基于支持向量机和邻域粗糙集的旋转机械振动故障诊断

针对旋转机械振动故障诊断,提出了一种基于邻域粗糙集模型的改进支持向量机的诊断方法。该方法对选取的特征向量进行约简,并将约简结果作为支持向量机的输入特征向量来诊断旋转机械的工作状态。实验结果表明:与属性约简前的支持向量机诊断模型相比,该方法能够在提高分类精度的前提下缩短系统的诊断时间,取得了良好的效果。     

基于HVD的振动故障诊断方法研究

由于旋转机械振动信号具有非线性、非平稳性,为了准确诊断故障,介绍了一种基于希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)的振动信号时频分析方法,并在此基础提出了HVD边际谱和时频三维谱用于振动信号的进一步分析。通过与经验模态分解(Empirical Mode Decomposition,EMD)方法对比发现,HVD方法克服了模态混叠和幅值失真缺陷,具有更高的分解精度,而且其边际谱和时频三维谱更加清晰地展示出信号各频率的变化情况。对仿真信号及转子实际振动信号进行实验研究,清晰地展现了故障特征,取得了良好的分析效果,证明了HVD方法及其边际谱、三维谱在处理非线性、非平稳问题上的有效性。     

基于LS-SVM的供热机组调峰能力预测方法研究

针对传统研究供热机组调峰能力方法存在的工作量大、结果偏离实际运行工况等问题,提出一种基于最小二乘支持向量机(LS-SVM)预测机组调峰能力的方法。对机组运行数据预处理后,选择部分数据建立训练样本集训练LS-SVM模型,然后利用训练出的模型得到供热机组在不同热负荷下的调峰范围,并以某供热机组在供热期的运行数据为例,得到了该供热机组的调峰能力,结果表明,基于最小二乘支持向量机得出的调峰能力区间比较准确,并且与传统方法相比在实际运行中可复现性更好。     

基于相空间重构的支持向量回归机在振动数据预测中的应用

支持向量回归机是近年来发展起来的一种通用的机器学习方法,后来被广泛应用于预测领域。在对模型进行训练时,输入特征在很大程度上影响了预测的精度。所以对于特征的选择一直是人们所关注的问题。提出了一种基于相空间重构的支持向量回归机方法。该方法首先对时间序列进行相空间重构,然后利用重构的相空间中的相点作为特征输入,对模型进行训练。经实验验证,该方法能够根据时间序列内在规律,自适应的构造输入特征,提高预测结果的精度。     

计及柔性负荷参与的综合能源系统优化调度

为提高源荷匹配度,平抑负荷波动,该文提出计及需求响应负荷和地源热泵出力的综合能源系统优化调度模型,研究柔性负荷与地源热泵在调度顺序不同的情况下对系统的影响。首先,以系统的经济成本和环境成本最小为目标,建立综合能源系统优化调度模型优化各设备的出力。其次,在考虑新能源机组出力不确定性的基础上,利用地源热泵装置转换效率高的特点改善能源互补能力并使其作为一种可调度资源参与系统的调度。最后,在需求侧将柔性负荷分为可转移、可削减负荷作为可调度资源参与调度,平滑负荷曲线。通过算例分析可得：不考虑可调度资源出力顺序的情况下,能有效提高系统的经济和环境效益以及源荷匹配能力。     

基于改进PSO的SVM参数优化及其在风速预测中的应用

针对风电场短期风速预测的准确性问题,提出一种基于改进粒子群优化（PSO）算法的支持向量机（SVM）风速预测方法.通过对基本粒子群算法中的学习因子进行改进,来改善粒子群算法的自我学习能力和社会学习能力,从而使其更有利于收敛到全局最优解,进而能够找到更准确的参数值,使支持向量机的预测误差达到最小,提高风速的预测精度.实验结果表明,与PSO-SVM预测法和SVM预测法相比较,改进PSO-SVM法预测结果更准确.     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

基于最大熵混沌时间序列的支持向量机短期风速预测模型研究

为了提高短期风速预测的精度,减小风力发电接入对电力系统的安全和稳定运行带来的影响,提出基于最大熵混沌时间序列的支持向量机短期风速预测模型。该模型将最大熵原理引入到混沌时间序列样本选择过程中,针对风速混沌时间序列建模,并采用贝叶斯框架下的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型能有效提高短期风速预测的精度。     

基于工质临界温度的带内回热ORC系统性能分析

为充分回收低温烟气余热,建立带有内回热的有机朗肯循环系统。选取硅氧烷类、HC类与HFC类共9种有机工质,基于工质临界温度与工质复杂度因子,讨论净输出功与质量流量变化规律;提出采用液态吸热系数、潜热系数、内回热吸热系数对ORC系统循环热效率的变化规律进行分析。结果表明:随蒸发温度的升高,热效率与效率升高,质量流量与损下降,而净输出功先升高后降低。对同种类型工质,临界温度越高,净输出功越低;对不同类型工质,单位工质做功能力表现为HC类硅氧烷HFC类,且对于不同类型工质影响工质质量流量的因素不同。对不同工质而言,工质临界温度越高,热效率与效率越大,净输出功越小,热源匹配性变差。综合考虑以上因素,所选工质临界温度不宜超出热源温度过多。     

基于卷积神经网络的风电机组齿轮箱状态监测方法

为了实现对风电机组齿轮箱的状态监测,文章提出了一种基于卷积神经网络的风电机组齿轮箱状态监测方法。首先,提取风电机组数据采集与监视控制(SCADA)数据和振动信号作为参数,组成齿轮箱状态矩阵。其次,建立了一种卷积神经网络模型,该模型针对输入数据设计了特定结构和池化层规则,提高了计算效率,能够从齿轮箱状态信息中提取特征并判断其状态。最后,利用实际运行的风电机组数据对卷积神经网络模型进行了训练和验证,最终取得了96.3%的识别精度。同时,将该模型应用于对同一风场其他机组的状态监测,结果验证了卷积神经网络模型对齿轮箱状态监测的有效性。