改进灰狼算法优化支持向量机的网络流量预测

高精度网络流量预测是现代网络智能管理的基础,针对支持向量机在网络流量预测建模过程中的参数优化难题,以改善网络流量预测结果为目标,提出了改进灰狼算法优化支持向量机的网络流量预测模型。首先收集网络流量历史数据,并对数据进行相空间重构、归一化等预处理,然后引入改进灰狼算法快速搜索到全局最优支持向量机的相关参数,并根据最优参数对预处理后的网络流量历史数据进行学习,建立能够挖掘网络流量历史数据包含变化规律的预测模型,最后与其他算法优化支持向量机的网络流量预测模型进行了对比分析。结果显示,改进灰狼算法优化支持向量机的网络流量预测精度超过90%,远高于对比模型,且预测建模过程的建模时间少于对比模型,可以满足网络流量管理的高精度和实时性的要求。     

基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

遗传优化支持向量机在软件缺陷预测中的应用

软件开发过程中对软件模块的可靠性进行预测可以有效地提高软件的质量。支持向量机可应用于建立软件缺陷预测模型。为提高预测模型的分类准确度,利用遗传优化算法选择出最优属性子集,从而降低数据样本中冗余属性带来的不利影响,利用支持向量机建立了一种高效的软件缺陷预测模型。实验结果表明,基于遗传算法和支持向量机建立的预测模型能够为软件缺陷预测提供较高的预测精度和效率,有着良好的应用前景。     

基于最小二乘支持向量机的风功率短期预测

为了减小风力发电的随机性对电力系统的影响,提出了一种基于最小二乘支持向量机的风功率短期预测模型。在研究最小二乘支持向量机的基础上,为解决最小二乘支持向量机建模时其参数对预测性能影响,运用粒子群算法对参数进行优化,最后建立了基于粒子群优化最小二乘支持向量机的预测模型。运用某风电场的实测数据进行仿真研究,为了对比分析,同时利用E1man神经网络模型和支持向量机模型进行了预测,仿真结果表明,本文所提方法与其它方法相比预测精度更高,可以有效地应用于风功率的预测。     

基于小波变异果蝇优化支持向量机短期负荷预测方法研究

预测精度是电力负荷预测的重要指标。为增强预测精度,提出基于小波变异果蝇优化的支持向量机预测模型(WFOAAM-LSSVM)。利用小波对负荷数据进行预处理,分解成不同尺度的负荷曲线,加强历史数据规律性和随机性。针对果蝇算法寻优精度不高和易陷入局部最优的不足,利用群体适应度方差和当前最优解判断是否陷入局部最优,再进行最优个体扰动和高斯变异操作,对变异后的果蝇个体二次寻优,使支持向量机预测模型精度得到明显增强。利用WFOAAM-LSSVM对2015年河南省某地区历史负荷数据对未来几日预测,并与支持向量机模型以及粒子群优化的支持向量机模型预测结果对比。结果表明:基于小波变异果蝇优化的支持向量机短期负荷预测精度高,具有很好的实际应用意义。     

基于支持过程向量机的航空发动机排气温度预测

针对航空发动机气路性能衰退主要是由时间累积效应造成的这一问题,为反映航空发动机气路性能参数时间序列中实际存在的时间累积效应,以预测航空发动机气路性能衰退规律,本文从泛函分析的角度出发,提出了一种支持过程向量机模型。并建立了基于支持过程向量机的时间序列预测模型,且以Logistic混沌时间序列预测为例验证了该预测模型的有效性。在此基础上建立了基于支持过程向量机的航空发动机排气温度预测模型,并采用遗传算法进行模型参数的优化选择。通过航空发动机排气温度预测实际应用案例对提出的模型进行了验证,实验结果表明:支持过程向量机预测结果的平均相对误差为2.81%,优于传统支持向量机的预测结果。     

结合改进PSO算法和LSSVM的化工异常工况超早期监测预警研究

针对化工过程采样间隔短、动态性强,短期参数预测不能有效地为现场人员提供充足的操作时间,提出了结合改进粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的异常工况超早期监测预警方法。采用最小二乘支持向量机对归一化处理后的过程数据进行训练,利用改进的粒子群优化算法对最小二乘支持向量机中的核参数和惩罚因子进行快速精确地全局寻优,得到优化的预测模型。在丙烷塔的超压异常工况超早期监测预警案例分析中,能够准确地对未来500 s内的过程数据进行预测,并比DCS系统提前40 s发出异常报警,相比于最小二乘支持向量机预测模型和标准粒子群优化的最小二乘支持向量机预测模型,所提方法有效降低了预测误差。     

杂草算法优化支持向量机的短期负荷预测

针对支持向量机在短期负荷预测中的参数优化问题,利用杂草算法优异的搜索能力,构建了基于杂草算法优化支持向量机的短期负荷混沌预测模型(IWO-SVM)。该模型首先将支持向量机一组参数看作一个杂草种子,然后通过模拟杂草生存、繁殖过程实现支持向量机参数寻优,最后采用具体短期负荷数据对其性能进行分析。结果表明,IWO-SVM获得了高精度的短期负荷预测结果,能够满足短期负荷预测的实际要求。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法。模型的输入因子是负荷数据和气象信息等。粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型。通过仿真验证了改进前后预测模型的准确性和有效性,结果表明,改进的预测方法具有收敛性好、预测精度高、训练速度快的优点。本研究为我国短期负荷预测方法的发展提供了参考和借鉴。     

基于遗传算法和支持向量机的低NOx燃烧优化

大型四角切圆电站锅炉NOx排放是造成环境污染的重要因素，也是电厂关心的重要问题。影响燃煤锅炉NOx排放量的因素众多而且复杂。对锅炉NOx排放特性进行建模预测，并结合优化算法实现燃烧优化是降低锅炉NOx排放的有效方法。文中应用支持向量机算法建立了大型四角切圆燃烧锅炉NOx排放特性模型，接合遗传算法，利用NOx排放的热态实炉试验数据对模型进行了校验，对锅炉运行参数进行了优化。结果表明，通过遗传算法的寻优， NOx排放量有比较明显的降低。支持向量机与遗传算法相结合与其它方法相比具有泛化能力好，计算速度快等优点，是锅炉NOx排放控制的有效工具。     

变尺度混沌蚁群算法在NOx排放优化中的应用

为了控制燃煤电厂NOx排放,应用支持向量回归建立了大型四角切圆燃烧电站锅炉NOx 排放特性模型。利用大样本量的热态实炉NOx 排放试验数据对模型进行了训练和验证,结合NOx排放模型采用一种变尺度混沌蚁群算法对锅炉运行参数进行优化, 定量分析优化算法参数对优化结果的影响。计算结果表明,相对于BP神经网络,支持向量回归模型能更好地预测锅炉NOx排放;变尺度混沌蚁群算法能明显降低NOx排放,且具有较高的稳定性与鲁棒性,1.8 min的优化时间也便于在线应用;支持向量回归与变尺度蚁群混合算法能有效降低燃煤锅炉NOx排放,是锅炉NOx排放控制的有效工具。     

基于生成机理的燃煤电站锅炉NOx排放量神经网络模型

到目前为止，对燃煤电站锅炉NOx生成规律的研究主要集中在试验和基于化学反应动力学的CFD模型研究上，而对基于NOx排放规律的人工神经网络模型研究得较少。为数不多的研究者也只是采用人工神经网络黑箱的特点，没有充分应用现已逐渐成熟的NOx生成机理。该文基于NOx的生成机理，针对某燃煤电站锅炉，提出NOx排放量的神经网络模型。该神经网络模型具有可以预测各一次风粉单元NOx生成量、锅炉NOx排放量、网络隐节点数少、泛化能力强、鲁棒性好、学习速度快等优点。所提出的模型可以为大型电站锅炉通过燃烧系统自动调整或结构改造降低NOx排放提供依据。     

以效率和低NOx排放为目标的锅炉燃烧整体优化

基于效率和低NOx排放目标的锅炉燃烧整体优化是指实时地提出同时优化效率和低NOx排放目标的操作,而其中锅炉效率和NOx排放模型的精度以及优化算法的效率尤为重要。该文基于改进MRAN算法的锅炉燃烧效率和NOx排放模型以及基于实数编码的遗传优化算法，对电站锅炉的燃烧过程进行优化仿真。结果表明,改进的MRAN算法和基于实数编码的遗传算法应用在电站锅炉的效率和低NOx排放目标燃烧优化上是有效的,可以得到按一定目标函数的锅炉效率和低NOx排放目标的实时整体优化效果。     

循环流化床中木粉与塑料共燃的NO_x生成研究

为研究木粉与塑料共燃的氮氧化物生成规律,在自行设计的循环流化床装置上进行了二者的共燃实验。研究了温度、木粉和塑料粉混合比例对NO和NO2生成浓度的影响。实验结果表明:随温度升高,NO生成浓度升高,而NO2生成浓度迅速降低;随木粉和塑料粉混合比例增加,NO和NO2生成浓度均降低,且共燃时NO的生成量低于两种物料单独焚烧时其生成量的线性叠加。为寻找二者共燃时氮氧化物生成的一般性规律,采用BP神经网络建立了NO生成的预测模型,预测结果显示该模型具有很高的精度。     

电站锅炉燃烧系统的神经网络建模

提高锅炉运行效率,降低烟气NOx的排放是电站锅炉燃烧优化的主要目标,而燃烧特性模型是燃烧优化的核心.基于某电站锅炉燃烧系统的稳态试验数据,通过对锅炉系统模型结构的分析,应用人工神经网络建立了NOx排放量和锅炉效率的预测模型,实现了其飞灰舍碳量、排烟温度、炉膛温度、NOx排放量等参数的软测量和锅炉效率的预测,为锅炉燃烧优化奠定了基础.     

煤粉燃烧炉膛沿程NOx释放规律的研究

对一维炉内煤粉燃烧，炉膛沿程NOx的释放规律进行了数值模拟和试验研究。研究结果表明：炉内温度升高，NOx的析出峰值升高，位置前移，温度达到一定值后，随温度的升高, NOx 的释放量又呈下降趋势；煤中含氮量越多，NOx释放量越大，NOx的析出峰值位置，随煤种碳化程度的增加而逐渐后移；随过量空气系数的增加，NOx释放量呈明显增加的趋势；NOx的释放量与煤粉粒度的关系中，存在一个煤粉平均粒度临界值dc，当煤粉粒度d≤dc时，随煤粉粒度的减小，NOx的释放量减小，当煤粉粒度d>dc时，随煤粉粒度的减小，NOx的释放量增大；模拟计算同试验结果吻合较好。     

锅炉燃烧调整对NOx排放影响的研究

火电厂燃煤锅炉中排放的氮氧化物(NOx)是造成大气污染的主要成分之一,如何经济有效地控制其排放量是我国乃至世界节能减排领域中急需解决的问题.NOx的排放受很多因素影响,文中结合潍坊电厂3号、4号超临界压力直流锅炉,从省煤器出口氧量变化、炉膛大风箱压差变化、SOFA风量变化、CCOFA风量变化、不同磨煤机运行组合、偏置风...     

利用超细煤粉再燃降低NO_x排放技术

国家已经制定了大型电站锅炉NOx排放标准,并开始征收NOx排污费。因此,许多电厂面临对燃烧系统进行改造、降低NOx排放问题。论述了超细煤粉再燃降低NOx排放技术的几个关键问题。     

吸附烟气中NOx 的吸附剂研究进展

工业和交通部门燃烧化石燃料产生的NOx是大气中最普遍的有害气体。降低由化石燃料燃烧造成的NOx排放迫在眉睫。通过对比研究多孔碳材料吸附剂、沸石分子筛吸附剂、金属有机框架材料吸附剂与金属氧化物吸附剂的结构特点以及NO的吸附量与选择性、反应特性及吸附剂的吸附机理,提出了这几种吸附剂作为NOx吸附剂的可能性以及存在的不足,为研发可实现NOx脱除并回收利用的资源化吸附剂提供参考。