基于人工蜂群算法优化支持向量机的燃气轮机故障诊断

针对基于SVM(支持向量机)的故障诊断方法中支持向量机的参数难以选取导致诊断结果较差的问题,采用ABC(人工蜂群算法)对支持向量机的惩罚因子C和核函数参数σ进行优化;并构建了ABC-SVM(人工蜂群优化支持向量机)对燃机涡轮叶片故障进行诊断。诊断实例表明,该方法诊断准确率达到96. 43%,具有很好的诊断效果,为燃气轮机故障诊断提供了一种新的方法,具有实际应用价值。     

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SVM-ABC模型的混凝土配合比优化

为减少混凝土配合比试验工作量,达到节约试验时间和成本的目的,建立基于支持向量机(SVM)和人工蜂群算法(ABC)的混凝土配合比优化模型.模型采用SVM算法建立混凝土性能预测模型,结合ABC算法建立配合比优化模型,通过对不同强度等级的混凝土展开坍落度、强度试验,并用于验证SVM-ABC模型模拟结果.结果表明,模型优化得到...     

基于GA优化支持向量机的变压器故障诊断

针对变压器故障诊断中出现的多故障分类问题,为提高支持向量机的多故障分类的准确率,利用遗传算法(GA)对支持向量机的相关参数进行了优化。将利用遗传算法优化的支持向量机(GA-SVM)应用于变压器故障诊断中,并与利用粒子群算法优化的支持向量机(PSO-SVM)的识别结果进行比较。对比试验结果可以看出,GA-SVM算法能够更为有效地选择支持向量机的相关参数,在很大程度上提高了变压器多故障分类的准确性。     

人工蜂群优化支持向量机的电气故障诊断方法研究

摘要： 电气故障诊断具有重要的实际应用价值,针对电气故障诊断中的支持向量机（SVM）参数选择问题,提出了人工蜂群优化SVM的电气故障诊断模型。首先采用小波分析去除信号中的噪声,并提取特征,然后采用人工蜂群优化算法确定SVM的最优参数,建立电气故障诊断模型,最后通过与其他电气故障诊断模型进行对比实验。结果表明,WA-ABC-SVM可以描述电气设备状态与特征间的变化关系,提高了电气故障的诊断正确率,诊断结果要高于对比模型。     

基于平均微元级特性的压气机特性线外推方法

在燃气轮机组仿真研究中,确保压气机特性计算的准确可靠是建立燃气轮机组仿真模型的重要前提.针对现有轴流式压气机特性外推方法的不足,对压气机作出合理假设,提出了压气机平均级叶栅特性的概念,进而将压气机分解为若干串联的微元级,分段计算压气机的特性,从而使非设计工况下级进出口相似条件能够得到保证.以雷诺相似定律为基础,将每一个微元级特性外推,得到各微元级特性图,进而重构出压气机整机特性图.结果表明,新方法可以明显减小现有外推方法产生的误差,并由于平均级叶栅特性和虚拟微元级概念的引入,拓宽了压气机特性线获取的途径,提高了外推特性的可靠性.     

基于人工蜂群算法的大体积混凝土温度场参数反演

针对传统混凝土热学参数反分析计算量大、计算效率不高等特点,将人工蜂群算法引入到混凝土温度场计算中,提出基于该算法的反分析法,通过室内二期通水冷却试验,对通水冷却过程中大体积混凝土试件的导温系数及表面散热系数进行反演分析,并利用反演参数结果进行温度场反馈分析。结果表明,人工蜂群算法在温度场参数反演中具有很好的适用性,有效地提高了温度场参数反演的效率。     

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.     

基于参数优化多核支持向量机的光伏功率预测算法

准确的光伏功率预测对电力系统的稳定运行具有重大意义。针对现有预测算法在处理多维输入天气变量时存在的运算时间过长和特征提取能力较差的问题,提出一种基于参数优化的多核函数支持向量机的预测算法。首先,该新型算法对数据进行预处理,灰色关联度提取与预测日相似度高的历史日以提升预测精度,主成分分析（PCA）对输入数据进行降维,从而提高光伏功率预测的速度。其次,针对单核支持向量机对多维数据特征提取能力相对较差的问题,基于线性核函数和径向基核函数建立多核支持向量机预测模型,根据每个核函数支持向量机的预测误差计算不同的权重,从而增强对输入数据特征提取能力并提高预测精度。采用灰狼优化（GWO）算法确定不同核函数支持向量机的参数以提高预测精度。最后,通过北京某光伏电站的历史数据集验证了该算法的预测效果。实例分析表明,与传统预测算法相比,预测精度和速度都有显著提高。     

基于麻雀搜索算法优化支持向量机的区域水资源安全评价

针对我国水资源安全评价问题,结合支持向量机(SVM)对小样本、非线性问题分类效果好的特点,用麻雀搜索算法(SSA)对支持向量机的惩罚因子(C)和核函数参数(g)进行优化,建立基于麻雀搜索算法优化的支持向量机模型(SSA-SVM)用于区域水资源安全评价,以洛阳市某区域为例进行研究。结果表明,SSA-SVM法与T-S模糊神经网络法得到的评价等级结果基本一致,SSA-SVM模型具有寻优速度快,不易陷入局部最优等特点,可用于区域水资源安全评价。     

基于粒子群优化支持向量机的变压器故障诊断

针对支持向量机(SVM)用于变压器故障诊断中模型参数具有不确定性的问题,采用粒子群优化(PSO)算法对支持向量机参数进行优化,减少了模型参数的不确定性。故障数据测试表明,PSO能快速、准确地优化SVM参数,二者的结合可有效完成变压器故障分类,并取得较为满意的效果。     

基于支持向量机的煤灰结渣特性判别

在研究燃煤煤灰成分与其结渣特性之间关系的基础上,提出了基于支持向量机算法的煤灰结渣特性判别模型。该模型将煤灰成分作为输入量,煤灰结渣特性作为输出量,并用离子群优化算法对支持向量机参数进行优化。最后用实测数据对模型进行校验,结果表明,基于支持向量机的煤灰结渣特性判别模型的判别准确率高于采用相同训练集和测试集的其他算法。支持向量机判别速度快,准确率高,有利于提高动力配煤经济性以及锅炉运行安全性。     

基于ABCA-LSSVM的复杂工程结构可靠度计算

针对复杂工程结构的可靠度计算中难以精确给出显式极限状态函数,提出了一种用于复杂工程结构可靠度计算的人工蜂群最小二乘支持向量机方法(ABCA-LSSVM),利用LSSVM建立映射关系替代有限元计算,使计算效率大幅提高;引入ABCA用于LSSVM模型参数γ和σ的优化,提高了预测精度.重力坝抗拉强度可靠度分析实例验证了本文方法的有效性.     

基于支持向量机的洞庭湖水量交换模型

针对洞庭湖区河网密布、水流交错、水量调蓄与分配是洞庭湖演变和江湖关系调整的关键因子,在对其河网结构概化和洞庭湖区水量交互变化特点分析的基础上,建立了洞庭湖区水量交换支持向量机模型,并对1956~2008年洞庭湖入湖和出湖系列径流进行了模拟和检验。结果表明,实测值与拟合值吻合良好,且精度明显高于人工神经网络和线性回归方法。     

小型离心压气机结构参数优化与流量特性的仿真分析

压气机的流量特性（图）是压气机使用的主要参考依据,但是目前仍主要依靠试验方法得到。笔者探讨利用稳态可压缩粘性流体微分方程和k-ε两方程紊流模型,采用有限体积法对离心压气机的工作状况进行三维仿真计算。对某型压气机,通过改变扩压器和k-ε蜗壳结构参数,得到优化模型。根据优化模型在每一转速不同出口静压工况下的计算结果,得到压气机的流量特性图。结果表明,CFD方法可以得到压气机的流量特性图,并且可以方便地分析压气机各部分的流动损失,是压气机设计及性能前期预测的一种有效方法。     

基于多输出LSSVM的压气机特性的拟合和预测研究

采用最小二乘支持向量机进行了压气机特性拟合和预测研究,利用遗传算法对向量机的核参数和惩罚参数进行优化,提高建模精度,分析了已知特性数据的拟合精度,并对已知转速特性线上的未知数据、已知转速特性线之间的未知转速特性线、已知转速特性线之外的未知转速特性线进行预测,将预测结果与BP神经网络预测结果进行对比,表明最小二乘支持向量机法具有更高的预测精度,可满足工程仿真需求。     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

基于改进自适应遗传算法的大坝变形支持向量机预测模型

针对支持向量机模型预测大坝变形的核心为选取惩罚因子C和核函数参数σ的问题,以及标准遗传算法可能存在收敛局部小而最后得不到全局最优解、收敛速度慢等缺点,采用改进的自适应遗传算法对参数进行寻优。实例应用表明,与自适应遗传算法的支持向量机模型和统计模型相比,改进的自适应遗传算法的支持向量机模型推广能力和泛化能力更好,从而证明该预测模型具有可行性和实用性。     

基于蚁群优化的最小二乘支持向量机风速预测模型研究

基于最小二乘支持向量机理论,建立风速预测模型。同时,由于最小二乘支持向量机参数选取尚无有效方法,该文尝试采用蚁群算法理论来进行参数优化选择。选取某风场前四天的实测风速(采样间隔30min),应用所建立的风速预测模型,来预测第五天的48个风速值,其预测的平均绝对百分比误差仅为9.53%,预测效果较理想,验证了应用蚁群优化算法理论与最小二乘支持向量机理论进行风速预测的可行性,可为风电场规划选址和风力发电功率预测等提供理论支持。     

基于改进鱼群优化支持向量机的变压器绕组热点温度预测

为了克服传统人工鱼群算法存在的速度慢、易陷入局部最优等缺点,引入了可变视野、变化步长、禁忌表及清除机制改进人工鱼群算法,通过改进人工鱼群算法对支持向量机模型中的惩罚变量C和RBF核参数G进行了优化。根据某市110kV变压器绕组热点温度实际运行数据,选取关联变量,确定训练集和测试集,建立了基于改进人工鱼群优化SVM的变压器绕组热点温度预测模型,通过与其他方法进行对比,验证了该预测模型具有更优的预测能力,预测效果较理想。