建筑系統是一個滯后系統，對下一時刻室內溫度的預測可以指導樓宇閥門的開關，從而在保證用戶熱舒適性的同時節約能源。但是，建筑室內溫度受室外氣象因素、歷史溫度等多種非線性因素的影響，機理建模困難。針對以上問題，先確定輸入、輸出樣本，建立支持向量機模型；然后采用粒子群優化（pso）算法對svm的核參數和懲罰因子進行動態尋優，建立pso-svm預測模型；最后，在matlab實驗平臺上進行仿真實驗。實驗結果表明，經過粒子群優化的支持向量機預測模型的精度提高至0.6%，可以準確指導樓宇閥門的開關。

支持向量機（svm）是-種解決小樣本分類問題的最佳理論算法,它的核函數的參數選擇非常重要,直接影響著故障診斷的準確率.本文將粒子群算法（pso）用于支持向量機的參數優化,提出基于粒子群支持向量機的故障診斷模型,并將其運用于軌道電路中.通過對比matlab仿真結果得出：經過粒子群尋優得到的參數比隨機選取的參數更優,所建立的pso-svm模型的故障診斷準確率高于普通的svm模型.

為了提高建筑施工項目風險評估的準確性,建立建筑施工項目風險評估指標體系,并對最佳懲戒參數和核函數因子進行優化,采用粒子群算法優化支持向量機建立了建筑施工項目風險評估模型.采用建筑施工項目風險數據進行了評估測試,結果表明,該模型解決了支持向量機參數優化的問題,可以獲得理想的建筑施工項目風險評估結果.

為了獲得更理想的混凝土強度預測結果,提出一種混沌粒子群算法優化最小二乘支持向量機（lssvm）的混凝土強度預測模型。首先采集混凝土強度數據,并進行歸一化處理。然后采用lssvm對混凝土強度與影響因子之間的變化關系進行建模,并采用混沌粒子群算法搜索最優lssvm參數。最后采用具體混凝土強度預測實例對其性能進行分析。結果表明,本文模型可以準確描述混凝土強度與影響因子間的變化關系,提高了混凝土強度預測精度,具有一定的實際應用價值。

針對最小二乘支持向量機在電力負荷預測應用中的參數優化問題,將改進粒子群算法引入到最小二乘支持向量機參數中,建立一種新型的電力負荷預測模型(ipso-lssvm)。首先將最小二乘支持向量機參數編碼為粒子初始位置向量;然后通過粒子個體之間的信息交流、協作找到最小二乘支持向量機的最優參數,并針對標準粒子群算法的不足進行相應改進;最后將其應用于電力負荷建模與預測,并通過仿真對比實驗測試其性能。實驗結果表明,ipso-lssvm可以獲得較高準確度的電力負荷預測結果,大幅度減少了訓練時間,滿足電力負荷在線預測要求。

采用最小二乘支持向量機(lssvm)與粒子群優化算法(pso)相結合的方法,以隧道工程分項工程技術指標為基本參數,對山區高速公路隧道工程造價進行管理和預測,基于支持向量機算法實現山區高速公路中隧道的工程特性與各分項工程造價指標之間的復雜非線性映射。建立的造價預測模型估算得到的造價與樣本的實際造價誤差可控制在10%的范圍內,說明該預測模型可用于山區高速公路的隧道工程造價估算,并為公路工程造價人員提供了一種實用的工具和方法。

導體溫度是反映電纜運行狀態的關鍵因素,因而有必要實現對它的監控。實際中對運行電纜導體溫度的直接測量難以實現,工程中常采用計算的方式來獲取,而復雜多變的電纜外部因素使得對導體溫度的精確計算也非常困難。為此,在電纜外皮溫度監測的基礎上,建立了單芯電纜暫態熱路的數學模型;分別推導出只考慮電流變化和只考慮表皮溫度變化兩種情況下的暫態溫升遞推公式,進而推導出單芯電纜暫態溫度的完整疊加公式;并采用經典4階runge-kutta法求解微分方程組計算電纜本體溫度。同時編制了電纜暫態計算軟件,可根據電纜外皮溫度的監測,計算電纜導體和金屬護套暫態溫度。為驗證暫態模型和軟件編制的正確性,在試驗現場進行了單芯電纜暫態溫升試驗,并將計算結果與試驗測得的溫度數據進行了對比驗證。結果表明,基于電纜外皮溫度監測的單芯電纜暫態溫度計算具有較高的精度,可用于單芯電纜實際運行中的溫度控制、電纜狀態監測及其故障預警等方面。

分析了空調工作過程中溫度控制的重要性與傳統方法的不足,將基于統計學習理論的支持向量機方法用于控溫過程中,對溫度進行實時預測。采用數字實驗對所提方法的可行性進行驗證,結果表明該方法可以獲得比傳統方法更高的預測精度,實時性較高,能為空調控溫系統提供更好的決策支持,具有較大的發展潛力和實用價值。

基于支持向量機的空調控溫過程實時預測——文章分析了空調工作過程中溫度控制的重要性與傳統方法的不足，將基于統計學習理論的支持向量機方法用于控溫過程中，對溫度進行實時預測。采用數字實驗對所提方法的可行性進行驗證，結果表明該方法可以獲得比傳統方法更...

為實時掌握交聯聚乙烯(xlpe)配電電纜的運行狀態及其載流量,對電纜線芯溫度的計算方法進行了研究。針對配電電纜敷設距離較短的特點建立了單芯電纜集中參數穩態等效熱路模型,并推導出線芯溫度計算公式,通過實驗驗證了計算方法的有效性,同時對考慮暫態過程的電纜線芯溫度計算方法進行了討論,為電纜運行狀態的在線監測提供了參考。

針對電梯的幾種常見故障,論文采用了最小二乘支持向量機(ls-svm)診斷的方法。采集電梯幾種故障狀態下的振動信號,用最優小波包的理論分析計算故障振動信號的能量分布,將其能量分布與時域指標相結合,以構造故障特征向量,作為ls-svm的輸入來識別電梯的故障原因,并采用遺傳算法優化ls-svm的相關參數。通過對電梯六種常見故障的診斷結果表明,基于遺傳算法優化的最小二乘支持向量機用于電梯故障診斷是一種有效的方法。

地下電力電纜溫度場及載流量的數值計算

電力電纜導體的溫度是決定其載流容量的依據,載流容量是電纜的一個重要的參數。當載流容量太大,電纜導體的溫度過高時,將縮短其絕緣的壽命,并且可能導致其熱擊穿和電力系統的重大經濟損失。當載流容量過低,核心材料銅或鋁未得到充分利用。因為成本高,投資大,不便維護,準確地確定導線溫度和電纜載流容量具有重要意義,以確保其安全、可靠、經濟運行。一般來說,可采用iec60287標準

溝槽敷設方式下電纜附近的溫度場同時受到周圍空氣、周圍土壤和地表空氣的影響,對其溫度場的分析有助于準確確定溝槽電纜的載流量。該溫度場中的熱傳遞過程是流固耦合的,固體區域用熱傳導微分方程描述,溝槽內空氣采用動量方程、能量方程和連續性方程與熱輻射方程描述,流體和固體間熱傳遞采用迭代法求解。采用三維有限元和渦量-流函數耦合求解上述熱擴散方程,求得整個場域的溫度場分布圖和溝槽內空氣層的流動方程,然后利用迭代法計算溝槽內電纜的載流量,直到導體溫度為363k。計算結果顯示,溝槽內存在較強的空氣自然對流散熱,溝槽內單根400mm2yjv22xlpe電力電纜的載流量為825a,比直埋載流量提高了30%,比排管敷設載流量提高了51.9%。研究結果表明利用有限元和渦量-流函數,可以準確計算溝槽敷設電纜群的流場和溫度場分布,從而準確計算溝槽敷設電纜的載流量。

混凝土拌和溫度和澆筑溫度計算混凝土拌和溫度計算 混凝土加冰拌和溫度計算 混凝土澆筑溫度計算

采用有限差分法,用坐標組合的方法對土壤區域,電纜區域分別進行計算,最終確定了任意敷設方式下電纜允許的載流量,通過當量導熱系數的方法,解決了由于預埋管與電纜的偏心夾層帶來的計算上的不便,由于土壤的導熱系數對電纜的載流量有很大影響,為此特別搭建土壤導熱系數實驗臺,用于精確的測量土壤的導熱系數。

基于徑向基核函數的支持向量機數據挖掘模型,建立大壩施工期溫度時程與相關影響因素的關聯規則,實現了大壩施工期溫度時程快速、實時監測。首先,通過大壩實際澆筑數據的清洗、融合,建立大壩施工期數據庫,為模型提供數據快速提取接口。繼而,根據粗糙集屬性重要度理論進行條件屬性約簡,剔除冗余屬性,確定輸入變量；然后,用交叉驗證算法,確定模型最優參數；最后,隨機選取142個樣本作為訓練集建立支持向量模型,并使用模型預測剩余的35個樣本,模型預測溫度時程與實測溫度時程基本吻合,模型精度較高且穩定性較好。

公路客運量數據受多種因素影響而呈現非線性等特點,為了提高其預測精度,文中提出粒子群算法(pso)優化支持向量機(svm)的公路客運量預測模型,利用pso尋優能力突出的優點,對支持向量機的參數進行優化選擇,并用優化后的支持向量機模型對公路客運量進行預測。研究結果顯示,相比bp神經網絡和傳統的svm預測方法,基于pso-svm的預測精度更高。

鐵路客運量數據受多種因素影響而呈現出非線性等特點,為了進一步提高其預測精度,文章提出了粒子群算法(pso)優化支持向量機(svm)的公路客運量預測模型.利用pso尋優能力突出的優點,對支持向量機的參數進行了優化選擇,并用優化后的支持向量機模型對公路客運量進行預測.研究結果顯示,相比bp神經網絡和傳統的svm預測方法,基于pso-svm的預測精度更高,從而表明了粒子群算法優化支持向量機的方法是有效的.

電纜溫度監測畢業論文 電纜溫度監測畢業論文 目錄 1緒論........................................................1 1.1課題的提出............................................................1 1.2目前常用的電纜溫度監測方法............................................2 1.2.1感溫電纜式測溫系統..................................................2 1.2.2熱敏電阻式測溫系統..................................................2 1.2.3光纖分布式溫度監測系統.......

采用最小二乘支持向量機(lssvm)與粒子群優化算法(pso)相結合的方法,以隧道工程分項工程技術指標為基本參數,對山區高速公路隧道工程造價進行管理和預測,基于支持向量機算法實現山區高速公路中隧道的工程特性與各分項工程造價指標之間的復雜非線性映射。建立的造價預測模型估算得到的造價與樣本的實際造價誤差可控制在10%的范圍內,說明該預測模型可用于山區高速公路的隧道工程造價估算,并為公路工程造價人員提供了一種實用的工具和方法。

建立基于支持向量機的建筑物沉降預測模型,并將其應用于建筑物的沉降預測。與采用bp神經網絡的預測結果相比,支持向量機取得較好的預測結果。實例表明支持向量機在小樣本數據的預測上具有精度高、泛化能力強的特點,為建筑物的沉降預測提供一種新的方法。