发布时间：2023-05-26 15:50:01
序言：写作是分享个人见解和探索未知领域的桥梁，我们为您精选了8篇的超高效学习方法样本，期待这些样本能够为您提供丰富的参考和启发，请尽情阅读。
【关键词】 发电厂SVM模型数据辨别避免误动
现代科学技术突飞猛进,电力系统的现代化程度越来越高,传统的电压控制技术逐渐被自动化的电压控制技术所替代和升级,控制的精度得到较大幅度的提高。
1 发电厂控制系统的现状和问题
从目前全球角度来看,绝大多数发电巨头的电压控制已经都完全应用了AVC(自动电压控制技术),大大提高了控制的水平和质量,也大大降低了人工的投入。从国内电力系统来看,根据我国电力体制的特点,电压自动控制由两端控制的模式进行控制,即时省级电压调度中心的自动电压控制主站和发电企业终端的自动电压控制子站,在自动控制的方式上,采取了三级的阶梯控制。从华东地区分析,位于发电企业终端的电压控制系统,经过升级改造,已经具备了远程测报、远程信息传递、远程控制调节等电压远程控制的基本功能,在发电企业内部控制上,常见的是自动采集各机组运行的电压变动、电流变动和企业自己母线的电压变动、发电机组的有功和无功状态参数。在电压自动控制系统中,数据采集是最为核心的环节,也就是说,数据采集的准确率和可靠度是电压自动控制的生命线。从华东地区的几个大型电厂的实际运行情况来看,电压自动控制系统还存在很多问题,如电流互感器运行不尽人意,最为突出的就是数据采集出现误码,一级传递一级以后,给整体的电压自动控制系统造成偏差,继而造成自动保护装置触发动作,此类误动就必然会导致供电系统电压的较大波动,危害是不容忽视的。
自动控制系统中数据采集的源头发生问题,就会导致全系统的误动,因此,对数据采集中的纠偏和及时发现和辨别显得至关重要。目前,从华东地区的发电企业来看,为防止AVC误动,都采取了一些针对措施,如:将常规的数据判断和辨别方法过渡到人工智能仿生神经网络模式,效果也是立竿见影的,但是,由于人工神经网络模式需要巨量的数据处理,计算和处理数据比较滞后,而电力系统最大的特点就是不间断运行,高度强调的是时间,为此,人工神经网络系统并不是最好的纠偏系统。需要寻找和研究一种零延时的超高速度超高精度的源头数据识别系统,支持向量机((Support Vector Machine))就应运而生,这是一种全新的方法,目前在全球各个领域都得到了告诉和广发的发展,在统计学和回归分析中早已是扬名海内外,特别在处理小数据量、多维度模式和非线性设别中具有了得天独厚的优势。由于发电机组的电压输出是非线性的、多维度的,因此,可以采用支持向量机对采集的数据进行把关,能及时高效地解决问题。
2 支持向量机的数学模型
支持向量机SVM作为一种可训练的机器学习方法,依靠小样本学习后的模型参数进行导航星提取,可以得到分布均匀且恒星数量大为减少的导航星表,它是在统计学的理论基础上演变出来的,将结构风险最小化处理回归分析和实时统计模式,优势是不言而喻的,对于发电企业来说,是投入小收益大的明智之举。
2.1 支持向量机的算法特点
(1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射;(2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心;(3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。因此,模型需要存储空间小,算法鲁棒性强;(4)无序任何前提假设,不涉及概率测度。
2.2 支持向量机的非线性回归算法
支持向量机的非线性回归算法的基本原理是在数据采集的样本(a1b1),(a2b3),…,(ambm),ai∈R,bi∈R中,寻找一个特定的函数B=wtΔ(a)+c,作为一个可以融合的参照,其中m为样本数据的量,w为m维向量,Δ(a)是寻找的非线性函数,c为阀值。
在支持向量机中,需要最小化这个数值:
w:是参量,值越大边界越明显C代表惩罚系数,即如果某个x是属于某一类,但是它偏离了该类,跑到边界上后者其他类的地方去了,C越大表明越不想放弃这个点,边界就会缩小代表:松散变量。
但问题似乎还不好解,又因为SVM是一个凸二次规划问题,凸二次规划问题有最优解,于是问题转换成下列形式(KKT条件):
(1)
这里的ai是拉格朗日乘子(问题通过拉格朗日乘法数来求解)
对于(a)的情况,表明ai是正常分类,在边界内部(我们知道正确分类的点yi×f(xi)>=0)
对于(b)的情况,表明了ai是支持向量,在边界上对于(c)的情况,表明了ai是在两条边界之间而最优解需要满足KKT条件,即满足(a)(b)(c)条件都满足以下几种情况出现将会出现不满足:
yiui
yiui>=1但是ai>0则是不满足的而原本ai=0
yiui=1但是ai=0或者ai=C则表明不满足的,而原本应该是0
所以要找出不满足KKT的这些ai,并更新这些ai,但这些ai又受到另外一个约束,即
因此,我们通过另一个方法,即同时更新ai和aj,满足以下等式
就能保证和为0的约束。
利用yiai+yjaj=常数,消去ai,可得到一个关于单变量aj的一个凸二次规划问题,不考虑其约束0
(2)
表示旧值,然后考虑约束0
(4)
对于
那么如何求得ai和aj呢？
对于ai,即第一个乘子,可以通过刚刚说的那几种不满足KKT的条件来找,第二个乘子aj可以找满足条件
(5)
b的更新:
在满足条件:下更新 (6)
最后更新所有ai,y和b,这样模型就出来了,然后通过函数:
(7)
3 支持向量机的输入参数确定
【关键词】电梯群控 模糊控制 神经网络 遗传算法 发展方向【Abstract】Fuzzy control， neural network， fuzzy neural network， genetic algorithm， expert system and so on five kinds of algorithm widely used in intelligent elevator group control technology were discussed in this paper. the of， and their advantages and disadvantages in elevator group control system application were summarized. The development direction of the elevator group control technology was proposed in response to the present existing problems in the elevator group control technology.
【Key words】The elevator group control， Fuzzy control， Neural network， Genetic algorithm， Development direction
0引言
S着电梯群控技术的飞速发展，乘客对于电梯乘坐满意度和节能环保的要求愈来愈高，如何改善乘客的服务质量和服务效率，以及如何降低能耗已经成为电梯行业关注的核心问题。另外目前国内自主研发的电梯群控系统性能和核心技术上与国外仍然存在很大的差距，因此如何尽快掌握此关键技术将会对国内电梯业的发展产生十分重要的战略意义，智能群控技术的研究也随之成为国内电梯行业高度重视的研究课题。
在电梯群控技术中关键的两个环节就是电梯交通流的分析研究和智能电梯群控调度算法的研究。电梯交通流的研究是优化派梯调度的依据，所以对电梯交通流的算法分析研究尤为关键。另外对于电梯群控调度算法的研究，国内很多学者采用了很多群控的优化算法进行派梯，取得了很多成果。因此电梯群控技术的研究主要定位在群控算法的研究上，本文主要介绍这些算法并讨论其在电梯群控系统应用中的优缺点，并提出电梯群控技术的发展方向。
1 电梯群控技术算法
1.1 模糊控制算法。模糊控制算法先对电梯交通模式进行分类，然后由专家知识确定隶属函数及控制规则，确立系统的综合评价函数实现多目标控制，并根据不同的交通模式调整加权系数，最后通过模糊控制算法实现不同交通模式下电梯群的优化调度控制。但此算法的缺点是系统性能主要取决于专家的经验，如果专家预设的规则与实际的建筑不符控制效果就会不好，另外调整和确定隶属函数需要大量仿真实验且需花费非常多的时间和精力，学习技能和适应性差。
1.2 神经网络算法。神经网络算法模仿的是人类的大脑和思维方式，网络结构特殊性使其具有自学习和自适应能力。它可以通过调整网络权值得到近似的最优输入输出映射关系，适用于处理非线性问题，并且它有很强的自学能力，能改进控制算法并对制定的规则加以修改，利用非线性和学习方法建立合适的模型进行推理对电梯交通流进行预测，对于建筑里不断变化的交通流能灵活的进行调整。由于在网络里要不断接受数据的输入和处理，有很强的自适应能力。但此算法的网络训练样本多，算法的收敛时间将会延长，而且还会产生体积庞大的网络，难以验证算法的合理性。
1.3 模糊神经网络算法。模糊控制算法的优点在于它能够处理精确的和模糊的信息并能实现精确的映射，不足之处是隶属函数中的加权系数不能随着不同的交通流类型而变化，无自学习能力，而神经网络算法正好弥补了其不能自学习和自适应性的功能，是可以自动生成函数、自动提取问题的自适应算法。因此将两者完美结合即为模糊神经网络算法，可以发挥各自的特长，更好地预测交通流的不确定性，从而实现以最小的电梯数目配置应付最大的交通流，实现最优的调度。但模糊神经网络算法的不足在于其梯度法的学习，其收敛性太依靠于初始条件。
1.4遗传算法。遗传算法是模拟自然遗传规律来寻找最优方案的一种算法，实际上就是种群在进化中优胜劣汰的一种竞争机制，最终选出最佳的一种方法。此算法自适应能力强，能够根据不同的交通流调整为不同的群控策略，但遗传算法搜索时间长，搜索效率低。
1.5专家系统控制算法。专家系统控制算法是根据专家的经验积累起来的有一定控制规则的推理知识库，能解决很多需要靠经验解决的问题，根据这些输入评价指标信息可以利用推理知识库按一定的策略去调度电梯。但此算法对复杂的电梯控制系统不适用，主要是局限于专家的知识和经验。另外控制规则数多的话，系统难以控制，并且影响控制的性能。
2电梯群控技术的发展方向
目前对电梯群控技术的研究虽然取得了一定的成绩，但针对对上述群控算法的研究，整体算法优化没有大的突破，并且很多都在研究阶段，实际应用的很少，因此本文在此提出了未来电梯群控技术的发展方向。
（1）多目标优化调度方法。目前研究的能达到电梯满意度的指标主要有拥挤程度，乘梯时间、候梯时间，长候梯率等几种，而随着超高层电梯群发展的越来越迅速，人们对环保的关注度加强，对于电梯的运行速度和电梯的能耗方面研究的不多或者不太深入，所以未来新的优化算法需要包含更多人们关注的指标，并且要根据不同建筑物的电梯运行情况和同一建筑物不同时间区间的需求智能的调整这
（2）多种智能算法融合。以上几种智能算法只是分析的其中几种普遍比较成熟的算法，当然还有支持向量机、蚁群算法、混沌理论、petri网等，这些也都已经在电梯群控中有应用。但是上述通过分析它们各自的优缺点我们可以看出电梯群控技术在以后的发展中必然需要将这些算法进行有机的结合，吸收各种算法的优势弥补劣势，在电梯群控中根据不同的情况采用不同的算法模块进行控制，有效的实现电梯群控的智能化，这是未来电梯群控的主要发展趋势。
（3）基于图像处理的群控技术。目前电梯群控大多还是通过传统的外呼按钮作为获取乘客信息的设备，进入电梯之后再进行目标楼层的选择，获取交通流的实时性和完整性不能得到有效的保证。为了解决这个问题，需要增加一些图像处理设备对客流信息进行检测识别，增加智能输入楼层液晶触屏显示器面板提前进行登记，客流信息的完整度掌握非常好的情况下进行派梯会有更好的效果。
（4）基于“互联网+”的群控技术。随着“互联网+”技术的迅猛发展，因网络通信方面也是影响群控技术的关键因素，所以“互联网+”应用在电梯群控技术也成为未来发展的趋势，现已经有学者研究了基于手机移动互联网、物联网等几种电梯群控调度方法，它们都是在智能群控算法的基础上加上与乘客交流信息互动反馈获取实时的交通流信息，远程监控系统通过当前时刻实时数据进行调度实现派梯的高效化，很大程度上解决了高峰期客流排队等待时间长的问题，用户体验也很好，未来通过手机客户端获取乘客信息改进电梯群控的技术会应用的越来越广泛。
3 结论
本文对智能电梯群控技术的算法进行了详细的阐述，并分析了各种算法的优势和劣势，针对目前存在的问题提出了未来电梯群控技术的发展方向：我们不仅要进行控制算法的优化研究，也要对电梯群控技术研究不能只停留在理论研究上，如何在实H工程中得以应用也是我们未来需要继续努力的方向。
参考文献：
[1]朱贺.论智能控制技术在现代电梯群控系统中的应用[J].
科技与企业.2013 （11）：100-100.
[2]张健，王笑竹.改进GA优化BP神经网络的电梯群控策略
[J].陕西理工学院学报（自然科学柳. 2015 （4） ：36-39.
[3]郑晓芳.我国电梯群控系统研究文献综述与思考[J].华东
交通大学学报.2012.29 （3）：51-55.
[4]黄支支.电梯群控技术的现状与发展方向[J].硅谷.
2014.2：82-87.
[5]程诚，周彦晖.浅谈基于物联网的智能电梯群控系统[J].
计算机与网络.2015.12：69-71.
