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.     

燃煤机组NO_x生成量动态软测量模型

针对在动态过程中NO_x生成量静态软测量模型预测精度降低和时间异步的问题,提出采用LSSVM动态软测量模型,应用k-近邻互信息法进行辅助变量迟延时间的确定,并利用遗传算法和k-近邻互信息法进行辅助变量阶次的选择,采用涵盖自变量迟延和阶次信息的新输入变量集构造最小二乘支持向量机(LSSVM)动态软测量模型,分别提出了基于k-近邻互信息法和遗传算法的LSSVM动态软测量模型,最后将2种LSSVM动态软测量模型与静态软测量模型对NO_x生成量的预测效果进行对比。结果表明:与静态软测量模型相比,LSSVM动态软测量模型预测精度更高,并具有一定的超前预测功能。     

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测

为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法。首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证。结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用。     

基于PSO-LSSVM模型的火电厂烟气含氧量预测

锅炉烟气含氧量是机组运行最重要的参数之一,为了准确测量氧量,在支持向量机(SVM)的基础上,提出最小二乘支持向量机(LSSVM),并结合粒子群算法(PSO)对模型参数(C,g)进行寻优,从而建立锅炉输入和输出变量之间的关系模型。将该方法应用到某电厂600 MW燃煤机组中,用训练后的模型进行预测,并与SVM模型预测结果进行比较。结果表明:采用LSSVM方法,能够辨识出多个变量与氧量之间的复杂关系,对锅炉氧量的预测误差为±0.03;并且PSO-LSSVM预测精度比PSO-SVM模型高,PSO-LSSVM模型具有预测精度高、泛化能力好、鲁棒性强和训练时间较短等优点。     

基于混合变分模态分解模型的短期风速预测

针对风速时间序列不稳定导致其难以准确预测的问题,提出一种基于最优变分模态分解(OVMD)和蝙蝠算法(BA)优化最小二乘支持向量机(LSSVM)的短期风速预测模型。采用OVMD技术,将原始风速时间序列先分解为若干个相对稳定的分量序列,然后对各个分量分别建立LSSVM模型进行预测,并采用蝙蝠算法优化LSSVM中的参数,最后对优化的分量预测模型的预测值求和,即得到原始风速序列的预测值。算例分析表明,该模型具有较高的预测精度,能有效跟踪风速的变化规律。研究成果为短期风速预测提供了新思路。     

基于AFSA-LSSVM的位移反分析方法研究

以糯扎渡水电站工程为例,依据LSSVM原理构建了待反演参数与位移的预测模型,采用AFSA优化LSSVM模型参数提出基于AFSA-LSSVM的位移反分析方法,寻求预测位移值与监测位移值最接近的适应值,以获得最真实的待反演参数。结果表明,该方法较PSO-LSSVM能搜索到更优适应值,计算精度高,适用性较强。     

基于GSA-LSSVM的循环流化床锅炉飞灰含碳量预测

为了控制循环流化床锅炉飞灰含碳量,提高锅炉燃烧效率。以某电厂循环流化床锅炉燃烧数据为样本,应用最小二乘支持向量机(LSSVM)建立了以锅炉运行参数为输入量,以锅炉飞灰含碳量为输出的模型。由于最小二乘支持向量机的参数决定了模型精度及泛化能力,将万有引力搜索算法(GSA)运用到模型参数寻优过程中,得到了飞灰含碳量最优模型GSA-LSSVM;并利用不同工况下的样本数据检验了模型的预测性能,并将该模型分别与粒子群(PSO)和遗传算法(GA)优化的LSSVM模型进行比较,仿真实验证明GSALSSVM模型具有很好的辨识能力及泛化能力。     

基于ABCA-LSSVM的复杂工程结构可靠度计算

针对复杂工程结构的可靠度计算中难以精确给出显式极限状态函数,提出了一种用于复杂工程结构可靠度计算的人工蜂群最小二乘支持向量机方法(ABCA-LSSVM),利用LSSVM建立映射关系替代有限元计算,使计算效率大幅提高;引入ABCA用于LSSVM模型参数γ和σ的优化,提高了预测精度.重力坝抗拉强度可靠度分析实例验证了本文方法的有效性.     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

基于多气象要素降维及改进型变分模态分解算法的光伏发电功率预测模型研究北大核心CSCD

为了精准预测光伏发电输出功率,文章提出了一种基于多气象要素降维、优化后的变分模态分解(OVMD)技术、自适应t分布的麻雀搜索算法(t SSA)和最小二乘法向量机(LSSVM)的光伏发电输出功率预测模型。利用OVMD技术对输入光伏时间序列数据进行分解处理,引入t SSA对利用各模态分量建立的LSSVM模型进行参数寻优,搭建了基于OVMD-t SSA-LSSVM算法的光伏功率预测模型,并使用了中国东南沿海某地区3 a的气象数据和实时的光伏输出功率数据进行模型性能验证,通过与SVM,LSSVM,VMD-LSSVM和VMDSSA-LSSVM 4种模型的预测性能对比,OVMD-t SSA-LSSVM模型的预测精度和拟合效果均最优。实验数据表明,该模型的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别小于3%和0.35,决定系数(R-Square)超过了97%。最后,通过光伏气象要素降维处理,进一步提升了OVMD-t SSA-LSSVM模型性能。     

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法.通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法...     

基于改进经验小波变换和最小二乘支持向量机的短期风速预测

针对原始风速信号非线性和非平稳性的特征,提出一种新的改进经验小波变换(IEWT)方法,该方法可将风速信号分解成一组有限带宽的子序列,以降低其不稳定性。在此基础上,结合最小二乘支持向量机(LSSVM),提出基于改进经验小波变换和最小二乘支持向量机(IEWT-LSSVM)的短期风速预测方法,并通过模拟退火粒子群优化算法(SAPSO)对相空间重构参数以及LSSVM模型的2个超参数进行共同优化。最后以华北某风电场采集的风速信号为算例,结果表明基于IEWT-LSSVM的预测模型能有效追踪风速信号的变化,在单步预测和多步预测上均具有较高的预测精度。     

基于小波分析的并行膜混合核支持向量机月度负荷预测

针对现代电力系统月负荷数据的趋势增长性和波动性的非线性特征,提出了一种基于小波变换的混合支持向量机负荷预测模型。通过小波变换将负荷序列分解为不同尺度的子序列,考虑负荷的季节波动性,将温度因素作为输入变量,构建混合核函数LWPSO-LSSVM。将负荷子序列分别放入膜系统的基本膜中进行并行预测,然后对子序列预测数据进行重构得到预测结果。利用四川省某地区电网负荷数据进行应用研究,结果表明所提出的模型较传统核函数支持向量机预测精度和效率有明显提高。     

基于改进LSSVM的太阳辐射量预测

为准确预测太阳辐射量,提出一种基于变分模态分解和粒子群优化算法的最小二乘支持向量机组合预测模型。针对太阳辐射量序列具有不稳定性的特点,首先利用变分模态分解将历史太阳辐射量数据分解成一系列相对稳定的分量序列,再应用粒子群优化最小二乘支持向量机参数,以预测各分量序列,将各分量太阳辐射量预测值集成,从而得到最终太阳辐射量预测值。实例分析和对比研究表明,该模型预测太阳辐射量有效可行,具有较高的预测精度。研究成果可为太阳辐射量预测提供参考。     

基于COA-LSSVM模型的边坡位移时序预测

鉴于预测边坡位移变化对边坡稳定性的重要意义,利用布谷鸟优化算法(COA)对最小二乘支持向量机(LSSVM)的核函数参数和惩罚因子进行寻优,从而建立了边坡位移时序预测的COA-LSSVM模型,并将该模型应用于锦屏一级水电站左岸高边坡变形预测中。与PSO-LSSVM模型的预测结果对比表明,COA-LSSVM模型具有更高的预测精度,预测结果更接近于实际的监测数据。     

基于改进FOA LSSVM的变压器故障诊断

针对基于油中溶解气体（DGA）变压器故障诊断方法存在的不足,提出了改进果蝇算法优化LSSVM的变压器故障诊断方法。为克服果蝇算法易陷入局部极值、收敛精度低的缺陷,引入线性递减步长、变异操作和混沌搜索策略进行改进。建立了LSSVM变压器故障诊断模型,并用改进的果蝇算法优化参数。仿真试验及对比研究表明,改进模型可准确、有效地识别变压器故障类型,相较其他模型（BPNN、FOA PNN和FOA LSSVM）,该模型的准确率较高,更适合于变压器故障诊断。     

Biodiesel production from oil-rich feedstock: A neural network modeling

Biodiesel produced from oil-rich feedstocks is known as a green replacement for conventional petroleum diesel. Transesterification is the common method used for biodiesel production. Hence, in this contribution, neural network modeling and least square support vector machine (LSSVM) modeling were used to predict the transesterification of castor oil with methanol to form biodiesel. Also, genetic algorithm was used for the optimization of predictive model. Input and output parameter of predictive models for the prediction of biodiesel production yield and estimation of the efficiency of biodiesel production are catalyst weight (C), methanol-to-oil molar ratio (MOR), time (S), temperature (T), and fatty acid methyl ester (FAME) yield, respectively. Proposed LSSVM modeling predicts biodiesel production yield or FAME yield within ±2% relative deviation with a high value of coefficient of determination (0.99583) and a low value of absolute deviation (1.27) in which the mentioned statistical parameters represent the accuracy and robustness of the model.     

Application of LSSVM algorithm for estimating higher heating value of biomass based on ultimate analysis

The higher heating value (HHV) is known as one of the energy evaluation parameters for biomass which has wide application in economic aspects investigation of energy sources. In this investigation the LSSVM algorithm as novel predicting model in the purpose of estimation of higher heating value in terms of ultimate analysis. A total number of 78 experimental data for training and testing of the algorithm were gathered from literature.in the purpose of evaluation of estimating algorithm the results are reported graphically and statistically. The calculated statistical indexes for overall data such as Root mean square error (RMSE), average absolute relative deviation (AARD) and the coefficient of determination (R²) are 9.2881, 0.038005 and 0.99996 respectively also the graphical results confirm the potential of LSSVM algorithm to be a predicting tool and a simple software for estimation of HHV as function of ultimate analysis.