基于最小二乘支持向量机的矿用胶带机滚动轴承故障识别

提出利用最小二乘支持向量机方法进行矿用胶带机滚动轴承故障识别方法,利用小波包的分解方法提取检测信号的故障信息,并将其作为最小二乘支持向量机的输入量,将样本的常见故障类型作为输出量,对样本的输入量和输出量进行不断的训练学习,得到最小二乘支持向量机模型,利用该模型进行胶带机滚动轴承故障识别。研究结果表明:基于最小二乘支持向量机模型的计算结果与测试样本拟合精度较高,可以用于进行矿用胶带机滚动轴承故障识别。     

基于最小二乘支持向量机的动力配煤着火特性预测模型

将最小二乘支持向量机建模方法引入到动力配煤着火特性的分析建模中,针对配煤指标中计算困难的着火温度指标建立了最小二乘支持向量机模型,一方面克服了神经网络算法的过拟合、泛化能力弱等缺点;另一方面提高了求解过程的计算速度。采用微粒群算法(PSO)对模型参数进行优化,模型留一验证得到预测均方误差为8.60,相关系数为0.93,对65个样本进行预测分析,得到较高的预测精度。因此采用最小二乘支持向量机方法可以实现较精确的配煤着火温度预测。     

基于LSSVM优化的Kriging方法预测煤厚变化研究

针对普通Kriging插值方法中变差函数模型参数求解难、模型选择具有主观性、并不一定能选出最优变差函数模型的局限性,将最小二乘支持向量机与Kriging方法结合起来,利用最小二乘支持向量机较强的非线性回归能力从实际数据中重构变差函数。为了评价该方法的插值精度,将它和传统普通Kriging插值方法相比较,并利用研究区实际煤层厚度数据进行了验证。     

基于最小二乘支持向量机的电动机故障诊断方法

为从电动机频谱识别出故障电动机,先用CZT变换(线性调频Z变换)分析采集到的电动机数据进行分类,然后训练最小二乘向量机,再把相同维数的数据送入训练好的最小二乘向量机进行判断,最终得出用最小二乘向量机进行电动机故障诊断的准确性、可行性和可靠性。     

生物氧化预处理过程中溶氧量的预测

溶氧量是影响生物氧化速率的重要因素之一,精准预测溶氧量对生物氧化冶金工艺有着十分重要的意义,为提高模型预测的精度,提出一种基于鲸鱼算法—最小二乘支持向量机(WOA-LSSVM)的矿浆溶氧量预测建模方法,用鲸鱼算法对最小二乘支持向量机的核函数宽度和惩罚因子进行寻优,建立WOA-LSSVM溶解氧量预测模型,最后输出预测结果...     

电厂热工DCS系统数据智能驱动系统设计

为消除电厂热工DCS系统驱动过程人为干扰，提出一种电厂热工DCS系统数据智能驱动系统设计。依据电厂热工系统的运行数据特征，将影响热工系统驱动控制的相关变量，作为驱动模型的初始变量，采用偏最小二乘法处理初始变量之间的相关性和耦合关系，提取特征矩阵；将特征矩阵作为驱动模型的最终输入，并采用最小二乘支持向量机（LSSVM）描述电厂热工系统驱动过程的非线性，实现基于PLS-LSSVM电厂热工DCS系统智能驱动系统设计。实验结果表明，该系统的自重构和回归拟合程度均在0.8以上，并可较好地完成数据降维。     

基于蜻蜓算法和最小二乘支持向量机的矿井突水水源判别

对矿井突水水源的准确判别对于矿井安全生产有着重要的意义.本文提出采用基于蜻蜓算法和最小二乘支持向量机相结合的矿井突水水源预测方法,以Na++K+、Ca2+、M g2+、Cl-、SO42-、HCO3-等6种水中离子作为矿井突水水源模型的识别因素,利用收集的水样数据对最小二乘支持向量机进行训练和测试,研究结果表明基于蜻蜓算...     

最小二乘支持向量机与马尔可夫链组合预测应用研究——以四川省天然气消费量为例

天然气作为四川省的一种主要能源,正确合理地对天然气消费量进行预测有着重要的意义。在历史数据有限的情况下,为解决四川省天然气消费量预测的问题,提出一种基于最小二乘支持向量机与马尔可夫链的组合预测模型。首先,利用经过优化后的最小二乘支持向量机建立四川省天然气消费量的时间序列预测模型;然后借助马尔可夫链进行系统状态划分,缩小预测区间以提高预测精度;最后运用该模型对四川省2007～2011年天然气消费量做出预测。计算结果表明,该模型具有一定的精度和可靠性。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

针对边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取七项因素(岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数)作为边坡稳定性的影响因素,建立PSO-LSSVM的边坡稳定性预测模型。利用矿山实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM模型在矿山边坡稳定性预测中有较高的准确度。     

生物氧化预处理过程中溶氧量的预测研究

溶氧量作为影响生物氧化速率的重要因素之一,精准地预测溶氧量对生物氧化冶金工艺有着十分重要的意义,为提高模型预测的精度,本文提出一种基于鲸鱼算法-最小二乘支持向量机（WOA-LSSVM）的矿浆溶氧量预测建模方法,用鲸鱼算法对最小二乘支持向量机的核函数宽度和惩罚因子进行寻优,然后建立WOA-LSSVM溶氧量预测模型,最后输出预测结果,并与LSSVM和(粒子群算法)PSO-LSSVM模型对比。研究表明,WOA-LSSVM模型的预测结果更接近于实际值,其相对误差也比另外两种模型低,该模型可以很好地预测溶解氧,具有预测精度高的优势,可应用于之后对于溶氧量的预测研究。     

矿区供电电网智能管理平台的构建与探讨

针对平煤股份天通电力有限公司现有业务各系统之间相对独立,信息互联互通不畅,无法进行数字信息智能化提升的技术难题,提出了通过进行数据抽取与分析及数据建模的解决方案,打破了天通电力公司现有业务系统之间存在的信息孤岛,提供综合智能化信息服务平台。通过输配电运维系统平台的构建,有效提升了平顶山矿区电网设备故障运维的工作质量和运行效率,增强了企业智能化管理水平,及时调整企业自身发展模式的转变,进而适应供电信息智能化时代社会发展的趋势,取得了较好的应用效果。为同类矿区信息智能化供电管理提供了借鉴,具有良好的推广应用价值。     

粗糙集和LSSVM在设备故障诊断中的应用

为了提高旋转设备故障诊断的准确率,提出了基于粗糙集和最小二乘支持向量机(LSSVM)的旋转设备故障诊断方法,讨论了如何进行数据选择、离散及约简方法,用粗糙集提取出旋转设备故障诊断的关键征兆属性,降低数据集的维数将约简属性后的数据集送入最小二乘支持向量机进行故障分类训练。仿真结果表明:采用此方法的故障识别率优于PCA-LSSVM法,分类时间也明显优于LSSVM分类方法。     

电网运维管控的优化改进研究

电网运维管理是保障电网安全、高效输配电的关键管理工作,不断地优化管理方法成为电力公司需要重点关注的问题。随着电网规模和复杂性的增加,传统的运维方式已经不能满足当前电网运维的新需求。在分析现有方法不足的基础上,提出了基于大数据、云计算、物联网和移动互联网的综合解决方案。采用射频识别、无线传输等物联网技术获取和感知现场设备的信息,大数据和云计算技术被用于规范现场工作管理和监督标准现场工作操作。此外,通过智能运维终端在维护现场和控制中心之间建立数据交换通道,实现维护现场和控制中心之间的数据上传和交互。     

基于无人机巡图像技术的电力设备缺陷智能识别系统

研究详细介绍了无人机设备在电力设备巡检工作中的应用方法,提出了无人机在电力设备巡检工作中的操作方案、自主避障方案和通信方案。并在此基础上将图像缺陷识别算法应用于后期的电力设备图像检测工作,进而建立起一套完整的电力设备缺陷智能识别系统。     

5G电力网络切片技术在燃煤智慧电厂生产管控应用分析

本研究分析了5G电力网络切片技术的结构、特点、底层技术原理、设计原理、部署原理、切片类型、在火电厂的应用场景、能解决的火电智慧电厂建设中遇到的问题以及5G技术相比现有技术的进步。通过5G网络切片选择、定制化设计与安全通讯加密,以提升发电厂的物联网通讯和泛在感知能力,降低人员劳动强度,提高火电厂生产运营效率和安全性。结果表明,5G网络端到端切片的全生命周期管理包括:通信服务管理CSMF、切片管理NSMF、子切片管理NSSMF、现场部署管理和编排MANO步骤。5G电力网络切片技术在燃煤电厂的应用场景包括uRLLC精准控制类信号采集与控制、mMTC物联网设备信息采集、eMBB移动智能设备数据双向通讯、视频语音数据采集与通讯等。     

基于Stacking模型融合的失压故障识别算法

计量故障中的失压故障是目前电力计量系统常见的故障问题之一,传统的失压故障判定以终端告警为依据,判定维度单一,且终端告警存在误报、漏报的情况,导致了故障无法及时发现、无法实时处理。为了解决失压故障识别维度单一和终端漏报误报的问题,采用比较研究法,在前人使用机器学习算法解决故障识别问题的基础上,结合真实计量数据,构建失压关键指标,提出了一种基于Stacking模型融合的计量故障监测算法。经反复实例论证和理论测算,该算法相较于传统的机器学习算法,能够提升失压故障识别的效果,平均精确率0.99以上。该种算法的提出为计量故障识别提供了一种新的解决方案,为失压故障后电量追补提供了一种依据,为提升计量系统管理水平增加了一种手段。     

基于电力负荷历史数据挖掘的负荷预测算法研究

针对电力负荷历史数据中异常数据点影响电力负荷预测精度的缺陷,研究基于电力负荷历史数据挖掘的负荷预测算法。选取K means聚类算法挖掘电力负荷历史数据的属性特征量,检测其中所包含的异常数据点,选取灰色系统理论中的GM（1,1）模型修正电力负荷历史数据中的异常数据,利用完成修正的电力负荷历史数据建立训练集以及预测集,将训练集样本输入支持向量机中,利用支持向量机所具有的非线性映射能力映射样本至高维空间内,获取支持向量机最优阈值,将预测集输入具有最优阈值的支持向量机中,获取精准的电力负荷预测结果。所研究算法可实现长期、短期、超短期电力负荷的预测,且预测的精准性及速度较为优越。     

电力系统二次设备缺陷数据挖掘与分析方法研究

为了准确挖掘与分析电力系统二次设备缺陷数据,判断电网二次设备运行状态,提出基于缺陷数据挖掘的电力系统二次设备缺陷分析方法。基于层次聚类算法,获取电力系统二次设备缺陷数据挖掘,以原子聚类、原子簇合并、基于层次聚类算法的缺陷数据识别三步骤,将缺陷数据设成基于XGBoost的二次设备缺陷分类模型的输入数据,设置缺陷特征指标集、缺陷级别标签后,有效挖掘电力系统二次设备缺陷数据,然后通过XGBoost模型,实现二次设备缺陷级别识别。研究结果表明,所提方法对二次设备缺陷数据的挖掘结果和实际缺陷数据样本数一致,对二次设备缺陷级别识别后,识别结果的准确率、召回率、F₁值均高达0.99,且识别耗时低于400 ms,具备使用价值。     

基于物联网技术的电力设备数据实时采集系统

以实现电力设备数据实时采集和通信为目的,设计基于物联网技术的电力设备数据实时采集系统。依据标识体系感知和采集电力设备的运行状数据,并对数据进行标准化化处理,通过物联网将电力数据传输到数据整合层,通过加权队列调度算法解决电力设备数据在通信传输时,突发数据流量产生的网络拥塞问题,并对横向和纵向进行整合、存储。测试结果表明,该系统可靠完成电力设备不同运行状态下的信号数据采集,采集结果的有效值误差和峰值误差小,最大程度降低拥塞率,保证数据实时通信。