300MW锅炉空气预热器再燃烧的原因及处理措施

介绍了回转式空预器再燃烧的机理，判定引起再燃烧的原因是空预器受热面上积存了过量燃烧及炉内燃烧工况不良，指出要防止空预器再燃烧须完善相关系统和加强运行管理，并提出空预器发生再燃烧时的处理方案。     

电动车蓄电池荷电状态估计的支持向量机方法

结合电动车蓄电池容量判断问题,将支持向量机方法用于蓄电池荷电状态估计。针对蓄电池本身的非线性特性,使用核函数为非线性核的最小二乘支持向量机算法完成估计器的设计,得到了基于多项式核函数和径向基核函数的估计器。通过实验分析了两种核函数对估计器性能的影响。从实际应用出发,分析了如何合理简化估计器模型的复杂性。结果表明基于多项式核函数的估计器精度较低,但应用过程简单;基于径向基核函数的估计器精度较高,但其应用时需要存储部分训练数据,增加了应用的复杂性。具体应用可以根据实际环境,合理选择核函数,提高估计器的综合性能。     

配电网谐波源定位的支持向量机估计算法

使用一种简化的方法确定谐波监测点的位置。该方法基于电路网络拓扑分析,通过计算母线谐波电压相对注入谐波电流变化的敏感因子,确定谐波监测点的位置;利用谐波监测点的实时数据,建立基于支持向量机算法的谐波源定位估计器,实现谐波源的位置估计。谐波源定位估计器通过基于支持向量机算法进行设计。对线型估计器、基于多项式核函数以及径向基核函数的估计器进行了比较,实验结果表明,基于径向基核函数的非线性支持向量机估计器具有更高的估计精度,且能够较准确地判定谐波源的位置。     

300MW锅炉空气预热器再燃烧的原因及处理措施

介绍了回转式空预器再燃烧的机理 ,判定引起再燃烧的原因是空预器受热面上积存了过量燃料及炉内燃烧工况不良 ,指出要防止空预器再燃烧须完善相关系统和加强运行管理 ,并提出空预器发生再燃烧时的处理方案。     

3OOMW锅炉空气预热器再燃烧的原因及处理措施

介绍了回转式空预器再燃烧的机理,判定引起再燃烧的原因是空预器受热面上积存了过量燃料及炉内燃烧工况不良,指出要防止空预器再燃烧须完善相关系统和加强运行管理,并提出空预器发生再燃烧时的处理方案.     

容克式空气预热器着火的预防措施

据统计，容克式空气预热器(以下简称空预器)每运行6×106 h会出现一次着火，即平均每年约800台运行的这种空预器中有一台着火。而近几年国内火电厂却连续发生数次大型燃煤锅炉容克式空预器着火，损失严重。1 着火原因分析 大量未燃尽的可燃物沉积在传热元件上是空预器着火的必要条件，也是关键所在。空预器的传热元件由薄板组成，排列很密，单位体积受热面很高，在其下部金属温度低，低负荷运行时最低，很容易积灰。在锅炉最初调试阶段，在点火(油点火)以及长期低负荷运行的情况下(投油)，因燃烧不完全，从炉膛带来的凝结油雾和未燃尽的…     

电动车蓄电池荷电状态估计的神经网络方法

针对电动车蓄电池电能容量判别问题,将神经网络方法应用于电动车蓄电池荷电状态估计.对多种神经网络方法的估计性能进行了分析,包括多层感知器网络、径向基函数网络、线性支持向量机、使用MLP核函数的支持向量机、使用RBF核函数的支持向量机.实验结果表明:神经网络经过训练后,可以通过蓄电池的工作电压、工作电流和表面温度参数估计蓄电池的SOC实时值,其中多层感知器和支持向量机估计性能最好,同时,支持向量机较多层感知器有更高的噪声容忍能力.     

热管空气预热器在循环流化床锅炉上设计及制造特点

随着对热管空预器认识的深入，热管式空预器应用越来越广泛。循环流化床锅炉燃烧技术作为目前较理想的清洁高效的燃烧技术得到广泛应用，循环流化床锅炉目前逐步向高参数和大型发展。但是目前在循环流化床锅炉上应用热管空预器还是比较少，相对于煤粉锅炉循环流化床有着自己的燃烧特点(针对其不同的特点在热管式空预器设计及制造过程中应有所不同。现对济锅240t／h循环流化床锅炉(军粮城发电厂^#1炉)低温级管式空气预器改热管式空预器的设计制造过程，总结了一点经验，以供读者参考。     

基于PSO混合核函数SVM对光伏最大功率点的预测研究

针对传统的光伏最大功率点跟踪算法存在成本高,精度低的问题,进而采用混合核支持向量机算法尝试解决这一难题。通过研究分析高斯核函数与多项式核函数的特性,线性加权高斯核函数与多项式核函数,构造混合形式的支持向量机模型,并使用粒子群算法优化模型参数,对光伏最大功率点电压进行预测。实验分析表明,混合核函数结合了两个单核的优点,兼顾支持向量机全局拟合能力与局部拟合能力。非线性函数预测精度优于单核模型,泛化能力高,训练时间少,平稳性好。     

基于PCA和混合核函数QPSO_SVM频谱感知算法

频谱感知是认知无线电系统的关键技术之一,针对基于支持向量机的频谱感知方法中核函数选取的单一性和核函数参数的不确定性,提出一种基于混合核函数支持向量机的频谱感知算法,将两种核函数混合构造新的核函数,采用量子粒子群算法对其中的参数进行优化,并引入主成分分析方法对样本进行降维并提取其全局特征。实验结果表明,该模型较传统方法在低信噪比下无线环境中的分类精度上有了明显提高,在信噪比为－10 dB的无线环境中能完全识别出主用户,为频谱感知提供了一种可靠性高的设计方案。     

基于最小二乘支持向量机的高压绝缘子污秽程度评定

研究表明,泄漏电流的各种电气特征量除了与绝缘子表面的污秽状况有关外,还受温度、湿度等环境因素的影响,并且与各因素之间存在着复杂的非线性关系.因此,绝缘子在线监测系统通过单一检测泄漏电流的大小来评定表面污秽状况是不科学的.文中在实验室模拟试验和现场实测数据基础上,利用最小二乘支持向量机这种新的机器学习工具,分别用2种核函数建立了以泄漏电流有效值、泄漏电流峰值、泄漏电流脉冲频度、环境湿度、温度等5个变量作为输入参数,污秽程度作为输出参数的评定模型,超平面参数通过交叉检验的方式确定.实验结果表明,最小支持向量机具有很好的学习、分类和泛化能力,且对于污秽程度评定问题选用RBF核函数相对于多项式核函数有更高的判别准确率.     

基于最小二乘支持矢量机的异步电机转子故障诊断研究

提出了一种采用最小二乘支持矢量机构造异步电机转子多故障分类模型的方法.首先通过对采样的定子电流进行快速傅里叶变换,所得频谱经一致化处理后作为支持矢量机的输入参数,然后利用1对1策略构造了转子多故障分类器,经训练后可以对四种不同转子故障进行识别.文中还分析了惩罚因子、核函数和子分类器输出融合策略对分类准确性的影响,指出高斯径向基函数和混合矩阵融合策略可以提高诊断精度.实验结果表明,该模型具有很好的分类精度和泛化能力.     

A hybrid model of EMD and multiple-kernel RVR algorithm for wind speed prediction

In this paper, the hybrid model of empirical mode decomposition and multiple-kernel relevance vector regression algorithm (EMD-MkRVR) is presented for wind speed prediction. The multiple-kernel relevance vector regression (MkRVR) model includes radial basis function (RBF) kernel and polynomial kernel whose proportions are determined by a controlled parameter. Grid method is used to select the kernel parameters and controlled parameter in this study. In addition, wind speed can be regarded as a signal and decomposed into several intrinsic mode functions (IMFs) with different frequency range by empirical mode decomposition (EMD), the prediction models of these decomposed signals can be established by MkRVR with their respective appropriate embedding dimension. The experimental results show that the EMD-MkRVR model has a better prediction ability for wind speed than the RBF kernel RVR (RBFRVR) model and the polynomial kernel RVR (PolyRVR) model.     

Particle swarm optimization-least squares support vector regression based forecasting model on dissolved gases in oil-filled power transformers

This paper presents a forecasting model based upon least squares support vector machine (LS-SVM) regression and particle swarm optimization (PSO) algorithm on dissolved gases in oil-filled power transformers. First, the LS-SVM regression model, with radial basis function (RBF) kernel, is established to facilitate the forecasting model. Then a global optimizer, PSO is employed to optimize the hyper-parameters needed in LS-SVM regression. Afterward, a procedure is put forward to serve as an effective tool for forecasting of gas contents in transformer oil. The application of the proposed model on actual transformer gas data has given promising results. Moreover, four other forecasting models, derived from back propagation neural network (BPNN), radial basis function neural network (RBFNN), generalized regression neural network (GRNN) and support vector regression (SVR), are selected for comparisons. The experimental results further demonstrate that the proposed model achieves better forecasting performance than its counterparts under the circumstances of limited samples.     

基于最小二乘支持向量机的边坡稳定性预测

本文提出一种基于最小二乘支持向量机(LS-SVM)的边坡稳定性预测方法,采用线性函数,多项式函数和径向基函数三种核函数,进行机器学习,经过反复计算和对比分析,建立精度较高的边坡稳定安全系数预测模型.以实例数据作为学习样本和测试样本,对模型进行检验,结果表明LS-SVM建模预测速度快,其预测精度与GA-BP神经网络算法和改进支持向量机算法(ν-SVR)基本相近,将其用于边坡稳定性预测是可行的.     

Forecasting electricity consumption: A comparison of regression analysis,neural networks and least squares support vector machines

Accurate electricity consumption forecast has primary importance in the energy planning of the developing countries. During the last decade several new techniques are being used for electricity consumption planning to accurately predict the future electricity consumption needs. Support vector machines (SVMs) and least squares support vector machines (LS-SVMs) are new techniques being adopted for energy consumption forecasting. In this study, the LS-SVM is implemented for the prediction of electricity energy consumption of Turkey. In addition to the traditional regression analysis and artificial neural networks (ANNs) are considered. In the models, gross electricity generation, installed capacity, total subscribership and population are used as independent variables using historical data from 1970 to 2009. Forecasting results are compared using diverse performance criteria in this study with each other. Receiver operating characteristic (ROC) analysis is realized for determining the specificity and sensitivity of the empirical results. The results indicate that the proposed LS-SVM model is an accurate and a quick prediction method.     

基于支持向量机的电力系统短期负荷预测

对将径向基函数(Radial Base Function,RBF)作为核函数的支持向量机(Supporr Vector Machine,SVM)方法应用于短期负荷预测进行了研究.作者使用基于SVM的回归估计算法建立了回归估计函数表达式,给出了SVM网络结构;采用江苏省某市的实际负荷数据,按照不同的负荷日属性和历史负荷数据进行样本选择,使用LIBSVM算法和适当的核函数进行了负荷预测,并将该预测结果同由时间序列及BP神经网络方法得到的预测结果进行了比较,结果表明,所提出的预测方法有较高的精度.     

Improving the separability of motor imagery EEG signals using a cross correlation-based least square support vector machine for brain-computer interface

Although brain-computer interface (BCI) techniques have been developing quickly in recent decades, there still exist a number of unsolved problems, such as improvement of motor imagery (MI) signal classification. In this paper, we propose a hybrid algorithm to improve the classification success rate of MI-based electroencephalogram (EEG) signals in BCIs. The proposed scheme develops a novel cross-correlation based feature extractor, which is aided with a least square support vector machine (LS-SVM) for two-class MI signals recognition. To verify the effectiveness of the proposed classifier, we replace the LS-SVM classifier by a logistic regression classifier and a kernel logistic regression classifier, separately, with the same features extracted from the cross-correlation technique for the classification. The proposed approach is tested on datasets, IVa and IVb of BCI Competition III. The performances of those methods are evaluated with classification accuracy through a 10-fold cross-validation procedure. We also assess the performance of the proposed method by comparing it with eight recently reported algorithms. Experimental results on the two datasets show that the proposed LS-SVM classifier provides an improvement compared to the logistic regression and kernel logistic regression classifiers. The results also indicate that the proposed approach outperforms the most recently reported eight methods and achieves a 7.40% improvement over the best results of the other eight studies.     

基于最大信息挖掘广域学习系统短期电力负荷预测研究

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出了一种基于最大信息挖掘广域学习系统多核最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)短期电力负荷预测算法。为了有效地捕捉电力负荷的非线性信息,引入了一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以学习历史信息,进一步通过非线性随机映射充分挖掘非线性信息。提出了一种多核LS-SVM预测模型,有效综合了各个核函数的优点。通过两个电力负荷预测案例将文中方法与传统的反向传播算法和支持向量机算法进行预测误差对比,预测结果验证了所提出的混沌时间序列预测算法具有较高的预测精度,适用于短期电力负荷预测。     

最小二乘支持向量机构造的函数链接型神经网络在滚动轴承故障诊断中的应用

提出一种用最小二乘支持向量机(least squares support vector machine,LS-SVM)构造函数链接型神经网络(functional link artificial neural networks,FLANN)的滚动轴承故障诊断系统。介绍了相关原理和具体算法,并给出了滚动轴承故障诊断系统模型。首先,采用LS-SVM模型核函数代替常规FLANN模型的扩展函数,避免了扩展函数选择的任意性;其次,利用LS-SVM学习模型得到FLANN权重系数,避免了BP方法多次迭代寻优存在的耗时长、局部极小及迭代设置初值依赖经验等不足;最后,构造了多层LS-SVM-FLANN结构,对多类滚动轴承故障进行诊断。具体实验表明,用LS-SVM构造FLANN的滚动轴承故障识别系统精度高、鲁棒性好、实现简单。