(灰色)基于灰色非线性回归模型的故障预测
第7章灰色预测方法课件-新版.doc
第7 章灰色预测方法预测就是借助于对过去的探讨去推测、了解未来。
灰色预测通过原始数据的处理和灰色模型的建立，发现、掌握系统发展规律，对系统的未来状态做出科学的定量预测。
对于一个具体的问题，究竟选择什么样的预测模型应以充分的定性分析结论为依据。
模型的选择不是一成不变的。
一个模型要经过多种检验才能判定其是否合适，是否合格。
只有通过检验的模型才能用来进行预测。
本章将简要介绍灰数、灰色预测的概念，灰色预测模型的构造、检验、应用，最后对灾变预测的原理作了介绍。
7.1 灰数简介7.1.1 灰数灰色系统理论中的一个重要概念是灰数。
灰数是指未明确指定的数，即处在某一范围内的数，灰数是区间数的一种推广。
灰色系统用灰数、灰色方程、灰色矩阵等来描述，其中灰数是灰色系统的基本“单元”或“细胞”。
我们把只知道大概范围而不知其确切值的数称为灰数。
在应用中，灰数实际上指在某一个区间或某个一般的数集内取值的不确定数，通常用记号“”表示灰数。
灰数有以下几类：1．仅有下界的灰数有下界而无上界的灰数记为a, 或 a ，其中a为灰数的下确界，它是一个确定的数，我们称a, 为的取数域，简称的灰域。
一棵生长着的大树，其重量便是有下界的灰数，因为大树的重量必大于零，但不可能用一般手段知道其准确的重量，若用表示大树的重量，便有0, 。
2．仅有上界的灰数有上界而无下界的灰数记为( ,a ] 或(a)，其中a为灰数的上确界，是一个确定的数。
一项投资工程，要有个最高投资限额，一件电器设备要有个承受电压或通过电流的最高临界值。
工程投资、电器设备的电压、电流容许值都是有上界的灰数。
3．区间灰数既有下界a又有上界a的灰数称为区间灰数，记为a, a 。
海豹的重量在20~25 公斤之间，某人的身高在 1.8~1.9 米之间，可分别记为21 20,25 ， 1. 8,1.94．连续灰数与离散灰数在某一区间内取有限个值或可数个值的灰数称为离散灰数，取值连续地充满某一区间的灰数称为连续灰数。
基于灰色新预测模式的变压器故障预测
收 稿 日期 ：２ ０ －６０ ． ０ ６０ －１
作者简介：王晶 （９ ２一） １８ ，女，华北电力大学 电气与电子工程学院硕士研 究生
维普资讯
基 于灰 色新 预测 模 式 的变 压 器 故 障 预 测
王 晶，刘建新
（ 华北电力大学 电气与电子工程学院，河北 保定 ０ １０ ） ７ ０ ３
摘要：从初始条件选择 、背景值 改造等方面对原有灰 色模型进行 了改进，并建立 了新 的改进非等间隔灰 色
预测模 型，最后应用模型群优选预 测法获得较好 的结果 。 通过实例验证表 明模型与一般的非等间隔灰 色模 型相比具有 更高的预测精度 。提 出基 于此新方法还可 以建立变压 器故障预测系统 ，客户可 以通过本 系统来
预测短 期的未来 变压器各 类特征量及可能存在 的故障类型。
关键词 ：变压器；故障预测；灰 色理论；非等间隔；Ｄ Ａ Ｇ
中 图分 类 号 ：Ｔ ４ ７ Ｍ ０ 文 献 标识 码 ：Ａ 文 章 编 号 ： １０ －６ １（０ ７ ｌ０ １ －５ ０７２ ９ ２ ０ ）Ｏ －０ ００
Ｔｒ ｎｓｏ ｍｅ ａ ｔｐｒ ｄｉｔｏ ｉ ｇ ｎｅ ｇ ｅ ｅ ｃ ｉ ｎ ｍ ｏ ｅ ａ ｆ ｒ ｒｆ ｕｌ ｅ ｃ ｉ ｎ ｕｓｎ ｗ ｒ ｙ ｐｒ ｄｉｔｏ ｄ ｌ
器出现异常时， 其特征量的监测频率将提高， 这样等
灰色 系统理论认 为所有 随机 过程都是在 一定幅
称 间隔预测模 型将不再适用 ， 需要深入研 究变压器非等 值 范 围、一定 时 区 内变 化 的灰 色量 ， 随机过 程 为 事实上将 许 多历 史数据 作累 加处理 后都 间隔故障预测 问题 。 针对变压器试验在时间上具有非 灰色过程 。 等间隔的特 点， 本文对原有普通灰色非等 间隔模 型进 出现 了 明显 的指数 规律 ， 大 多数 系统 都是广 义 的 而
直流系统蓄电池故障灰色预测模型的研究
刘万友：直流系统蓄电池故障灰色预测模型的研究计算技术与自动化直流系统蓄电池故障灰色预测模型的研究刘万友(河南职业技术学院机械电子工程系，河南郑州450046)摘要：在现有灰色预测模型进行深入研究的基础上，提出了一种以蓄电池电容量为特征量基于遗传算法的蓄电池故障灰色预测改进模型，进而为判断蓄电池是否故障提供依据，避免了传统的容量试验带来的弊端。
该方法可以实现蓄电池故障的早期预测，减少传统的电池容量放电试验次数，从而延长蓄电池的使用寿命。
同时，也为直流系统蓄电池组在线监测，建立了重要基础。
关键词：蓄电池；灰色预测；遗传算法；直流系统中图分类号：TM912文献标识码：AR es ear ch O n t he G r ey For ec嬲t i ng M odel of t he B at t er y Fanur e of D C Sys t em．U U W an—you(H e nan V o cat i o n and Tbchni cal C ol l ege，H en an Z heng zhou450046)K e y w or ds：bat t eI y；g陀y f b陀c鹊t i ng；genet i c al g or i t h m；D C syst eml引言蓄电池作为直流系统的备用电源，平时由充电机浮充电，当发生故障时，则由蓄电池组提供不问断电源。
阀空式密封铅酸蓄电池由于具有众多优点而在直流系统中得到了广泛应用，我们习惯于V R LA电池为“免维护电池”，其实这是不确切的，其免维护仅指使用过程中不用加水，而不是不用维护。
这种电池在长期浮充之后，常常会出现活性物质脱落、电解液干、极板变形、栅极腐蚀及硫化等现象，导致蓄电池容量降低甚至失效。
而一旦发生故障需继续维持供电时。
该电池可能无法保证事故状态下的放电要求，从而扩大事故范围，因此实现对蓄电池故障早期预测具有重大意义。
2预测模型的建立普通的G M(1，1)灰色预测模型是一种指数增长模型，当蓄电池产生故障时的容量呈指数规律持续变化时，用此方法进行预测可获得较高的预测精度，同时还具有所需样本数据少、计算简作者简介：刘友(1965一)，男，河南省南阳市人，副教授，主要研究向：测量与控制向。
灰色系统非线性回归电力负荷预测
灰色系统非线性回归电力负荷预测夏慧明;王志刚;吴金林【期刊名称】《科学技术与工程》【年(卷),期】2012(012)023【摘要】When power load forecasting grows quick, the traditional gray prediction model GM(1,1) becomes worse. According to the shortcoming, a new improved nonlinear regression forecast model based on grey model is proposed, combining the advantage about nonlinear regression with GM (1,1) model, using GM (1,1) model to calculate the initial values about the parameter and then analysis it by nonlinear regression to forecast the power load value. The power load forecast example indicates that the model gives better precision and has wider application field.%传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果会变差.针对这一缺陷,提出了一种改进的基于灰色系统的非线性回归预测模型.将非线性回归与GM(1,1)模型二者的优点相结合,利用GM(1,1)模型计算参数初始值,进而对其进行非线性回归分析预测电力负荷值.电力负荷预测实例表明该模型具有较高的预测精度和较广的应用范围.【总页数】4页(P5884-5887)【作者】夏慧明;王志刚;吴金林【作者单位】南京师范大学泰州学院数学科学与应用学院,泰州225300;南京师范大学泰州学院数学科学与应用学院,泰州225300;南京师范大学泰州学院数学科学与应用学院,泰州225300【正文语种】中文【中图分类】TM715【相关文献】1.基于灰色系统理论的电力负荷预测研究 [J], 李伟力;陈章宝;唐丽2.基于灰色系统理论的电力负荷预测 [J], 戴华;周龙3.基于周期性截断灰色系统的电力负荷预测 [J], 张海宁;王松;郑征;夏旻4.基于灰色系统和人工神经网络的中长期电力负荷预测 [J], 阮萍;骆力明;王华5.灰色系统电力负荷预测模型在北疆电网的应用研究 [J], 张大顺;马苏文因版权原因，仅展示原文概要，查看原文内容请购买。
基于物理模型和修正灰色模型的行星轮系疲劳裂纹故障预测方法_程哲
Abstract：A new idea of predicting fatigue crack in planetary gear sets is presented, which is based on physical model and gray theory.
Aiming at 2K-H planetary gear sets, physics-based models for damaged system with multi-stage severity are established, and simulation data of damaged system is obtained. Feature vector of simulation data selected and computed is used as standard damage mode. Grey correlation analysis is carried out between standard damage mode and the feature vector of signal to be checked. Quantitative detection of cracks is carried out on the basis of the correlation degree. By the aid of simulation data, the grey model is modified so as to have a better performance in predicting fatigue crack. Seeded fault tests are carried out to validate the methodology and a promising result is acquired.