基于最小二乘支持向量机的水冷壁温度软监测建模

叙述了利用最小二乘支持向量机（LSSVM）对超临界锅炉膜式水冷壁向火侧两个危险点温度进行多目标软建模。指出,该模型可用于向火侧壁温的在线监测,该方法学习速度快、泛化能力强,比GA-BP的软测量建模具有更好的推广能力。     

基于粒子群算法的最小二乘支持向量机电池状态估计CSCD

电池荷电状态(SOC)作为电池管理系统(BMS)重要参数之一,准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响,因此很难准确估计SOC。为了提高SOC的估计精度,本工作提出了基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量,SOC作为模型的输出向量,为了更好的获得LSSVM模型的参数,提出了利用自适应粒子群算法来进行参数优化,从而获得高精度SOC估计模型。通过恒流充放电实验采集的数据,并和未优化的粒子群优化的LSSVM、支持向量机(SVM)神经网络(NN)相比,所提模型的SOC估计精度误差为1.63%,验证了算法的有效性。     

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法。通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法寻找LSSVM中最优的2个关键参数正则化参数和核函数参数,以此提高故障诊断模型的分类精度。通过不同工况下的试验数据集测试,实现了对不同故障状态特征参数的准确分类。结果表明,所提方法诊断结果优于遗传算法(GA)和粒子群算法(PSO)分别优化的LSSVM.远优于传统的LSSVM算法。     

基于CLPSO优化LSSVM的风数据缺失部分插补

风电场的实测风数据普遍存在着数据缺失的问题。由于风数据的非线性特点,常用的插补方法难以跟踪风的变化趋势,导致风数据缺失部分插补值精度低的问题。针对此问题,采用最小二乘支持向量机(LSSVM)模型插补缺失的风数据,使用综合学习粒子群算法(CLPSO)优化影响LSSVM模型性能的参数,从而形成了CLPSO-LSSVM插补模型。为了进行对比,另外使用了风切变指数模型(WSC)、自回归滑动平均模型(ARMA)、自适应神经模糊推理系统模型(ANFIS),对测试数据和风数据缺失部分进行插补。仿真结果表明:CLPSO-LSSVM模型的测试数据插补值精度最高,对风数据缺失部分插补值的相关系数也较大,综合指标最优,验证了该插补模型的有效性。     

基于CSO算法优化的LSSVM熔盐温度预测

吸热器的安全高效运行在太阳能热发电系统中起到了至关重要的作用。吸热管中熔盐出口最高温度和平均温度为太阳能热发电系统中吸热器的设计、材料的选择和运行控制提供了重要的科学依据。文章提出了基于最小二乘支持向量机(Least squares support vector machines,LSSVM)的快速预测方法,预测不同工况下吸热管中熔盐出口最高温度和平均温度。为了提高预测精度,利用猫群优化(Cat Swarm Optimization,CSO)算法求解LSSVM方法中的超参数。数值计算结果证实了LSSVM方法是可行的,从而为研究塔式太阳能吸热器的热特性以及运行控制提供一种新的有效方法。     

基于PSO-LSSVM模型的火电厂烟气含氧量预测

锅炉烟气含氧量是机组运行最重要的参数之一,为了准确测量氧量,在支持向量机(SVM)的基础上,提出最小二乘支持向量机(LSSVM),并结合粒子群算法(PSO)对模型参数(C,g)进行寻优,从而建立锅炉输入和输出变量之间的关系模型。将该方法应用到某电厂600 MW燃煤机组中,用训练后的模型进行预测,并与SVM模型预测结果进行比较。结果表明:采用LSSVM方法,能够辨识出多个变量与氧量之间的复杂关系,对锅炉氧量的预测误差为±0.03;并且PSO-LSSVM预测精度比PSO-SVM模型高,PSO-LSSVM模型具有预测精度高、泛化能力好、鲁棒性强和训练时间较短等优点。     

基于多尺度模型的输电塔裂纹损伤识别及抗噪性能分析

高压输电铁塔健康监测对保证输电线路安全运行具有重要意义。以500 kV输电塔为例,建立多尺度模型,引入小波包能量曲率差作为损伤指标,提出了一种基于多尺度模型的输电铁塔裂纹损伤识别方法。研究结果表明,该方法能准确判断裂纹的损伤位置,具有良好的抗噪能力。将该指标结合支持向量机（SVM）方法对损伤程度进行识别,与最小二乘支持向量机（LSSVM）方法对比分析发现,LIBSVM方法更逼近目标值,识别效果更准确。     

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测

为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法。首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证。结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用。     

最小二乘支持向量机荷电状态估计方法

为解决一般电池模型对于不同健康状况电池泛化性能较差的问题,利用最小二乘支持向量机(LSSVM)的回归原理,通过提取锂电池运行过程中的外部特性构建LSSVM模型。引入粒子群优化算法(PSO)以提高训练效率与模型精度。通过恒流放电实验比较了几种核函数的估计效果,利用交替充、放电实验验证了PSO-LSSVM方法在复杂运行状况下电池荷电状态(SOC)估计的有效性。并与其他估计、优化方法比较,进一步验证方案的优越性。该方法给微电网储能系统的精确、快速估计提供了新的解决方案。     

基于模糊LS-SVM算法的大坝变形预测模型

在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机(LS-SVM)算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LSSVM模型,且支持向量机(SVM)的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析.