共查询到20条相似文献,搜索用时 15 毫秒
1.
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。 相似文献
2.
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。 相似文献
3.
4.
5.
6.
7.
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。 相似文献
8.
9.
10.
11.
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。 相似文献
12.
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。 相似文献
13.
基于灰色关联度与 LSSVM 组合的月度负荷预测 总被引:2,自引:0,他引:2
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. 相似文献
14.
15.
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。 相似文献
16.
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. 相似文献
17.
基于最小二乘支持向量机的居民用电预测研究 总被引:1,自引:1,他引:1
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。 相似文献
18.
19.
20.