基于MI-LSSVM的NO_x生成量动态软测量模型

燃煤机组NO_x生成量的准确测量是改善脱硝控制品质的关键因素。针对电站锅炉长期处于变工况的动态过程,并考虑到辅助变量存在的时间异步以及NO_x生成量测量存在的迟延问题,提出基于最小二乘支持向量机与互信息(MI-LSSVM)的燃煤机组NO_x生成量的动态软测量方法。首先,介绍了数据预处理及辅助变量的选择;其次,根据理论知识及实际情况确定NO_x生成量的测量迟延,以互信息最大化为准则,确定各个辅助变量的时间迟延;最后,将包含迟延信息的辅助变量数据与过去时刻的NO_x测量数据作为输入,建立最小二乘支持向量机(LSSVM)模型,实现动态软测量。基于某电厂330 MW机组的一段历史运行数据,验证了模型的预测效果。验证结果表明:基于MI-LSSVM的模型精度较单独使用LSSVM模型有明显的提高,且MI-LSSVM模型具有一定的提前预测功能。该模型不仅具有良好的预测效果,而且为脱硝系统喷氨量的准确控制奠定了良好的基础。     

基于在线支持向量机的锅炉燃烧系统动态建模

通过燃烧优化提高电站锅炉效率并降低NO_x排放,是实现电厂节能减排的重要手段。目前大多数的燃烧优化方法都是基于锅炉燃烧系统的稳态模型,因而难以实现动态变负荷情况下的燃烧优化。针对该问题,提出了一种改进的在线自适应最小二乘支持向量机动态建模算法。该算法首先进行离线的支持向量筛选,不仅减少了建模所需样本数,也确保了支持向量的稀疏性;然后,采用替换、新增、删除3种支持向量的在线更新策略,使算法能够更好地适应对象特性的变化。将上述算法应用于建立某600 MW机组锅炉燃烧系统的动态模型。仿真结果表明,所建模型能够准确反映锅炉效率和NO_x排放随负荷变化的动态特性。相比原有基于在线最小二乘支持向量机建立的稳态模型,其具有更高的精度和预测能力。同时,该模型结构简单、在线计算量小,为进一步研究锅炉燃烧动态优化控制策略奠定了基础。     

基于互信息变量选择的燃煤机组SCR脱硝系统PSO-ELM建模

针对燃煤机组SCR脱硝系统出口NO_x浓度存在测量滞后以及吹扫时数据失真等问题,提出了一种基于特征提取和粒子群算法(PSO)优化极限学习机(ELM)超参数的燃煤机组SCR脱硝系统模型。利用互信息(MI)进行时间迟延补偿,采用最大相关最小冗余(mRMR)方法筛选辅助变量,通过PSO优化算法确定ELM最优超参数并建立预测模型,最后进行对比验证。仿真结果表明：采用本文方法所建立的PSO-ELM预测模型的均方误差和相关系数分别为0.931 4 mg/m³和0.978 6,预测精度高,能够为脱硝系统出口NO_x的现场优化控制提供技术支持。     

基于SVR的燃煤机组NOX含量的软测量模型

作为火电厂燃煤脱硝工作的基础,选择性催化还原(SCR)脱硝反应器入口氮氧化物(NO_X)含量的测量至关重要。针对难以准确现场实时测量NO_X含量的问题,提出了基于回归型支持向量机(SVR)的软测量模型。首先对SCR反应器生成NO_X的过程进行机理分析,并结合相关性分析、主成分分析等数据处理方法选取辅助变量,然后基于回归型支持向量机算法建立模型,最后运用BP神经网络对模型进行检验,解决了SCR反应器入口NO_X的含量的难以准确预测问题。为SCR反应器入口NO_X含量的实时、准确测量打下基础。     

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。     

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。     

基于自适应变异SAPSO-LSSVM的磨煤机一次风量预测

针对磨煤机一次风量的预测问题,建立了以磨煤机系统运行中与一次风量主要相关的参数作为输入变量的最小二乘支持向量机(LSSVM)模型。采用自适应变异的模拟退火粒子群算法(AMSAPSO)对建立的LSSVM模型的参数进行优化,建立了基于自适应变异的模拟退火粒子群优化算法的最小二乘支持向量机(AMSAPSO-LSSVM)预测模型。利用某600 MW机组磨煤机一次风系统运行数据对该模型进行了验证。结果表明,采用自适应变异模拟退火粒子群算法对LSSVM进行寻优,有效避免了搜索盲目性和早熟收敛的问题,提高了模型的泛化能力。采用AMSAPSO-LSSVM预测模型可以对磨煤机一次风量进行较高精度的预测。     

SCR脱硝系统PCA-HPSO-SVR大数据建模研究

燃煤火电厂中的选择性催化还原(SCR)脱硝系统无法实现喷氨量的精确控制,SCR脱硝系统模型的可靠性直接关系到脱硝系统控制和运行的可靠性。通过挖掘现场海量的实际运行数据,对采用大数据建模理论建立的脱硝系统模型、SCR脱硝反应系统及现阶段存在的问题进行了研究。通过理论和实际运行情况分析,确定模型输入、输出需采集的变量。采用滑动窗口法提取稳态工况数据,利用主成分支持向量机回归(PCA-SVR)方法进行建模。对标准粒子群算法进行改进,采用混合粒子群算法(HPSO)对模型参数进行优化。结果表明,利用HPSO优化的脱硝系统PCA-SVR模型具有较高的预测精度和泛化能力。所建模型为下一步脱硝系统的优化运行以及喷氨量的精确控制奠定了基础。     

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ACPSO的PSR-MK-LSSVM瓦斯浓度动态预测方法

为了准确预测采煤工作面的瓦斯浓度,提出基于相空间重构理论、自适应混沌粒子群优化理论的混合核最小二乘支持向量机瓦斯浓度动态预测方法。以井下无线传感器网络监测系统采集到的工作面瓦斯浓度作为研究对象,通过平移不变小波降噪法滤除干扰瓦斯浓度的噪声,以相空间重构的瓦斯浓度序列样本训练混合核最小二乘支持向量机模型,利用自适应混沌粒子群算法优化模型参数,并通过误差校正的方法提高整体系统的预测精度。实验结果表明,提出的动态预测方法可以实现对工作面的瓦斯浓度的良好预测,平均相对误差MAPE值为0.0241、相对均方根误差RRMSE值为0.2097和平均相对变动ARV值0.00311,预测结果合理并且满足工程的实际需要,可为煤矿瓦斯预测和防治工作提供有效理论依据。     

基于自适应遗传算法LS-SVM的网络流量预测

网络流量受众多因素的影响并且具有复杂的非线性特点,因此网络流量的预测和分析是一个很复杂的问题,最小二乘支持向量机能够成功地解决非线性问题并应用于网络流量的预测和分析.提出一种最小二乘支持向量机模型,将自适应遗传算法用于最小二乘支持向量机参数寻优,并将该模型用于网络流量的预测和分析.对比实验表明,基于最小二乘支持向量机的网络预测模型具有更强的预测能力,在网络流量预测中有一定的实用价值.经实例验证,该模型预测精度高.     

氧化铝蒸发浓度的自适应加权LSSVR预测

针对氧化铝蒸发过程的工业现场出口料液浓度在线检测困难、操作参数具有时变性以及传统离线预测所存在的不足等特点,提出了一种多输入多输出系统的自适应加权最小二乘支持向量回归,并用于氧化铝蒸发过程出口料液浓度的在线预测.谊方法根据模型预测效果自适应在线调整建模的训练样本集,利用主元分析提取主元作为分段加权支持向量回归模型的输入,采用网格搜索和交叉验证法对多输入多输出模型参数进行优化.采用工业现场的实测数据进行实验分析,计算结果表明;该方法能够很好地在线预测氧化铝蒸发过程出口料液浓度,相比基于最小二乘支持向量回归以及基于BP神经网络的浓度预测模型,谊方法具有更高的预测精度和更好的泛化性能,满足实际工业生产在线优化控制要求.     

基于小波支持向量机的木材干燥控制技术研究

针对木材干燥系统强耦合非线性的特性,提出了一种基于小波最小二乘支持向量机的预测控制方法.讨论了利用小波支持向量机对木材干燥系统进行系统识别的方法,并将辨识模型应用于预测控制算法,实现了木材干燥的自适应控制.仿真结果表明,基于小波支持向量机的预测控制技术具有较好的鲁棒性,对木材干燥系统有很好的实用性.     

基于Bayesian的海洋脂肪酶发酵过程软测量建模

针对海洋微生物低温碱性脂肪酶发酵过程中的关键生物参数(如菌体浓度、葡萄糖浓度等)难以在线检测,提出了一种基于贝叶斯证据框架下的加权最小二乘支持向量机(WLS-SVM)的建模方法.首先,对生物参数进行非线性建模分析,确定软测量模型的辅助变量.然后,应用训练样本集对最小二乘支持向量机进行训练,训练过程中运用贝叶斯证据框架下的三层推断确定模型的最优权向量、最优正则化参数、最优核参数.为了提高模型的鲁棒性,根据误差变量确定权重系数,建立了在发酵过程中可准确预测生物参数的WLS-SVM模型.试验仿真中与传统最小二乘支持向量机模型进行对比,结果表明,基于贝叶斯证据框架下的加权最小二乘支持向量机模型具有计算速度快、泛化能力强、预测精度高等特点.     

基于多尺度小波LSSVR的污水处理过程软测量

针对污水处理中某些生物参数难以在线测量的情况,本文提出了一种基于小波核的多尺度最小二乘小波支持向量机软测量建模方法:。首先,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,进而设计出多尺度小波最小二乘支持向量回归机(MW-LSSVR)。然后利用该支持向量机和出水水质参数特性建立混合软测量模型,实现对出水BOD浓度、COD浓度在线预测。通过在实际污水处理过程的应用,结果:表明本建模方法:具有较高的预测精度和较快的模型学习速度,能对BOD的做出准确的预测,一定程度上可以替代某些昂贵的在线测量仪表,给污水处理厂工作人员提供了控制操作依据,具有一定的实际应用价值。     

基于粒子群最小二乘支持向量机的水文预测

支持向量机理论为研究中长期水文预测提供了新的方法。针对最小二乘支持向量机模型参数选择费时且效果差这一问题,给出基于粒子群算法的最小二乘支持向量机水文预测模型(PSO-LSSVM)。该模型运用最小二乘支持向量机回归原理建立,参数选取采用具有全局搜索能力的粒子群算法进行寻优。用此模型对南桠河冶勒水电站月径流进行预测,仿真计算结果表明,该算法可提高预测效率与预测精度。     

催化剂颗粒浓度在线检测系统的研究与开发

基于Mie光散射理论,开发了石油炼化装置烟气催化剂颗粒浓度在线检测系统,采用了基于最小二乘支持向量机(least square support vector machine,LS-SVM)的软测量技术.利用LS-SVM优良的非线性映射和强大的泛化能力,建立了颗粒浓度的软测量模型,通过LS-SVM的学习和支持向量的自适应更新,实现催化剂颗粒浓度的最佳估计.仿真和实际运行结果表明所开发的监测系统可对烟气催化剂颗粒浓度进行有效测量,其测量精度比经验公式提高4.2倍.     

基于LS-SVM的航空润滑油金属含量分析

在航空润滑油光谱分析故障诊断中,对润滑油浓度的变化趋势进行预测是油液光谱分析故障诊断的重要内容之一.针对这一分析方法,介绍了最小二乘支持向量机并对航空发动机滑油系统铁元素浓度的变化趋势进行了预测;并采用遗传算法对最小二乘支持向量机的参数进行优化,通过与灰色模型的预测结果作比较,其结果表明,优化后的最小二乘支持向量机的预测精度高,具有很好的泛化能力和学习能力.     

基于粒子群算法的煤气化过程LS_SVM预测模型

针对最小二乘支持向量机参数选择对模型性能的重要影响,并且以往的参数优选方法效果差且耗时长这一问题,提出基于粒子群算法优化最小二乘支持向量机预测模型.该模型用最小二乘支持向量机理论建立,用粒子群算法优化模型参数.论文将此模型用于预测评价固定床煤气化气化效果的三个主要性能指标(气体热值、气化效率、气体产率),通过现场实际数据仿真结果表明,该算法有效地提高了模型预测精度,验证了此模型的可靠性和可用性.