火电厂汽轮机热耗率建模及运行初压优化研究

为了提高火电厂的发电效率,降低热量损耗,本文基于改进的共生生物搜索算法和极限学习机,构建了汽轮机的热耗率模型,包括12个输入参数和1个输出量。收集600MW机组的运行数据,利用算法进行模型训练。同时基于热耗率模型优化了汽轮机的运行初压。经检测,优化汽轮机的运行初压后,不同工况下的热耗率均有所下降,验证了模型的有效性。     

反馈精英鲸鱼优化算法优化LSSVM的热耗率软测量建模

提出一种基于反馈精英鲸鱼优化算法(FEWOA)和最小二乘支持向量机(LSSVM)的综合建模方法。首先,针对鲸鱼优化算法(WOA)寻优精度低的问题,提出了反馈精英WOA算法,通过精英策略对当前最优解进行变异操作以避免算法陷入局部最优解;同时,在鲸鱼位置更新后期增加反馈阶段,提高算法的全局搜索能力。数值仿真实验验证了FEWOA算法的优越性。在此基础上,提出了基于FEWOA优化LSSVM的热耗率软测量模型。最后采用某汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,将FEWOA-LSSVM模型预测结果与其它模型预测结果相比较,结果表明,FEWOA-LSSVM预测模型更能准确地预测汽轮机的热耗率。     

基于改进狮群算法的汽轮机热耗率模型预测

针对汽轮机热消耗率模型难以精准预测的问题,提出一种基于改进的狮群算法和快速学习网综合建模的方法。首先,针对传统狮群算法易早熟收敛以及在迭代后期寻优速度缓慢导致算法陷入局部最优的缺陷,通过引入禁忌搜索、非线性扰动因子以及黄金正弦策略进行改进;其次,对改进后的狮群算法进行数值验证,结果证明其具有更高的收敛精度和收敛速度;最后,采用某热电厂汽轮机的运行数据建立汽轮机热消耗率预测模型,并将改进狮群算法优化的快速学习网对其进行热耗率预测,将实验结果与其他优化策略进行对比验证,实验结果表明,基于改进狮群算法的快速学习网预测模型具有更高的泛化能力,提高了汽轮机热耗率的预测精度。     

汽轮机热耗率多模型建模方法研究

针对汽轮机热耗率难以准确计算的问题,提出了核模糊c均值与混合蛙跳算法优化最小二乘支持向量机(LS-SVM)的汽轮机热耗率多模型建模方法,用来计算不同工况下的热耗率。该方法利用核模糊c均值算法对热耗率数据聚类,采用5折交叉验证平均误差作为LS-SVM参数选择的适应度值,利用混合蛙跳算法优化参数并建立局部模型,采用开关切换得到模型输出,以此实现热耗率的多模型建模。与单一的LS-SVM模型和BP网络热耗率预测模型比较,结果表明该多模型方法有更高的预测精确和更好的泛化能力,能更准确地计算汽轮机热耗率。     

基于改进最优觅食算法的锅炉NOx排放预测研究

提出了一种改进的最优觅食算法(POFA),在最优觅食算法中引入自适应惯性权值与全局最优解来改进算法的更新公式,同时加入相空间搜索的机制。利用改进的最优觅食算法优化极端学习机(ELM)构建一个改进的极端学习机模型(POFA-ELM),并用该模型对锅炉NO_x的排放特性进行建模。将该模型与ELM、差分进化算法、粒子群算法、人工蜂群算法以及基本的最优觅食算法优化的ELM模型进行比较。结果表明:该模型的预测精度更好,泛化能力更强,可以更加准确地预测NOx的排放质量浓度。     

供热机组滑压运行曲线综合优化的研究与应用

针对华电能源哈尔滨第三发电厂机组供热改造的特点,研究分析了供热机组滑压运行的相关问题;比较供热与非供热工况的差异,提出了采用主蒸汽流量作为自变量来确定机组主蒸汽压力的滑压设定值,以抽汽机组的最优滑压运行曲线,综合考虑抽汽机组最优滑压运行曲线确定的各种影响因素,使机组在抽汽模式以及非抽汽模式都能获得良好的经济性,从而最大限度地挖掘经济运行的潜力,真正实现节能增效。     

基于改进极限学习机的水轮机运转状态识别

针对水轮机远程运行状态监测困难的现状，提出了基于模拟退火算法的粒子群算法(simulated annealing algorithm-particle swarm optimization, SA-PSO)优化极限学习机(extreme learning machine, ELM)的方式，建立水轮机运转状态识别模型SA-PSO-ELM。对水轮机信号进行互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)获得IMF分量，引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度，判断信号主导模态和噪声主导模态的分界点，用小波去噪对噪声主导模态降噪，并与其余的IMF分量重构得到去噪信号，同时对去噪后的信号进行分解，计算每个IMF分量的排列熵，构建特征向量。由于SA-PSO精度高不易陷入局部最优的特点和ELM的性能受权值、阈值共同影响的特点，用SA-PSO优化ELM的权值和阈值，构建水轮机运转状态识别模型SA-PSO-ELM。对不同工况下采集的水轮机压力脉动数据，分析了基于PSO-ELM、ELM及SA-PS...     

快速群搜索优化算法及其应用研究

在群搜索优化算法GSO(Group Search Optimize)基本原理的基础上,提出了改进的群搜索优化算法——快速群搜索优化算法QGSO(Quick Group Search Optimize),并应用于结构优化设计。算法的改进主要有3个方面:第一,当算法不前进时,适当加大游荡者的数目;第二,引进粒子群算法(PSO)的搜索方式,将GSO中的角度搜索改为步长搜索,并考虑群体最优值和个体最优值;第三,引入遗传算法,通过个体最优值与群体最优值的杂交重新生成游荡者。采用QGSO优化算法分别对平面和空间桁架结构进行了离散变量的截面优化设计,并与GSO优化算法和启发式粒子群优化算法(HPSO)的计算结果进行了比较,结果表明:该文改进的群搜索优化算法QGSO与GSO算法和HPSO算法相比具有较好的收敛精度和更快的收敛速度,可应用于工程结构的优化设计。     

发电厂汽轮机正常运行的监视探讨

本文主要对负荷与主蒸汽流量的监视、主蒸汽参数的变化、再热蒸汽参数的监视、真空的监视、胀差的监视等汽轮机运行中的监视进行了探讨。     

基于负荷预测的冰蓄冷空调系统的优化运行策略

为了在不同冷负荷下合理分配蓄冰/释冰量和制冷机组运行时间,提出一种基于负荷预测的冰蓄冷空调系统的优化运行策略,使用ELM算法建立负荷预测模型,根据该负荷预测值系统自动制定优化运行策略。将该优化运行策略应用于西安咸阳国际机场4号制冷站冰蓄冷系统,控制制冷机组运行和蓄冰装置的冷量分配。经实际运行数据对比验证,基于该模型的负荷预测值与实际运行值匹配度达到85%,应用优化运行策略之后系统运行成本降低6.11%。     

KAEA: A Novel Three-Stage Ensemble Model for Software Defect Prediction

Software defect prediction is a research hotspot in the field of software engineering. However, due to the limitations of current machine learning algorithms, we can’t achieve good effect for defect prediction by only using machine learning algorithms. In previous studies, some researchers used extreme learning machine (ELM) to conduct defect prediction. However, the initial weights and biases of the ELM are determined randomly, which reduces the prediction performance of ELM. Motivated by the idea of search based software engineering, we propose a novel software defect prediction model named KAEA based on kernel principal component analysis (KPCA), adaptive genetic algorithm, extreme learning machine and Adaboost algorithm, which has three main advantages: (1) KPCA can extract optimal representative features by leveraging a nonlinear mapping function; (2) We leverage adaptive genetic algorithm to optimize the initial weights and biases of ELM, so as to improve the generalization ability and prediction capacity of ELM; (3) We use the Adaboost algorithm to integrate multiple ELM basic predictors optimized by adaptive genetic algorithm into a strong predictor, which can further improve the effect of defect prediction. To effectively evaluate the performance of KAEA, we use eleven datasets from large open source projects, and compare the KAEA with four machine learning basic classifiers, ELM and its three variants. The experimental results show that KAEA is superior to these baseline models in most cases.     

Improved Metaheuristics with Machine Learning Enabled Medical Decision Support System

Smart healthcare has become a hot research topic due to the contemporary developments of Internet of Things (IoT), sensor technologies, cloud computing, and others. Besides, the latest advances of Artificial Intelligence (AI) tools find helpful for decision-making in innovative healthcare to diagnose several diseases. Ovarian Cancer (OC) is a kind of cancer that affects women’s ovaries, and it is tedious to identify OC at the primary stages with a high mortality rate. The OC data produced by the Internet of Medical Things (IoMT) devices can be utilized to differentiate OC. In this aspect, this paper introduces a new quantum black widow optimization with a machine learning-enabled decision support system (QBWO-MLDSS) for smart healthcare. The primary intention of the QBWO-MLDSS technique is to detect and categorize the OC rapidly and accurately. Besides, the QBWO-MLDSS model involves a Z-score normalization approach to pre-process the data. In addition, the QBWO-MLDSS technique derives a QBWO algorithm as a feature selection to derive optimum feature subsets. Moreover, symbiotic organisms search (SOS) with extreme learning machine (ELM) model is applied as a classifier for the detection and classification of ELM model, thereby improving the overall classification performance. The design of QBWO and SOS for OC detection and classification in the smart healthcare environment shows the study’s novelty. The experimental result analysis of the QBWO-MLDSS model is conducted using a benchmark dataset, and the comparative results reported the enhanced outcomes of the QBWO-MLDSS model over the recent approaches.     

基于人工鱼群算法-极限学习机的多手势精准识别

手势作为人机交互的重要方式,因灵活性与便捷性强,已成为控制领域的研究重点。针对上肢康复机器人手势识别技术存在的不足,结合特征组合与滑动窗口法,提出一种基于人工鱼群算法（artificial fish swarm algorithm,AFSA）优化的极限学习机（extreme learning machine,ELM）的多手势精准识别方法,以提高手势识别的准确率。首先,运用表面肌电测量系统采集人体常用的8种手势对应的表面肌电信号（surface electromyography,SEMG）,作为后续分类模型的信号源,并运用去噪技术与起止点检测技术对SEMG进行预处理;然后,选取通过主成分分析（principal components analysis,PCA）降维处理后的最优特征组合与最优滑动窗口;接着,采用AFSA搜寻ELM的最优输入权值和隐含阈值,以提高其分类准确率;最后,对AFSA优化的ELM（AFSA-ELM）分类模型、反向传播（back propagation,BP）神经网络分类模型和未优化的ELM分类模型进行比较,以验证所提出方法的精准性。实验结果表明,结合最优特征组合与最优滑动窗口设计的AFSA-ELM分类模型对多种手势的平均识别准确率高达97.4%,比BP神经网络分类模型和未优化的ELM分类模型分别高3.5%和1.6%,验证了所提出方法的识别精准性。研究结果可为手势识别提供新思路,进而为人体上肢动作的深度分析和上肢康复机器人手势识别算法的优化提供理论基础和参考。     

基于VPMELM的滚动轴承劣化状态辨识方法

针对变量预测模型模式识别方法(VPMCD)仅仅包含几种简单数学模型的问题,所建立的预测模型不足以反映特征值之间的复杂关系;极限学习机(ELM)回归模型是一种复杂且被广泛应用的模型,其模型可以反映特征之间的相互关系。结合极限学习机回归模型和VPMCD方法的优点,提出了一种基于极限学习机的变量预测模型(VPMELM)模式识别方法,并将该方法应用于滚动轴承劣化状态实验中。实验表明,基于VPMELM的辨识方法可以有效地对滚动轴承的劣化状态进行识别。     

基于GSA-PELM的锅炉NOx预测模型

为了更加精确地实现对电厂循环流化床锅炉NOx排放量进行预测,提出了一类基于并行极端学习机的GSA-PELM模型。由于PELM的泛化能力及精度依赖于其权值的选择,因而利用万有引力算法优化PELM的权值,采用从某火电厂300MW的循环流化床锅炉在不同工况下实时采集的数据来检验模型的预测性能,并将GSA-PELM模型分别与PELM模型、ELM模型、万有引力算法优化的最小二乘支持向量机模型（GSA-LSSVM）、GSA-ELM模型进行比较,仿真结果表明GSA-PELM模型的精度相比其它所有模型提高了9个数量级以上,可以更加有效、准确地用于预测火电厂锅炉的NOx排放浓度。     

基于混合鸡群算法和核极端学习机的锅炉NOx排放的预测

以某300MW亚临界循环流化床锅炉为研究对象,对锅炉的NOx排放量进行预测。利用模拟退火混合鸡群算法(SACSO)和核极端学习机(KELM)对不同工况下NOx的排放量进行建模;对比了差分进化算法,粒子群算法和原始鸡群算法,证明了改进后算法的优越性;之后,又对传统BP算法,支持向量机,极端学习机和核极端学习机模型进行对比;最终确定的SACSO-KELM模型具有更高的预测精度和稳定性以及更好的泛化能力,可选择将此模型用于锅炉NOx排放的建模预测。     

基于相关向量机的电站锅炉NOx燃烧优化

为了降低电站锅炉NOx排放量,采用一种新的机器学习方法--相关向量机对某330 MW煤粉汽包锅炉的一、二次风速以及含氧量等26个输入参数和NOx输出结果进行建模,并用万有引力算法对模型的参数进行优化,获得最优模型。与粒子群算法、遗传算法优化相关向量机以及万有引力算法优化支持向量机等进行了比较,选择锅炉输入参数中的可调变量为优化变量,以NOx低排放量为目标进行优化,获得低NOx排放的输入参数。结果证明:万有引力优化相关向量机算法建立的模型精确度比其它几种算法高,对模型进行低NOx优化后,NOx输出值由最初的的906.65 mg/m³变为550.600 mg/m³,下降幅度约为38.9%,实现了NOx排放量大幅度降低。