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。     

基于最小二乘支持向量机控制器的研究

阐述了支持向量机与最小二乘支持向量机的特点,设计了基于最小二乘支持向量机的控制器,该控制器构成的系统学习与泛化能力强、抗干扰效果好,并利用垃圾焚烧炉的估计模型进行了仿真.仿真结果表明,该方法抗干扰效果好,适应性强.     

最小二乘支持向量机短期负荷预测研究

电力系统短期负荷预测是一项非常重要的工作,准确的短期负荷预测对于电力系统经济、安全、可靠的运行具有特别重要的意义.随着电力系统的日趋复杂化,特别是电力市场的逐步深入,短期负荷预测被赋予了更高的要求.提出了基于负荷日周期性进行前后向外推的数据预处理新方法,为短期负荷预测模型利用这些历史数据奠定了基础.最小二乘支持向量机是新一代机器学习方法,将其应用于电力系统短期负荷预测,在充分利用日周期性和同时刻负荷相近性的基础上,提出了基于最小二乘支持向量机回归算法(LSSVR)的短期负荷预测点模型.该模型通过采用不同天同时刻的负荷样本训练LSSVR来获取负荷的最优线性回归函数,实现了在最小化负荷样本点误差的同时,缩小模型泛化误差的上界,获取了较好的负荷预测性能.     

基于火焰自由基成像和支持向量机的燃烧过程NO_x排放预测

火焰特征参数对燃烧稳定性及污染物生成具有重要影响。火焰自由基作为燃烧的中间产物,其特征在研究污染物的生成机制及其控制方面起着重要的作用。文中通过火焰自由基图像处理和火焰温度监测,并结合支持向量机的软计算法提出了一种NOx(NO和NO2)排放量的在线预测技术。该技术通过光增强成像系统采集火焰自由基OH*,CN*,CH*和C2*的数字图像,同时使用光谱仪和双色法获取火焰温度。在所得的火焰基图像中提取其特征值(自由基灰度等值线和比值),并结合火焰温度,建立基于支持向量机的软计算方法,实现了对NOx的排放预测。在燃气燃烧试验炉上的实验结果验证了基于火焰自由基图像的NOx预测排放模型的有效性。     

基于最小二乘支持向量机的传感器动态系统辨识方法

在介绍和比较标准支持向量机(SVM)和最小二乘支持向量机(LS-SVM)原理的基础上,提出了一种利用LS-SVM模型进行传感器动态系统辨识的方法,并给出了相应的过程和算法.与标准SVM模型比较,该方法优点是明显的:(1)用等式约束代替标准SVM算法中的不等式约束;(2)将求解二次规划问题转化为直接求解线性矩阵方程,使得在相同条件下,系统辨识速度提高1～2个数量级,辨识误差降低50%.因此,LS-SVM模型速度快,抗噪声干扰能力强,更适合传感器动态系统建模.     

基于最小二乘支持向量机的居民用电预测研究

随着我国经济的发展和经济结构的调整,居民用电占全社会用电量的比重逐渐增大并且有继续增加的趋势,科学合理地预测居民用电水平将为电力规划与需求侧管理提供决策基础。首先,采用相关系数法进行居民用电关键影响因素的选择。其次,将选取的影响因素作为LS-SVM的输入端,城乡居民用电量作为输出端,用Bayes准则进行SVM的参数选取,通过智能模拟学习,建立了Bayes-LS-SVM居民用电预测模型。最后,以中国某省居民用电量预测为例进行学习以及测试,并将其预测结果与广义回归神经网络预测法及几种常用的居民用电预测方法进行误差对比分析,证明了该组合方法比其它几种方法更精确有效。提出了采用人工智能的方法通过家用电器以及其他影响因素来预测居民用电,克服了以往采用家用电器预测中,家用电器功率以及年利用小时数预测不准确的问题。     

基于最小二乘支持向量机的风速预测模型

风速具有较大的随机性,预测的准确度不高。针对这种现象,基于最小二乘支持向量机(least squares support vector machine,LS-SVM)理论,结合某风电场实测风速数据,建立了最小二乘支持向量机风速预测模型。对该风电场的风速进行了提前1h的预测,其预测的平均绝对百分比误差仅为8.55%,预测效果比较理想。同时将文中的风速预测模型与神经网络理论、支持向量机(support vector machine,SVM)理论建立的风速预测模型进行了比较。仿真结果表明,文中所提模型在预测精度和运算速度上皆优于其他模型。     

基于最小二乘支持向量机的励磁特性曲线拟合

针对传统支持向量机在电流互感器铁心励磁特性曲线拟合时样本数目较大出现的训练速度慢、占用内存大的问题,提出了一种新的基于最小二乘支持向量机算法。该算法将实测数据由径向基函数把非线性逼近问题转化为线性逼近问题,依据最小二乘法的思想,利用Matlab7.0求一个线性方程组的解,得到拟合曲线的近似表达式。实验结果表明,新算法训练速度快,误差小、拟合精度高。     

基于最小二乘支持向量机的励磁特性曲线拟合

针对传统支持向量机在电流互感器铁心励磁特性曲线拟合时样本数目较大出现的训练速度慢、占用内存大的问题,提出了一种新的基于最小二乘支持向量机算法.该算法将实测数据由径向基函数把非线性逼近问题转化为线性逼近问题,依据最小二乘法的思想,利用Matlab7.0求一个线性方程组的解,得到拟合曲线的近似表达式.实验结果表明,新算法训练速度快,误差小、拟合精度高.     

基于最小二乘支持向量机的压力传感器非线性校正

依据压力传感器样本,提出了一种采用最小二乘支持向量机(LS-SVM)辨识传感器逆模特征的校正压力传感器非线性误差的方法,该方法将实测数据由径向基函数把非线性逼近问题转化为线性逼近问题,不需逆模型函数形式的先验知识,能够保证得到的极值解就是局最优解,具有较好的泛化能力。实验结果表明,采用该方法校正后的传感器的检测精度可达到1%,效果令人满意。     

基于LS-SVM的变压器最优维护周期研究

优化变压器维护周期可提高变电站可靠性,降低变电站运行维护成本。基于最小二乘支持向量机(least squaressupport vector machines,LS-SVM)算法,结合成本–效益分析法对变压器维护周期优化进行研究。首先利用统计数据构建变压器缺陷树,并将缺陷数据、停电时间及缺陷权重专家数据等综合起来作为基础,在采用两层动态自适应优化法确定LS-SVM参数后,利用LS-SVM算法对变更维护计划后的缺陷数进行预测,将维护变更的成本(效益比较结果)作为量化约束条件,确定变压器的最优维护周期。采用该算法对某供电公司变压器进行评估,对变压器年度维护计划进行修正并实用,取得了较好的效果。     

燃烧调整降低锅炉NO_x排放的试验研究

对于现今已采用低NOx燃烧技术的电站锅炉,燃烧调整是降低NOx排放的主要方法。通过对某电厂1025t/h锅炉进行燃烧调整试验研究,分析了电站锅炉运行参数对NOx排放量的影响,确定了锅炉低NOx运行方式,为锅炉的低NOx运行起到了指导作用。     

基于支持向量机的电站锅炉NOx排放软测量模型

建立NOx排放的模型是对NOx进行优化控制的基础.在分析了NOx排放量影响因素的基础上,构建了NOx排放软测量模型的结构,并基于某锅炉燃烧调整的热态试验数据,利用支持向量机这种机器学习工具,建立了NOx排放量的软测量模型,进一步应用实际运行数据对所建立的模型进行了验证.结果表明,所建立的模型具有精度高、泛化能力强、学习速度快等特点,可用于实际工程中对NOx测量和优化控制的需要.     

生物质与煤流化床混烧的NOx排放规律研究

研究了生物质与煤流化床混烧的NOx排放规律。实验结果表明:采用生物质与煤混烧的方法可以有效地降低流化床燃烧煤中的NOx的排放。     

基于LS-SVM的列车牵引电机电流实时估计

为满足列车牵引传动系统在牵引电机状态监测、异常诊断与预测等领域对牵引电机定子电流准确估计的需求,提出了一种基于多工况最小二乘支持向量机（LS-SVM）模型的牵引电机电流实时估计方法。该方法结合牵引电机参数和转矩转速试验测量数据,利用牵引电机机理模型计算得到定子电流估计值;然后根据列车运行规律将其分为多个运行工况,基于历史运行数据的相关变量建立各工况下定子电流的LS-SVM估计模型并研究列车不同运行工况对模型精度的影响,基于多工况模型实现牵引电机全工况下电流的实时有效估计。通过实际运行数据验证了所提方法的有效性和可行性。     

基于LS-SVM的电厂过热汽温系统建模

针对电厂过热汽温控制中存在大滞后和强非线性的特点,采用最小二乘支持向量机方法建立过热汽温系统模型并给出基于贝叶斯证据框架的LS-SVM的参数选择方法。在第一推断准则选择模型参数,第二推断准则选择模型超参数,第三推断准则选择模型的核参数。仿真结果表明该模型具有灵活的结构,较快的计算速度以及很好的泛化能力。     

基于最小二乘支持向量机的改进型GIS局部放电识别方法

利用最小二乘支持向量机（1east square-support vector machine,LS．SVM）的方法识别气体绝缘组合电器局部放电的类型。在信号的快速分类后利用相位分布的局部放电特征谱图的特征参数作为LS．SVM识别放电类型的依据;信号快速分类处理部分主要包括信号时间一频率特性提取部分和模糊C-均值聚类2...     

高浓度煤粉燃烧低NOx排放特性的试验研究

为了探讨高浓度煤粉燃烧对NOx排放特性影响的内在机理，在一维火焰炉试验台上，对3种典型煤在不同煤粉浓度燃烧下的NOx前驱物HCN与NH3在主燃区进行了测试，对气相催化还原剂CO及沿炉膛轴向的NOx释放特性进行了分析。试验结果表明：与常规浓度相比，高浓度煤粉燃烧条件下的NOx排放量最大可降低2.2倍。对于不同煤种，最大限度抑制NOx排放的最佳煤粉浓度控制在过量空气系数0.7左右，煤粉燃烧过程中的NOx主要在着火区距炉膛入口0.2~0.4m处产生。在高煤粉浓度下，燃料氮向HCN与NH3的转化率均远远低于常规浓度，同时燃烧过程中产生的大量CO对NOx还原分解的加速是高浓度煤粉燃烧低NOx排放的关键所在。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

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。