基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于PSO-LSSVM模型的火电厂烟气含氧量预测

锅炉烟气含氧量是机组运行最重要的参数之一,为了准确测量氧量,在支持向量机(SVM)的基础上,提出最小二乘支持向量机(LSSVM),并结合粒子群算法(PSO)对模型参数(C,g)进行寻优,从而建立锅炉输入和输出变量之间的关系模型。将该方法应用到某电厂600 MW燃煤机组中,用训练后的模型进行预测,并与SVM模型预测结果进行比较。结果表明:采用LSSVM方法,能够辨识出多个变量与氧量之间的复杂关系,对锅炉氧量的预测误差为±0.03;并且PSO-LSSVM预测精度比PSO-SVM模型高,PSO-LSSVM模型具有预测精度高、泛化能力好、鲁棒性强和训练时间较短等优点。     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

基于自适应粒子群优化BP神经网络的氨法烟气脱硫效率预测

针对氨法烟气脱硫效率的预测问题,建立了以脱硫系统运行中8个主要参数作为输入变量的BP神经网络模型,采用粒子群优化算法(PSO)对建立的BP神经网络模型的权值进行优化,提出基于粒子群优化算法的BP神经网络(PSO-BP)预测新模型,并利用某电厂脱硫系统20组运行数据对该模型进行了验证.结果表明:采用PSO算法对BP神经网络的权值和阈值进行寻优,避免了网络局部极小值的出现,提高了网络的泛化能力,采用PSO-BP预测模型可以对氨法烟气脱硫效率进行较高精度的预测.     

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。     

基于支持向量机和果蝇优化算法的循环流化床锅炉NO_x排放特性研究

为了控制循环流化床(CFB)锅炉的NOx排放量,以某热电厂300MW CFB锅炉测试数据为样本,应用支持向量机(SVM)建立NOx排放特性预测模型.针对SVM回归预测需要人为确定相关参数的不足,应用果蝇优化算法(FOA)优化SVM参数,采用不同工况下的样本数据检验FOA-SVM模型的预测性能,并将该模型的预测结果与粒子群算法(PSO)、遗传算法(GA)和万有引力搜索算法(GSA)优化的SVM模型预测结果进行了比较.结果表明:FOA-SVM模型的泛化能力较强,预测精度较高,训练时间较短,可以相对快速、准确地预测NOx排放质量浓度.     

基于海鸥优化算法的相关向量机模型在径流预测中的应用

为提高径流预测精度,提出了基于海鸥优化算法(SOA)的相关向量机(RVM)径流预测模型(SOARVM)。选取4个标准测试函数对SOA进行仿真验证,并与PSO算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维处理,利用SOA优化RVM核宽度因子和超参数,建立SOA-RVM径流预测模型,利用云南省龙潭站年径流及枯水期1～3月月径流预测对SOA-RVM模型进行验证,并将预测结果与RVM、SOA-SVM、SVM、SOA-BP、BP模型进行比较。结果表明,SOA在不同维度条件下仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;SOA-RVM模型对实例年径流和1～3月月径流预测的平均相对误差分别为1.77%、4.46%、5.40%、4.03%,预测精度优于RVM、SOA-SVM、SVM、SOA-BP、BP模型。可见SOA-RVM模型具有更好的预测精度,可用于径流预测研究。     

基于PSO-SVM模型的焊接转子环焊缝超声缺陷识别

提出了一种粒子群算法(PSO)优化支持向量机(SVM)的方法,对焊接转子环焊缝的超声回波信号进行缺陷识别.对消噪后的超声回波缺陷信号进行4层小波包分解及结点重构,提取结点重构信号中近似部分的波峰系数和波形系数,并与细节部分的积分超声值、有效值和绝对值方差组成样本的特征向量;采用PSO算法对SVM的惩罚因子和核函数参数进行优化选择,最后完成缺陷识别.结果表明:PSO-SVM模型对预测样本具有很好的识别效果,与其他常用的SVM模型相比,PSO-SVM模型无论是识别率还是识别时间上都具有良好的效果.     

基于PCA-MPA-ANFIS模型的年径流预测研究

为提高径流预测精度,提出一种将海洋捕食者算法(MPA)与自适应神经模糊推理系统(ANFIS)相结合的径流预测方法,选取6个标准测试函数对MPA进行仿真验证,并与PSO算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维处理,使输入数据简洁且更具代表性;利用MPA优化ANFIS条件参数和结论参数,建立PCA-MPA-ANFIS径流预测模型,并构建PCA-MPA-支持向量机(SVM)、PCA-MPA-BP作对比模型;基于云南省革雷站、新疆伊梨河雅马渡站年径流预测实例对PCA-MPA-ANFIS、PCA-MPASVM、PCA-MPA-BP模型进行验证。结果表明,MPA仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;PCA-MPA-ANFIS模型对两个实例年径流预测的平均相对误差分别为1.08%、4.49%,平均相对误差较PCA-MPA-SVM模型分别降低了32.5%、37.1%,较PCA-MPA-BP模型分别降低了58.2%、37.6%,具有较好的预测精度和泛化能力。可见将PCA-MPA-ANFIS模型用于径流预测是可行和有效的。     

基于粒子群支持向量回归优化的循环流化床床温预测分析

为了优化循环流化床锅炉(CFB)的床温系统控制,使用支持向量回归(SVR)人工智能方法进行建模预测;为提高预测结果的精准性,引入互信息法则(MI)及主成分分析法(PCA)作为输入特征选择手段,同时使用粒子群算法(PSO)进行参数寻优。研究结果表明,MI法则进行数据预处理并利用PSO算法优化后的SVR模型能够精确地预测在不同运行工况下的床温变化,且预测误差较小,拥有较强的泛化能力。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型。选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作为预测模型的输入量;使用正常状态下的SCADA数据训练LSTM预测模型,得出预测值和残差,通过3σ准则计算出上下预警阈值,用于风电齿轮箱状态监测和故障预警。某风电场风电齿轮箱的SCADA数据验证表明所提出的方法能有效预警风电齿轮箱故障。     

基于改进粒子群优化支持向量机的汽轮机组故障诊断

基于支持向量机（SVM）在核函数参数和惩罚因子人为选取的盲目性以及传统粒子群算法（PSO）后期易陷于局部最小值的不足,提出了一种改进的粒子群算法（MPSO）,建立了汽轮机组振动故障诊断模型并且利用故障数据进行了模式识别.结果表明：模型能够对SVM相关参数自动寻优,并且能达到较为理想的全局最优解;与PSO-SVM和GA-SVM算法相比,MPSO-SVM算法在收敛速度和准确率方面都有所提高.     

基于粒子群优化支持向量机的变压器故障诊断

针对支持向量机(SVM)用于变压器故障诊断中模型参数具有不确定性的问题,采用粒子群优化(PSO)算法对支持向量机参数进行优化,减少了模型参数的不确定性。故障数据测试表明,PSO能快速、准确地优化SVM参数,二者的结合可有效完成变压器故障分类,并取得较为满意的效果。     

基于HHT和SVM的供水管网爆管诊断模型研究

针对当前复杂供水管网泄水事故频发的现象,提出以管网发生故障时的瞬态水力数据信息为样本,采用Hilbert-Huang变换将故障样本信息从水压—时间的时域信号转换为压力幅值—频率的频域信号。分析选取频域信号中的主要特征值坐标作为支持向量机(SVM)的输入数据,并采用粒子群算法(PSO)对SVM参数进行优化,建立了基于HHT和SVM的供水管网故障诊断模型。实例应用表明,该模型在供水管网泄漏诊断中效果较好,从而验证了模型的可行性。     

基于HHT和SVM的供水管网爆管诊断模型研究

针对当前复杂供水管网泄水事故频发的现象,提出以管网发生故障时的瞬态水力数据信息为样本,采用Hilbert Huang变换将故障样本信息从水压—时间的时域信号转换为压力幅值—频率的频域信号。分析选取频域信号中的主要特征值坐标作为支持向量机（SVM）的输入数据,并采用粒子群算法（PSO）对SVM参数进行优化,建立了基于HHT和SVM的供水管网故障诊断模型。实例应用表明,该模型在供水管网泄漏诊断中效果较好,从而验证了模型的可行性。     

基于SCADA数据的风电机组齿轮箱状态监测方法

为解决故障劣化渐变过程的长时间序列对齿轮箱状态监测模型的影响问题,提升其决策精度,提出一种基于数据采集与监控(SCADA)数据的组合建模方法。首先,采用主成分分析法(PCA)选取与齿轮箱温度密切相关的输入观测向量,并应用长短期记忆(LSTM)神经网络分别对齿轮箱正常工况和异常工况独立建立温度模型;其次,结合模型输出结果与SCADA数据提取残差分布特征向量,建立随机森林残差分布模型对机组齿轮箱运行状态进行监测;最后,对某大型风电场机组进行模型建立和仿真研究。结果表明,基于LSTM神经网络结合随机森林算法对风电机组齿轮箱状态监测有较强的实用性和较高的准确率,为后续开展齿轮箱健康度评价提供了新的方法和思路。     

基于GA优化支持向量机的变压器故障诊断

针对变压器故障诊断中出现的多故障分类问题,为提高支持向量机的多故障分类的准确率,利用遗传算法(GA)对支持向量机的相关参数进行了优化。将利用遗传算法优化的支持向量机(GA-SVM)应用于变压器故障诊断中,并与利用粒子群算法优化的支持向量机(PSO-SVM)的识别结果进行比较。对比试验结果可以看出,GA-SVM算法能够更为有效地选择支持向量机的相关参数,在很大程度上提高了变压器多故障分类的准确性。     

基于PSO-SVM模型的面板堆石坝堆石料参数反演分析

针对常用的参数反演分析法存在的不足,将粒子群算法(PSO)与支持向量机(SVM)相结合来对堆石料参数进行反演,即先利用粒子群算法优化支持向量机,再利用优化后的支持向量机进行参数反演分析,借助Matlab中相关工具箱编制了相应的程序,建立了基于PSO-SVM的堆石料参数反演模型,并通过大量实测数据进行训练和测试。结果表明,基于PSO-SVM的堆石料参数反演模型可行、有效。