基于互信息变量选择与LSTM的电站锅炉NOx排放动态预测

电站锅炉NO_x排放是大气污染物的重要来源,建立有效的预测模型是降低NO_x排放的基础。NO_x的排放特性受多个热工变量的影响,针对变量间的相关性和强耦合性,提出一种基于互信息变量选择和长短期记忆神经网络的预测模型,实现对NO_x排放的动态预测。以互信息"最小冗余最大相关"为准则对特征变量进行重要性排序和变量选择。在变量筛选过程中采用序列前向选择方法,以模型预测精度为目标确定最优输入特征集和最佳模型参数。将筛选出来的特征变量集作为LSTM预测模型的输入,并采用多层网格搜索算法优化网络超参数,建立了NO_x排放动态预测模型。基于某660 MW超超临界燃煤机组的运行数据对模型进行验证,实验结果表明该方法能够有效地减少模型输入变量的数目,降低变量间的信息冗余,同时提高了预测模型的精度和鲁棒性。     

基于最大信息系数变量选择的电站锅炉NOx排放量在线预估

模型的输入变量选择是否准确是影响模型性能的主要因素之一。针对变量选择问题,在互信息变量选择方法的基础上结合最大信息系数提出了最大信息系数变量选择方法 (MICFS)。首先,介绍了互信息的理论和相关的变量选择方法,然后引入最大信息系数改进原有的变量选择方法,并用标称模型的实验数据集验证了本方法的有效性。最后针对某350 MW燃煤机组,基于提出的变量选择方法建立了锅炉氮氧化物(NOx)排放量的NARX神经网络预估模型,测试结果表明模型的精度和泛化能力取得了满意的效果。     

多变量时滞计算的最大独立互相关算法

为解决相空间重构中多变量时滞参数难以同时选择的问题,提出一种基于最大独立互相关的时滞计算方法.将响应变量序列分段处理;对各段曲面拟合并将观测变量序列代入拟合函数;迭代运算至互相关最小,得到最优时滞.对最大独立互相关算法与遗传神经网络、互信息法、极大联合熵法进行对比实验,并引入联合递归图与共有近邻比值法作为评价方法,结果表明:最大独立互相关算法克服了传统方法的不足.选取某矿井下进风巷、上隅角、工作面和回风巷4个位置瓦斯浓度的真实数据进行四变量最优时滞选择实验并与互信息法对比,最大独立互相关算法的时滞计算结果为16-3-10-11,共有近邻比为0.58,联合递归密度为0.34%,优于传统方法.提出算法能够应用于实际多变量分析,具有一定实用价值.     

基于MMI-PCA-KLPP二次降维和模糊树模型的NO_X浓度软测量方法

针对火电厂气体分析仪测量存在滞后和NO_X软测量不准确的问题,提出了一种基于改进互信息-主成分分析-核局部保持投影(MMI-PCA-KLPP)二次降维和模糊树模型(FT)的NO_X浓度软测量方法。首先对样本进行剔除离群点等预处理,再通过查阅文献大体确定模型的输入变量,并采用MMI方法对输入变量进行降维处理;针对MMI降维后依然有较多输入变量的问题,综合考虑了样本全局结构特性和局部结构特性,用PCA-KLPP方法对MMI降维后的变量二次降维;最后针对二次降维后的数据,基于模糊树算法建立了NO_X软测量模型。实验结果表明,模糊树模型精度高且泛化能力强,结合MMI-PCA-KLPP二次降维处理后,大大缩短了模型的训练时间且精度未出现较大程度的降低。     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCA-WLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

基于FNN-UKF神经网络的氧化铝浓度动态预测模型

针对影响氧化铝浓度的因素较多,彼此相关性强,难以建立动态预测模型的问题,提出一种基于FNN-UKF神经网络的动态预测方法.首先考察各原始变量置零前后在特征空间主元投影上的相似度,判断其对氧化铝浓度的解释能力,由此进行原始变量选择;再将约简后的原始变量输入基于UKF算法的神经网络预测模型,通过更新状态估计值和方差矩阵提高模型的泛化能力.对取自某厂160KA大型预焙槽的247组样本数据进行检验:228组样本的预测误差在±1％之内,计算量减少52.07％,表明该方法在保证预测精度的同时,有效降低了模型学习的计算量.     

废水处理过程的典型相关分析建模方法研究

随着公众环保意识的增强,废水达标排放成为工业生产中至关重要的一步。传统的污水出水水质预测模型是基于静态数据模型,这样不仅忽略了过程变量中的动态有效信息,还影响了模型预测的精度,降低了模型的泛化能力。在考虑了过程变量的时变与动态特性的基础上,将时间差分方法嵌入到典型相关分析模型中,分析了时间差分阶数变化对模型预测精度的影响。与传统的典型相关分析建模方法相比,基于时间差分的典型相关分析模型对出水化学需氧量的预测均方根误差由1.502 8下降至0.564 5,相关系数由0.422 7提高到0.847 0;对于出水总氮,其均方根误差由2.344 0下降到1.192 6,相关系数由0.405 9提高到0.793 6。模型的预测精度与泛化能力均得到提高。     

基于SVM灵敏度的城市交通事故严重程度影响因素分析

基于某中小城市4881起交通事故现场数据,构建了基于"道路交通事故信息系统"事故数据的特征变量集;以一般事故、严重事故作为二分类标签,建立事故严重程度支持向量机(SVM)分类识别模型,并分别通过网格搜索法、遗传算法进行模型核参数寻优;最后,通过单因素局部灵敏度分析方法,研究各个特征变量对模型测试集分类精度的影响,进一步确定事故严重程度的核心影响因素。结果表明:SVM模型在训练集和测试集上的分类精度均在80%左右,表现出良好的分类识别效果和泛化能力;事故属性、车辆属性中有8个特征变量,显著影响SVM模型的分类精度。     

基于条件互信息的低冗余短期负荷预测特征选择

为避免负荷预测特征集中冗余特征对预测精度的负面影响,降低预测器复杂度,提出一种基于条件互信息(CMI)和高斯过程回归(GPR)的短期负荷预测特征选择方法.首先,为降低建模所用特征量,根据与目标变量具有最大互信息的特征,选取剩余特征中可对目标变量提供最大信息增益的特征,计算CMI值并进行排序;然后,以GPR为预测器,以其预测结果平均绝对百分比误差为决策变量,按照特征CMI值排序顺序,采用序列前向选择方法,确定最优特征子集;最终,以最优特征子集构建GPR预测模型,并与皮尔逊相关系数法(PCC)和互信息(MI)2种特征选择方法分别结合支持向量机和反向传播神经网络开展对比实验.实验结果证明新方法降低了最优特征集合冗余度与预测模型复杂度,且具有更高的预测精度.     

变量选择在废水处理过程软测量建模中的应用

化学需氧量与悬浮固形物含量是造纸工业废水排放中需要重点监测的指标,建立有效的废水出水水质预测模型是优化控制废水中污染物排放量的有效方法。由于实际工业废水处理过程的复杂性,可测变量之间存在强相关性,利用偏最小二乘法提取变量的投影重要性信息进行变量选择,将选择后的最优变量子集作为软测量模型的输入,建立出水水质的最优预测模型。以最小二乘支持向量机模型为例,基于变量选择的最小二乘支持向量机模型对出水化学需氧量进行预测时均方根误差降低了15.2%,相关系数提高了14.4%;对于出水悬浮固形物模型,均方根误差降低了20.5%,相关系数提高了16.1%。结果表明在建模时进行变量选择可以降低模型的复杂度和提高模型的泛化能力。     

基于GRU神经网络的燃煤电站NO_x排放预测模型

针对工业过程动力学建模中,输入变量特征集确定困难的问题,提出了一种基于数据驱动的门控循环单元(GRU)神经网络模型。该模型可以通过学习自动提取输入数据与输出数据间的时空特征,简化人工智能模型的输入变量个数,减少了输入的冗余信息,降低了建模过程的难度,并具有较好的精确度和泛化能力。通过使用某燃煤机组实际运行数据中与氮氧化物(NO_x)排放相关的数据作为模型输入,建立了基于GRU神经网络的燃煤锅炉NO_x排放预测模型。并分别与传统循环神经网络(RNN)和长短期记忆(LSTM)神经网络模型比较,验证了GRU神经网络模型在工业过程动力学建模中的优良性能。     

基于随机森林算法的中短期用电量预测

传统电力预测模型不能很好地将多种影响因素纳入考虑,也无法对关联因素进行筛选。针对该类问题,该文将信息论中的互信息及人工智能随机森林算法引入中短期用电量预测中。互信息可以根据多种变量与用电量间的平均互信息值大小辨识出关联性高的因素,不同产业可能高关联于不同变量。考虑不同关联因素,采用随机森林算法对不同产业进行针对性预测建模。以江苏省的用电量数据作为实际算例,并将上述方法与未采用互信息的方法以及未针对性分产业建模进行对比。仿真结果表明,上述方法具有科学性和有效性,且有较高的预测精度。     

基于变量相关性自适应即时学习算法的火电厂SCR脱硝系统建模

针对选择性催化还原(SCR)脱硝系统工作过程中存在非线性、多变量和时变性等问题,将变量相关性引入即时学习算法,同时引入局部模型自适应更新策略,建立了基于变量相关性自适应即时学习算法的最小二乘支持向量机模型。利用互信息计算各个输入变量与输出量的相关度,将计算出的相关度引入到即时学习算法学习集的选取中,用以选择当前工况点的建模邻域,进而提高模型精度;采用自适应相似度阈值更新方法对局部模型进行更新,增强模型实时性。将该方法应用于SCR脱硝系统建模仿真。结果表明,改进后的即时学习算法的预测精度高,且具有很好的实时性。     

相关向量机理论在大坝变形监测模型中的方法研究

建立有效的大坝变形监测模型可以反映大坝运行情况.相关向量机(RVM)具有良好的泛化能力,且适于解决非线性问题,尤其是高维数情况.在RVM理论的基础上,建立大坝变形监测模型,并以此研究其优化改进模型.改进思路如下:利用马尔科夫链适于解决监测数据波动大的优势处理模型残差;同时如何选择核参数会严重影响RVM模型的精度,采用一种改进的粒子群算法寻优核参数.通过实例比较多种优化模型发现,基于RVM理论建立模型的优化方法可大大提高预测的泛化能力及精度.     

裂缝天线缝制造精度对电性能影响的预测

为了避免传统方法在分析结构因素对电性能影响时需要假设和近似处理的弊端,提出了根据平板裂缝天线生产制造中的数据,使用支持向量回归建立缝制造精度对电性能指标影响的预测方法。给出了一种以最小化支持向量回归的拟合能力和泛化能力为目标函数来选择支持向量回归机参数的方法,以方便该方法的工程应用。案例研究表明,该方法能够较准确地预测缝制造精度对电性能的影响;与传统的BP神经网络和最小二乘法对比,该方法具有更好的泛化能力,可以应用到平板裂缝天线的计算机辅助制造中。     

LS_ SVM和SVM在发酵过程建模中的比较

针对最小二乘支持向量机(LS_ SVM)不需要指定逼近精度ε的特点,比较了LS_ SVM与SVM两种方法利用生产数据为青霉素发酵过程建立的数学模型,改进型GA分别为LS_ SVM和SVM选择参数值.实验证明:LS_ SVM建立的模型具有较高的拟合精度和泛化能力.如果ε过大时,SVM建立的模型的拟合精度和泛化能力不高;当ε过小时,模型的拟合精度和泛化能力较高,但耗时多.因此,LS_SVM更适合为发酵过程建模.     

基于有序决策树的改进归纳算法

基于构建有序决策树,提出了一种新的归纳算法。该算法选择的扩展属性不仅和类的有序互信息值最大,而且要求和同一分支上已被用过的条件属性的有序互信息值最小。实验结果表明,考虑了条件属性之间的相关性后,可避免同一条件属性的重复选择,真正体现了条件属性和决策属性之间的有序互信息,与已有的算法相比,提高了测试精度。     

基于博弈论准确性和差异性兼优的选择性集成建模方法及其应用

集成学习相较于单模型具有更好的预测精度和泛化能力,被广泛应用于工业过程的质量预测.基学习器之间的多样性和基学习器的准确性对集成的泛化能力影响极大.为了进一步提高集成模型的泛化能力,提出一种同时考虑准确性和差异性的选择性集成建模方法.以在线极限学习机作为基学习器,将基学习器的准确性和基学习器对集成模型多样性的贡献率作为博弈双方,利用博弈论原理求解得出使集成模型准确性和多样性都达到最优的选择方案,使集成模型的准确性和多样性兼优;模型预测完成后,综合当前误差和历史记录误差对基学习器的权重进行在线更新,实现在线测量阶段对建模对象特性的动态自适应.最后,使用公开数据集和实际工业数据验证了所提算法的合理性和有效性.     

一种基于互信息增益率的新属性约简算法

为了获得决策系统中更好的相对属性约简，提出了一种基于互信息增益率的属性约简算法.该算法考虑了所选择条件属性与决策属性的互信息，还考虑了所选择属性的值的分布情况，从信息论角度定义了基于互信息增益率的属性重要性度量方法，并以此度量为启发式信息，算法从空集开始逐步将最重要的条件属性加入到选择属性集，直到所选择的条件属性集与决策属性集的互信息等于整个条件属性集与决策属性集的互信息时，算法停止.结果表明，算法能更有效地对决策系统进行约简，同时约简后的对象数目较少.     

基于最小二乘支持向量机的混合动力挖掘机负载功率预测

为实现液压挖掘机并联式混合动力总成与负载功率的精确匹配,在对变量泵工作原理分析的基础上,提出基于最小二乘支持向量机(LS-SVM)算法的双联式恒功率变量泵功率预测模型。以液压挖掘机实际挖掘作业时采集的载荷谱作为训练样本,以泵出口压力、负流量控制压力和极限载荷控制压力作为训练模型的输入,以泵的排量作为输出建立模型,从而使模型对于作业环境具有更好的适用性。用网格搜索和交叉验证的方法对LS-SVM的参数进行了优化,研究结果表明该模型具有良好的预测精度和泛化能力。