支持向量机在预测配煤灰熔点中的应用

采用支持向量机预测配煤灰熔点时,针对训练样本代表性不足的问题,提出了一种选取训练样本的方法。在国内具有代表性的煤灰成分和灰熔点数据库的基础上,分别添加现场实际中不同数量的灰熔点实验数据,将二者的集合作为训练样本集对灰熔点进行预测,并对预测结果进行分析。结果表明:训练样本的选取对支持向量机的预测结果有较大的影响,而向数据库中添加灰熔点实验数据可以有效改善训练样本代表性不足的问题,配煤灰熔点预测值的均方误差MSE=5.76,最大相对误差为6.91%。     

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。     

基于系统分类的配煤灰熔融特性研究

根据不同熔融性和不同的矿物质组成对14种煤进行系统归类,利用硅酸盐相图理论解释混煤结渣的原因。并根据矿物组成,寻找不同类别煤种之间配煤的熔融性规律,探讨了选择合适煤种配煤使混煤灰熔点提高的配煤方法。同时,还设计了一种判别配煤效果的方法:T-φ法(T表示混煤灰熔点的软化温度,φ表示混煤熔点与低熔点煤之间的温度差,根据这2个指标,确定混煤灰熔点在坐标轴中的位置,判断配煤效果的好坏)。文中以灰熔点作为判断煤灰结渣倾向的标准。实验结果表明:由于配煤使灰中的成分更复杂,低温共熔现象更易发生,因而配煤总体是一个降低灰熔点的过程;但是将煤种分类,不同类别之间合理掺配能改善这种状况。富含勃姆石的高熔点的煤种参与配煤,能确保使混煤灰熔点一定高于低熔点煤;其他类型的高熔点煤,参与配煤后混煤灰熔性各异,并大体呈降低的趋势;中等熔点煤和低熔点煤混煤熔点一致呈现出低于2种单煤的规律;2种低熔点煤混合不能得到高熔点混煤的结果。     

一种预测煤灰变形温度的新方法

在研究燃煤煤灰成分与其变形温度之间关系的基础上,提出了煤灰变形温度模拟退火支持向量机的预测模型.该模型将煤灰中的10个氧化物成分作为输入量,煤灰的变形温度作为输出量.用某电厂实测数据对模型进行了校验,结果表明,此方法是合理有效的,经模拟退火算法优化后的支持向量机模型可实现对变形温度较精确的预测.同时依据本模型及面向对象的高级语言,开发了相应的预测评判系统.     

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.     

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。     

基于模拟退火和支持向量机算法的燃煤锅炉结渣特性预测

应用支持向量机算法对燃煤锅炉结渣问题进行数学建模,利用模拟退火算法对支持向量机模型参数进行了优化,获得最优参数组合.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15台锅炉结渣特性进行预测评判,结果表明此方法合理有效.     

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。     

基于支持过程向量机的航空发动机排气温度预测

针对航空发动机气路性能衰退主要是由时间累积效应造成的这一问题,为反映航空发动机气路性能参数时间序列中实际存在的时间累积效应,以预测航空发动机气路性能衰退规律,本文从泛函分析的角度出发,提出了一种支持过程向量机模型。并建立了基于支持过程向量机的时间序列预测模型,且以Logistic混沌时间序列预测为例验证了该预测模型的有效性。在此基础上建立了基于支持过程向量机的航空发动机排气温度预测模型,并采用遗传算法进行模型参数的优化选择。通过航空发动机排气温度预测实际应用案例对提出的模型进行了验证,实验结果表明:支持过程向量机预测结果的平均相对误差为2.81%,优于传统支持向量机的预测结果。     

基于改进积温效应修正模型的负荷预测

针对积温效应会造成电力负荷异常增长,传统负荷预测方法精度较差的问题,基于积温效应对电力负荷影响进行分析,提出了基于改进积温效应修正模型与参数优化支持向量机的负荷预测方法。首先分析气象因素与气象负荷的相关性,确定积温临界值,对积温效应强度和温度之间的关系进行研究,提出了一种改进积温效应温度修正模型。然后利用PSO对支持向量机参数进行优化,利用优化支持向量机对日负荷进行预测。最后通过算例实例证明了该方法的有效性,可有效提高短期负荷预测的精度。     

蚁群前馈神经网络在煤灰熔点预测中的应用

提出了一种蚁群前馈神经网络模型。采用蚁群算法和BP算法相结合的方法训练神经网络,可避免单纯BP算法容易陷入局部最优的不足,降低算法对初值的敏感性。应用蚁群前馈神经网络建立了灰熔点的模型,并对模型的预测性能进行了验证。结果表明,该方法的预测精度比单一的BP神经网络模型有较大提高,训练后的网络模型可以用于煤灰熔点的预报。     

掺混生物质对煤灰熔点的影响及混合灰流动温度预测

研究了刘桥一矿煤、青龙矿煤、榆林煤,掺入稻草、棉秆、玉米秆3种秸秆类生物质后混合灰熔融特性的变化规律。结果表明:对于高灰熔点刘桥一矿煤和青龙矿煤,掺入3种生物质后,煤灰的流动温度显著降低,掺混比例为30%左右时灰的流动温度降至1380℃以下。稻草的掺入增加了低灰熔点榆林煤灰的流动温度,但在所有掺混比例下,混合灰的流动温度均未高于1300℃。采用多元线性回归分析的方法对灰流动温度与灰成分参数进行拟合,得到了预测生物质与煤混合灰流动温度的方程,并使用鲍店煤掺混生物质的灰分组成对回归方程进行了检验,结果显示28组样品中,96%的灰样流动温度偏差在80℃以内。     

高灰熔点煤高温下煤焦CO2/水蒸汽气化反应特性的实验研究

我国煤炭年产量中，1400℃以上的高灰熔点煤约占50％以上。为探索固态排渣方式的高灰熔点煤气流床气化，本文选出具有代表性的三种高灰熔点煤种和一种低灰熔点煤种，在TGA-51H型高温热天平上进行了煤焦-CO2和煤焦-水蒸汽气化反应特性的实验研究，并利用SEM考察了气化条件下煤焦及灰的微观结构。实验结果表明：在煤焦-CO2、H2O反应过程中，反应速度明显表现出高温区域的扩散反应和低温区域的化学反应；无论在1273K～1573K的低温区域，还是在高于1573K的高温区域，反应速率随燃料比（FC/V）的增加而减小。     

基于WNN-GNN-SVM组合算法的变压器油色谱时间序列预测模型

分析了小波神经网络(WNN)、灰色神经网络(GNN)、支持向量机(SVM)预测方法的原理,利用粒子群优化(PSO)算法对这3种基本预测方法进行了结构参数优化。将WNN、GNN、SVM与PSO-BP算法进行组合,推导得出了组合预测模型最优权系数的计算方法,并优化了组合预测模型拓扑结构参数。算例分析结果表明:经过PSO算法优化后,WNN、GNN、SVM预测模型的预测精度得到了提高,其组合模型较单一模型有更高的预测精度。     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

支持向量机参数优化及其在变压器故障诊断中的应用

支持向量机(Support Vector Machines,SVM)分类器在变压器故障诊断中取得了较好的效果,然而对其性能起关键作用的参数选择,却没有理论依据或有效方法。鉴于交叉验证(Cross validation,CV)是模型性能评估和模型选择的有效方法,而遗传算法(Genetic Algorithm,GA)可以实现全局寻优,将CV与GA方法相结合用来选取SVM分类器参数。该方法采用GA方法对SVM分类器参数进行优化,利用CV构造GA适应度函数,为SVM分类器参数选择提供评价标准。并将其应用于变压器故障诊断,从而充分利用有限的变压器故障样本数据,提高SVM分类器的推广性。实例分析表明同Grid与SVM相结合,CV、Grid与SVM相结合及GA与SVM相结合的方法相比,所提方法具有更好的效果。     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

动力用煤结渣倾向的判断

针对近年来珠江电厂锅炉频繁出现的严重结渣现象，从煤种方面分析了造成锅炉结渣的各种因素，并着重从煤灰的灰成分、灰熔融特性方面进行分析，计算出灰成分、灰熔点之间的相关参数，总结出对动力用煤结渣倾向进行判断的4种方法，并将这些方法应用于珠江电厂燃煤结渣倾向的判断。实际应用表明，判断结果与珠江电厂实际结渣情况相符合。该方法为煤种掺烧和电厂燃煤管理提供了依据。     

基于PSO优化BiLSTM的联合循环电厂输出功率预测

针对联合循环电厂发电能力受环境温度、压力、相对湿度和电力需求等条件变化影响而造成对输出功率预测精度较差的问题,提出粒子群算法(PSO,particle swarm optimization)与BiLSTM(BiLSTM,bi-directional long short-term memory)相结合的预测模型PSO-...