一种矿用电缆剩余寿命预测方法

针对现有矿用电缆剩余寿命预测方法建模繁琐、失效数据采集困难、预测精度低等问题,提出了一种基于灰色预测和多尺度量子谐振子优化算法的矿用电缆剩余寿命预测方法。首先采集电缆加速湿热老化试验中不同温度下的介质损耗因数和老化时间;然后采用灰色预测GM(1,1)模型,以介质损耗因数为5%作为电缆寿命终点的判据,根据采集数据建立矿用电缆剩余寿命预测模型;最后采用多尺度量子谐振子优化算法对GM(1,1)模型参数进行优化,以提高模型的预测精度。试验结果表明,基于灰色预测和多尺度量子谐振子优化算法的矿用电缆剩余寿命预测方法试验时长短,具有较高的准确度。     

灰色变异粒子群算法在电力负荷预测中的应用

由于电力负荷量是电力系统发展的基础,因此提高电力负荷量预测的准确性有利于电力系统的快速发展. 本文利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出了灰色变异粒子群组合预测模型来预测电力负荷量,提高了电力负荷预测的精度,并通过实例对组合预测模型的预测精度和有效性进行了分析. 结果表明,此组合预测模型的精度优于单一的灰色预测模型,且优于其他几种预测算法,该组合模型能很好地预测电力负荷量,为电力系统的决策和发展提供了可靠的科学数据.     

基于灰色GM（1,1）模型的区域人才需求预测

区域人才预测是一个典型的灰色系统.本文采用灰色系统理论对区域人才需求量进行预测,通过对部分已知数据的生成、开发,提取有价值的数据信息,预测结果相对误差较小,预测精度较高.     

灰色变异粒子群算法在公交客流量预测中的应用

由于公交客流量是公交系统发展规划的基础依据,因此提高公交客流量预测的准确性有利于城市公交的发展。利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出用灰色变异粒子群组合预测模型来预测公交客流量,提高公交客流量预测精度,并通过实例对组合预测模型的预测精度和有效性进行了分析。结果表明,此组合预测模型的预测精度优于单一的灰色预测模型,也优于其他几种常用预测算法,能很好地预测公交客流量,为公交系统的决策规划提供了可靠的科学数据。     

改进的LS-SVM理论在刮板输送机链条寿命预测中的应用

在分析以往理论计算和加速寿命试验方法在链条预测中的不足的基础上,提出了一种基于LabVIEW和改进的LS-SVM理论的刮板机链寿命预测系统,并给出了原理及实现方法;针对传统最小二乘支持向量机存储空间和计算量大的缺点,利用阈值改进最小二乘支持向量机算法;结果表明,算法对回归精度影响不大,能有效地减少存储空间,对刮板机链寿命有良好的预测能力,适合以模块形式嵌入到刮板输送机检测系统中。     

基于灰色等维新息模型的能耗预测研究及应用

灰色系统理论将随机过程看成灰色过程,利用数据表面杂乱但整体有序的特点,挖掘潜在的本质规律.根据灰色系统理论的思想,在分析了传统GM(1,1)模型的基础上提出了改进的等维新息预测模型,利用Matlab强大的算法功能,实现了改进的等维新息灰色预测模型算法.通过对能耗预测的实例分析,并采用残差和后验差方法对预测的精度进行检验,验证了程序的准确性和可靠性,使得预测的精度得到有效的提高.     

基于灰色卡尔曼的排水离心泵剩余寿命预测

为了提高排水系统的运行效率,针对排水离心泵剩余寿命预测,建立了排水离心泵加速寿命试验平台,并对检测数据采用灰色卡尔曼模型进行排水离心泵剩余寿命预测.研究结果表明:灰色模型达到了较大的误差,介于-1.243～-1.195范围内;以卡尔曼滤波模型进行处理的误差介于-0.216～+0.803范围内,相对于灰色模型达到了更低的...     

基于PNN和IGS的铅锌烧结块成分智能集成预测模型

针对复杂的烧结块成分预测问题, 提出一种基于过程神经网络和改进灰色系统的铅锌烧结块成分智能集成预测模型. 首先利用过程神经网络可充分表达时间序列中时间累积效应、灰色系统可弱化数据序列波动性的特点, 分别对烧结块成分进行预测, 然后从信息论的观点出发, 提出一种确定各预测模型加权系数的熵值递推算法, 通过对两个预测模型的预测结果进行加权集成, 获得更加准确的铅锌烧结块成分预测结果. 结果表明, 智能集成模型 的预测精度高于单一预测模型, 能有效地对烧结块成分进行预测, 满足了配料计算对预测精度和数据完备性的     

基于经验模态分解的混合软件可靠性预测模型

基于经验模态分解结合支持向量回归算法与灰色系统理论提出一种混合软件可靠性预测模型,通过对原始软件失效数据使用经验模态分解方法进行预处理,将失效数据分解得到不同频段的本征模态分量和剩余分量,用支持向量回归算法对本征模态分量进行预测,用灰色系统模型GM（1,1）对剩余分量进行预测,然后将预测结果进行重构,得到最终软件可靠性预测值。为了验证所提混合预测模型的有效性,利用两组真实软件失效数据,与SVR可靠性预测模型和GM（1,1）可靠性预测模型进行实验对比分析,实验结果表明,所提混合预测模型较这两种可靠性预测模型具有更精确的预测精度。     

基于数据挖掘的PSO-BP短期电力负荷预测

针对海量用电数据环境下,如何提高电力负荷预测精度的问题,采用数据挖掘对电力负荷历史数据进行聚类分析以及异常检测,并利用灰色序列对异常数据进行修正。利用蚁群算法对粒子群优化-反向传播(PSO-BP)算法进行优化,以提高算法的预测精度。通过对历史负荷数据进行试验,验证该方法的预测平均误差为3.16%,低于无数据挖掘的PSO-BP算法模型以及PSO-BP算法模型的预测误差。该方法具有一定的实用性以及有效性。