高、经济性最好的方案作为候选最优方案,并以此方案为基础,使用果蝇优化算法不断循环迭代,最终找到故障诊断准确率高且经济性最好的水压监测点布置方案。利用Matlab语言代码对提出供水管网水压监测点优化布置方法进行了编码实现,使用实际管网数据进行了实验,结果表明,所提出的供水管网水压监测点优化布置方法是一个有效的水压监测点优化布置方法。     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCAWLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

结合位移检测和LSSVM的电机故障诊断

定转子间相对位移是导致感应电机故障的主要原因之一。本文在电机定子铁心齿槽中预置8只检测线圈构成6组线圈对,其差动信号对定转子间的位移敏感,结合最小二乘支持向量机(LSSVM)对电机故障进行在线诊断。以变压器油泵电机为对象进行了试验。试验结果表明:结合位移检测和LSSVM可准确判别油泵电机故障,所采用的LSSVM稀疏化方法可在减少支持向量、降低在线计算量的同时,确保故障判别率和泛化能力,稀疏化LSSVM模型适合电机故障的在线诊断。     

四温位吸收式制冷机生态学优化准则

建立不可逆四温位吸收式制冷循环模型,考虑工质与各换热器的热阻损失以及工质内部不可逆损失的影响。应用基于(火用)分析的生态学优化准则对循环(火用)输出率和循环(火用)损率进行协调优化。利用数值方法讨论内不可逆性、外部热源温度对制冷系统最优性能的影响,所得结论可以为实际吸收式制冷机的优化设计和性能改进提供依据。     

基于ReliefF与mRMR耦合特征选择的多联机制冷剂充注量故障诊断

针对制冷剂充注量故障,提出了一种结合ReliefF和mRMR特征选择算法的故障诊断方法。首先,利用ReliefF算法计算出每个特征变量的权重系数W (A),剔除权重系数低于阈值的特征;然后,利用集成的mRMR算法选出与目标类别具有最大相关性且相互之间具有最小冗余性的特征子集;最后,利用特征提取后的变量建立BP神经网络模型进行故障诊断,并和单一特征选择算法的结果进行对比。结果表明:该方法较好地提高了多联机制冷剂充注量故障诊断模型的诊断精度和效率。     

基于萤火虫-粒子群混合算法的接地网分区域故障诊断方法

为提高接地网故障诊断的准确性和效率,在总结现有故障诊断方法基础上,提出基于萤火虫-粒子群混合算法(GPSO)的分区域诊断方法。该方法通过优化接地网故障诊断方程组模型,使之转化为等价的优化问题;根据接地网的可及节点分布情况对接地网分区,应用分层约简理论将接地网分解得到本征接地网络;对本征接地网建立优化模型,采用萤火虫-粒子群混合算法对优化问题进行求解;根据本征支路电阻的前后变化以及每条支路对应的接地网区域,分析判断接地网各个区域内的故障情况。该方法综合利用萤火虫算法的寻优能力和粒子群算法的收敛速度,有效避免诊断方程组时的欠定问题,对于指导变电站现场维护更加有效和具有工程实际意义。实例应用结果验证了所提方法的正确性和实用性。     

一种基于神经网络的建筑设备故障诊断模型

阐述了BP神经网络学习功能及实现算法。分析了制冷系统的主要故障，并对制冷设备主要故障与征兆的关系作了定性的研究，在此基础上设计了一种具有学习功能的故障诊断神经网络模型。验证的效果显示了该诊断方法的有效性。     

基于负荷预测的中央空调制冷系统能耗综合优化

针对中央空调制冷系统能耗过高的情况,研究了其能耗优化问题。利用支持向量机,分别建立了中央空调负荷预测模型及制冷系统中各设备的能耗模型。在此基础上,建立了制冷系统能耗综合优化方程组,并提出了一种改进的粒子群优化算法对制冷系统能耗优化方程组进行优化求解,获得优化生成方案。研究结果表明,所提方法有效的降低了制冷系统运行过程的电能消耗,减少了用电费用。     

Keras在燃气管道阀门故障诊断中的应用

针对燃气管道阀门故障诊断存在的诊断准确率低，鲁棒性差和容易陷入过拟合等问题，结合深度学习理论，基于谷歌人工智能学习系统Keras，构建多层感知器MLP神经网络模型，用于预测阀门故障程度。选取阀门故障中的8种特征参数作为模型的原始输入量，经过多层感知器的特征提取、参数重构、Adam优化、Softmax分类，并加入Dropout模块避免过度拟合，最终得到具有较高预测精度的多层感知器模型。将得到的多层感知器模型应用在实验室的燃气管道阀门故障诊断系统中，结果表明，这种模型具有更高的准确性和鲁棒性。     

基于XGBoost-RF的制冷剂泄漏故障检测与诊断

针对冷水机组运行中正常数据多于故障数据情况和制冷系统中最常见的制冷剂泄漏故障，本文采用极端梯度提升算法(XGBoost)建立故障检测模型，采用随机森林(RF)算法建立故障诊断模型，研究了检测阈值改变对检测模型的影响及有、无正常样本训练的诊断模型的对比。结果表明，在检测阈值设定为0.99时，可保证大部分故障样本均能被检测出来，且虚警率低，仅由故障数据训练得到的诊断模型整体性能最佳，可最大限度发挥检测模型和诊断模型的优势。     

基于遗传算法优化支持向量回归机参数的供热负荷预测

为了进一步提高供热负荷的预测精度,通过分析影响支持向量回归机(SVR)性能表现的参数,提出了基于遗传算法优化的SVR供热负荷预测模型。该方法利用交叉验证思想在模型性能评估和选择方面的优势,结合遗传算法的全局寻优能力,实现了参数的自动优选,并用由此得到的最佳模型进行供热负荷预测。应用某热源的实测数据进行了仿真实验,与其他算法的比较表明,该方法相对误差绝对值的平均值为4.33%,比传统SVR降低了10.77%,比小波神经网络降低了5.28%。     

基于LSSVM-NSGA-Ⅱ的桥梁钢构件三维激光扫描方案优化

针对三维激光扫描技术获取构件空间点云数据时不可避免的测量误差问题,本文研发最小二乘支持向量机-带精英策略非支配排序遗传算法(LSSVM-NSGA-Ⅱ)优化模型,以水平入射角度、倾斜角度、点云密度、测量距离、分辨率以及能见度作为输入指标,对相对误差和扫描时间进行多目标优化。首先利用LSSVM实现三维激光扫描参数对相对误差和扫描时间的高精度预测,得到其非线性映射关系函数后,将其作为目标优化函数,基于NSGA-Ⅱ进行多目标优化。研究表明,基于LSSVM的相对误差和扫描时间预测精度很高,利用遗传算法进行多目标优化后,获得最优的三维激光扫描参数值,被验证效果良好。体现LSSVM-NSGA-Ⅱ模型在寻优中的智能化、精准化,可以达到提高桥梁钢构件三维激光扫描的精准度,从而避免桥梁钢构件误差过大对建筑项目的影响。     

基于EMD的GM-LSSVM在变形预测中的应用

针对变形呈非线性、随机性变化特征,提出了一种基于经验模态分解(EMD)的灰色最小二乘支持向量机(GM-LSSVM)变形预测模型。该模型首先采用EMD有效分离出隐含在变形序列中的非线性高频成分和低频成分;然后根据各分量特点构建了高频LSSVM预测模型和低频GM(1,1)预测模型,最后叠加各分量预测值得到预测结果。经理论分析和算例表明,并与灰色GM(1,1)、BP神经网络和LSSVM对比分析。结果表明,EMD能够有效分离变形序列的不同频率成分,本文方法具有较强的预测精度,均方根误差为0.40 mm,在变形预测中具有一定的实用价值。     

基于概率神经网络的离心式制冷机故障诊断

使用概率神经网络(PNN)对制冷系统7种常见故障进行诊断,包括系统故障和局部故障。详细介绍了应用PNN建立故障诊断模型以及平滑因子寻优过程,并探索了样本规模对最佳平滑因子和诊断正确率的影响。将PNN与人工神经网络中最常用的误差反向传播(BP)神经网络进行比较,结果表明,PNN网络的诊断正确率比BP网络诊断正确率高3.48%,且诊断耗时更短,并且PNN网络的单次训练结果更可靠。尽管2种网络的训练结果均显示系统故障比局部故障更难以被识别,但使用PNN网络进行诊断时,系统故障的诊断正确率明显高于BP网络的诊断正确率。     

基于PSO-LSSVM的供热负荷预测研究

热负荷预测是供热系统智慧化升级的关键,为提高其预测精度,建立了基于交叉验证意义下的PSO-LSSVM热负荷预测模型。该模型采用交叉验证确定粒子群算法的适应度值,利用粒子群算法的全局寻优能力来确定最优的正则化系数和核宽度系数,再基于最小二乘支持向量机实现热负荷的高精度预测。研究表明:PSO-LSSVM模型的平均绝对误差为21.12 kW,平均相对误差为1.16%,与BP神经网络热负荷预测模型相比,PSO-LSSVM模型的预测精度提高了62.09%,且稳定性更好,可以满足实际工程需要。     

基于IPSO-DBN 的管道故障诊断方法

针对城市燃气管道故障诊断效果不佳的问题，提出了一种基于改进粒子群算法优化深度信念网络（IPSO-DBN）的管道故障诊断方法。该方法首先对粒子群算法（PSO）中的惯性权重ω、加速因子C1 和C2 进行修正，得到改进粒子群优化算法（IPSO），并采用两种基准函数对比测试PSO 与IPSO 的网络性能，证明所选改进方法的优越性。其次利用IPSO 优化深度信念网络（DBN）的初始权重，建立合适的DBN 网络，将4 种不同燃气管道工况下的实验数据用于IPSO- DBN 网络训练及预测。最后将实验所得的故障诊断准确率与BP、DBN、PSO-DBN 方法进行对比分析。实验结果表明，对于燃气管道不同工况下的故障分类识别，IPSO- DBN 方法的平均测试集诊断准确率高达94.5%，诊断效果优于传统的BP、DBN 以及PSO-DBN 方法。     

Einstein单压制冷系统热力学性能对比分析

介绍了Einstein单压吸收式制冷循环的工作原理,对国内两种有代表性的改进型Einstein制冷系统(Ⅰ ,Ⅱ)进行了对比。运用质量、能量守恒定理,建立了系统各部件的热力学模型,并对其性能进行了分析。结果表明:相同工况下,系统Ⅱ的COP较高,达到0.255 1。工况的变化并不能有效改善二者的COP,而通过合理匹配系统各部件,优化管道阻力,采用热回收系统及高效气泡泵,以及选择最佳的发生温度,能够有效改善系统制冷性能。详尽研究内容对Einstein制冷循环系统的性能优化及工业应用具有指导意义。