基于EMD和选择性集成学习算法的磨机负荷参数软测量

针对磨机筒体振动和振声信号组成复杂难以解释、蕴含信息存在冗余性和互补性、与磨机负 荷参数映射关系难以描述等问题,提出了基于经验模态分解（Empirical mode decomposition,EMD）技术和选择性集成学习算法分析 筒体振动与振声信号组成,建立磨机负荷参数软测量模型的新方法.首先从机理上定性分析了筒 体振动及振声信号组成的复杂性;然后采用EMD技术将原始信号自适应分解为具有不同时间尺度的系列组 成成分,即本征模态函数（Intrinsic mode function,IMF）;接着在频域内基于互信息（Mutual information,MI）方法分析并选择IMF频谱特征;最后采用基 于核偏最小二乘（Kernel partial least square,KPLS）建模方法、分支定界优化算法的选择性集成学习方法建立磨机负荷参数软测量模型,实现了多源多尺度频谱特征的选择性信息融合.基于实验球磨机的实际运行数据仿真验证了该方法的有效性.     

基于多模态特征子集选择性集成建模的磨机负荷参数预测方法

如何融合球磨机系统研磨过程所产生的多模态机械信号构建磨机负荷参数预测(Mill load parameter forecasting, MLPF)模型是当前研究的热点. 针对上述问题, 本文提出一种基于多模态特征子集选择性集成(Selective ensemble, SEN)建模的MLPF方法. 首先, 对多模态机械信号进行时频域变换得到高维频谱数据; 接着, 采用相关系数法和互信息法对多模态频谱进行线性和非线性特征子集的自适应选择; 最后, 采用优化和加权算法对上述特征子集的候选子模型进行自适应地选择与合并, 得到基于SEN机制的MLPF模型. 采用磨矿过程实验球磨机的机械信号仿真验证了所提方法的有效性.     

基于自适应多核潜结构映射选择性集成模型的磨机负荷参数预测（英文）

磨机负荷参数是影响选矿流程产品质量和产量的难以检测关键过程变量.磨机研磨产生的多源机械信号频谱与磨机负荷参数间存在复杂的非线性映射关系.核潜结构映射(KPLS)算法适合构建基于频谱数据的磨机负荷参数预测(MLPF)模型.针对上述难点,本文提出一种面向MLPF的自适应多核潜结构映射选择性集成(SEN)模型.首先,基于经验模态分解(EEMD)和时频变换技术处理多源机械信号,得到基于不同时间尺度候选子信号的频谱数据;接着,采用KPLS和分支定界选择性集成(BBSEN)算法,构建基于多尺度频谱的候选子子模型和SEN子模型;最后,从候选子子模型和SEN子模型中优选获得不同时间尺度的候选子信号模型,并再次采用BBSEN算法优选集成子信号模型并加权组合,构建最终的MLPF模型.基于实验球磨机的实际运行数据仿真验证了所提方法的有效性.     

基于多尺度振动和振声频谱特征自适应提取与选择的磨机负荷参数软测量

针对磨机筒体振动/振声多尺度频谱与磨机负荷参数间的模糊特性、多源多尺度频谱间的冗余性与互补性,以及现有文献中潜结构选择性集成模型难以模拟运行专家“听音”推理识别磨机负荷参数等问题,提出一种基于多尺度振动/振声频谱特征自适应提取与选择的磨机负荷参数软测量模型.该方法首先进行多尺度频谱获取,然后基于核潜结构映射和互信息进行多尺度振动和振声频谱特征的自适应提取和选择,最后采用同步聚类算法、Madani模糊模型以及基于分支定界和自适应加权融合算法的选择性集成学习策略构建磨机负荷参数软测量模型.通过实验球磨机验证了所构建的软测量模型能够模拟运行专家的模糊推理机制,具有较好的建模精度.     

基于神经网络自适应集成的短期负荷预测

针对在电力系统短期负荷预测应用中,单个神经网络存在预测精度较低、预测结果不稳定、泛化能力差的特点,本文提出一种新的基于多神经网络自适应集成的预测模型.通过对某地区的实际负荷数据进行预测分析表明,该方法以很小的运算时间代价、较小的存储空间代价显著地提高了单个网络的预测精度和泛化能力,具有良好的应用价值.     

基于集成模型的超短时负荷预测方法

精准的短期负荷预测是保证电力系统顺利运行的关键.机器学习算法普及后,为以前难以解决的短期和超短期负荷预测提供了算法支持.鉴于梯度提升决策树(Catboost)、卷积神经网络-长短期记忆网络(CNN-LSTM)、极端随机树(Extratrees)等集成模型处理非线性相关数据效果好,本文将上述3种方法进行组合,构建集成预测...     

基于灰参数的等时段序列模型对电网的负荷预测

利用基本灰色模型GM(1,1)法对某县1994～2005年的全社会用电量进行预测,结果显示预测精度较低,误差较大。基于此,提出一种电力系统中长期负荷预测的实用方法,即基于灰参数的等时段序列模型预测法。利用此方法预测该县2006～2010年的电力负荷,实例分析表明,该方法预测精度较高,可作为中长期电力负荷预测的实用工具之...     

基于MIMO模糊控制的锂离子电池参数自适应等效电路模型及SOC估计

针对锂电池等效电路模型无法在荷电状态(SOC)全区间精确反映锂电池内部真实状态的问题,提出了基于多输入多输出(MIMO)模糊控制的参数自适应等效电路模型.该等效电路模型以新一代汽车伙伴关系(PNGV)模型为自适应原型,根据锂离子电池和PNGV模型的外特性参数差异,由MIMO模糊调节器动态实时修正模型参数,达到精确建模、反映电池内部真实状态的目的.实验验证了自适应参数对模型精度和自适应性能的影响及模型在变工况下的模拟效果.通过对比锂电池参数自适应模型和静态参数PNGV模型的扩展卡尔曼滤波算法估计SOC的误差,验证了参数自适应模型的有效性.     

基于振动频谱的磨矿过程球磨机负荷参数集成建模方法

以磨矿过程的湿式球磨机为背景, 针对传统磨机负荷(ML)检测方法只能依靠灵敏度较低的轴承振动、筒体振声和磨机功率等信号监督判断ML状态, 难以检测磨机内部负荷参数的问题, 提出了一种基于高灵敏度的筒体振动频谱的集成建模方法. 首先, 依据磨矿过程的研磨机理, 将振动频谱采用波峰聚类方法自动划分具有不同物理意义的分频段; 然后利用核偏最小二乘(KPLS)算法分别建立各分频段的ML参数子模型; 最后, 依据子模型训练数据预测误差的信息熵获得初始权重, 加权得到最终的ML参数集成预测模型; 在线使用中则根据子模型预测误差的变化进行权值的在线自适应更新. 仿真结果证明了该方法的有效性.