超超临界锅炉闭环燃烧优化控制方法及应用!

燃烧优化是实现锅炉进一步节能减排的重要手段。针对1 000 MW超超临界锅炉,提出了一种闭环燃烧优化控制方法。首先,采用在线最小二乘支持向量机(LSSVM)建立了燃烧系统的动态模型,以准确描述控制变量、主要扰动与输出参数之间的动态变化关系;然后,结合预测控制的思想,构建了兼顾锅炉效率和NO_x排放的经济性性能指标,并利用非线性优化算法求解滚动优化问题,实现了对配风方式、氧量等运行参数的闭环自动调节;最后,设计、开发了相应的优化控制软件,并成功实现了现场应用。应用结果表明,该方法能够在保证锅炉效率的情况下,明显降低NO_x排放,并有效克服煤种变化和负荷变化的影响。该方法对推动智能控制技术在工业过程中的实际应用具有借鉴意义。     

万有引力搜索算法在电厂锅炉NOx排放模型中的应用研究

电站锅炉NOx的排放是造成环境污染的重要因素。为控制燃煤电厂NOx浓度的排放,实现低污染,应当正确建立电厂锅炉燃烧系统NOx的排放模型。本文以支持向量回归机为基础,利用最小二乘支持向量机和最近一种新的寻优算法——万有引力搜寻算法,进行综合建模。此模型较好的实现了对电厂锅炉NOx浓度排放量的预测,并与最小二乘支持向量机结合遗传算法的综合建模方法进行了实验对比,对比结果表明,在建模中万有引力搜寻算法比遗传算法能够找到更好的未知参数,使得所建模型具有更高的预测能力和泛化能力。     

一种基于Cholesky分解的动态无偏LS-SVM学习算法

针对最小二乘支持向量机用于在线建模时存在的计算复杂性问题,提出一种动态无偏最小二乘支持向量回归模型.该模型通过改进标准最小二乘支持向量机结构风险的形式消除了偏置项.得到了无偏的最小二乘支持向量机,简化了回归系数的求解.根据模型动态变化过程中核函数矩阵的特点,设计了基于Cholesky分解的在线学习算法.该算法能充分利用历史训练结果,减少计算复杂性.仿真实验表明了所提出模型的有效性.     

基于UKF-LSSVM的燃煤机组NO_x排放浓度预测方法

目前,燃煤机组广泛采用选择性催化还原(SCR)脱硝技术。对燃煤机组NO_x排放浓度进行准确预测,不但有利于进一步提高SCR控制系统的调节品质,而且可以评估现场所收集到的数据是否真实准确,为环保部门对电厂排放NO_x浓度进行监管执法提供依据。提出一种基于无迹卡尔曼滤波最小二乘支持向量机(UKF-LSSVM)的NO_x排放浓度预测方法。基于现场数据和理论分析,确定了脱硝系统动态模型的输入和输出变量。采用无迹卡尔曼滤波(UKF)不断更新核参数σ和其他模型参数α、b,并采用样本更新策略对支持向量进行更新,提高了模型的自适应能力。将该方法用于某300 MW机组脱硝系统的NO_x排放浓度预测。仿真结果表明,所建模型能够准确预测燃煤机组NO_x排放浓度。与原有基于批量最小二乘支持向量机(LSSVM)建立的稳态模型相比,该方法具有更高的预测精度和自适应能力,为进一步研究脱硝系统动态优化控制奠定了基础。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

多尺度最小二乘小波支持向量机的回归建模

普通最小二乘支持向量机算法用于多尺度回归建模时精度较低。针对该问题,选取墨西哥草帽小波函数作为最小二乘支持向量机的核函数,设计一种基于小波核的多尺度最小二乘小波支持向量机。在此基础上,通过解二次优化问题求出多尺度回归建模问题的全局最优解,最终得出的多尺度回归模型能够有效地逼近多尺度信号。仿真结果表明,该算法具有较高的精度。     

基于记忆模式的NO_x支持向量回归预测研究

低NO_x排放是电站锅炉燃烧优化的主要目标之一,影响燃煤锅炉NO_x排放因素众多且复杂,对锅炉燃烧过程NO_x浓度进行准确预测是低NO_x燃烧优化的基础。机组全工况运行时表现出强时变性,静态预测模型难以保证预测精度,考虑到观测样本的时效性,模拟记忆模式对观测数据进行重采样,进而基于支持向量回归算法构建NO_x排放预测模型,构造一种基于记忆模式的支持向量回归算法。以某机组热态试验数据为基础,对算法进行了仿真分析,结果表明,该算法在保证回归建模精度的同时,在训练速度、稳定性以及泛化性能等方面较传统支持向量回归算法更有优势。     

基于果蝇优化算法的LSSVR干燥速率建模

回转干燥窑由于干燥速率难以在线测量,其干燥速率模型的建立一直是一大难题.在分析干燥速率建模的基础上,提出将最小二乘支持向量机运用到干燥速率建模,及其基于免疫-果蝇优化算法的最小二乘支持向量机回归参数优化方法( IAFOALSSVR).首先利用预处理的干燥过程数据进行模型的训练,利用免疫-果蝇算法对模型参数进行寻优,然后获得最优参数并建立最优模型,通过使用该改进方法建立干燥速率模型与其他算法优化的模型进行对比,结果表明该优化方式在干燥速率建模精度上与其它智能算法相当,在计算效率上要优于其它算法.     

基于APSO—LSSVM的软测量建模研究

针对最小二乘支持向量机在生化过程建模中的重要建模参数值选择问题,提出利用具有较强的全局搜索能力的自适应粒子群（APSO）优化算法,对最小二乘支持向量机建模过程中的重要参数进行优化调整,每一个粒子的位置向量对应一组最小二乘支持向量机建模的参数。利用参数优化调整后得到的具有较优拟和预测效果的模型对谷氨酸发酵过程进行预测,仿真结果表明该方法能使模型取得较好的预测效果。     

遗传优化支持向量机的传感器动态建模

传感器动态建模是研究传感器工作机理、评价动态性能指标及设计动态校正环节的重要途径.在分析最小二乘支持向量机回归算法的基础上,针对其可调参数的选择问题.提出了基于遗传算法进行全局优化的方法.仿真结果表明,将遗传优化最小二乘支持向量机算法应用于传感器的动态建模中,具有学习速度快和建模精度高的优点,所建模型具有较强的实用性和...     

基于PSO和LSSVM的生化过程建模研究

针对最小二乘支持向量机(LSSVM)在生化过程建模中的重要建模参数值选择问题.提出利用具有较强的全局搜索能力的粒子群(PSO)优化算法.对最小二乘支持向量机建模过程中的重要参数进行优化调整,每一个粒子的位置向量对应一组最小二乘支持向量机建模的参数.利用参数优化调整后得到的具有较优拟合预测效果的模型对谷氨酸发酵过程进行预测,仿真结果表明,该方法能使模型取得较好的预测效果.     

基于KPCA-LS-SVM的工业锅炉烟气含氧量预测

排烟含氧量是评价燃烧过程好坏和锅炉优化运行的重要指标,也是调节最佳风煤比的主要依据。针对工业锅炉氧量计使用受限的问题,提出一种混合的软测量方法:。为了提高烟气含氧量的软测量预测精度,本文分析与烟气含氧量有关的锅炉运行变量,从中确定8个,并采用核主成分析法进行参数处理,整合冗余,降低维数。经处理后得到的6个主成分,其累计贡献率达95.522%,以此作为最小二乘支持向量机软测量模型的输入。在此基础上,通过划分网格来改进交叉实验法,进而优化最小二乘支持向量机的2个参数。经优化得到的误差参数γ和径向基核函数参数σ~2分别为90.3和239.6,模型具有较高的训练精度。最后对某循环流化床锅炉进行建模仿真,利用采集的数据,分别建立最小二乘支持向量机、核主成分分析的最小二乘支持向量机和BP神经网络3种模型。应用3种模型对烟气含氧量进行预测,并采用3个模型性能指标进行对比分析。结果:表明,基于核主成分分析的最小二乘支持向量机的工业锅炉烟气含氧量模型,在小样本条件下学习更加有效,建模采样过程更快,预测精度更高。该模型有助于实现工业锅炉烟气含氧量在线软测量。     

基于支持向量机的发酵过程建模研究

发酵过程有众多关键性的变量难以在线检测，给过程优化策略的有效实施带来了障碍。最小二乘支持向量机（LS-SVM）是标准支持向量机（SVM）的一种扩展，LS-SVM算法精度高，速度快，适合于在线预估。将该算法用于青霉素发酵过程建模，用具有RBF核函数的LS-SVM建立菌体浓度、青霉素浓度的模型，并通过仿真实验与标准支持向量机进行比较。结果表明，最小二乘支持向量机是青霉素发酵过程建模与控制的一种有效的方法。     

基于改进PSO优化LSSVM的传感器补偿研究

针对最小二乘支持向量机在对传感器进行补偿时,正则化参数和核函数参数对补偿精度影响较大的问题,提出一种利用改进的粒子群优化算法优化最小二乘支持向量机模型参数的传感器补偿方法。该方法利用改进的粒子群优化算法优化最小二乘支持向量机模型的正则化参数和核函数参数,避免了人工选择参数的盲目性,提高了最小二乘支持向量机模型的预测精度。仿真实验表明,在传感器的补偿时,该方法比最小二乘支持向量机模型的补偿精度更高。     

基于支持向量机的迟滞系统建模及性能研究

迟滞系统广泛存在于各工程领域,但由于迟滞非线性系统的不确定性、状态不可测等特性,因此迟滞系统在建模方面存在一定的困难。针对上述问题,提出了一种采用最小二乘支持向量回归机的解决方案,对系统进行建模方法的研究,并利用粒子群算法、量子粒子群算法等对最小二乘支持向量机中的惩罚参数γ和核函数参数σ的组合进行优化,以提高模型性能及泛化能力。仿真结果表明,利用粒子群优化算法的最小二乘支持向量回归机对迟滞系统的模型仿真可以得到较好的结果。     

一种实用的火电厂飞灰含碳量软测量建模方法

提出了同时利用自适应加权融合和最小二乘支持向量机建模的实用新方法。首先,给出了基于小波的自适应加权融合和最小二乘支持向量机算法;其次,将BP神经网络、最小二乘支持向量机和基于小波的自适应加权融合的最小二乘支持向量机算法进行建模精度比较;最后,采用真实火电厂飞灰含碳量数据进行模型验证与预测,仿真结果表明基于小波的自适应加权融合的最小二乘支持向量机算法具有较好的建模精度和实用性。     

遗传支持向量机在股市趋向的预测

为了能够提高股市趋向的预测效率,深入地研究了支持向量机在股市趋向的预测和应用。提出了遗传模拟退火算法优化的最小二乘支持向量机预测模型,并分别对最小二乘支持向量机和遗传模拟退火算法进行了描述,给出了优化预测模型。通过实例研究,结果表明该方法具有较高的预测精度。     

混合核函数稀疏LS-SVM软测量建模与应用

针对最小二乘支持向量机存在的稀疏性欠缺和单核函数局限性问题,本文提出一种基于混合核函数稀疏最小二乘支持向量机的软测量建模方法.该方法使用多项式核函数和RBF核函数线性加权构成混合核函数,兼顾最小二乘支持向量机的全局拟合能力与局部拟合能力,以矢量基学习作为稀疏解算法,改善最小二乘支持向量机的稀疏性,在精简模型结构的同时,避免冗余信息中的噪声过多的拟合到模型参数中,进而采用粒子群算法优化模型部分参数.将此方法分别应用于Mackey- Glasss混沌模型的时间序列预测和乙烯精馏塔塔釜乙烯浓度预测,应用结果表明该方法较最小二乘支持向量机、稀疏最小二乘支持向量机以及混合核最小二乘支持向量机具有更好的泛化效果和预报精度,兆示出其良好的应用潜力.     

最小二乘支持向量机用于水量预测

针对标准支持向量机建模时间长的缺点,为了城市用水量准确预测,需建立有效的预测模型.采用的最小二乘支持向量机基于结构风险最小化,并在支持向量机的基础上,将求解二次规划问题转化线性方程组,采用径向基核函数,使最小二乘支持向量机模型的待定参数比标准支持向量机少,可大大加快建模速度,同时还采用了人工免疫系统的自适应动态克隆选择算法,在寻优过程中能够准确、快速地搜索最小二乘支持向量机的最优参数.把上述模型用于城市日用水量预测,具有学习速度快.也具有良好的非线性建模和泛化能力,而且预测精度较高.     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。