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PSO-Elman模型的火电厂烟气含氧量预测

针对火电厂烟气含氧量测量精度较低、测量成本较大等问题,提出基于PSO-Elman网络模型的烟气含氧量预测方法。选择合理的相关辅助变量,引入Elman神经网络建立辅助变量与烟气含氧量的关系模型;利用PSO对Elman中所有的权值、阈值进行寻优,将其最优权值和阈值作为初值赋给Elman;经过训练,建立基于PSO-Elman模型的预测模型,完成火电厂烟气含氧量的软测量。通过仿真,与Elman网络和LSSVM模型的预测结果作对比,所提模型具有较高的预测精度和良好的泛化能力。     

神经网络在风烟系统含氧量软测量中的应用

风烟系统烟气含氧量是影响锅炉效率的一个重要因素,其测量结果对评价燃烧经济性指标有重要作用。由于炉内燃烧过程复杂且烟气含氧量影响因素多,现场含氧量的直接测量往往存在滞后且精度较差。近年来,基于相关参数建模的软测量方法在电厂逐渐得以应用。为此,针对某1 000 MW锅炉机组,考虑风烟系统的结构及影响锅炉含氧量的因素,以电厂采集的历史运行数据作为神经网络模型的训练样本和测试样本,建立了基于神经网络的风烟系统含氧量软测量模型。与基于梯度下降法的神经网络相比,采用性能更好的L-M算法作为神经网络训练算法。试验结果表明:基于L-M算法的神经网络模型能够更准确地预测烟气含氧量,为实现锅炉的燃烧优化调整、节煤降耗奠定基础。     

基于状态约束的滑动时间窗软测量模型

工业过程的模型通常具有非线性强、系统时变明显、工况变化大等特点。传统的滑动时间窗选择方法容易包含大量关联度低的数据,影响了数据模型的建模精度和建模效率。本文提出了一种带状态约束的滑动时间窗口选择算法,应用于工业连续过程软测量模型的训练数据选取。将该时间窗口选择算法与最小二乘支持向量回归算法结合,利用电站锅炉的历史运行数据,建立了燃煤电站锅炉尾部烟气含氧量的软测量模型。研究结果表明,相比于传统的滑动时间窗选择算法,利用该算法进行训练样本选取后,提高了所建立的最小二乘支持向量机模型的模型精度和运行效率。利用该方法建立的烟气含氧量软测量模型具有较高的精度,可以在氧化锆传感器发生故障时代替其工作,保证了氧量信号的稳定性和可靠性。     

基于神经网络的火电厂烟气含氧量软测量

介绍了测量仪表及过程控制中的软测量技术. 讨论了软测量技术的有关问题和开发策略.提出了基于一种复合型神经网络的火电厂烟气含 氧量软测量模型,并且用它对火电厂烟气含氧量的软测量进行了建模仿真验证,现场不同负荷 下的实测数据仿真验证结果表明了软测量方法的有效性.最后给出了应用前景展望.     

基于状态约束的滑动时间窗软测量模型北大核心CSCD

工业过程的模型通常具有非线性强、系统时变明显、工况变化大等特点。传统的滑动时间窗选择方法容易包含大量关联度低的数据,影响了数据模型的建模精度和建模效率。本文提出了一种带状态约束的滑动时间窗口选择算法,应用于工业连续过程软测量模型的训练数据选取。将该时间窗口选择算法与最小二乘支持向量回归算法结合,利用电站锅炉的历史运行数据,建立了燃煤电站锅炉尾部烟气含氧量的软测量模型。研究结果表明,相比于传统的滑动时间窗选择算法,利用该算法进行训练样本选取后,提高了所建立的最小二乘支持向量机模型的模型精度和运行效率。利用该方法建立的烟气含氧量软测量模型具有较高的精度,可以在氧化锆传感器发生故障时代替其工作,保证了氧量信号的稳定性和可靠性。     

基于ANFIS模型的烟气含氧量建模和预测

针对电厂热工测量参数难以进行有效预测的问题,提出一种基于ANFIS模型的烟气含氧量建模和预测方法.基于自适应神经模糊推理系统(ANFIS)学习能力与泛化能力均较强的优点,建立软测量预报模型,借助某电厂循环流化床锅炉烟气含氧量实测数据进行仿真,结果表明,基于ANFIS的自适应预测模型,具有良好的预报能力,具有较高的预报精度和鲁棒性,可以较好地解决电厂烟气含氧量预测问题,对于实现锅炉燃烧系统的优化运行和预测控制具有一定的价值.     

基于GMDH的电厂烟气含氧量软测量

烟气含氧量是评价火电厂锅炉燃烧好坏的一项重要指标,所以准确的测量尤为重要。本文主要研究内容是利用软测量技术对电厂烟气含氧量进行仿真测量,所采用的软测量建模方法为数据成组处理法(Group method of data handling,GMDH),利用从华润某电厂300MW机组得到的实际运行数据建立模型,并与BP神经网络所得预测结果进行对比。仿真结果表明:该方法能够较准确的对火电厂烟气含氧量进行预测。     

基于自适应多目标模糊聚类的多模型软测量

针对复杂非线性系统单模型软测量存在建模精度低、模型泛化能力差的问题,提出一种采用自适应多目标模糊聚类的多模型高斯过程回归(GPR)软测量建模方法。首先使用自适应多目标聚类方法自动确定聚类个数并得到最优数据子集,避免了聚类个数不易人为给定的问题;然后对各数据子集分别建立GPR子模型,最后采用子模型加权融合方法得到最终的预测结果。使用火电厂历史运行数据建立烟气含氧量软测量模型验证该方法,仿真结果表明,该方法可以提高软测量模型精度,提升模型泛化能力。     

基于非负绞杀与长短期记忆神经网络的动态软测量算法

现代工业过程建模中,生产过程的多变量、非线性及动态性会导致模型复杂度增高且建模精度降低.针对这一问题,将非负绞杀算法(NNG)嵌入长短期记忆(LSTM)神经网络,提出一种基于LSTM神经网络及其输入变量选择的动态软测量算法.首先,通过参数优化生成训练好的LSTM神经网络,利用其出色的历史信息记忆能力处理工业过程中的动态、时滞等问题;其次,采用NNG算法对LSTM网络输入权重进行压缩,剔除冗余变量,提高模型精度,并采用网格搜索法与分块交叉验证对其超参数寻优;最后,将算法应用于某火电厂脱硫过程排放烟气SO2浓度软测量建模,并与其它先进算法进行性能比较.实验结果表明所提算法能有效剔除冗余变量,降低模型复杂度并提高其预测性能.     

常压蒸馏产品质量软测量改进方法及应用

针对石油化工生产过程基于统计模型的产品质量软测量中普遍存在的软测量模型适用工作范围小、难以反映进料原料性质变化的问题,探讨和应用了机理分析和统计建模相结合的软测量方法。针对一个实际常减压蒸馏产品质量软测量和控制问题．通过机理分析、实际操作数据分析并结合操作人员经验,选择能够反映进料原料性质变化的过程变量作为统计模型的输入以克服进料原料性质变化的影响,将有些直接测量的输入变量按照机理关系进行计算得到的新的变量作为统计建模的输入变量,使其和产品质量之间具有更宽范围的近似线性关系,提高软测量模型的泛化能力：某厂常减压蒸馏装置的实际应用结果表明了该方法的有效性。     

一种基于支持向量机的软测量建模方法

在生产过程中,在线分析仪表通常被用于对被测介质的组成或物性参数进行自动连续测量,但很多参数无法通过在线分析仪表直接测量获得。在工业现场,通常采用软测量技术来弥补在线分析仪表的不足。软测量技术也称软仪表技术,是基于推断控制理论的一门新兴工业技术。其利用易测过程变量与难以直接测量的待测过程变量之间的数学关系,通过各种计算和估计方法,实现对待测过程变量的测量。为了提高软测量模型的性能,提出一种基于支持向量机的软测量建模方法。该模型结构分为两层:一层用于分析工业数据在时间序列上的相互关系,解决时间序列的相关性问题;一层用于软测量建模和分析,解决非线性回归模型的鲁棒性。仿真结果表明,该软测量建模方法在进行在线预测时具有很好的性能,为软测量技术在工业现场的应用提供了一种方法。     

一种基于直接广义预测的烟气含氧量软测量方法研究

针对工业锅炉烟气含氧量的测量,文章给出了一种基于直接广义预测算法的烟气含氧量软测量方法,运用该方法能够客观反映锅炉燃烧过程中任何时段的真实情况,提高烟气含氧量的测量精度,优化锅炉燃烧控制系数的性能.利用现场实际数据对该方法进行了仿真验证,仿真结果果表明了该软测量方法的有效性.     

基于软测量氧量校正风粉比的锅炉燃烧优化控制

针对电站煤粉锅炉燃烧过程中存在的氧量信号测量滞后大和可靠性差,燃烧被控对象具有非线性和不确定性,煤质经常发生变化的问题,提出基于软测量氧量校正风粉配比的锅炉燃烧优化控制策略.利用软测量模型可以减少测量滞后,提高信号可靠性;利用风煤比在线校正,实现在煤质变化条件下始终保持燃烧经济性指标稳定.随着对象特性的变化,采用模糊推理在线修改调节器参数,使控制系统的性能满足要求.通过大型锅炉现场应用试验证明,采用神经网络实现的软测量模型可以在氧化锆氧量计故障情况下,提供准确的烟气含氧量.在负荷干扰和煤质变化过程中,主蒸汽压力偏差小于±0.5MP,烟气含氧量偏差小于±0.1%.     

支持向量机在中药浓缩浓度软测量中的应用

针对中药浓缩过程中浓缩液浓度估计问题,提出了支持向量机的软测量建模方法。分析了中药浓缩过程及工艺,选择6个过程变量作为辅助变量,用支持向量回归的方法建立软测量模型,并利用过程数据进行参数寻优和校验。利用优化后的模型对中药浓缩过程浓度进行了预测,通过数据验证了模型的学习性能和泛化性能。结果表明建立的软测量模型实现了对中药浓度较为精确的预测,使用支持向量机方法建模用于小样本学习,计算速度快,具有较强的泛化性。     

一种动态软测量建模方法及其工业应用

针对目前静态软测量建模方法无法反映工业过程动态信息,造成模型预测精度低、鲁棒性差等问题,提出了一种基于模糊曲线和高斯过程的动态软测量建模方法.该方法采用模糊曲线法对输入数据进行处理,并利用处理后的数据构建新的数据集,最后采用高斯过程建立软测量模型.将提出的动态软测量模型应用于PTA氧化过程中4-CBA含量的预测,结果表明,所建模型运算速度快、预测精度高.     

基于支持向量机的火电厂烟气含氧量软测量

针对火电厂烟气含氧量的测量,提出了一种基于支持向量机的软测量建模方法,实验证明,该方法比较传统的氧量分析仪和RBF神经网络软测量均有着明显的优势,对于实现火电厂经济燃烧有着重大的意义.     

轻烃分离装置液化气C5+含量软测量应用

针对轻烃分离装置中液化气C5+含量缺乏在线分析仪、不能实时获得化验值的情况,设计了一套液化气C5+含量的软测量系统。在该软测量应用中,从数据分析和工艺等多个角度,分析了软测量辅助变量选择的方法,并且采用偏最小二乘法(PLS)多变量回归的方法进行软测量建模。软测量结果表明,该技术不仅可以指示过程工况,还可直接作为被控变量用于多变量模型预测控制。     

基于JITL的电量预测高斯软测量建模研究

为了解决工业过程受本身结构特征、外界因素等影响而存在严重的非线性和时变性等问题,本文提出了一种基于输入输出综合性相似度指标的即时学习高斯过程软测量建模方法。在该方法中,将样本数据进行归一化处理,首先利用传统的基于距离和角度的相似度指标分别对样本输入输出变量进行相似度计算,进而对相似度进行综合,最后选择出最终的相关样本集,建立高斯过程回归软测量模型,将所提基于输入输出相似度指标的即时学习高斯工程软测量模型应用于城市日用电量数据的预测。研究结果表明,所提出的软测量建模方法可以实现对日用电量数据的高精度预测且预测结果具有较小的误差。因此可表明该方法可在电量预测中具有一定的应用可靠性,可以在电力市场预测分析中得到广泛的应用。     

时序-神经网络模型在磨煤机一次风量测量中的应用

针对制粉系统存在的大惯性和大迟延等特点,提出了一种基于时序-神经网络的一次风量软测量模型。在建模过程中,考虑了生产过程输入变量和输出变量的时序,给出了辅助变量选取和数据预处理方法。某电厂实际运行结果表明,该模型的准确性较目前广泛应用的静态神经网络软测量模型有显著提高。该研究为磨煤机一次风量的测量提供了一定的理论基础。