一種基于最優組合模型預測一次風機狀態趨勢的方法
【技術領域】
[0001]本發明涉及一種預測一次風機狀態趨勢的方法，尤其涉及一種基于最優組合模型預測一次風機狀態趨勢的方法。
【背景技術】
[0002]工程實際中，對同一個預測對象可以有不同的預測方法，其預測精度也不同。任何一種預測模型都具有獨立的信息，舍棄它都意味著丟失一種寶貴的信息資源。近年來，組合預測方法已經成為預測領域中一個重要的研宄方向，組合預測模型是對各個單一模型進行適當組合，彌補單一模型的局限性，有利于綜合各種方法提供的有用信息，提高預測精度。
[0003]在火力發電廠中的風機設備是非常重要的組成部分，它能否平穩安全的運行以及在出現問題之前提前預警是現在火力發電廠研宄的重要問題。如上述提到單一的預測模型會有諸多的缺陷問題導致預測偏差較大，因此，為了能在不影響電廠正常運轉的情況下預測一次風機的狀態趨勢，迫切需要研宄一種預測一次風機狀態趨勢的方法。
【發明內容】
[0004]針對單一預測模型的在一次風機狀態趨勢預測的局限性問題，本發明研制一種于最優組合模型預測一次風機狀態趨勢的方法。
[0005]本發明其特征在于，包括以下步驟:
[0006](I)構建GM(1，1)模型，并預測到規定步數為止。
[0007](2)構建LSSVM模型，并預測到規定的步數為止。
[0008](3)根據最優權重系數，得到組合預測模型的預測值。
[0009](4)將步驟⑴和⑵中的預測步數的真實值代入時間序列Xn，并除去Xn中最老數據，得到新的時間序列，返回步驟I循環，直至預測到規定時刻為止。
[0010]上述步驟中，所述構建GM(1，1)模型為灰色預測模型可以直接處理非平穩序列；
[0011]所述構建LSSVM模型為最小二乘支持向量機具有較好的描述復雜非線性函數的能力；
[0012]所述最優權重系數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)優化LSSVM參數得到優化后的懲罰系數C，核參數σ，利用CGSA得到優化后的組合預測模型的權重ω#Ρ ω 2；
[0013]所述最優組合模型為最優灰色和最小二乘支持向量機預測模型的組合。
【附圖說明】
[0014]圖1是基于混沌萬有引力搜索算法的SVM參數優化及應用的實施流程圖。
[0015]圖2是電廠一次風機軸承X向振動真實數據圖。
[0016]圖3是2014年3月I日各種模型預測結果圖。
[0017]圖4是2014年4月I日各種模型預測結果圖。
[0018]圖5是2014年5月I日各種模型預測結果圖。
【具體實施方式】
[0019]為更好地理解本發明，下面結合附圖和【具體實施方式】對本發明進行更為詳細描述。在以下的描述中，當已有的現有技術的詳細描述也許會淡化本發明的主題內容時，這些描述在這兒將被忽略。
[0020]圖1是本發明基于最優組合模型預測一次風機狀態趨勢的方法的一種【具體實施方式】流程圖。在本實施例中，本發明的基于最優組合模型預測一次風機狀態趨勢的方法包括以下步驟:
[0021]某火電廠1#機組的一次風機軸承X向振動數據(采樣周期Imin)顯示如圖2所示(火電廠一次風機有29個測點，都可以用該組合預測模型進行預測，由于該設備主測點和最能表征設備劣化趨勢的測點是振動測點，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個真實數據作為初始的時間序列訓練樣本，預測8:01-13:00的狀態趨勢變化，OGLSSVM預測過程如下:
[0023]首先，根據時間序列訓練樣本得到最優權重系數組合，步驟如下:
[0024]1.建立 GM(1，I)模型;
[0025]2.建立LSSVM模型:利用CGSA優化LSSVM參數，得到優化后的懲罰系數C，核參數σ ;
[0026]3.利用CGSA得到優化后的組合預測模型的權重Q1, ω2。
[0027]然后，預測三個日期8:01-13:00的狀態趨勢變化，預測步數為3，并分別與GM(1，
I)模型、LSSVM模型進行比較，結果如圖4-圖5所示。
[0028]分析圖3-圖5可得，某些時候LSSVM模型的預測效果比GM(1，I)模型好；而某些時候GM(1，I)模型預測效果卻比LSSVM模型好。綜合圖3-圖5可得，OGLSSVM模型結合了GM (I，I)模型和LSSVM模型的優點，從而提高了預測精度。
[0029]盡管上面對本發明說明性的【具體實施方式】進行了描述，但應當清楚，本發明不限于【具體實施方式】的范圍，對本技術領域的普通技術人員來講，只要各種變化在所附的權利要求限定和確定的本發明的精神和范圍內，這些變化是顯而易見的，一切利用本發明構思的發明創造均在保護之列。
【主權項】
1.一種基于最優組合模型預測一次風機狀態趨勢的方法，其特征在于，包括以下步驟:(I)構建GM(1，1)模型，并預測到規定步數為止。(2)構建LSSVM模型，并預測到規定的步數為止。(3)根據最優權重系數，得到組合預測模型的預測值。(4)將步驟(I)和(2)中的預測步數的真實值代入時間序列Xn，并除去Xn中最老數據，得到新的時間序列，返回步驟I循環，直至預測到規定時刻為止。2.根據權利要求1所述的一種基于最優組合模型預測一次風機狀態趨勢的方法其特征在于: 所述構建GM(1，1)模型為灰色預測模型可以直接處理非平穩序列； 所述構建LSSVM模型為最小二乘支持向量機具有較好的描述復雜非線性函數的能力；所述最優權重系數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)優化LSSVM參數得到優化后的懲罰系數C，核參數σ，利用CGSA得到優化后的組合預測模型的權重ω#Ρ ω 2； 所述最優組合模型為最優灰色和最小二乘支持向量機預測模型的組合。
【專利摘要】一種基于最優組合模型預測一次風機狀態趨勢的方法。針對單一預測模型的局限性，本發明提出一種最優灰色最小二乘支持向量機預測模型，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化最小二乘支持向量機參數和該組合預測模型的權值，并將本發明的組合預測模型應用到火電廠一次風機的狀態趨勢預測中,結果表明該模型比單一模型具有更高的預測精度，對火電廠一次風機的狀態趨勢有重要意義。
【IPC分類】G06Q50/06, G06Q10/04
【公開號】CN104881705
【申請號】CN201410660109
【發明人】龔安, 高洪福, 呂倩
【申請人】中國石油大學(華東)
【公開日】2015年9月2日
【申請日】2014年11月18日