一種基于最優(yōu)組合模型預(yù)測一次風(fēng)機(jī)狀態(tài)趨勢的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種預(yù)測一次風(fēng)機(jī)狀態(tài)趨勢的方法，尤其涉及一種基于最優(yōu)組合模型預(yù)測一次風(fēng)機(jī)狀態(tài)趨勢的方法。
【背景技術(shù)】
[0002]工程實(shí)際中，對同一個(gè)預(yù)測對象可以有不同的預(yù)測方法，其預(yù)測精度也不同。任何一種預(yù)測模型都具有獨(dú)立的信息，舍棄它都意味著丟失一種寶貴的信息資源。近年來，組合預(yù)測方法已經(jīng)成為預(yù)測領(lǐng)域中一個(gè)重要的研宄方向，組合預(yù)測模型是對各個(gè)單一模型進(jìn)行適當(dāng)組合，彌補(bǔ)單一模型的局限性，有利于綜合各種方法提供的有用信息，提高預(yù)測精度。
[0003]在火力發(fā)電廠中的風(fēng)機(jī)設(shè)備是非常重要的組成部分，它能否平穩(wěn)安全的運(yùn)行以及在出現(xiàn)問題之前提前預(yù)警是現(xiàn)在火力發(fā)電廠研宄的重要問題。如上述提到單一的預(yù)測模型會有諸多的缺陷問題導(dǎo)致預(yù)測偏差較大，因此，為了能在不影響電廠正常運(yùn)轉(zhuǎn)的情況下預(yù)測一次風(fēng)機(jī)的狀態(tài)趨勢，迫切需要研宄一種預(yù)測一次風(fēng)機(jī)狀態(tài)趨勢的方法。

【發(fā)明內(nèi)容】

[0004]針對單一預(yù)測模型的在一次風(fēng)機(jī)狀態(tài)趨勢預(yù)測的局限性問題，本發(fā)明研制一種于最優(yōu)組合模型預(yù)測一次風(fēng)機(jī)狀態(tài)趨勢的方法。
[0005]本發(fā)明其特征在于，包括以下步驟:
[0006](I)構(gòu)建GM(1，1)模型，并預(yù)測到規(guī)定步數(shù)為止。
[0007](2)構(gòu)建LSSVM模型，并預(yù)測到規(guī)定的步數(shù)為止。
[0008](3)根據(jù)最優(yōu)權(quán)重系數(shù)，得到組合預(yù)測模型的預(yù)測值。
[0009](4)將步驟⑴和⑵中的預(yù)測步數(shù)的真實(shí)值代入時(shí)間序列Xn，并除去Xn中最老數(shù)據(jù)，得到新的時(shí)間序列，返回步驟I循環(huán)，直至預(yù)測到規(guī)定時(shí)刻為止。
[0010]上述步驟中，所述構(gòu)建GM(1，1)模型為灰色預(yù)測模型可以直接處理非平穩(wěn)序列；
[0011]所述構(gòu)建LSSVM模型為最小二乘支持向量機(jī)具有較好的描述復(fù)雜非線性函數(shù)的能力；
[0012]所述最優(yōu)權(quán)重系數(shù)其獲取過程為先建立GM(1，I)模型和LSSVM模型，再利用CGSA(混沌萬有引力搜索算法)優(yōu)化LSSVM參數(shù)得到優(yōu)化后的懲罰系數(shù)C，核參數(shù)σ，利用CGSA得到優(yōu)化后的組合預(yù)測模型的權(quán)重ω#Ρ ω 2；
[0013]所述最優(yōu)組合模型為最優(yōu)灰色和最小二乘支持向量機(jī)預(yù)測模型的組合。
【附圖說明】
[0014]圖1是基于混沌萬有引力搜索算法的SVM參數(shù)優(yōu)化及應(yīng)用的實(shí)施流程圖。
[0015]圖2是電廠一次風(fēng)機(jī)軸承X向振動真實(shí)數(shù)據(jù)圖。
[0016]圖3是2014年3月I日各種模型預(yù)測結(jié)果圖。
[0017]圖4是2014年4月I日各種模型預(yù)測結(jié)果圖。
[0018]圖5是2014年5月I日各種模型預(yù)測結(jié)果圖。
【具體實(shí)施方式】
[0019]為更好地理解本發(fā)明，下面結(jié)合附圖和【具體實(shí)施方式】對本發(fā)明進(jìn)行更為詳細(xì)描述。在以下的描述中，當(dāng)已有的現(xiàn)有技術(shù)的詳細(xì)描述也許會淡化本發(fā)明的主題內(nèi)容時(shí)，這些描述在這兒將被忽略。
[0020]圖1是本發(fā)明基于最優(yōu)組合模型預(yù)測一次風(fēng)機(jī)狀態(tài)趨勢的方法的一種【具體實(shí)施方式】流程圖。在本實(shí)施例中，本發(fā)明的基于最優(yōu)組合模型預(yù)測一次風(fēng)機(jī)狀態(tài)趨勢的方法包括以下步驟:
[0021]某火電廠1#機(jī)組的一次風(fēng)機(jī)軸承X向振動數(shù)據(jù)(采樣周期Imin)顯示如圖2所示(火電廠一次風(fēng)機(jī)有29個(gè)測點(diǎn)，都可以用該組合預(yù)測模型進(jìn)行預(yù)測，由于該設(shè)備主測點(diǎn)和最能表征設(shè)備劣化趨勢的測點(diǎn)是振動測點(diǎn)，因此本文以振動作為主要的研宄對象)。
[0022]分別選取2014年3月I日、2014年4月I日、2014年5月I日8:00之前的100個(gè)真實(shí)數(shù)據(jù)作為初始的時(shí)間序列訓(xùn)練樣本，預(yù)測8:01-13:00的狀態(tài)趨勢變化，OGLSSVM預(yù)測過程如下:
[0023]首先，根據(jù)時(shí)間序列訓(xùn)練樣本得到最優(yōu)權(quán)重系數(shù)組合，步驟如下:
[0024]1.建立 GM(1，I)模型;
[0025]2.建立LSSVM模型:利用CGSA優(yōu)化LSSVM參數(shù)，得到優(yōu)化后的懲罰系數(shù)C，核參數(shù)σ ;
[0026]3.利用CGSA得到優(yōu)化后的組合預(yù)測模型的權(quán)重Q1, ω2。
[0027]然后，預(yù)測三個(gè)日期8:01-13:00的狀態(tài)趨勢變化，預(yù)測步數(shù)為3，并分別與GM(1，
I)模型、LSSVM模型進(jìn)行比較，結(jié)果如圖4-圖5所示。
[0028]分析圖3-圖5可得，某些時(shí)候LSSVM模型的預(yù)測效果比GM(1，I)模型好；而某些時(shí)候GM(1，I)模型預(yù)測效果卻比LSSVM模型好。綜合圖3-圖5可得，OGLSSVM模型結(jié)合了GM (I，I)模型和LSSVM模型的優(yōu)點(diǎn)，從而提高了預(yù)測精度。
[0029]盡管上面對本發(fā)明說明性的【具體實(shí)施方式】進(jìn)行了描述，但應(yīng)當(dāng)清楚，本發(fā)明不限于【具體實(shí)施方式】的范圍，對本技術(shù)領(lǐng)域的普通技術(shù)人員來講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些變化是顯而易見的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護(hù)之列。
【主權(quán)項(xiàng)】
1.一種基于最優(yōu)組合模型預(yù)測一次風(fēng)機(jī)狀態(tài)趨勢的方法，其特征在于，包括以下步驟:(I)構(gòu)建GM(1，1)模型，并預(yù)測到規(guī)定步數(shù)為止。(2)構(gòu)建LSSVM模型，并預(yù)測到規(guī)定的步數(shù)為止。(3)根據(jù)最優(yōu)權(quán)重系數(shù)，得到組合預(yù)測模型的預(yù)測值。(4)將步驟(I)和(2)中的預(yù)測步數(shù)的真實(shí)值代入時(shí)間序列Xn，并除去Xn中最老數(shù)據(jù)，得到新的時(shí)間序列，返回步驟I循環(huán)，直至預(yù)測到規(guī)定時(shí)刻為止。2.根據(jù)權(quán)利要求1所述的一種基于最優(yōu)組合模型預(yù)測一次風(fēng)機(jī)狀態(tài)趨勢的方法其特征在于: 所述構(gòu)建GM(1，1)模型為灰色預(yù)測模型可以直接處理非平穩(wěn)序列； 所述構(gòu)建LSSVM模型為最小二乘支持向量機(jī)具有較好的描述復(fù)雜非線性函數(shù)的能力；所述最優(yōu)權(quán)重系數(shù)其獲取過程為先建立GM (I，I)模型和LSSVM模型，再利用CGSA (混沌萬有引力搜索算法)優(yōu)化LSSVM參數(shù)得到優(yōu)化后的懲罰系數(shù)C，核參數(shù)σ，利用CGSA得到優(yōu)化后的組合預(yù)測模型的權(quán)重ω#Ρ ω 2； 所述最優(yōu)組合模型為最優(yōu)灰色和最小二乘支持向量機(jī)預(yù)測模型的組合。
【專利摘要】一種基于最優(yōu)組合模型預(yù)測一次風(fēng)機(jī)狀態(tài)趨勢的方法。針對單一預(yù)測模型的局限性，本發(fā)明提出一種最優(yōu)灰色最小二乘支持向量機(jī)預(yù)測模型，采用引入混沌序列和遺傳算法交叉思想的萬有引力搜索算法來優(yōu)化最小二乘支持向量機(jī)參數(shù)和該組合預(yù)測模型的權(quán)值，并將本發(fā)明的組合預(yù)測模型應(yīng)用到火電廠一次風(fēng)機(jī)的狀態(tài)趨勢預(yù)測中,結(jié)果表明該模型比單一模型具有更高的預(yù)測精度，對火電廠一次風(fēng)機(jī)的狀態(tài)趨勢有重要意義。
【IPC分類】G06Q50/06, G06Q10/04
【公開號】CN104881705
【申請?zhí)枴緾N201410660109
【發(fā)明人】龔安, 高洪福, 呂倩
【申請人】中國石油大學(xué)(華東)
【公開日】2015年9月2日
【申請日】2014年11月18日