基于离散粒子群和偏最小二乘的湖库型水源地水体悬浮物浓度和浊度遥感反演方法北大核心CSCD

用离散粒子群优选反演悬浮物浓度和浊度的特征波段,可减少水质参数偏最小二乘反演模型的输入参数个数和建模过程的不确定性,提高偏最小二乘反演模型的预测精度。以2014年7月21—23日在南四湖获取的水体实测光谱数据和同步水质分析数据为例,分别建立南四湖水体悬浮物浓度和水体浊度的偏最小二乘(PLS)反演模型和离散粒子群-偏最小二乘(NDBPSO-PLS)反演模型并进行验证。结果表明:经NDBPSO优选之后,反演悬浮物浓度和浊度的NDBPSO-PLS模型输入特征波段由PLS模型的370个分别减少到127个和134个,输入特征变量由PLS模型的60个减少到21个,反演悬浮物浓度和浊度的NDBPSO-PLS模型建模精度和预测精度均优于PLS模型。该方法可以有效提高PLS模型反演水体悬浮物浓度和浊度的精度。     

基于变量选择的锅炉NO_x排放的最小二乘支持向量机建模

电站燃煤锅炉是大气NOx污染的主要来源之一,建立有效的NOx排放模型是锅炉优化降低NOx的基础。针对热工过程变量之间的强相关和耦合性,利用偏最小二乘方法(partial least squares,PLS)对多工况实炉热态测试数据进行重要变量(variable importance in projection,VIP)信息提取和变量选择(variable selection,VS),把最优的变量子集作为最小二乘支持向量机(least squares support vector machine,LSSVM)的输入,最终得到NOx排放的VS-LSSVM模型。最优的输入变量个数通过留一交叉验证法获取。并将该模型与其他建模方法进行对比,结果表明通过变量选择后建模可以降低模型的复杂度,提高模型的泛化能力。     

非线性偏最小二乘回归在电力负荷预测中的应用

非线性(二次多项式)偏最小二乘既能够解决线性偏最小二乘只能提取线性成分的问题,它又借鉴了偏最小二乘回归方法能够有效地解决自变量集合多重相关性的问题,因而它更具有先进性,其计算结果更为可靠.本文将二次多项式非线性偏最小二乘回归应用于泉州地区的电力负荷预测.文章还将二次多项式偏最小二乘的预测结果并线性偏最小二乘和logistic模型的预测结果进行比较,实例预测结果表明,非线性偏最小二乘具有较高的预测精度,它能满足实际工程的要求.     

太赫兹时域光谱用于橡胶添加剂的定量分析

在利用太赫兹时域光谱（THz TDS）技术对丁腈橡胶中的添加剂进行定量分析时,将偏最小二乘法(PLS)推广到多维偏最小二乘方法(N PLS),解决了高维数据的建模问题,并且具有良好的模型预测能力。为验证本算法的有效性,分别采用PLS算法和N PLS算法对样本进行建模分析,得出N PLS模型的均方根误差为2.04%,相关系数为0.98。PLS模型的均方根误差为2.71%,相关系数为0.97,结果表明,两种方法都可以对丁腈橡胶中添加剂的含量进行预测,而N PLS算法具有更好的预测效果。     

基于核偏最小二乘的电厂热力参数预测与估计

为了解决机组运行过程中参数失效和优化过程中参数计算的问题,提出了一种基于核偏最小二乘方法的热力参数预测和估计方法.首先用正常数据建立机组参数的预测和估计模型,确定各变量之间的回归关系,然后将其用于参数的在线预测与估计.其基本思想是通过非线性核函数将数据映射到高维特征空间,然后在高维特征空间中进行偏最小二乘回归运算.该方法可以有效地捕捉变量间的非线性关系,参数预测和估计效果明显好于偏最小二乘法和主元回归方法等线性回归方法.某1 000MW发电机组烟气含氧量历史特征数据集仿真试验及实际应用比对实验证明了该方法的有效性.     

基于核偏最小二乘的电厂热力参数预测与估计*

为了解决机组运行过程中参数失效和优化过程中参数计算的问题,提出了一种基于核偏最小二乘方法的热力参数预测和估计方法。首先用正常数据建立机组参数的预测和估计模型,确定各变量之间的回归关系,然后将其用于参数的在线预测与估计。其基本思想是通过非线性核函数将数据映射到高维特征空间,然后在高维特征空间中进行偏最小二乘回归运算。该方法可以有效地捕捉变量间的非线性关系,参数预测和估计效果明显好于偏最小二乘法和主元回归方法等线性回归方法。某1 000 MW发电机组烟气含氧量历史特征数据集仿真试验及实际应用比对实验证明了该方法的有效性。     

基于灰色和偏最小二乘方法的年度负荷预测

将偏最小二乘方法应用于年度负荷预测,可以利用有限容量样本剔除冗余信息,建立线性回归方程,但其对随机因素影响的相对重要性提升会降低预测精度.根据年度负荷以及主要影响因素的趋势变化特点,采用灰色模型对其进行模拟,以经验风险最小的预测值代替原始数据进行偏最小二乘建模,从而削弱随机因素的影响,提高预测精度.试验证明该方法有效可行.     

基于偏最小二乘回归的锅炉再热汽温建模

锅炉再热汽温调节对于机组安全性和经济性有着重要的意义.利用偏最小二乘回归结合机组实际运行数据对再热期望焓升-即单位流量蒸汽吸热能力进行建模.分析了再热期望焓升的影响因素,构建了现场没有引入但会对再热汽温造成直接影响的中间变量.在建模前期通过稳态工况以及均匀设计的方法对建模数据进行筛选,并比较了多种数据筛选方法的建模精度.研究结果表明,再热汽温受多个因素综合变化影响,且呈非线性关系,对再热期望焓升进行建模能够更好地反映再热汽温变化的本质:选择不同的样本数据对模型的精度和稳定性有一定的影响:建立的偏最小二乘回归模型能够克服变量间的多重相关性,得到易于解释的统计学模型,量化已有运行数据,使运行人员快速掌握系统特性,同时也为先进控制策略的应用提供了数据基础.     

改进的偏最小二乘法在分析谐波源中的应用

介绍了改进的偏最小二乘法的基本原理和建模思想,并给出了建模步骤,论证了该方法的合理性。将该方法应用于谐波源识别的分析中,对谐波阻抗和谐波发射水平进行了定量分析,仿真结果表明该方法能够避免因变量和自变量间多重关系,可以更准确地识别谐波所在侧,是电力系统数据建模的一种新方法。     

一种建模新方法及其在谐波源分析中的应用

为有效提取多变量系统中对系统解释性最强的综合变量,克服变量多重相关性在系统建模中的不良影响,提出了基于偏最小二乘回归进行数据建模的一种新方法。介绍了该方法的基本原理和建模基本思想,并以实例分析了该方法对多变量信息的综合与筛选作用。将该方法应用于谐波源的定量分析中,利用测试的谐波电压和电流信号,通过偏最小二乘回归算法求解回归系数,进而可计算系统谐波阻抗与用户的谐波发射水平。仿真示例说明了该方法的有效性和优越性。     

基于加权偏最小二乘回归的中长期负荷预测简

针对中长期负荷预测,考虑各历史样本在建立适用于预测对象的模型时处于不同的地位,应分配不同的权值,提出一种基于加权偏最小二乘回归（weighted partial least squares regression,WPLSR）的预测方法。利用相似离度计算历史样本与预测对象的相似度,判定样本是否含有异常值,自适应地为历史样本分配权值,进而采用偏最小二乘回归（partial least squares regression,PLSR）提取主成分和回归分析。算例结果表明WPLSR方法的预测精度比普通PLSR模型有显著提高,具有良好的可行性和有效性。     

基于偏最小二乘回归分析的中长期电力负荷预测

针对中长期电力负荷预测,介绍偏最小二乘回归分析方法的原理,推导该算法的简化建模步骤。该方法能在最大限度保留原有数据信息的前提下,将数据信息集中在几个互不相关的主成分上,因而能有效解决建立负荷预测模型时由于样本个数较少及自变量存在严重的多重相关性,难以通过多元回归分析建立预测模型的问题。通过算例对偏最小二乘回归分析方法、最小二乘法和逐步回归分析方法进行了比较,结果表明,将偏最小二乘回归分析方法用于中长期电力负荷预测时,计算快捷,准确性高,具有较强的实用性。     

基于核偏最小二乘回归方法的发电机关键运行参数预测分析

通过对发电机关键运行参数的实时预测能够辅助实现发电机运行状态的有效监控。传统偏最小二乘斱法(Partial Least Squares,PLS)在应用过程中没有考虑变量间的非线性关系,为提高发电机关键运行参数的预测精度,引入核函数迚行变量空间的非线性映射变化,实现非线性回归分析,幵将核偏最小二乘回归斱法(Kernel Partial Least Squares Regression,KPLSR)应用于发电机定子线圈出水温度预测,实际运行数据的对比分析验证了斱法的有效性。     

基于岭回归与偏最小二乘回归的中长期负荷预测

为了提高负荷预测的精度,在负荷预测模型的建立过程中往往选取一些相关影响因素。然而此种情况往往将一些不重要的因素也考虑进来,增加了负荷建模的难度,有时甚至出现模型不好解释的现象。为了避免这种情况,提出了首先用岭估计法筛选所有选出的自变量集合,剔除那些对负荷影响不显著的因素,然后用剩余的自变量集合通过偏最小二乘回归法建模。通过实例应用,证明了该方法的正确性和有效性。     

无刷直流电机输出转矩的非线性偏最小二乘回归估计

针对无刷直流电机直接转矩控制系统中,电机输出转矩估计或观测存在需检测电机状态信号难以精确地检测、观测或计算等不可避免的难题,提出一种利用电机线电流和转速两个易检测信号进行电机输出转矩估计的方法。该方法首先基于拉丁超立方抽样方法确定建模数据,确保离散数据的可靠性;然后通过核函数将建模数据中的自变量变换到特征空间,将自变量与因变量之间的非线性关系在特征空间中线性地展开;最后在特征空间中利用偏最小二乘回归方法建立电机输出转矩的估计模型。通过对转矩估计精度和控制系统性能进行分析及实验验证,证明了所提转矩估计方法能准确地估计电机输出转矩,确保电机直接转矩控制系统的性能,该方法具有较强的实用性。     

基于臀部红外测量的神经网络体温算法研究

红外测体温的精度受到多种因素的影响,具有非线性和高度复杂性的特点。为了提高红外测体温的精度,分析了环境温度、测量距离、发射率等对红外测体温精度的影响。研究了基于臀部的红外体温测量方法,建立了由臀部体表温度转化为人体实际体温的温度场扩散模型,利用偏最小二乘法和人工神经网络对温度场模型进行优化补偿,有效的解决了各影响因素之间多重相关性的问题和补偿模型的非线性问题,提高了系统的可靠性。实验结果表明,所提出的红外测体温补偿模型测温误差范围在-0.12~0.11℃,具有更高的测量精度且适应性更强。     

基于偏最小二乘法与BP神经网络的电力中长期负荷预测

用于考虑多个相关因素影响的负荷预测时,偏最小二乘法(partial least squares regression,PLSR)通过提取影响负荷的自变量集的主成分,克服了自变量间多重相关性对于负荷建模带来的不利影响,具有对模型解释能力强的优点。但PLSR也有其自身的弱点,如自变量系统中可能存在与因变量无关的正交数据信息,而影响模型的预测精度。基于PLSR算法和BP神经网络的特性,建立了一种PLSR-BP神经网络模型,该模型对原PLSR建模过程中产生的权值和回归系数进行修正,仿真研究结果证明了该方法的正确性和有效性。