基于QPSO优化模糊—SVM的电站锅炉燃煤结渣特性预测

选取电站锅炉结渣的7个影响因素作为燃煤结渣特性的判断指标。将5种模糊隶属度函数与支持向量机结合,构成模糊—支持向量机(Support Vector Machine,SVM)模型,并采用量子粒子群算法分别优化隶属度函数的参数,以实际电站锅炉结渣数据作为训练样本对优化后的模型进行训练,并对给定的10组测试样本进行预测。实验结果表明,量子粒子群算法优化后的模型预测准确率显著提高。将5个优化后的模糊—SVM模型组成专家诊断系统,采取投票机制确定燃煤结渣程度,此方法的预测准确度更高,可信度更好。     

基于支持向量机的大型电厂锅炉飞灰含碳量建模

飞灰含碳量是影响锅炉热效率的一个重要因素,影响燃煤锅炉飞灰含碳量的因素多而且复杂,对锅炉飞灰含碳量特性进行建模预测并结合优化算法实现燃烧优化是降低锅炉飞灰含碳量的有效方法.该文应用支持向量机算法建立了大型四角切圆燃烧锅炉飞灰含碳量特性的模型,并利用飞灰含碳量的热态实炉试验的数据对模型进行了校验,对支持向量机学习算法中参数的选择进行了探讨,获得了最佳学习参数.结果说明支持向量机与其它建模方法相比具有泛化能力好,计算速度快等优点,是锅炉飞灰含碳量特性建模的有效工具.     

基于最小二乘支持向量回归机的燃煤锅炉结渣特性预测

对燃煤锅炉结渣特性建模预测并结合优化算法实现燃烧优化是降低锅炉结渣几率有效的方法。文中将煤的软化温度tST、硅铝比w(SiO2)/w(Al2O3)、碱酸比J、硅比G以及锅炉的无因次炉膛平均温度ft、无因次切圆直径fd等作为输入变量,以结渣程度作为输出,建立最小二乘支持向量回归机燃煤锅炉结渣预测模型。同时采用显微镜原理对惩罚参数g和核参数s进行寻优,快速有效地获得二者的最优组合。通过对5台锅炉结渣特性进行预测评判,结果表明此方法是合理可行的。同时依据本方法及面向对象的高级语言,开发了相应的预测评判系统。     

基于粒子群算法和支持向量机的锅炉排烟温度建模

排烟热损失是机组锅炉热损失中最大的一项,建立锅炉排烟温度模型对锅炉运行有重要意义。为此,以某660 MW机组锅炉燃烧调整试验数据为基础,采用支持向量机建立锅炉排烟温度模型,并利用改进的混沌粒子群算法对支持向量机的相关参数进行优化,使模型的准确性显著提高。与遗传算法相比,粒子群算法无交叉和变异,算法简单,泛化能力强,有很好的实用性。基于粒子群算法和支持向量机的排烟温度模型能够很好地预测排烟温度的变化,可为锅炉的运行提供指导。     

锅炉燃烧智能优化技术研究

根据燃烧特性试验数据,利用支持向量机建立锅炉燃烧过程NOx排放与热效率的响应特性模型。结合粒子群算法分别对模型参数和锅炉的运行参数进行优化,找到了使得NOx质量浓度降低和热效率提高的运行参数组合,为实现电站锅炉高效低污染的优化目标提供了有效手段。     

采用支持向量机和模拟退火算法的中长期负荷预测方法

准确的中长期负荷预测能够提高电力系统的经济效益和社会效益.分析了支持向量机(support vector nachine,SVM)模型,并针对利用支持向量机进行负荷预测需要人为地确定相关参数的不足,提出了利用支持向量机进行中长期预测的新方法.该方法利用模拟退火(simulated annealing,SA)算法自动优化参数.实例验证结果表明,所提出的方法可以有效地选取支持向量机模型的参数,降低支持向量机的建模误差和测试误差,该方法与利用默认参数支持向量机进行预测的方法相比,有效地提高了负荷预测精度.     

基于燃煤特性的电站锅炉排烟温度预测模型研究

排烟温度是影响锅炉热损失的重要指标,其受到机组负荷、煤种(煤质)、燃烧系统控制参数等多种因素的综合影响,难以用1个线性的数学式来描述它们之间的关系。利用锅炉的历史运行数据和入炉煤种数据,分别采用3种非线性工具即支持向量机、最小二乘支持向量机和神经网络对锅炉排烟温度进行建模,同时采用交叉验证方法并结合遗传算法对前2种算法的模型参数进行优化选择。对3种预测模型的预测结果进行的比较分析表明,支持向量机法的泛化能力较高且收敛速度快。鉴于煤质对锅炉燃烧工况的影响,利用支持向量机法在考虑煤质因素情况下对排烟温度进行建模预测,结果表明考虑煤质后排烟温度建模预测具有更高的精确性。     

基于支持向量机和参数在线优化的锅炉燃烧系统

介绍了最小二乘支持向量机的基本概念,提出了锅炉燃烧参数在线优化的模型及步骤。利用某锅炉热态实验的数据对模型进行了校验。研究结果表明:采用参数在线优化技术和最小二乘支持向量机方法建立的锅炉燃烧模型能够很好地跟踪燃烧系统的时变特性,并且具有泛化能力好、计算速度快的特点。     

基于LIBSVM和智能算法的电站锅炉排烟温度优化

针对电站锅炉的排烟温度控制问题,阐述了某1000 MW超临界锅炉排烟温度的支持向量机模型,运用采集的数据对模型进行训练和验证,并结合人工智能算法对排烟温度排放较高的工况进行优化,得出了相应的参数调整策略.结果表明,该模型能够准确预测排烟温度,智能算法能够对模型进行优化,其中微分进化算法的优化效果最好.     

基于支持向量机与遗传算法的灰熔点预测

为了提高估算煤灰熔点的精度，文中采用支持向量机算法对求解灰熔点问题进行了建模，并利用遗传算法对支持向量机模型的参数进行了优化，获得了最优的模型参数。支持向量机模型将灰成分作为输入量，煤的灰熔点Tst作为输出量，用试验数据对模型进行了校验和参数的寻优，利用优化后的模型对单煤和混煤灰熔点进行了预测，并将预测结果与实验结果进行了对比，结果表明，优化后的支持向量机模型实现了对单煤和混煤灰熔点较精确的预测。支持向量机可用于小样本问题的学习，计算速度快，提高了实时处理与预测能力。     

变尺度混沌蚁群算法在NOx排放优化中的应用

为了控制燃煤电厂NOx排放,应用支持向量回归建立了大型四角切圆燃烧电站锅炉NOx 排放特性模型。利用大样本量的热态实炉NOx 排放试验数据对模型进行了训练和验证,结合NOx排放模型采用一种变尺度混沌蚁群算法对锅炉运行参数进行优化, 定量分析优化算法参数对优化结果的影响。计算结果表明,相对于BP神经网络,支持向量回归模型能更好地预测锅炉NOx排放;变尺度混沌蚁群算法能明显降低NOx排放,且具有较高的稳定性与鲁棒性,1.8 min的优化时间也便于在线应用;支持向量回归与变尺度蚁群混合算法能有效降低燃煤锅炉NOx排放,是锅炉NOx排放控制的有效工具。     

基于支持向量机的电站锅炉煤灰熔点预测

为解决结渣问题对电站锅炉高效稳定运行的影响,探讨了一种煤灰熔点预测模型。首先分析锅炉混煤燃烧时的煤灰结渣特性,介绍了支持向量机(support vector machine,SVM)回归方法,将煤灰中的8种氧化物成分作为输入量,以煤灰熔点作为输出量,建立煤灰熔点的SVM回归预测模型,并采用遗传算法对模型参数进行寻优。经过仿真实验,将模型的预测结果与广义回归神经网络模型的预测结果进行比较,结果表明本预测模型预测精度高、泛化能力强,有助解决电站锅炉的动力配煤技术中的结渣问题。     

大型船舶电力系统优化控制模型仿真研究

大型船舶电力系统在实际运行的过程中存在强烈的非线性和时变性,使得大型电力系统的PID控制效果较差.提出一种基于鱼群支持向量机算法的大型船舶电力系统控制方法.结合传统的控制方法建立大型船舶电力系统控制模型,利用支持向量机对大型船舶电力系统的相关参数进行分类,为了避免支持向量机相关参数不能确定的缺陷,利用人工鱼群算法进行优化搜索,获得最优控制参数.实验结果表明,利用改进算法进行大型船舶电力系统控制,能够取得理想的控制效果.     

基于遗传算法和支持向量机的低NOx燃烧优化

大型四角切圆电站锅炉NOx排放是造成环境污染的重要因素，也是电厂关心的重要问题。影响燃煤锅炉NOx排放量的因素众多而且复杂。对锅炉NOx排放特性进行建模预测，并结合优化算法实现燃烧优化是降低锅炉NOx排放的有效方法。文中应用支持向量机算法建立了大型四角切圆燃烧锅炉NOx排放特性模型，接合遗传算法，利用NOx排放的热态实炉试验数据对模型进行了校验，对锅炉运行参数进行了优化。结果表明，通过遗传算法的寻优， NOx排放量有比较明显的降低。支持向量机与遗传算法相结合与其它方法相比具有泛化能力好，计算速度快等优点，是锅炉NOx排放控制的有效工具。     

杂草算法优化支持向量机的短期负荷预测

针对支持向量机在短期负荷预测中的参数优化问题,利用杂草算法优异的搜索能力,构建了基于杂草算法优化支持向量机的短期负荷混沌预测模型(IWO-SVM)。该模型首先将支持向量机一组参数看作一个杂草种子,然后通过模拟杂草生存、繁殖过程实现支持向量机参数寻优,最后采用具体短期负荷数据对其性能进行分析。结果表明,IWO-SVM获得了高精度的短期负荷预测结果,能够满足短期负荷预测的实际要求。     

基于PSO优化LSSVM的短期风速预测

为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。     

电站锅炉高效低污染燃烧优化控制系统设计

构造了一种基于最小二乘支持向量机和多目标进化算法的锅炉燃烧优化控制系统,通过从电厂分散控制系统上采集数据,利用最小二乘支持向量机对锅炉燃烧特性建模并通过样本的机器学习,提出了以锅炉效率与NOX排放为组合的锅炉燃烧多目标优化模型,采用基于Pareto最优概念的多目标进化算法实现运行工况寻优,根据模糊集理论在Pareto解集中求得满意解,获得锅炉燃烧优化调整方式。     

基于遗传支持向量机算法的燃烧状态诊断

针对支持向量机中的参数通常用交叉验证来确定的状况,提出了遗传支持向量机算法,即使用遗传算法来优化支持向量机中的参数并应用在基于火焰图像特征参数的锅炉燃烧状态诊断中.从火焰图像中提取的5个特征量作为支持向量机的输入,3种燃烧状态作为输出,选用径向基核函数,使用遗传算法得到优化参数.实验结果表明,该方法能在较大范围内准确地...     

基于粒子群算法优化支持向量机的输电线路覆冰预测

分析了现有输电线路覆冰厚度预测方法中的不足,提出了一种基于粒子群算法优化支持向量机的输电线路覆冰预测。通过历史覆冰增长数据样本对支持向量机进行训练,利用训练的模型对线路覆冰厚度进行预测。同时利用粒子群优化算法对支持向量机关键参数进行优化,有效提高了覆冰厚度预测精度,为输电线路防冰提供了可靠依据。     

基于DGA的差分进化支持向量机电力变压器故障诊断

针对支持向量机中参数选择严重影响分类效果的特点,提出采用差分进化算法对核函数g和惩罚因子c进行优化,得到最优的支持向量机模型,用于变压器的故障诊断。在简单介绍支持向量机的基础上,分析了采用差分进化算法对支持向量机优化的可行性。通过将收集的数据样本进行预处理,再利用差分进化的变异、交叉和选择对高斯径向基核函数进行优化,搜索出最优(c,g),并对得到的参数进行验证,获得最优的支持向量机模型。仿真实验表明,与SVM、GRID-SVM、GA-SVM、PSO-SVM相比,该方法误判率最低、全局寻优能力及鲁棒性较好。