基于改进烟花算法优化极限学习机的过热汽温特性建模

为建立精确的过热汽温对象模型,以实现过热汽温的智能预测优化控制。借助某600 MW亚临界机组DCS历史运行数据,采用具有外部时延的极限学习机(extreme learning machine,ELM)建立了该锅炉过热汽温特性的预测模型,并采用引入自适应调整惯性权重的烟花算法(Improved Fireworks algorithm,IFWA)对模型参数进行优化,将IFWA-ELM模型与标准ELM模型的预测结果进行对比。结果表明:针对某600 MW亚临界机组,改进的烟花算法鲁棒性强、收敛结果更准确,优化后一、二级过热汽温特性预测模型的测试集平均相对误差分别为0.191 9%和0.097%,具有更好的预测精度与泛化能力。