基于逐步回归的AdaBoost-SVR模型在海上风电项目造价预测中的应用

为克服海上风电造价预测模型中自变量存在的多重共线性对建模的影响,同时针对现阶段海上风电实际成本数据较少,样本数量不多的现状,提出一种基于逐步回归的AdaBoost-SVR造价预测模型。逐步回归方法可有效提取重要自变量,避免多重共线性的影响。AdaBoost-SVR模型可在小样本的条件下保证模型的精度,同时提高泛化能力。工程实例分析表明该模型可有效提高预测精度。     

光伏电站群区域功率预测的统计升尺度方法

研究了区域预测建模技术,提出了基于少数代表光伏电站的统计升尺度方法,利用光伏电站相关系数矩阵和预测精度指数进行代表光伏电站选取和升尺度参数率定。通过某些光伏电站实际运行数据进行统计升尺度建模和方法的验证,表明该方法可以实现区域光伏发电功率预测建模,预测结果精度满足功率预测的工程应用要求。与传统的区域预测累加法相比,统计升尺度方法可节约计算资源,缩短建模时间,减少区域预测模型对单个光伏电站数据完备性的依赖,具有很高的工程实用意义。     

柴油机性能故障仿真及信息特征分析

介绍了柴油机性能故障的仿真模型和６２６０ Ｚ Ｃ柴油机１５ 种典型故障的仿真计算结果。通过对相同故障下热工参数的相对偏差分析和相同热工参数不同故障的绝对偏差分析,研究了热工参数对故障的敏感性和故障对热工参数的影响。对各种故障下热力参数的主成因分析,揭示了柴油机性能故障与热力参数之间的内在联系,提出了热力特征参量的优化选择方法和性能故障的分类方法,可以为人工神经网络的诊断应用提供训练学习样本。     

基于专家样本库和最小二乘支持向量机的配电网线损率预测模型

配电网线损率是评价电网企业运营的一项重要经济指标,利用电力运行数据建立线损率模型时建模样本对模型的预测精度具有重要影响。对此,提出了一种基于专家样本库和最小二乘支持向量机(LS-SVM)的线损率计算模型,利用离散粒子群优化算法从台区配电网电力运行数据中寻找包含较大运行状态信息量的样本记录,构建专家样本库,考虑台区配电网的有功供电量、无功供电量、端口电流、居民容量占比、表计数目及气象温度和气象湿度,基于专家样本库采用LS-SVM算法建立配电网线损率预测模型,并利用该模型对0.4kV配电网线损率进行计算验证。结果表明,基于专家样本库建立的线损率模型与普通样本建立的模型相比,具有更高的预测精度。     

基于Kriging算法的压气机特性建模

为提高压气机模型的精度,提出了一种基于Kriging算法的压气机特性建模方法,以船舶柴油机用压气机为例,基于Kriging方法构造压气机流量特性预测模型,讨论了该方法中相关参数初值和相关模型对预测误差的影响.在此基础上,以压气机流量特性预测为例,对比分析了Kriging模型、BP神经网络和曲线拟合3种方法的预测精度.结果表明:Kriging模型具有较高的预测精度,BP神经网络次之,曲线拟合方法的预测能力明显不足.最后,通过对压气机流量和效率特性的预测,验证了Kriging方法用于预测不同型号压气机特性参数的适用性和精确性.     

基于GM(1,1)模型预测柴油机润滑油金属元素含量的变化趋势

利用灰色系统GM(1,1)预测模型对柴油机润滑油中的金属元素进行趋势预测,首先利用元素历史数据建立动态微分方程,然后基于该微分方程预测元素的变化趋势,为润滑油性能分析和故障定位提供参考。通过对某型柴油机润滑油的监测实例,结果表明该预测方法具有数据量小、计算简单、预测准确的特点。     

柴油机状态变化趋势的组合预测方法研究

以某型装甲车辆用12V150型柴油机为对象进行了大量实车试验,测取了能够表征柴油机技术状态变化的缸内压缩压力峰值、加速时间、减速时间、供油提前角、燃油消耗量、振动功率6个特征量,并对其进行归一化和特征融合处理,从而确定了柴油机寿命预测特征量;研究了AR时序预测模型、灰色预测模型和人工神经网络预测模型的建模方法,并对其组合构建了组合预测模型,组合权值由灰色关联度求解.对一定使用期的车辆用柴油机进行了技术状态变化趋势的预测.预测结果表明,利用组合预测方法对柴油机进行技术状态变化趋势预测,可以提高预测稳定性以及预测精度.     

基于RBF神经网络的柴油机排气温度传感器检测方法的研究

针对柴油机热工参数之间复杂的非线性关系,提出了采用R BF神经网络技术融合柴油机热工参数数据进行排气温度传感器检测的方法,并可对柴油机各缸排气温度进行状态监测。计算机仿真与实际应用表明,利用神经网络的智能检测技术对柴油机排气温度传感器和状态监测是切实可行的。     

反向建模方法在汽轮机热耗率建模中的应用

针对热耗率与其影响因素之间存在的复杂非线性关系,提出了基于自适应混沌反学习万有引力算法(ACOGSA)和最小二乘支持向量机(LSSVM)的汽轮机热耗率反向建模方法.利用某600 MW超临界汽轮机组运行数据,采用基于LSSVM的反向建模方法建立热耗率预测模型,采用ACOGSA算法解决LSSVM的模型参数优化问题,并与GSA-LSSVM模型和BP神经网络模型的预测结果进行比较.结果表明:所建立的模型比传统模型具有更好的泛化能力,更能准确地预测汽轮机的热耗率.     

基于BP神经网络的燃煤锅炉内H_2S质量浓度建模预测

基于BP神经网络算法和遗传算法优化的BP神经网络算法(GA-BP算法)建立了燃煤锅炉内H_2S质量浓度的预测模型,以燃烧调整试验得到的数据作为训练样本和测试样本,对所建立的H_2S质量浓度预测模型进行评价。结果表明:基于BP神经网络算法建立的H_2S质量浓度预测模型出现过拟合现象,而基于GA-BP算法建立的H_2S质量浓度预测模型具有较好的逼近能力和泛化能力,可用于锅炉内H_2S质量浓度建模预测,为运行优化和控制燃煤锅炉内H_2S质量浓度奠定了基础。     

基于小波PLS的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行具有重要意义。针对风电的间歇性和波动性,以及传统物理方法预测精度低,提出了物理方法和小波PLS相结合的风电功率预测算法。该方法可较好地实现数据去噪和样本预处理,并可对输入因素进行成分提取,对因变量有较好的解释能力,且有利于提高风电功率的预测精度。最后通过某风场的实际运行数据对该算法进行了验证,将其他预测模型的预测结果与物理方法和小波PLS的组合预测结果进行了对比,结果表明文章预测法方精度更高,效果更好。     

基于神经网络的零维预测燃烧模型及建模方法

提出了基于神经网络的零维预测燃烧模型,适用于发动机稳态和动态过程的燃烧计算.以建立高原增压柴油机燃烧模型为例,介绍了基于神经网络的零维预测燃烧模型的建模步骤,主要包括放热率计算、放热率参数化、构建和训练神经网络.介绍了缸压处理和放热率计算方法;以三韦伯函数形式拟合放热率曲线,增加一系列约束解决拟合参数的多解问题;构建并训练了神经网络,完成建模.通过训练误差分析、预测结果与试验数据的对比,对模型的预测精度进行了验证.     

柴油机磨损寿命的灰色马尔柯夫模型预测

本文基于灰色系统理论，将灰色ＧＭ（１，１）预测模型和马尔柯夫预测模型的优点结合起来，形成一个灰色马尔柯夫预测模型，拓宽了灰色预测的应用范围。尤其是这种模型的预测结果比其它随机波动性较大数据列的模型的预测结果精确得多。用这种模型对柴油机磨损寿命进行预测的结果令人满意。     

逆向建模技术在柴油机气道正向开发中的应用

优化柴油机气道设计可以有效改善柴油机的燃烧性能,对优化排放、降低燃油耗至关重要。为了获得具有一定流量系数和涡流比的气道,以某中型柴油机进气道为研究对象,通过流体仿真对气道进行局部优化,预测了各升程的流量系数和涡流比。通过实物芯盒优化喉口结构和修模芯盒内腔,优化气道设计,应用Geomagic Design X逆向建模软件建立了三维(3D)数模,并将逆向后的数模建立快速验证气道芯盒。结果表明,基于逆向建模技术的气道正向开发可以实现气道的精确设计,对于优化气道设计、提高柴油机性能具有重要作用。     

基于PLS回归的EGR柴油机NO_x排放模型

利用偏最小二乘(PLS)回归方法建立了一台EGR增压中冷柴油机NOx排放的预测模型.在采用一半试验样本作为标定样本的条件下,EGR阀开启时的PLS回归模型NOx交叉舍一预测偏差均方根值(Rh)和检验样本预测均方根值(Rt)分别为20.0×10-6和18.7×10-6,EGR阀关闭时的PLS回归模型NOx的Rh和Rt值分别为22.6×10-6和26.5×10-6.模型验证样本与标定样本的预测精度相当,所建模型稳定可靠,表明这种建模方法可以应用于柴油机NOx排放标定工作以降低工作量;在主变量PLS模型精度较低时,利用在主变量之外增加二次项和交叉项的方法,模型的Rh和Rt分别降低22.1%～38.5%和9.5%～23.0%;提出的PLS回归变量选择和模型优化方法实用、可靠,可用于PLS回归模型的优选.     

基于ARMAX-GARCH模型的微电网风功率预测

目前风功率预测多为风功率期望的点预测,且以采样间隔较大的功率序列作为建模序列,这样会降低预测模型对风功率时序特征模拟的准确度和可信度。文中基于小采样间隔风功率序列,提出ARMAX-GARCH风功率预测模型。通过构造风功率新息序列,结合小时平均风功率序列,建立ARMAX点预测模型,采用BIC最小信息准则和相关性分析实现模型定阶和外生变量选择;采用GARCH模型模拟残差的波动特性实现区间预测。以海岛微电网实测风功率数据为例,进行提前1 h风功率预测。结果表明,与持续法、ARMA和RBF神经网络相比,该预测模型能显著提高风功率期望的点预测精度并具有较好的区间预测效果。     

基于相似样本及PCA的光伏输出功率预测

针对光伏输出功率预测问题,提出相似样本及PCA相结合的光伏输出功率预测模型。通过对光伏发电系统历史发电量数据和气象数据相关性分析,根据辐照度具有时间周期性和邻近相似性的特性选取参考样本,求取预测日与参考样本辐照度的欧氏距离并确定相似样本,采用PCA对相似样本提取主成分作为神经网络的输入,简化网络结构。仿真结果表明,相似样本算法可以有效地对不同天气类型的光伏输出功率进行预测,基于PCA的神经网络模型可进一步提高预测精度、泛化性能更好。     

联合模糊聚类和多样本SSO优化SVR的配电通信网络流

针对电力通信网络流量预测问题,提出了一种联合模糊聚类和多样本群居蜘蛛优化（social spider optimization,SSO）SVR的配电网络流量预测方案。针对配电网络流量时序非线性、周期性特点,首先采用自适应模糊聚类方法（adaptive fuzzy C-means clustering）对流量样本数据进行预处理,实现了样本数据聚类自动划分,有效降低了流量数据短相关性对预测精度的影响;然后利用多样本SSO优化算法（multi-sample social spider optimization algorithm）对SVR预测模型参数进行优化,通过引入多样本、网格迭代进化策略,从而得到不同流量数据聚类对应的最佳SVR参数组合;最后,运用多样本SSO优化SVR模型对预测数据进行预测分析。仿真结果表明,同ARIMA、神经网络等配电网路流量预测模型相比,提出的预测方案预测精度提高了18.8%~34.1%。     

基于遗传算法—优化长短期记忆神经网络的柴油机瞬态NOx排放预测模型研究

为实现选择性催化还原系统（selective catalytic reduction,SCR）尿素喷射量的精确控制,构建并评估了一套利用遗传算法（genetic algorithm,GA）优化长短期记忆（long short term memory,LSTM）神经网络的柴油机瞬态NO_x排放预测模型。针对柴油机瞬态运行特点,选择柴油机NO_x排放的主要影响因素进行相关性分析,确定模型的输入变量;为避免人为选取参数对神经网络预测性能的不良影响,采用遗传算法优化LSTM神经网络的参数,建立预测柴油机瞬态NO_x排放的GA-LSTM模型;最后对预测模型进行了性能测试。结果表明,该模型具有较好的预测能力。     

基于随机森林的SCR脱硝系统出口NOx浓度预测研究

基于集成学习中的随机森林(Random forest, RF)算法,利用某燃煤机组SCR脱硝系统历史运行数据,通过计算各特征变量重要性评分选取出最优输入变量集,建立脱硝系统出口NO_x浓度最优的RF预测模型。与常见建模方法进行对比,结果表明:基于RF算法的模型预测精度明显高于BP神经网络和SVM等建模方法,且经最优变量选择后,具有更好的泛化能力和更短的建模时间,能够有效应用于电厂烟气脱硝系统出口NO_x浓度预测中。