基于机器学习的火电机组一次风量软测量技术

在电厂燃煤机组中,一次风用于煤粉输送和锅炉燃烧,直接关系到炉膛内的实际燃烧工况,适当的一次风量对于磨煤机乃至整台机组的正常运行具有重要意义。然而受现场多种因素的影响,现有测量方法得到的一次风量误差很大。针对这一问题,基于最小二乘支持向量回归机算法建立了风量软测量模型,对辅助变量的选取及数据预处理方法进行了分析和讨论,并采用PSO算法对LSSVM软测量模型参数进行优化。以某电厂DCS历史数据中选取的数据作为训练样本和测试样本,对风量软测量模型进行了实验验证,结果表明该方法得到的预测值能够很好的跟踪实际风量的变化,且计算简便、预测速度快,具有较好的应用前景。     

基于机器学习的一次风量软测量技术研究

磨煤机风量的准确、可靠测量是保证火电机组控制系统稳定运行,进而提高锅炉燃烧效率的重要因素,然而受现场安装条件等方面的限制,仪表测量得到的磨煤机风量与实际值偏差很大。针对这一问题,应用软测量方法,结合火电厂的实际应用,对磨煤机风量软测量中辅助变量的选择、数据预处理、测量模型的建立及校正等问题进行了研究。采用基于支持向量机回归的方法建立了风量软测量模型,并对建模过程中核函数、惩罚因子的选择进行了分析和研究。电厂实际运行数据的验证表明:该软测量方法能够获得比现有硬件流量仪表更准确可靠的测量结果,且能适应机组工况的变化。     

基于最小二乘支持向量机的风力发电机组风速软测量

风力发电机组的有效风速无法直接测得.依据辅助变量与主导变量之间的数学关系,建立风力机有效风速最小二乘支持向量机软测量模型:通过对辅助变量的测量和计算,可得到风力机有效风速的估计值.实现风力发电机组的有效风速软测量.计算机仿真结果表明.最小二乘支持向量机软测量模型具有泛化能力强和计算效率高的优点:能够满足风速的大范围变化和风力发电机组控制实时性的要求.     

基于LS-SVM和GM的球磨机料位动态软测量

提出了一种基于最小二乘支持向量机(LS-SVM)和灰色模型(GM)的钢球磨煤机料位动态软测量方法,分析了料位的影响因素,确定了软测量模型的辅助变量;基于LS-SVM建立料位软测量静态模型,将静态模型测量结果与实际值比较,获得测量误差时间序列,并采用GM对其建模和预测;将预测的误差结果与静态模型输出进行叠加,实现对测量结果的动态校正。实际应用结果表明,该方法能够有效地反映料位的变化趋势和动态特性,比单纯LS-SVM模型测量具有更高的精度和适用性。     

基于LSGSVM和GM的球磨机料位动态软测量

提出了一种基于最小二乘支持向量机(LS-SVM)和灰色模型(GM)的钢球磨煤机料位动态软测量方法,分析了料位的影响因素,确定了软测量模型的辅助变量;基于 LS-SVM建立料位软测量静态模型,将静态模型测量结果与实际值比较,获得测量误差时间序列,并采用GM对其建模和预测;将预测的误差结果与静态模型输出进行叠加,实现对测量结果的动态校正。实际应用结果表明,该方法能够有效地反映料位的变化趋势和动态特性,比单纯 LS-SVM模型测量具有更高的精度和适用性。     

基于LS-SVM和机理模型的球磨机料位软测量

提出了一种机理知识和最小二乘支持向量机(LS-SVM)相结合的球磨机料位混合软测量方法.基于机理模型建立料位理论模型;将料位机理特性融入LS-SVM的建模过程中,利用LS-SVM算法对机理模型进行校正,弥补它的不精确性.通过现场试验和实际运行分析表明,混合模型能够有效地反映出实际运行中料位的变化趋势和动态特性.     

基于多模型软测量技术的扭矩在线测量方法

为改善扭矩间接测量过程中因物理量间的线性关系导致单个物理量变化对最终结果影响过大的问题,本文提出了一种基于加权K-means聚类与LSSVM融合的非线性多模型软测量方法。该方法首先选择多个易测变量作为辅助参数,利用主客观综合加权理论对数据预处理。其次利用K-means聚类算法将物理特性相似的数据构成集群,最后基于最小二乘支持向量机算法对数据集群建立多模型并进行测量。基于实际采集数据对所提出方法进行了验证,结果表明,相同实验条件下本文所提出的模型较传统LSSVM软测量模型和K-means-LSSVM模型的测量均方根误差分别降低了0.484和0.263,平均绝对百分误差分别下降了1.003和0.292,有效提升了测量的精度与稳定性。     

磨煤机入口一次风量测量数值模拟研究

磨煤机入口一次风量测量的稳定性和准确性较低,是由于冷、热风混合段到测量截面间的距离较短,冷、热风不能完全均匀混合所致.通过数值模拟的方法,在一次风管道内冷、热风混合处安装导流叶片,增加冷风的射流深度,使测量截面的温差从原来的166℃降到22℃,测量截面的速度变化范围从13～25.8 m/s减小到20～22m/s.加装混流装置后,使冷、热风混合更充分,有效地改善了测量截面上速度和温度分布的均匀性,风量测量系数稳定,准确性明显提高.     

磨煤机一次风量测量不准分析及处理

针对某电厂1000 MW机组出现磨煤机一次风量测量不准的问题,结合风量测量原理,得出速度分布不均是风量测流不准的原因。然后对磨煤机入口前一次风道,运用Fluent进行数值模拟,并建立标准k-ε湍流模型。计算结果表明,测量点的数据是可代表整个测量截面的,并不会出现数据不准确的问题。风量测量厂家现场供货的正、负压侧测量管未能一一对应,仅有3个负压侧,与测量截面速度平均值误差较大,导致风量测量不准确;重新供货后,现场风量测量准确。     

新型蜂巢式一次风量测量装置的研究和应用

针对电站锅炉因一次风道结构复杂、布置紧凑,磨煤机入口一次风量难以准确测量的问题,设计了新型蜂巢式一次风测量装置,采用整流、分割截面测量原理,可以很好地适用于大型复杂截面的风量测量。该装置的风量测量偏差5%,达到了精确测量的要求,并且对风门变化具有较好的跟随性。     

基于自适应递推最小二乘支持向量机的磨煤机一次风量软测量模型

针对离线最小二乘支持向量机（LSSVM）以及无稀疏策略的在线LSSVM在过程建模工程应用的局限性,提出了一种基于选择性递推以及自适应更新模型参数的LSSVM软测量模型。该方法将快速留一交叉验证（FLOO-CV）误差作为模型更新阈值,前向学习时,根据更新阈值只引入预报误差较大的样本更新模型,提高了模型的稀疏性;后向样本修剪时,仅删除FLOO-CV误差最小的样本,提高了模型的全局推广能力。应用电厂实际运行数据验证该模型并对磨煤机一次风量进行在线预测,并研发了一套在线软测量平台。将该平台在某1 000 MW机组进行现场验证,结果表明,该平台对一次风量有较高的预测精度,可以在流量传感器出现故障时代替其工作,保证磨煤机一次风量信号的稳定性和可靠性。     

磨煤机一次风量测量装置改造及应用

为解决因风道布置不合理引起的流场紊乱和难以准确测量风量的问题,对一次风量测量装置进行改造,将混风道测量装置由热导式气体流量计改为多点差压,冷、热风道采用热导式测量,取得了较好的效果。     

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.     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链（GM-Markov）与最小二乘支持向量机（LSSVM）预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

HEV电池预测的留一交叉验证优化LS-SVM方法

针对混合动力汽车(HEV)电池剩余容量()判别问题,将最小二乘支持向量机方法应用于混合动力汽车电池荷电状态的预测。考虑到最小二乘支持向量机的参数选择会对预测结果产生较大的影响,提出了基于留一交叉验证优化最小二乘支持向量机的预测方法。将电池的工作电压、工作电流和表面温度参数用来预测蓄电池的荷电状态实时值,在欧洲城市行驶循环工况(EUDS)条件下进行实验验证,结果表明：所设计预测模型能够实时准确地预测出值,有效性高。     

最小二乘支持向量机短期负荷预测研究

电力系统短期负荷预测是一项非常重要的工作,准确的短期负荷预测对于电力系统经济、安全、可靠的运行具有特别重要的意义.随着电力系统的日趋复杂化,特别是电力市场的逐步深入,短期负荷预测被赋予了更高的要求.提出了基于负荷日周期性进行前后向外推的数据预处理新方法,为短期负荷预测模型利用这些历史数据奠定了基础.最小二乘支持向量机是新一代机器学习方法,将其应用于电力系统短期负荷预测,在充分利用日周期性和同时刻负荷相近性的基础上,提出了基于最小二乘支持向量机回归算法(LSSVR)的短期负荷预测点模型.该模型通过采用不同天同时刻的负荷样本训练LSSVR来获取负荷的最优线性回归函数,实现了在最小化负荷样本点误差的同时,缩小模型泛化误差的上界,获取了较好的负荷预测性能.     

基于最小二乘支持向量机的居民用电预测研究

随着我国经济的发展和经济结构的调整,居民用电占全社会用电量的比重逐渐增大并且有继续增加的趋势,科学合理地预测居民用电水平将为电力规划与需求侧管理提供决策基础。首先,采用相关系数法进行居民用电关键影响因素的选择。其次,将选取的影响因素作为LS-SVM的输入端,城乡居民用电量作为输出端,用Bayes准则进行SVM的参数选取,通过智能模拟学习,建立了Bayes-LS-SVM居民用电预测模型。最后,以中国某省居民用电量预测为例进行学习以及测试,并将其预测结果与广义回归神经网络预测法及几种常用的居民用电预测方法进行误差对比分析,证明了该组合方法比其它几种方法更精确有效。提出了采用人工智能的方法通过家用电器以及其他影响因素来预测居民用电,克服了以往采用家用电器预测中,家用电器功率以及年利用小时数预测不准确的问题。     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型。首先通过偏最小二乘（PLS）对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法（SVM）对提取的成分进行预测。算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法。     

基于大数据与机器学习的配电网电缆线路工程造价预测

为了解决目前配电网工程造价影响因素繁多且复杂,工程造价难以准确预测问题,提出一种基于大数据与机器学习算法的配电网电缆线路工程造价组合预测模型。首先基于灰色关联分析法从工程造价的大数据中选取重要造价影响因素,其次基于交叉验证与网格搜索算法对最小二乘向量机算法进行关键参数寻优,最后利用寻优之后的最小二乘支持向量机算法进行造价预测。通过不同预测方法结果对比,验证了所构建的造价预测模型能有效提升预测速度和精度,为实现配电网电缆线路工程造价精准预测提供参考。