最小二乘算法的研究与改进

最小二乘法具有良好的滤波和数据窗可变的特性 ,但运算量很大 ,以至于无法满足微机保护实时性的要求。文中针对最小二乘算法的这一缺陷 ,通过深入的分析和研究提出了最小二乘改进算法 ,改进后的算法不仅具有良好的滤波特性和数据窗可变的特点 ,而且运算量大大减少 ,从而使高精度的最小二乘算法能够很好地应用于微机保护中。理论分析和计算机仿真表明 :改进算法能准确估计出待求量     

最小二乘算法的研究与改进

最小二乘法具有良好的滤波和数据窗可变的特性,但运算量很大,以至于无法满足微机保护实时性的要求.文中针对最小二乘算法的这一缺陷,通过深入的分析和研究提出了最小二乘改进算法,改进后的算法不仅具有良好的滤波特性和数据窗可变的特点,而且运算量大大减少,从而使高精度的最小二乘算法能够很好地应用于微机保护中.理论分析和计算机仿真表明:改进算法能准确估计出待求量.     

快速模糊正交最小二乘算法

本文在非线性非交最小二乘辨识方法中引入模糊基函数,得到可以统一利用语言信息和数据信息的模糊正交最小二乘方法,并且针对其计算量大,速度慢的缺点,推导出不同计算正交项的快速模糊正交最小二乘算法,并且在玻璃窑炉温度系统离线建模中进行了仿真实验,验证了算法的有效性。     

微机保护中递推最小二乘法的应用

在阐述微机保护中递推最小二乘法原理的基础上,通过建立虚拟系统模型,用系统辩识理论研究了递推最小二乘法的递推初值和该算法的渐近性及无偏性。     

基于核偏最小二乘的光伏发电出力预测

光伏发电出力与太阳辐射强度和温度等气象条件关系密切,在出力预测模型中,气象因素与出力数据存在着非线性关系,同时各气象因素之间也存在非线性的关系。核偏最小二乘(KPLS)方法具有较强的处理非线性问题的能力,本文基于KPLS方法建立光伏发电出力预测模型。利用光伏电站的历史气象数据和出力数据对KPLS预测模型进行训练,训练的模型用以预测光伏电站的出力。通过实际光伏电站运行数据的验证,并将预测结果同偏最小二乘(PLS)方法和人工神经网络(ANN)方法的预测结果相比较,实验结果显示KPLS预测模型具有较准确的预测能力和较强的适用性。     

最小二乘算法的测量误差分析

在微机保护中可以利用最小二乘算法来计算故障电流的基波和谐波分量。对此算法中系数矩阵对测量误差的影响进行了分析,并与全波傅氏算法的系数对测量误差的影响进行对比,对实现短数据窗的最小二乘算法的难点进行了探讨,得出了结论。     

最小二乘算法的测量误差分析

在微机保护中可以利用最小二乘算法来计算故障电流的基波和谐波分量.对此算法中系数矩阵对测量误差的影响进行了分析,并与全波傅氏算法的系数对测量误差的影响进行对比,对实现短数据窗的最小二乘算法的难点进行了探讨,得出了结论.     

非线性偏最小二乘回归在电力负荷预测中的应用

非线性(二次多项式)偏最小二乘既能够解决线性偏最小二乘只能提取线性成分的问题,它又借鉴了偏最小二乘回归方法能够有效地解决自变量集合多重相关性的问题,因而它更具有先进性,其计算结果更为可靠.本文将二次多项式非线性偏最小二乘回归应用于泉州地区的电力负荷预测.文章还将二次多项式偏最小二乘的预测结果并线性偏最小二乘和logistic模型的预测结果进行比较,实例预测结果表明,非线性偏最小二乘具有较高的预测精度,它能满足实际工程的要求.     

一个性能优良的非线性最小二乘程序与水和水蒸汽高精度特性公式

本文提出了一个新的非线性最小二乘程序与水和水蒸汽高精度特性公式,可以满足汽轮机特性试验和现场在线监测精度和快捷计算的要求。结合运用计算机VB语言,该公式可更广泛推广运用     

最小二乘法视觉系统标定研究

介绍了单目视觉系统标定的现状,以及现行标定法的优缺点。在相机固定、机器人末端执行器在平面内运动的场合,提出了一种基于最小二乘法的拟合标定算法,该算法可以考虑径向畸变、切向畸变等非线性因素。在不同的拟合模型下,该标定算法分别将平均标定误差从原来的1.4505mm下降到0.4879mm、0.1084mm,最大标定误差从原来的2.2001mm下降到0.7587mm、0.2081mm,大大降低了标定的误差。并进行了算法的可靠性验证,证明了算法的有效性。     

基于最小二乘支持向量机的超短期风电负荷预测

风力具有很强的间歇性和波动性,导致风电负荷预测困难,主要表现在预测计算速度慢,可预测的未来时间短,预测精度不高。为了解决这些预测困难,将最小二乘支持向量机(LS-SVM)的方法运用在超短期风电负荷预测中。最小二乘支持向量机通过改进算法,简化了计算的复杂性,使计算速度明显增快,也进一步提高了预测的精度。用实际数据进行仿真,实验结果表明,基于LS-SVM的方法可以进一步提高超短期风电负荷预测的精度,加快计算和预测的速度,与其他方法相比预测精度和运算速度都有优势,用于超短期风电负荷预测是有效可行的。     

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。     

基于最小二乘法的感应电能无线传输系统负载辨识方法

基于最小二乘法提出一种新型负载辨识方法,以PS结构电流型感应电能传输(IPT)系统为例,建立其非线性高阶微分方程并构建数据矩阵,通过最小二乘法获得系统的过程参数矢量,将负载辨识问题转换为系统参数辨识问题,完成系统的负载辨识,最后通过仿真及实验,验证了此方法的可行性。     

基于偏最小二乘回归的锅炉再热汽温建模

锅炉再热汽温调节对于机组安全性和经济性有着重要的意义.利用偏最小二乘回归结合机组实际运行数据对再热期望焓升-即单位流量蒸汽吸热能力进行建模.分析了再热期望焓升的影响因素,构建了现场没有引入但会对再热汽温造成直接影响的中间变量.在建模前期通过稳态工况以及均匀设计的方法对建模数据进行筛选,并比较了多种数据筛选方法的建模精度.研究结果表明,再热汽温受多个因素综合变化影响,且呈非线性关系,对再热期望焓升进行建模能够更好地反映再热汽温变化的本质:选择不同的样本数据对模型的精度和稳定性有一定的影响:建立的偏最小二乘回归模型能够克服变量间的多重相关性,得到易于解释的统计学模型,量化已有运行数据,使运行人员快速掌握系统特性,同时也为先进控制策略的应用提供了数据基础.     

基于核偏最小二乘回归方法的发电机关键运行参数预测分析

通过对发电机关键运行参数的实时预测能够辅助实现发电机运行状态的有效监控。传统偏最小二乘斱法(Partial Least Squares,PLS)在应用过程中没有考虑变量间的非线性关系,为提高发电机关键运行参数的预测精度,引入核函数迚行变量空间的非线性映射变化,实现非线性回归分析,幵将核偏最小二乘回归斱法(Kernel Partial Least Squares Regression,KPLSR)应用于发电机定子线圈出水温度预测,实际运行数据的对比分析验证了斱法的有效性。     

基于最小二乘支持向量机的变压器故障诊断

介绍了一种基于最小二乘支持向量机(LS-SVM)的电力变压器故障诊断方法,将样本数据进行归一化处理,以绝缘油中特征气体种类及其含量为依据建立变压器故障诊断LS-SVM模型,对模型中的核参数σ与惩罚参数C进行优化,并将测试样本输入训练好的LS-SVM模型,得到诊断结果。实例结果分析表明,LS-SVM将原先的非线性问题转化为求解线性问题,即使在小训练样本的前提下,也能获得更为准确的诊断结果。     

基于自适应抗差最小二乘的线路正序参数在线辨识方法

针对在线PMU(Phasor Measurement Unit)数据会存在随机量测噪声甚至不良数据的实际情况,本文提出了一种输电线路正序参数的自适应抗差最小二乘在线辨识方法。文中基于线路双端多时刻断面的PMU电气量建立了线路正序参数的最小二乘辨识模型;在简要介绍抗差最小二乘原理的基础上,为充分利用量测信息,采用IGG(Institute of GeodesyGeophysics,Chinese Academy of Sciences)权函数(方案I)实现"三段"法抗差参数辨识;并利用中位数原理在线估计方程残差序列的期望和方差,实现自适应地调整权函数的抗差阈值。该方法无需事先确定量测设备的量测误差,具有很好的抗差能力及结果可信度,同时也消除了参数迭代对初值的敏感性。基于PSCAD仿真和PMU实测数据的算例表明,该方法十分有效,更适合于在线参数辨识。     

基于偏最小二乘回归的电能替代多情景预测方法

当前我国面临的能源供应与环境保护形势十分严峻,电能替代受到社会各界的强烈关注.综合考虑能源价格、碳排放量等因素的作用,从4个维度出发构建电能替代影响因素指标体系和多情景分析模型;提出基于偏最小二乘回归的电能替代潜力分析预测方法,结合未来辽宁能源、经济、电力发展预测数据,预测十三五期间累计电能替代量的预测区间.结果表明,...     

基于灰色关联度与 LSSVM 组合的月度负荷预测

由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果.针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间长等缺点,提出一种基于灰色关联度与LSSVM 组合的月度负荷预测方法.该方法通过计算灰色关联度来选择训练样本,选取 LSSVM 进行样本训练;将与待预测月高度相似的历史月负荷作为 LSSVM 的训练样本输入,剔除了冗余数据,减少了输入维数,提高了预测精度.通过实例验证和结果对比,证明了该方法可显著提高月负荷预测的精度.