基于 CEEMDAN 和 SVR 的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(RUL)的估算是锂离子电池健康管理的关键,准确可靠地预测锂离子电池的剩余使用寿命对 系统的安全正常运行至关重要。 提出了一种结合完备集合经验模态分解(CEEMDAN)和支持向量回归( SVR)的锂离子电池剩 余使用寿命预测方法。 首先,在放电过程中提取了一个可测量的健康因子,并使用 Pearson 和 Spearman 法分析健康因子与容量 之间的相关性,然后利用 CEEMDAN 将健康因子进行分解,获得一系列相对平稳的分量,最后采用 CEEMDAN 分解后的健康因 子作为 SVR 预测模型输入,容量作为输出,实现锂离子电池 RUL 预测。 利用 NASA PCoE 提供的锂离子电池退化数据集进行试 验,与标准 SVR 模型相比,实验结果表明利用该方法能够有效验证所提出的 RUL 预测模型的有效性,并且使预测误差控制在 2%以下。     

融合 EMD 和 LSTM 的受热面积灰预测研究

针对锅炉受热面积灰将会降低传热效率和安全性,采用清洁因子作为健康指标来监测锅炉受热面健康状况,并且提出 融合经验模态分解(EMD)和长短期记忆网络(LSTM)的模型来预测未来锅炉积灰。 经验模态分解可以将时间序列分解为一系 列频域稳定的本征模态函数,长短期记忆网络拥有记忆功能,它能够通过学习来挖掘时间序列之间隐藏的长期依赖关系,二者 结合,增加了对于时间序列预测的准确度。 通过仿真软件验证,该模型对锅炉受热面积灰状况的预测有较为满意的精度,并与 两种常用模型进行对比发现,预测精度分别提升了 67. 7%与 59. 2%,验证了该模型的可行性与有效性。     

基于无迹卡尔曼滤波预测的锅炉吹灰优化

针对锅炉受热面从清洁到产生积灰和结渣导致锅炉传热效率降低等问题,以清洁因子为监测指标,提出一种基于无迹卡尔曼滤波算法的实时吹灰预测方法。采用双指数函数拟合分析清洁因子退化数据,利用无迹卡尔曼滤波算法对模型参数进行更新,并预测清洁因子未来的变化趋势。同时提出一种基于单位时间传热量最大的吹灰优化模型对吹灰时间进行进一步的优化。以某省煤器的清洁因子数据为例,通过与扩展卡尔曼滤波算法进行比较分析发现,所提方法能够更准确地预测吹灰时间,并进行吹灰优化实例计算,验证了所提优化模型的可行性。     

融合 CEEMD 和 TCN 的受热面积灰预测研究

对锅炉受热面积灰程度的有效预测,可为锅炉提升生产效率和故障预警提供重要依据。 采用清洁因子来评估受热面的 灰污沉积状况,针对其序列非线性、非平稳性的特点,提出一种基于互补集合经验模态分解与时间卷积网络的受热面积灰预测 方法。 首先,通过互补集合经验模态分解将经过小波阈值去噪处理后的原始序列分解为一组子序列分量;然后,针对不同子序 列分别构建基于时间卷积网络的时序预测模型,并优化网络超参数提升预测准确性;最后,将各 IMF 分量的预测结果叠加得出 清洁因子的预测数值。 由实验结果可得,相较于其他两种模型,预测精度分别提高 62. 1%和 57. 1%,CEEMD-TCN 模型对受热 面积灰状况预测精度最高,验证了该模型的准确性和可靠性。     

基于偏最小二乘支持向量机的燃煤电站锅炉效率模型

针对电站锅炉燃烧系统非线性强、变量间强耦舍及信号噪声大等特点,提出了基于电站历史运行数据的锅炉效率建模方法。根据锅炉燃烧的机理选取关键输入变量,利用偏最小二乘原理(PLS)对其进行特征提取,建立锅炉效率与所提取特征之间的最小二乘支持向量机(LSSVM)关系模型,组成一个PLS-LSSVM混合模型,并利用电站实际数据对模型的准确性进行验证。结果表明:PLS-LSSVM模型相比于PLS模型具有更强的泛化能力,相比于LSSVM模型有更好的运行效率。     

基于状态约束的滑动时间窗软测量模型北大核心CSCD

工业过程的模型通常具有非线性强、系统时变明显、工况变化大等特点。传统的滑动时间窗选择方法容易包含大量关联度低的数据,影响了数据模型的建模精度和建模效率。本文提出了一种带状态约束的滑动时间窗口选择算法,应用于工业连续过程软测量模型的训练数据选取。将该时间窗口选择算法与最小二乘支持向量回归算法结合,利用电站锅炉的历史运行数据,建立了燃煤电站锅炉尾部烟气含氧量的软测量模型。研究结果表明,相比于传统的滑动时间窗选择算法,利用该算法进行训练样本选取后,提高了所建立的最小二乘支持向量机模型的模型精度和运行效率。利用该方法建立的烟气含氧量软测量模型具有较高的精度,可以在氧化锆传感器发生故障时代替其工作,保证了氧量信号的稳定性和可靠性。     

基于受热面健康状态预测的电站锅炉吹灰优化

锅炉受热面的灰污沉积仍然是我国燃煤电站所面临的重要问题,对锅炉受热面沉积的灰污进行及时、准确的清扫是解决这一问题的途径。采用受热面的健康状态表示受热面的积灰厚度,采用热阻来评估锅炉受热面的健康状态,并对受热面健康状态进行预测,以锅炉受热面热阻监测的为基础,采用更新过程理论,结合工况等约束,建立了以监测时间间隔、预防性吹灰阈值为优化变量和燃煤锅炉平均运行费用率最低为目标函数的优化模型。最后以某300 MW燃煤电站为例,采用微粒群算法进行优化求解,求解结果证明了所提优化模型的可行性。     

基于PSO-Elman神经网络的燃煤机组受热面清洁状态预测

随着节能减排政策力度的加大,国家十分重视火电厂节能降耗技术的开发研究。针对目前锅炉受热面吹灰方式不合理的情况,以污染率（FF）表征受热面清洁状态对锅炉受热面传热的影响,建立了基于PSO-Elman神经网络的受热面清洁状态预测模型,实现对受热面清洁状态的预测。采用粒子群算法（PSO）和Elman动态神经网络相结合的预测方法,首先根据输入、输出参数个数确定Elman神经网络结构,然后利用PSO优化网络的权值和阈值,将优化后的最优权值、阈值赋给Elman神经网络作为初始值进行网络训练,建立基于PSO-Elman神经网络的受热面清洁状态预测模型。通过具体实例仿真证实了所提方法的有效性,获得了较满意的预测精度,验证了该方法的有效性。     

一种基于微粒群算法的自适应滑模控制

提出了一种基于微粒群算法的自适应滑模控制方法,把微粒群算法运用于自适应滑模控制器设计中。首先利用一种自适应算法估计系统中总不确定量的上确界,然后利用微粒群算法对自适应滑模控制器的切换参数和自适应参数进行优化调节,在改善系统控制性能和鲁棒性的同时削弱了抖振。仿真研究结果证明了该方法的有效性。