CN104881705A - 一种基于最优组合模型预测一次风机状态趋势的方法 - Google Patents
一种基于最优组合模型预测一次风机状态趋势的方法 Download PDFInfo
- Publication number
- CN104881705A CN104881705A CN201410660109.8A CN201410660109A CN104881705A CN 104881705 A CN104881705 A CN 104881705A CN 201410660109 A CN201410660109 A CN 201410660109A CN 104881705 A CN104881705 A CN 104881705A
- Authority
- CN
- China
- Prior art keywords
- model
- primary air
- air fan
- state trend
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
一种基于最优组合模型预测一次风机状态趋势的方法。针对单一预测模型的局限性,本发明提出一种最优灰色最小二乘支持向量机预测模型,采用引入混沌序列和遗传算法交叉思想的万有引力搜索算法来优化最小二乘支持向量机参数和该组合预测模型的权值,并将本发明的组合预测模型应用到火电厂一次风机的状态趋势预测中,结果表明该模型比单一模型具有更高的预测精度,对火电厂一次风机的状态趋势有重要意义。
Description
技术领域
本发明涉及一种预测一次风机状态趋势的方法,尤其涉及一种基于最优组合模型预测一次风机状态趋势的方法。
背景技术
工程实际中,对同一个预测对象可以有不同的预测方法,其预测精度也不同。任何一种预测模型都具有独立的信息,舍弃它都意味着丢失一种宝贵的信息资源。近年来,组合预测方法已经成为预测领域中一个重要的研究方向,组合预测模型是对各个单一模型进行适当组合,弥补单一模型的局限性,有利于综合各种方法提供的有用信息,提高预测精度。
在火力发电厂中的风机设备是非常重要的组成部分,它能否平稳安全的运行以及在出现问题之前提前预警是现在火力发电厂研究的重要问题。如上述提到单一的预测模型会有诸多的缺陷问题导致预测偏差较大,因此,为了能在不影响电厂正常运转的情况下预测一次风机的状态趋势,迫切需要研究一种预测一次风机状态趋势的方法。
发明内容
针对单一预测模型的在一次风机状态趋势预测的局限性问题,本发明研制一种于最优组合模型预测一次风机状态趋势的方法。
本发明其特征在于,包括以下步骤:
(1)构建GM(1,1)模型,并预测到规定步数为止。
(2)构建LSSVM模型,并预测到规定的步数为止。
(3)根据最优权重系数,得到组合预测模型的预测值。
(4)将步骤(1)和(2)中的预测步数的真实值代入时间序列XN,并除去 XN中最老数据,得到新的时间序列,返回步骤1循环,直至预测到规定时刻为止。
上述步骤中,所述构建GM(1,1)模型为灰色预测模型可以直接处理非平稳序列;
所述构建LSSVM模型为最小二乘支持向量机具有较好的描述复杂非线性函数的能力;
所述最优权重系数其获取过程为先建立GM(1,1)模型和LSSVM模型,再利用CGSA(混沌万有引力搜索算法)优化LSSVM参数得到优化后的惩罚系数C,核参数σ,利用CGSA得到优化后的组合预测模型的权重ω1和ω2;
所述最优组合模型为最优灰色和最小二乘支持向量机预测模型的组合。
附图说明
图1是基于混沌万有引力搜索算法的SVM参数优化及应用的实施流程图。
图2是电厂一次风机轴承X向振动真实数据图。
图3是2014年3月1日各种模型预测结果图。
图4是2014年4月1日各种模型预测结果图。
图5是2014年5月1日各种模型预测结果图。
具体实施方式
为更好地理解本发明,下面结合附图和具体实施方式对本发明进行更为详细描述。在以下的描述中,当已有的现有技术的详细描述也许会淡化本发明的主题内容时,这些描述在这儿将被忽略。
图1是本发明基于最优组合模型预测一次风机状态趋势的方法的一种具体实施方式流程图。在本实施例中,本发明的基于最优组合模型预测一次风机状态趋势的方法包括以下步骤:
某火电厂1#机组的一次风机轴承X向振动数据(采样周期1min)显示如图2所示(火电厂一次风机有29个测点,都可以用该组合预测模型进行预测,由于该设备主测点和最能表征设备劣化趋势的测点是振动测点,因此本文以振动作为主要的研究对象)。
分别选取2014年3月1日、2014年4月1日、2014年5月1日8:00之前的100个真实数据作为初始的时间序列训练样本,预测8:01-13:00的状态趋势变化,OGLSSVM预测过程如下:
首先,根据时间序列训练样本得到最优权重系数组合,步骤如下:
1.建立GM(1,1)模型;
2.建立LSSVM模型:利用CGSA优化LSSVM参数,得到优化后的惩罚系数C,核参数σ;
3.利用CGSA得到优化后的组合预测模型的权重ω1,ω2。
然后,预测三个日期8:01-13:00的状态趋势变化,预测步数为3,并分别与GM(1,1)模型、LSSVM模型进行比较,结果如图4-图5所示。
分析图3-图5可得,某些时候LSSVM模型的预测效果比GM(1,1)模型好;而某些时候GM(1,1)模型预测效果却比LSSVM模型好。综合图3-图5可得,OGLSSVM模型结合了GM(1,1)模型和LSSVM模型的优点,从而提高了预测精度。
尽管上面对本发明说明性的具体实施方式进行了描述,但应当清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于最优组合模型预测一次风机状态趋势的方法,其特征在于,包括以下步骤:(1)构建GM(1,1)模型,并预测到规定步数为止。(2)构建LSSVM模型,并预测到规定的步数为止。(3)根据最优权重系数,得到组合预测模型的预测值。(4)将步骤(1)和(2)中的预测步数的真实值代入时间序列XN,并除去XN中最老数据,得到新的时间序列,返回步骤1循环,直至预测到规定时刻为止。
2.根据权利要求1所述的一种基于最优组合模型预测一次风机状态趋势的方法其特征在于:
所述构建GM(1,1)模型为灰色预测模型可以直接处理非平稳序列;
所述构建LSSVM模型为最小二乘支持向量机具有较好的描述复杂非线性函数的能力;
所述最优权重系数其获取过程为先建立GM(1,1)模型和LSSVM模型,再利用CGSA(混沌万有引力搜索算法)优化LSSVM参数得到优化后的惩罚系数C,核参数σ,利用CGSA得到优化后的组合预测模型的权重ω1和ω2;
所述最优组合模型为最优灰色和最小二乘支持向量机预测模型的组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410660109.8A CN104881705A (zh) | 2014-11-18 | 2014-11-18 | 一种基于最优组合模型预测一次风机状态趋势的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410660109.8A CN104881705A (zh) | 2014-11-18 | 2014-11-18 | 一种基于最优组合模型预测一次风机状态趋势的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104881705A true CN104881705A (zh) | 2015-09-02 |
Family
ID=53949192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410660109.8A Pending CN104881705A (zh) | 2014-11-18 | 2014-11-18 | 一种基于最优组合模型预测一次风机状态趋势的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104881705A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106374465A (zh) * | 2016-11-10 | 2017-02-01 | 南京信息工程大学 | 基于gsa‑lssvm模型的短期风电功率预测方法 |
CN107085633A (zh) * | 2017-04-12 | 2017-08-22 | 华侨大学 | 基于支持向量机的多点振动响应频域预测的装置及方法 |
CN107092738A (zh) * | 2017-04-12 | 2017-08-25 | 华侨大学 | 基于多元线性回归的振动响应频域预测的实验装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329697A (zh) * | 2008-06-11 | 2008-12-24 | 电子科技大学 | 一种基于混杂算法的模拟电路状态预测方法 |
CN103258130A (zh) * | 2013-05-10 | 2013-08-21 | 宋强 | 烧结矿转鼓强度预测方法 |
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
-
2014
- 2014-11-18 CN CN201410660109.8A patent/CN104881705A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329697A (zh) * | 2008-06-11 | 2008-12-24 | 电子科技大学 | 一种基于混杂算法的模拟电路状态预测方法 |
CN103258130A (zh) * | 2013-05-10 | 2013-08-21 | 宋强 | 烧结矿转鼓强度预测方法 |
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
Non-Patent Citations (3)
Title |
---|
H. SHAYEGHI ET AL.: "Day-ahead electricity prices forecasting by a modified CGSA technique and hybrid WT in LSSVM based scheme", 《ENERGY CONVERSION AND MANAGEMENT》 * |
唐杰明 等: "基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测", 《电网技术》 * |
马文涛: "基于灰色最小二乘支持向量机的边坡位移预测", 《岩土力学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106374465A (zh) * | 2016-11-10 | 2017-02-01 | 南京信息工程大学 | 基于gsa‑lssvm模型的短期风电功率预测方法 |
CN106374465B (zh) * | 2016-11-10 | 2018-11-23 | 南京信息工程大学 | 基于gsa-lssvm模型的短期风电功率预测方法 |
CN107085633A (zh) * | 2017-04-12 | 2017-08-22 | 华侨大学 | 基于支持向量机的多点振动响应频域预测的装置及方法 |
CN107092738A (zh) * | 2017-04-12 | 2017-08-25 | 华侨大学 | 基于多元线性回归的振动响应频域预测的实验装置及方法 |
CN107092738B (zh) * | 2017-04-12 | 2020-06-26 | 华侨大学 | 基于多元线性回归的振动响应频域预测的实验装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Risk control of mission-critical systems: Abort decision-makings integrating health and age conditions | |
CN105956315A (zh) | 一种可进行疲劳裂纹扩展速率估算和寿命预测的方法 | |
CN118246513A (zh) | 训练动作选择神经网络 | |
JP6304274B2 (ja) | プラント性能評価装置、プラント性能評価システム、およびプラント性能評価方法 | |
CN105160444A (zh) | 电力设备故障率确定方法及*** | |
CN104008278A (zh) | 一种基于特征向量和最小二乘支持向量机的pm25浓度预测方法 | |
Ji et al. | Urban water demand forecasting by LS-SVM with tuning based on elitist teaching-learning-based optimization | |
CN103649858A (zh) | 用于预测组件或***状况的方法和设备及计算机程序产品 | |
CN108121990A (zh) | 一种基于全天空成像设备的太阳辐照度预测方法和装置 | |
Ma et al. | Model predictive control of building energy systems with balanced model reduction | |
CN104881705A (zh) | 一种基于最优组合模型预测一次风机状态趋势的方法 | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
JP2019095323A (ja) | 気象予測装置 | |
CN106934191A (zh) | 一种基于自相似性的wrf模式风速订正方法 | |
CN103258131A (zh) | 基于正交学习粒子群的功率电路元件优化方法 | |
Valeti et al. | Remaining useful life estimation of wind turbine blades under variable wind speed conditions using particle filters | |
Liu et al. | The study of long-term electricity load forecasting based on improved grey prediction model | |
Guerrero Merino et al. | Online energy management for a solar car using pseudospectral methods for optimal control | |
CN111859625A (zh) | 基于大数据的节能控制方法、装置及存储介质 | |
CN114722487B (zh) | 一种基于大数据的新能源汽车车型参数预测估计方法 | |
Pang et al. | Fault detection of nuclear reactors by estimation of unknown input for systems with disturbances | |
CN110351755A (zh) | 一种控制节点的方法及装置 | |
Yun et al. | Metaheuristic-based inspection policy for a one-shot system with two types of units | |
Wang et al. | An improved force characteristic curve fitting algorithm of urban rail vehicles | |
Odeback et al. | Physics-Informed Neural Networks for prediction of transformer’s temperature distribution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150902 |
|
WD01 | Invention patent application deemed withdrawn after publication |