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.     

反向建模方法在汽轮机热耗率建模中的应用

针对热耗率与其影响因素之间存在的复杂非线性关系,提出了基于自适应混沌反学习万有引力算法(ACOGSA)和最小二乘支持向量机(LSSVM)的汽轮机热耗率反向建模方法.利用某600 MW超临界汽轮机组运行数据,采用基于LSSVM的反向建模方法建立热耗率预测模型,采用ACOGSA算法解决LSSVM的模型参数优化问题,并与GSA-LSSVM模型和BP神经网络模型的预测结果进行比较.结果表明:所建立的模型比传统模型具有更好的泛化能力,更能准确地预测汽轮机的热耗率.     

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。     

基于蚁群算法的神经网络绝缘子闪络电压预测

为提高覆冰绝缘子闪络电压的预测精度及预测速度,采用BP神经网络和蚁群算法相结合的方法进行预测模型设计。利用闪络电压及其影响因素之间的试验数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,通过蚁群算法的迭代运算,搜索出误差全局最小值,再进行网络的二次学习训练。结果表明,该方法具有较高的预测精度,适用于绝缘子闪络电压的预测。     

基于蚁群优化的最小二乘支持向量机风速预测模型研究

基于最小二乘支持向量机理论,建立风速预测模型。同时,由于最小二乘支持向量机参数选取尚无有效方法,该文尝试采用蚁群算法理论来进行参数优化选择。选取某风场前四天的实测风速(采样间隔30min),应用所建立的风速预测模型,来预测第五天的48个风速值,其预测的平均绝对百分比误差仅为9.53%,预测效果较理想,验证了应用蚁群优化算法理论与最小二乘支持向量机理论进行风速预测的可行性,可为风电场规划选址和风力发电功率预测等提供理论支持。     

基于FOA和LS-SVM的风电场风速预测研究

针对目前最小二乘支持向量机选取核参数和惩罚因子的各种方法尚存在着一定的局限性,文章采用果蝇优化算法对参数进行优化选择,提出了基于果蝇优化算法与最小二乘支持向量机结合的风速混合预测方法。对新疆某风电场为期5天的240个(采样间隔0.5 h)实测风速值进行了仿真测试,利用建立的预测模型,对第5天的风速值进行预测,预测结果的平均绝对百分比误差仅为8.32%。将其与单纯的LS-SVM模型和基于网格搜索优化的LS-SVM模型的预测结果作了对比,仿真结果验证了基于果蝇优化算法和最小二乘支持向量机混合预测模型的可行性和果蝇算法对最小二乘支持向量机参数优化的有效性。     

基于不同压气机特性曲线预测方法的单轴燃气轮机动态性能仿真研究

部件精细化建模方法研究一直为燃气轮机动态性能仿真领域的研究热点。以某经典单轴燃机核心部件压气机为对象,基于模块化建模思想利用Matlab/Simulink平台搭建了系统仿真计算平台,并将最小二乘法、三次样条插值法以及BP神经网络法嵌入平台进行了预测应用研究。结果表明:在压气机性能预测中,三种方法均可有效预测部件性能,但BP神经网络法和三次样条插值法的预测结果优于最小二乘法;在整机性能预测中,最小二乘法整机仿真计算结果偏离预设值,而BP神经网络法和三次样条插值法的仿真计算结果具有较高的准确性;在时效性方面,BP神经网络法所需时间成本比其余两种方法高。     

基于LS-SVM的基坑变形时间序列预测模型

针对神经网络用于基坑变形预测存在结构难确定、训练易陷入局部最优及易过学习等问题,构造滚动时间窗.,以已有的实测时间序列为样本,利用最小二乘支持向量机(LS-SVM)建立基坑预测模型,应用网格搜索算法优化模型参数,连续滚动地多步预测基坑变形.实例结果表明,该模型预测效果优于BP神经网络,具有所需数据少、推广能力强等优点.     

基于贝叶斯优化—随机森林回归的燃煤锅炉NOx预测模型

根据某超超临界1 050 MW燃煤机组实际运行数据,采用随机森林(RF)算法建立燃煤锅炉炉膛出口烟气中NO_x质量浓度预测模型,并利用贝叶斯优化(BO)进行超参数寻优,将BO-RF模型与网格搜索优化的RF模型(GSO-RF)进行对比。为了更好地评价预测模型,以平均绝对百分比误差δ_MAPE和决定系数R²作为评价指标,将所建立的BO-RF模型与目前常见的基于贝叶斯优化的BP神经网络(BO-BPNN)模型、最小二乘支持向量机(BO-LSSVM)模型进行比较。结果表明：BO-RF模型比GSO-RF模型的预测精度更高,且BO-RF模型的δ_MAPE为1.478%,R²为0.916 2,均优于BO-BPNN模型和BO-LSSVM模型的预测结果,证明BO-RF模型具有更高的预测精度和更优的泛化性能。     

蜂群算法在太阳电池寿命预测参数辨识中的应用

为解决太阳电池寿命预测模型参数辨识中参数辨识精度低的问题,提出采用人工蜂群算法进行太阳电池寿命预测模型参数辨识的方法。利用人工蜂群算法的局部快速搜索能力和高效全局收敛性能,对太阳电池寿命预测的电流衰减模型的五参数进行辨识,给定失效阈值利用电流衰减模型进行最大寿命预测。运用人工蜂群算法和最小二乘法辨识的均方根误差RMSE分别为2.858×10/~(-4)和1.337×10~(-3),R~2分别为0.9228和0.8666,实验分析表明:人工蜂群算法求得的均方根误差、误差平方和与R~2明显优于最小二乘法,为太阳电池寿命预测的电流衰减模型参数辨识提供一种新的思路。     

基于CM-AFSA-BP神经网络的土石坝渗流压力预测

针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。     

基于最小二乘支持向量机的水库来水量预测模型

为提高水库来水量的预测精度,提出了一种基于最小二乘支持向量机(LS-SVM)的来水量预测模型。实例应用结果表明,该模型预测能力强、预测精度高,其预测精度明显高于BP模型,为来水量预测提供了一种可靠、有效的方法。     

风速及风电功率超短期动态选择线性组合预测

提出动态选择线性组合预测方法,采用不同BP、RBF神经网络和序列最小优化SMO(sequential minimaloptimization)算法为预测模型,先用K近邻法收集预测数据的泛化误差构成性能矩阵,在此基础上动态选择泛化误差较小的预测模型,经等权平均形成最终预测输出。以风速和功率的时间序列为原始数据,实现对单台风电机组2 min内功率及风速的超短期滚动预测。研究表明:该方法的预测精度高于任意单一模型及传统线性组合预测,可有效减少预测点出现较大误差的概率,将2 min内的功率及风速的平均相对误差控制在10%内,验证了其正确性和有效性。     

自适应遗传优化的最小二乘支持向量回归机在煤粉着火温度建模中的应用

针对煤粉着火温度与煤质指标间的非线性关系，提出了基于自适应遗传算法和最小二乘支持向量回归机的煤粉着火温度预测模型.通过对实验数据进行预测评判，并与常规的最小二乘支持向量回归机模型和BP神经网络模型相比较，以验证此模型的可靠性和精确性.结果表明，该模型是合理可行的，该模型比传统计算模型具有更好的泛化能力，能更准确地预测煤...     

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。     

昆明市碳排放预测与分析

基于灰色系统GM(1,1)预测方法。多元线性回归理论。BP神经网络预测方法,本文结合昆明市2000年~2015年碳排放量与其影响因素,建立BP神经网络预测模型。从预测结果可得,2020年昆明市单位GDP碳排放量较2005年单位GDP碳排放量下降73.81%~78.57%,三种预测结果中,BP神经网络预测的结果较为准确。在多元线性回归模型检验的结果中,得出影响昆明市碳排放量的因素从高到低依次为:人口、煤炭消费比率、能源强度、人均GDP、第三产业占比。     

基于最优权系数的风电功率组合预测方法

摘要： 风电功率的短期预测对于电力系统的安全稳定运行具有重要意义。提出了一种基于最优权系数的风电功率短期预测组合方法,该方法将ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机这4种单一预测模型进行综合,并根据预测误差信息矩阵,以误差平方和最小为原则得到组合预测模型中的最优权系数,以此构成组合预测模型,该模型能够有效地综合各单一预测模型的优势,降低预测风险。仿真实例表明：所提组合预测模型预测精度高,能够方便快速地确定最优权重系数值,降低预测误差。     

基于CA-SE-GA-BP的光伏发电功率预测

针对光伏发电功率预测精度低的问题,以澳大利亚爱丽丝泉地区某200kW的光伏电站为例,选用遗传算法(GA)优化BP神经网络,采用相关性分析法(CA)确定太阳辐照度、温度、湿度为影响光伏发电功率的主要因子,结合经样本熵(SE)量化的天气类型作为模型输入量,提出CA-SE-GA-BP神经网络的光伏发电功率预测模型。结果表明,多云天气下CA-SE-GA-BP神经网络均方根误差、平均绝对百分比误差分别为4.48%、2.27%,晴天、雾霾、雨天三种天气类型下的预测误差也基本上不超过10%,相较于SE-GA-BP、CA-GA-BP、GA-BP神经网络,CA-SE-GA-BP神经网络预测误差降低,为解决光伏系统发电功率预测提供了一种高效准确可行的方法。     

基于粒子群优化算法优化BP神经网络模型的间接空冷散热器性能监测

为监测间接空冷散热器的换热性能,提出了监测间接空冷塔出水温度的方法。根据间接空冷系统散热器传热量计算和热平衡方程,分析了间接空冷塔出水温度的影响因素,建立了以环境温度、环境风速、大气压力、间接空冷塔循环水进水温度、循环水进水压力、出水压力和百叶窗开度7个主要参数为输入,出水温度为输出的BP神经网络模型。为避免该模型陷入局部最优,采用非线性动态惯性权重的粒子群优化(PSO)算法对BP神经网络模型的初始权值和阈值进行了优化,构建了PSO-BP神经网络预测模型,并根据某660MW间接空冷机组的运行数据对该模型进行了训练和验证。结果表明:采用PSO算法优化的BP神经网络模型具有较强泛化能力,预测精度高于单纯的BP神经网络模型,预测平均绝对百分比误差为0.55%。     

基于变量优化和IWOA-LSTM的锅炉系统水冷壁温度预测

为进一步提高锅炉系统水冷壁温度的预测精度,提出一种基于变量优化和改进鲸鱼算法优化长短期记忆神经网络的水冷壁温度预测模型。首先,通过互信息算法(MI)进行变量选择,消除初始数据中的冗余变量;其次,使用经验模态分解算法(EMD)对变量选择后的数据进行特征分解,在提取变量有效特征信息的同时降低噪音干扰;最后,使用由非线性递减因子和自适应权值改进后的鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA)确定长短期记忆神经网络(LSTM)的超参数,得到一种新型锅炉系统水冷壁温度预测模型(MI EMD IWOA LSTM)。实验结果表明,相比传统的最小二乘支持向量机(LSSVM)预测模型,MI EMD IWOA LSTM模型的均方根误差(RMSE=0.306 8)和平均绝对百分比误差(MAPE=0.054 6)最低,能够实现对锅炉系统水冷壁工质温度的精准预测。