改进的PLSR算法在大坝安全监控中的应用

针对自变量中含有过多与因变量无关的信息时应用偏最小二乘回归算法将出现偏差的问题,引入改进的偏最小二乘回归算法对坝体水平位移建立数学模型,并以安徽陈村混凝土拱坝为例进行分析.结果表明,改进的偏最小二乘回归算法通过正交投影变换解释矩阵能有效改善噪音的影响,建立的统计模型在保证解释能力的前提下其拟合效果和预测能力较偏最小二乘回归算法均有所提高.     

因子相关性对大坝监测模型精度的影响探究

介绍了逐步回归、岭回归、偏最小二乘回归、RBF神经网络、主成分RBF组合模型的基本思路与特点。以陈村大坝变形计算为例,分别建立了各种回归模型,比较了各种模型的优缺点,指出线性统计模型中偏最小二乘回归法的拟合精度及解释能力优于逐步回归、岭回归法;RBF神经网络、主成分RBF组合模型优于线性统计模型,主成分RBF组合模型最优,拟合及预测精度最好。     

基于小生境遗传算法的Hi-PLS回归模型优化

在以递阶偏最小二乘法建立回归模型的基础上,利用小生境遗传算法的快速、全局搜索优化功能对模型中的回归系数进行重新评估,建立了基于小生境遗传算法的递阶偏最小二乘大坝安全监控模型.工程实例与模型对比分析结果表明,经小生境遗传算法优化的递阶偏最小二乘回归模型不仅比原模型提高了拟合精度,且增强了预测能力.     

基于典型相关和人工粒子群的大坝监测分析模型

针对大坝安全监测多效应量统计分析模型存在相关性而影响模型精度问题,提出了优化方案,预先对效应量和影响因子进行典型相关性分析,实现变量降维并提取与效应量相关性大的自变量作为模型输入因子构建多元线性回归模型,并基于人工粒子群算法求解最优偏回归系数。经与全回归、逐步回归、偏最小二乘回归模型比较验证,实例表明所建模型有较优的拟合效果和预测精度、鲁棒性强。     

回归分析在活塞环石墨球径控制上的应用

根据对球墨铸铁活塞环碳硅当量CE值与球状石墨大小的数据分析,建立以球墨铸铁活塞环CE值为自变量、球径大小为因变量之间的回归模型,得到回归方程。采用最小二乘法解出回归参数,并检验线性关系的显著性,最后实现对被解释变量球径大小的区间进行预测,以及通过控制碳硅当量来得到要求的球径大小。     

基于偏最小二乘法的火电厂实时数据预测

详细讨论被预测参数相关变量的选择原则,偏最小二乘法中选择主成分个数的交叉有效性原则,并采用偏最小二乘法建立火电厂实时数据预测模型的回归方程。以某火电厂300 MW机组的PI实时数据库中的数据作为样本数据,建立实时数据预测模型对传感器测点测量数据进行故障检测及诊断,解决了普通多元回归模型对多重具有相关性的数据适应性差的问题,具有速度快、预测精度高的优点。     

基于偏最小二乘回归的锅炉传热预测建模

由于传热机理复杂,形式简单的、适用于实时在线计算的锅炉传热模型精度通常不高.利用偏最小二乘回归方法建立了锅炉传热量预测模型.该方法将建模预测类型的数据分析方法与非模型式的数据认识分析方法有机地结合起来,有效的克服了自变量的多重相关性.基于偏最小二乘回归的锅炉传热量预测模型精度高,物理意义明确,较普通最小二乘回归模型更合理的解释了锅炉传热机制.该建模方法可用于船舶蒸汽动力系统等大型动力系统的仿真以及基于模型的控制系统研究.     

逐步回归-PLS模型在大坝位移监控中的应用

针对传统统计模型分析大坝位移监测资料中合理删选自变量问题,以陈村重力拱坝为例,基于偏最小二乘法建模原理,采取逐步回归法筛选变量,构建了逐步回归-PLS模型。实例应用结果表明,该模型简单、有效减少了自变量个数、提高了回归模型的精度和线性显著性。     

逐步回归和偏最小二乘回归模型在混凝土重力坝变形监测中的应用

针对重力坝变形监测中单一回归模型存在的不足,引入水位、温度和时效各因子,分别建立了逐步回归模型和偏最小二乘回归模型,选取A电站14年的资料共88组样本点,分别采用两种模型对上下游方向S02单测点进行分析。结果表明,两种模型在很大程度上对混凝土重力坝变形监测结果分析均适用,实测值与逐步回归计算值和偏最小二乘回归计算值基本吻合,但偏最小二乘回归模型各水位、温度和时效各因子有效避免了舍弃线性相关自变量,对大坝变形的影响较逐步回归模型更加接近实际规律,在大坝变形监测中将二者方法得到的结果结合起来,得到的监测资料更为准确。     

锅炉烟气含氧量预测混合模型及应用

影响锅炉烟气含氧量的因素多而复杂,根据某电站锅炉特点选取煤种参数、煤量、风量、蒸汽流量、排烟温度、燃烧器摆角等15个影响燃烧的参数作为烟气含氧量的预测参数,将偏最小二乘回归与神经网络相耦合,利用偏最小二乘回归对数据提取主成分,建立了烟气含氧量预测混合模型。利用此模型进行了参数影响烟气含氧量的分析,并针对最优的风量、低位发热量这两个参数提出了锅炉运行优化目标值。     

一种评判煤灰结渣特性的新方法

针对煤灰结渣特性单一评判指标的预测精度普遍偏低的问题,基于偏最小二乘算法（PLS）和交叉验证理论建立了煤灰结渣特性预测模型,该模型有4个输入变量,即煤灰的软化温度、碱酸比、硅比和硅铝比,1个输出变量,即结渣程度．提出了指标的同向性和异向性的概念,依据所提出的概念对各单一指标对煤灰结渣特性的作用进行了定性分析与讨论,结合拟合方程,给出了煤灰结渣特性的评判依据．通过对测试样本进行检验,结果表明：所提出的PLS预测模型的预测精度远高于单一评判指标的预测精度,所建模型是合理可行的．     

系统优化的GM(1,1)模型在大坝位移预测中的应用

针对传统灰色GM(1,1)模型的缺陷,以陈村大坝为例,根据最小二乘原理提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,求得新灰色GM(1,1)预测模型的最优初始值,改进了原GM(1,1)模型的背景值及灰度值,并与传统GM(1,1)模型做了比较.数值仿真结果表明,新模型精度较高,预测效...     

基于最小二乘组合灰色模型的中长期电力负荷预测

电力负荷预测是实现电力系统管理现代化的重要内容,有效的中长期电力负荷预测可为电网运行方式、电源建设规划等提供可靠的决策依据。针对中长期电力负荷预测,综合考虑负荷的历史数据和未来可能走势,在对三种灰色预测模型分析的基础上,以其预测值为解释变量,实际负荷值为被解释变量,通过最小二乘法建立多元回归方程,并通过计量经济检验,以此构造了负荷预测组合模型。将该模型应用于北京市年用电量预测中,结果表明所构造模型具有较高的预测精度,有效可行。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS—SVM）的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（0uantum—behaved Particle Swarm Optimization,QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLS—SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

基于多项式—马尔科夫的水泵性能曲线拟合

针对淮安四站全调节立式轴流泵在运行中或停机后不必拆卸叶轮就可在一定范围内任意调节叶片的安放角是否影响水泵流量—扬程性能曲线的问题,在最小二乘法拟合水泵性能曲线的基础上进行马尔科夫处理,提出了多项式—马尔科夫组合模型曲线拟合方法。通过对比分析多项式—马尔科夫组合模型拟合法与传统的多项式算法的差异,证明多项式—马尔科夫组合模型具有更高的拟合精度,可大大提高水泵流量—扬程性能曲线的准确度。     

基于加权最小二乘支持向量机改进算法的汽轮机通流部分故障诊断研究

汽轮机通流部分故障特征数据较多、故障类型复杂,很难建立精确的机理模型。提出一种基于加权最小二乘支持向量机(Weighted Least Squares Support Vector Machines,WLS-SVM)的改进算法,该算法用输出变量的留一交叉检验误差取代原有误差确定加权系数,解决了WLS-SVM由于加权系数与模型支持值相互影响,样本在剔除与不剔除之间反复变化而不收敛的问题。实验结果表明该方法能有效地剔除异常样本,减少故障特征量的数目,提高了校正模型的稳健性及WLS-SVM特征预测的速度和预测的精度。