一种基于最优组合模型预测一次风机状态趋势的方法技术

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，本发明专利技术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，并将本发明专利技术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。

【技术实现步骤摘要】

本专利技术涉及一种预测一次风机状态趋势的方法，尤其涉及。
技术介绍
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宄方向，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宄的重要问题。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，迫切需要研宄一种预测一次风机状态趋势的方法。
技术实现思路
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，本专利技术研制一种于最优组合模型预测一次风机状态趋势的方法。本专利技术其特征在于，包括以下步骤:(I)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⑴和⑵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I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，I)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ω#Ρ ω 2；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I日各种模型预测结果图。图4是2014年4月I日各种模型预测结果图。图5是2014年5月I日各种模型预测结果图。【具体实施方式】为更好地理解本专利技术，下面结合附图和【具体实施方式】对本专利技术进行更为详细描述。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专利技术的主题内容时，这些描述在这儿将被忽略。图1是本专利技术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，本专利技术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Imin)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宄对象)。分别选取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，I)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Q1, 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，I)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，I)模型好；而某些时候GM(1，I)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 (I，I)模型和LSSVM模型的优点，从而提高了预测精度。尽管上面对本专利技术说明性的【具体实施方式】进行了描述，但应当清楚，本专利技术不限于【具体实施方式】的范围，对本
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专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。【主权项】1.，其特征在于，包括以下步骤:(I)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(I)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I循环，直至预测到规定时刻为止。2.根据权利要求1所述的其特征在于: 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 (I，I)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ω#Ρ ω 2； 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。【专利摘要】。针对单一预测模型的局限性，本专利技术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，并将本专利技术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。【IPC分类】G06Q50/06, G06Q10/04【公开号】CN104881705【申请号】CN201410660109【专利技术人】龚安, 高洪福, 吕倩 【申请人】中国石油大学(华东)【公开日】2015年9月2日【申请日】2014年11月18日本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】

【专利技术属性】
技术研发人员：龚安，高洪福，吕倩，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东;37