| 基于BP神经网络和最小二乘支持向量机的灰熔点预测和对比 |
| |
| 引用本文： | 时浩,肖海平,刘彦鹏. 基于BP神经网络和最小二乘支持向量机的灰熔点预测和对比[J]. 发电技术, 2022, 43(1): 139-146. DOI: 10.12096/j.2096-4528.pgt.20003 |
| |
| 作者姓名： | 时浩 肖海平 刘彦鹏 |
| |
| 作者单位： | 1. 华北电力大学能源动力与机械工程学院;2. 中国大唐集团科学技术研究院有限公司火力发电技术研究院 |
| |
| 基金项目： | 国家自然科学基金项目(51206047)~~； |
| |
| 摘 要： | 为了预测燃煤锅炉受热面的结渣情况,以灰成分金属氧化物、煤灰SO3含量以及结渣评判指标为自变量,灰熔点变形温度(deformation temperature,DT)和软化温度(softening temperature,ST)为因变量,建立了BP神经网络(BP neural network,BPNN)和最小二乘支持向量机(least squares support vector machine,LSSVM)的灰熔点预测模型。回归分析和误差分析结果表明:针对样本量多的DT预测过程,2种模型精度接近,预测结果置信度均达到95%,相关系数均约为0.92,平均相对误差均约为3.4%;针对样本量较少的ST预测过程,LSSVM模型预测效果较优,相关系数为0.950 52,高于BPNN模型的0.904 26,平均相对误差为4.98%,并且大误差点个数少于BPNN模型。因此,LSSVM模型能够更准确预测飞灰的DT和ST。
|
| 关 键 词： | BP神经网络(BPNN) 最小二乘支持向量机(LSSVM) 灰熔点 灰成分 结渣评判指标 |
Prediction and Comparison of Ash Fusion Temperatures Based on BP Neural Network and Least Squares Support Vector Machine |
| |
| Hao SHI,Haiping XIAO,Yanpeng LIU. Prediction and Comparison of Ash Fusion Temperatures Based on BP Neural Network and Least Squares Support Vector Machine[J]. Power Generation Technology, 2022, 43(1): 139-146. DOI: 10.12096/j.2096-4528.pgt.20003 |
| |
| Authors: | Hao SHI Haiping XIAO Yanpeng LIU |
| |
| Abstract: | |
| |
| Keywords: | BP neural network (BPNN) least squares support vector machine (LSSVM) ash fusion point ash composition slagging evaluation index |
|
| 点击此处可从《发电技术》浏览原始摘要信息 |
|
点击此处可从《发电技术》下载全文 |
|
