基于门控循环单元神经网络的NOx排放量预测

电站燃煤锅炉产生的排放是大气NO_x污染的主要来源之一,建立有效的NO_x排放模型是锅炉燃烧优化降低NO_x排放的基础。为充分地挖掘数据源与锅炉NO_x排放量的相关性,提出一种基于多层门控循环单元神经网络(GRU)的NO_x排放预测模型。首先,利用主成分分析对火电厂高维数据进行处理;然后,将提取的主成分作为GRU网络的输入,得到锅炉NO_x排放预测模型。以某660 MW电厂实际运行数据对模型进行了验证,仿真结果表明多层GRU模型具有较高的预测精度和较强的鲁棒性,可以更有效地对火电厂NO_x排放量进行预测。     

基于变分模态分解和SSA-LSTM的SCR脱硝系统入口NOx浓度预测

燃煤机组的SCR入口NOx浓度测量具有较大迟延、影响因素复杂和波动性大等特点,往往不能真实反映NOx浓度的实时变化。针对上述问题,提出一种基于变分模态分解(VMD)和SSA-LSTM的SCR入口NO_x浓度的预测模型。首先采用变分模态分解法分解SCR入口NO_x浓度,互信息选择算法选择与目标变量强相关的辅助变量;然后利用SSA算法寻优LSTM神经网络参数构建SSA-LSTM预测模型;最后进行VMD-SSA-LSTM与LSTM、VMD-LSTM的仿真对比实验。结果表明,VMD-SSA-LSTM预测模型具有更高的预测精度、更小的误差和更强的泛化能力。     

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。     

一种在线优化精准脱硝控制系统设计及应用

某日产6 000 t水泥熟料线原脱硝系统无法满足生产中NO_x排放的环保要求，NO_x排放值无法稳定控制在100 mg/m³以内。此外，原系统氨水用量大，自动化程度低，控制参数波动大，对生产单位环保达标、稳定生产造成严重困扰。对此，进行必要的技术改造，新增硬件，在原有脱硝系统上设计一种具备在线优化能力的精准脱硝控制系统，NO_x排放小时均值稳定控制100 mg/m³以内，标准差<8 mg/m³，吨熟料氨水用量1.8 kg，控制指标及稳定性圆满达到工厂要求。     

基于趋势预判和强度自调节的脱硝控制策略研究

构建新型电力系统对燃煤电站灵活性提出更高要求。机组频繁、快速变负荷给脱硝控制带来挑战。为解决传统控制存在的大迟延、强振荡等问题，提出兼顾响应速度和控制精度的脱硝控制策略。首先，基于运行参数对机组工况进行辨识和分类。然后，通过NO_x测量值变化趋势设计模糊规则修正表，对被调量进行趋势值预测修正以提高系统响应速率。最后，根据运行工况不同，从四个方面调节控制系统作用强度，以提升控制精度。工程现场的应用结果表明，该策略适用于机组全负荷运行工况。数据显示：NO_x排放均值提升6.2%;喷氨量减小14.06%;环保超标频次降低87.9%。NO_x控制水平及运行经济性由此得以提升。该研究打破传统控制中固定模型参数的局限性，可根据机组实际运行工况灵活调节模型强度，为实现火电热工精细化控制提供借鉴。     

电流型氮氧化物传感器输出特性分析及控制策略的优化

为提高基于钇稳定氧化锆固体电解质的电流型氮氧化物(NO_x)传感器的测量精度,设计了基于LabVIEW模块化软件的NO_x传感器全开放测试系统。对传感器工作原理进行分析并优化了氮氧化物传感器的控制策略。在研究过程中,首先对NO_x传感器的各个功能模块进行独立测试,得到传感器的最佳工作温度及主泵、辅助泵、测量泵的极限电流输出特性曲线。分析的结果表明：传感器具有良好的饱和电流平台,并且随着传感器工作温度的升高极限电流不断增大;随后,在对传感器气敏特性的进一步测试中发现：在定电压控制策略和含氧环境下,传感器的极限电流与NO_x浓度存在优良的线性关系;最后,提出了一种适用于含氧气环境的NO_x传感器定电压控制策略。     

采用半随机特征采样算法的中文书写纹识别研究

N-gram字符序列能有效捕捉文本中作者的个体风格信息,但其特征空间稀疏度高,且存在较多噪音特征。针对该问题,提出一种基于半随机特征采样的中文书写纹识别算法。该算法首先采用一种离散度准则为每个作者选取一定粒度的个体特征集,然后将个体特征集以一种半随机选择机制划分成多个等维度的特征子空间,并基于每个子空间训练相应的基分类器,最后采取多数投票法的融合策略构造集成分类模型。在中文真实数据集上与基于随机子空间和Bagging算法的集成分类器进行了对比试验,结果表明,该算法在正确率和差异度方面优于随机子空间和Baggrog算法,并且取得了比单分类模型更好的识别性能。     

1000MW燃煤机组排放SO2浓度扩散模拟研究

1000MW燃煤机组火电厂排放污染气体中二氧化硫(SO₂)浓度是我国火电厂排放污染的重点控制目标,为了研究SO₂浓度扩散对周围环境及人们身体健康造成的影响,对SO₂浓度扩散进行了模拟研究。首先,根据电厂的实际排放数据建立了高斯羽流扩散模型,利用该模型模拟在大气稳定度相同的情况下模拟不同的风速对SO₂浓度扩散分布规律的影响,并且分析SO₂浓度扩散的距离及范围。结果表明,SO₂浓度扩散与风速及大气稳定度有着密切的关系,风速越大,越有利于SO₂浓度扩散及气体的稀释,并证明了利用高斯烟羽模型模拟有害气体扩散具有较好的实际参考意义。     

基于精简随机子空间的多生成树集成一类分类算法

由于高维数据通常存在冗余和噪声,在其上直接构造覆盖模型不能充分反映数据的分布信息,导致分类器性能下降.为此提出一种基于精简随机子空间多树集成分类方法.该方法首先生成多个随机子空间,并在每个子空间上构造独立的最小生成树覆盖模型.其次对每个子空间上构造的分类模型进行精简处理,通过一个评估准则(AUC值),对生成的一类分类器进行精简.最后均值合并融合这些分类器为一个集成分类器.实验结果表明,与其它直接覆盖分类模型和bagging算法相比,多树集成覆盖分类器具有更高的分类正确率.     

基于统计假设测试的噪声方差估计方法

在数字图像处理中,噪声方差估计是一个重要的研究课题。提出一种针对加性高斯噪声的噪声方差估计方法。利用一种基于统计假设测试的方法来度量图像结构特征度,基于图像结构特征度找出平滑子块和非平滑子块（含有边缘或纹理子块）;以平滑子块中的最小方差为参考方差,选择出方差与参考方差相差在一定范围内且不含边缘的所有子块;从选出的子块中求以图像结构特征度为权重的方差平均值作为噪声方差估计值。相比于现有的噪声估计方法,该方法具有非常高的估计精度,适合感染高斯噪声的各种图像。     

基于图卷积的离子液体CO2溶解度可解释性预测

为构建离子液体的CO₂溶解度的准确预测模型,考虑到传统模型存在的描述符计算复杂、成本高、关联结构与性质困难、结构特征提取不充分等问题,提出一种融合了加入注意力机制的图卷积神经网络和XGBoost的预测模型(APGCN-XGBoost)。对9 897组离子液体的CO₂溶解度数据的分析结果显示,所提出的APGCN-XGBoost模型在预测性能上优于传统的分子指纹模型和图卷积神经网络模型。此外,通过注意力池化层与SHAP方法对模型进行解释,APGCN-XGBoost模型学习到了离子液体中各个原子和结构的特征信息与分子非局部信息,这些特征信息不仅可以用于性质预测,还可以用于探索化学结构与性质之间的联系,即通过模型的解释,筛选出对于溶解度预测重要的离子液体结构信息,从而实现CO₂捕获过程中理想离子液体的计算机辅助设计和筛选。     

基于随机子空间核极端学习机集成的高光谱遥感图像分类

结合随机子空间和核极端学习机集成提出了一种新的高光谱遥感图像分类方法。首先利用随机子空间方法从高光谱遥感图像数据的整体特征中随机生成多个大小相同的特征子集;然后利用核极端学习机在这些特征子集上进行训练从而获得基分类器;最后将所有基分类器的输出集成起来,通过投票机制得到分类结果。在高光谱遥感图像数据集上的实验结果表明:所提方法能够提高分类效果,且其分类总精度要高于核极端学习机和随机森林方法。     

基于DDPG深度强化学习的电站脱硝过程优化控制

针对选择性催化还原(SCR,selective catalytic reduction)脱硝系统脱硝过程存在非线性、多工况等复杂特点,提出一种基于MiniBatchKMeans聚类与Stacking模型融合的SCR脱硝过程NO_X预测方法;该方法通过应用MiniBatchKMeans聚类算法对训练集进行工况聚类与划分优化,建立基于XGBoost、随机森林、LightGBM以及线性回归的Stacking融合框架预测模型(Stacking-XRLL),实现电站SCR系统多变工况下NO_X排放的精准预测;以广东某电站SCR系统脱硝过程中NO_X排放数据为例进行建模仿真与实验,结果表明与单一建模方法多层前馈神经网络(BP)、长短期记忆神经网络(LSTM)以及门控循环单元神经网络(GRU)相比,Stacking-XRLL建模方法的平均预测精确度达到了99%,并最终结合建立好的深度确定性策略梯度(DDPG)强化学习模型,实现电站SCR脱硝过程的参数优化控制。     

基于多侧面多分类器融合的月降水量预测

针对降水量影响因子多、彼此之间关系复杂、预测难度大的特点,提出一种基于多侧面集成学习方法的降水量预测模型。采用多侧面递进算法对数据进行特征提取,得到多个特征子集（多个侧面）,且在特征子空间上建立预测模型,对未知样本进行分类预测,并利用专家投票的大多数规则对预测结果进行组合。实验表明,该方法具有较高的预测准确率。     

基于相关随机子空间的分类数据聚类集成

为了提升分类数据聚类集成的效果,提出了一种新的相关随机子空间聚类集成模型。该模型利用粗糙集理论将分类属性分解成相关和不相关子集,在相关属性子集上随机生成多个相关子空间并对分类数据进行聚类,通过集成多个较优且具差异性的聚类结果以获得最终的聚类划分。此外,将粗糙集约简概念应用于相关子空间属性数目的确定,有效地避免了参数对聚类结果的影响。UCI数据集实验表明,新模型的性能优于其他已有模型,说明了其有效性。     

基于机器学习的短期PM2.5预测

由于环境和快速发展之间的不平衡,城市空气质量问题变得越来越突出。PM2.5作为空气污染的主要成分,会对人体造成很大伤害。因此,准确地预测PM2.5浓度对于保护人们健康具有重要意义。首先选取了其他空气质量数据(PM₁₀、NO₂、CO₂、O₃)作为影响因素,构建了基于机器学习(多元线性回归、岭回归、套索回归、决策树、随机森林和人工神经网络)的PM2.5预测模型;其次利用这些模型预测山西省太原市未来1小时PM2.5浓度;最后通过MAE、RMSE、R²来等指标评价各模型的预测性能,实验结果表明,基于随机森林的预测模型具有最高的预测精度。     

一种基于局部随机子空间的分类集成算法

分类器集成学习是当前机器学习研究领域的热点之一。然而,经典的采用完全随机的方法,对高维数据而言,难以保证子分类器的性能。 为此,文中提出一种基于局部随机子空间的分类集成算法,该算法首先采用特征选择方法得到一个有效的特征序列,进而将特征序列划分为几个区段并依据在各区段的采样比例进行随机采样,以此来改进子分类器性能和子分类器的多样性。在5个UCI数据集和5个基因数据集上进行实验,实验结果表明,文中方法优于单个分类器的分类性能,且在多数情况下优于经典的分类集成方法。     

基于LightGBM算法的能见度预测模型

为了提高能见度预报的准确率,尤其是低能见度预报的准确率,提出一种基于集成学习随机森林和LightGBM的能见度预测模型。首先,以数值模式系统的气象预报数据为基础,结合地面气象观测数据、PM_2.5浓度观测数据,利用随机森林算法构建特征向量;其次,针对不同时间跨度的缺失数据,设计了3种缺失值处理方法对缺失值进行替代,生成用于训练和测试的连续性较好的数据样本集;最后,建立基于LightGBM的能见度预测模型,并用网络搜索法对其进行参数优化。把所提模型与支持向量机（SVM）、多元线性回归（MLR）、人工神经网络（ANN）在性能上进行对比。实验结果表明,对于不同的等级的能见度,应用LightGBM的能见度预测模型获得预兆得分（TS）均较高,而对于<2 km的低能见度,该模型对各观测站点的能见度预测值与各观测站点的能见度实况值的平均相关系数为0.75,平均均方误差为6.49。可见基于LightGBM的预测模型能有效提高能见度预测精度。     

基于改进流形正则化随机配置网络的软测量

为提高复杂工业过程中某些关键参数的预测精度,提出一种基于改进流形正则化随机配置网络(improved manifold regularization stochastic configuration networks, IMRSCNs)的软测量建模方法。该方法首先采用基于迁移学习的特征提取思路,集成最大方差、协方差分布差异和最大均值差异获取特征变换矩阵,将训练集和测试集的特征信息投影到一个公共子空间。进一步将子空间的训练集数据输入带有流形正则化的随机配置网络中,训练网络模型,以保持数据在原特征空间的几何结构。通过多组实验结果表明,相较于原始随机配置网络(stochastic configuration networks, SCNs),所提的改进流形正则化SCNs模型拥有更高的预测精度和更好的泛化性能。     

格蕴涵代数的(∈,∈∨q（λ,μ）)-模糊素滤子

将((∈,∈∨q_（λ,μ）))-模糊代数应用于格蕴涵代数,提出了点态化((∈,∈∨q_（λ,μ）))-模糊素滤子和（λμ）-模糊素滤子的概念,并从以下几个方面对((∈,∈∨q_（λ,μ）))-模糊素滤子进行了详细的研究:讨论了((∈,∈∨q_（λ,μ）))-模糊素滤子和（λμ）-模糊素滤子的等价关系;研究了((∈,∈∨q_（λ,μ）))-模糊素滤子的相关性质;得到了特定条件下((∈,∈∨q_（λ,μ）))-模糊素滤子的若干等价刻画,建立了((∈,∈∨q_（λ,μ）))-模糊素滤子的扩张定理;探讨了((∈,∈∨q_（λ,μ）))-模糊素滤子的同态像与同态原像。