基于小波PLS的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行具有重要意义。针对风电的间歇性和波动性,以及传统物理方法预测精度低,提出了物理方法和小波PLS相结合的风电功率预测算法。该方法可较好地实现数据去噪和样本预处理,并可对输入因素进行成分提取,对因变量有较好的解释能力,且有利于提高风电功率的预测精度。最后通过某风场的实际运行数据对该算法进行了验证,将其他预测模型的预测结果与物理方法和小波PLS的组合预测结果进行了对比,结果表明文章预测法方精度更高,效果更好。     

基于PLS回归的EGR柴油机NO_x排放模型

利用偏最小二乘(PLS)回归方法建立了一台EGR增压中冷柴油机NOx排放的预测模型.在采用一半试验样本作为标定样本的条件下,EGR阀开启时的PLS回归模型NOx交叉舍一预测偏差均方根值(Rh)和检验样本预测均方根值(Rt)分别为20.0×10-6和18.7×10-6,EGR阀关闭时的PLS回归模型NOx的Rh和Rt值分别为22.6×10-6和26.5×10-6.模型验证样本与标定样本的预测精度相当,所建模型稳定可靠,表明这种建模方法可以应用于柴油机NOx排放标定工作以降低工作量;在主变量PLS模型精度较低时,利用在主变量之外增加二次项和交叉项的方法,模型的Rh和Rt分别降低22.1%～38.5%和9.5%～23.0%;提出的PLS回归变量选择和模型优化方法实用、可靠,可用于PLS回归模型的优选.     

基于PLS的高压共轨柴油机NO_x排放和最高燃烧压力模型

利用偏最小二乘(PLS)回归方法建立了一台高压共轨增压中冷柴油机在1 600r/min时NOx排放和最高燃烧压力的预测模型,模型的物理意义明确。采用扭矩、轨压、喷油提前角、循环喷油量、燃油消耗率、过量空气系数及其二次项和交互项作为预测变量的模型,NOx回归模型标定样本交叉舍一预测偏差均方根值(Rh)和检验样本预测均方根值(Rt)分别达14.0×10-6和15.0×10-6,最高燃烧压力回归模型的Rh和Rt值分别为0.144MPa和0.173MPa,可以满足发动机NOx排放和最高燃烧压力标定要求,大幅降低标定工作量。该PLS回归变量选择和模型优化方法实用、可靠,可用于PLS回归模型的优选。     

基于支持向量机和果蝇优化算法的循环流化床锅炉NO_x排放特性研究

为了控制循环流化床(CFB)锅炉的NOx排放量,以某热电厂300MW CFB锅炉测试数据为样本,应用支持向量机(SVM)建立NOx排放特性预测模型.针对SVM回归预测需要人为确定相关参数的不足,应用果蝇优化算法(FOA)优化SVM参数,采用不同工况下的样本数据检验FOA-SVM模型的预测性能,并将该模型的预测结果与粒子群算法(PSO)、遗传算法(GA)和万有引力搜索算法(GSA)优化的SVM模型预测结果进行了比较.结果表明:FOA-SVM模型的泛化能力较强,预测精度较高,训练时间较短,可以相对快速、准确地预测NOx排放质量浓度.     

基于BP神经网络的燃煤锅炉内H_2S质量浓度建模预测

基于BP神经网络算法和遗传算法优化的BP神经网络算法(GA-BP算法)建立了燃煤锅炉内H_2S质量浓度的预测模型,以燃烧调整试验得到的数据作为训练样本和测试样本,对所建立的H_2S质量浓度预测模型进行评价。结果表明:基于BP神经网络算法建立的H_2S质量浓度预测模型出现过拟合现象,而基于GA-BP算法建立的H_2S质量浓度预测模型具有较好的逼近能力和泛化能力,可用于锅炉内H_2S质量浓度建模预测,为运行优化和控制燃煤锅炉内H_2S质量浓度奠定了基础。     

基于改进人工蜂群算法的锅炉NO_x排放预测优化

针对电厂循环流化床锅炉NOx排放问题进行了研究,并对人工蜂群算法进行了改进,结合最小二乘支持向量机建立了锅炉燃烧NOx排放模型,对锅炉可调参量进行了优化,降低了NOx排放浓度。将改进的人工蜂群算法与基本的人工蜂群算法和粒子群算法进行比较,说明基于改进人工蜂群算法所建立的模型能够很好的预测NOx的排放浓度,具有很强的辨识能力和泛化能力,同时也表明了改进人工蜂群算法计算速度快的优点及优化数据上的优势,通过仿真试验,优化后NOx排放浓度明显降低,体现了其工程实用价值。     

基于PLS和ε-FT的电站锅炉NO_x排放特性研究

为了有效控制电站锅炉的NO_x排放量,以某600 MW电站锅炉历史运行数据为样本,应用偏最小二乘(PLS)和ε-模糊树(ε-FT)方法建立了NO_x排放特性模型.针对热工过程变量之间的强相关性和耦合性,采用PLS对模型输入热工数据进行重要变量信息提取和变量选择,将得到的最优变量作为ε-FT模型的输入,建立了NO_x排放特性的PLS-ε-FT模型,并将模型与其他建模方法进行对比.结果表明:该模型通过PLS进行变量选择,消除了变量的相关性,降低了模型的维数和复杂程度,提高了模型的预测精度和泛化能力.     

在线监测燃煤锅炉NOx排放的自适应支持向量机模型

提出了一种基于改进的在线支持向量机自适应建模方法,并应用于电站锅炉NOx排放连续监测和特性分析.对常规在线支持向量机方法进行了改进,提出了新的样本剔除规则,保证了训练集内样本分布的均匀性.通过该改进方法对基于试验数据的常规向量机模型预测余差进行了连续估计,并预估煤质等因素引起的NOx排放特性的变化,从而补偿了实际工况与试验工况的差别,以便正确给出锅炉NOx排放特性.     

基于支持向量机和遗传算法的燃煤电站锅炉多目标燃烧优化

本文采用支持向量机方法建立了350MW燃煤电站锅炉NOx预测模型和锅炉效率预测模型,并采用遗传算法对NOx和锅炉效率进行多目标优化,表明支持向量机和遗传算法可以用于指导参数调节,进行燃烧优化。     

基于万有引力搜索算法的电厂锅炉NO_x排放模型的参数优化

以某330MW煤粉汽包锅炉为测试对象,以支持向量回归机为基础,利用最小二乘支持向量机和一种新的寻优算法———万有引力搜索算法进行了综合建模及参数优化.结果表明:建立的模型较好地实现了对电厂锅炉NOx质量浓度排放量的预测;与遗传算法、蜂群算法和粒子群算法相比,万有引力搜索算法能更好地找到未知优化参数,使得所建模型具有更高的预测能力和泛化能力,从而有效控制燃煤电厂NOx的排放量.     

基于支持向量机和遗传算法的燃煤电站锅炉多目标燃烧优化

采用支持向量机方法建立350MW燃煤电站锅炉NOx预测模型和锅炉效率预测模型,并采用遗传算法对NOx和锅炉效率进行多目标优化,表明支持向量机和遗传算法可以用于指导参数调节,进行燃烧优化。     

基于约束支持向量回归的电站锅炉燃烧优化建模

为建立一个有效的电站锅炉效率与NOx排放浓度预测模型,在最小二乘支持向量回归算法（Least Squares Support Vector Regression,LSSVR）基础上进行改进,提出了约束支持向量回归算法（Constraint Support Vector Regression,CSVR）,通过优化支持向量的选择策略,来增强算法泛化能力和对不良数据的抵御能力。初始数据经主成分分析(Principal Component Analysis,PCA)后,输入基于CSVR算法的锅炉燃烧模型进行训练,并将建模结果与LSSVR算法和BP神经网络算法进行了比较。结果表明：使用PCA对数据预处理后,输入变量维数由五维降到三维,简化了模型结构,同时又保留了输入数据的主要特征。在相当的平均预测误差水平上,CSVR算法选用支持向量数目分别只有83个和117个,远少于LSSVR算法选用的900个;CSVR的最大预测相对误差只有3%,远低于LSSVR的25.8%,BP算法介于两者之间。     

基于EEMD和卷积神经网络的电站NOx排放预测

精准的NOx排放预测模型能够提高SCR系统的脱硝效率,为此本文分析了一维卷积神经网络在NOx预测领域的应用,并提出了一种结合集成经验模态分解和卷积神经网络的NOx排放预测方法。首先,对原始数据进行预处理,并采用互信息法确定输入变量。然后,采用集成经验模态分解算法对NOx数据进行分解处理,降低NOx数据的预测难度。最后,基于一维卷积神经网络构建各分量的预测模型并进行重构,得到最终的NOx预测结果。基于某电厂的实际运行数据进行实验,实验结果表明,所提出模型预测结果的平均绝对百分比误差为3.34%。一维卷积神经网络的超参数实验说明了Adam优化方法和合适的输入步长有利于模型的训练,但是dropout正则化不利于模型的性能提升     

基于小波变换和LS-SVM的短期风速预测方法

针对风速序列的周期性和非平稳性,提出了基于小波变换和LS-SVM相结合的风电场风速预测模型,利用小波变换的多分辩分析法对风速序列进行分解,将风速序列投影到不同尺度上.结合LS-SVM的小样本学习能力强和计算简单等特点,将小波分解后的各风速子序列分别采用LS-SVM进行训练和预测,最后将各预测结果进行叠加得到最终的风速预测值.与LS-SVM风速预测方法进行比较,采用该文提出的方法可明显提高短期风速预测的精度,并具有较强的适应性,具有一定的工程应用前景.最后通过具体实例验证了该模型的有效性.     

燃煤锅炉NO_x排放浓度的智能预报

在热态试验数据的基础上,分别应用BP(神经网络)和SVM(支持向量机)回归算法建立了燃煤机锅炉NOx排放特性模型,并验证了模型的准确性。结果表明,BP网络模型对检验样本的最大预测误差、最小预测误差和均方差分别为4.263%、0.556%和2.2133%,支持向量机模型对检验样本的最大预测误差、最小预测误差和均方差分别为2.121%、0.091%和0.4549%。两种智能技术都能对锅炉在不同工况下的NOx排放做出较为准确的预报,但支持向量机在泛化能力、收敛速度、最优性等方面明显优于神经网络。     

基于自适应量子灰狼算法的锅炉NO_x预测模型

为更加精确地建立火电厂循环流化床锅炉NO_x排放质量浓度的预测模型,提出了一种利用量子位Bloch坐标球面生成编码的自适应量子灰狼算法(AQGWO)来优化快速学习网(FLN)的模型。将AQGWO与差分、粒子群等算法的优化能力进行比较,进而验证该算法优化的精度和收敛速度。在不同工况下实时采集某火电厂300 MW循环流化床锅炉的实验数据,在相同条件下将AQGWO-FLN模型与利用其他算法优化的FLN模型、基本FLN模型的预测结果进行对比。结果表明:利用AQGWO-FLN的模型具有最好的预测精度和泛化能力,可有效准确地预测火电厂锅炉的NO_x排放质量浓度。     

基于共享最小二乘支持向量机模型的电站锅炉燃烧系统的优化

电站锅炉燃烧系统是一个复杂的多输入多输出系统,为了在同一个模型中实现高效率、低污染物排放的优化目标,对标准最小二乘支持向量机回归方法进行了扩展．借助某电厂1000MW超超临界锅炉的现场燃烧调整试验数据,建立了以锅炉热效率和NOx排放质量浓度为输出的共享最小二乘支持向量机（LSSVM）模型,采用一种改进的粒子群算法对共享模型中的锅炉运行工况进行了寻优．结果表明：在共享LSSVM模型中,锅炉热效率和NOx排放质量浓度的平均预测误差分别可达到0．028％和2．16％,搜索得到的高效率和低NOx排放的参数组合可为电站锅炉优化运行提供指导．     

四角切圆燃煤锅炉低NO_x燃烧优化研究

借助锅炉燃烧特性试验数据,建立了基于支持向量回归的四角切圆燃煤锅炉NOx排放模型.经过训练和校验,并与神经网络模型进行对比,结果表明:SVR模型更加适合于实炉热态测试工况较少的小样本学习,而且其精度能够满足工程的实际要求,能够较为准确的对不同工况下的电站锅炉NOx排放特性进行预测.在获得该模型的基础上,结合全局寻优的遗传算法,以锅炉的运行调节参数为优化目标函数的自变量,对NOx排放进行寻优,并获得了具体工况下的最佳操作参数.     

基于IMRAN的电站锅炉效率与NO_x排放模型

电站锅炉高效低NOx燃烧优化技术越来越受到人们的重视,而锅炉燃烧效率和NOx排放模型是高效低NOx燃烧优化的基础.从提高网络的泛化能力着手,对最小资源分配网络算法的隐节点删减策略进行改进,加入惩罚策略和合并策略,并把改进的MRAN算法应用到对电站锅炉NOx排放与效率的实时建模上.仿真结果表明,改进的MRAN算法除了具有一般MRAN算法的优点外,还具有比MRAN网络更加紧凑的结构.提出的网络算法具有多输出结构,可同时预测NOx排放与效率,适于用在电站锅炉的NOx排放与效率的燃烧实时整体优化中.     

基于支持向量机的燃烧过程飞灰含碳量与NOx排放特性模型

大型四角切圆电站锅炉NOx排放和飞灰含碳量是燃烧优化的两个方面,也是电厂关心的重要问题。影响两者的因素众多而且复杂,对锅炉飞灰含碳量和NOx排放特性进行建模是实现燃烧优化的一个前提。文中首先利用交叉验证算法分析样本数据,对支持向量机中的参数C和σ进行选择,再应用支持向量机理论建立了飞灰含碳量和NOx排放特性模型,最后利用试验数据对模型进行了校验。研究结果表明,采用支持向量机算法建模误差较小,达到了比较准确的预测效果。