基于压缩感知最小二乘支持向量机的NO_x软测量模型

提出了一种基于压缩感知(CS)和最小二乘支持向量机(LSSVM)构成的压缩感知最小二乘支持向量机(CS-LSSVM)软测量模型,用于预测烟气中的NOx质量浓度。利用压缩感知理论中的最小二乘匹配追踪算法(LS-OMP)对LSSVM在建模过程中的映射矩阵进行压缩,采用压缩后的稀疏映射矩阵直接建立CS-LSSVM软测量模型。与传统LSSVM模型相比,本模型通过稀疏映射矩阵,降低了运算成本的同时提高了模型的计算速度;与传统稀疏化LSSVM(Sparse-LSSVM)模型相比,LSSVM模型仍需要在建模后不断稀疏新输入的支持向量,本文CS-LSSVM模型仅通过在建模过程中一次性压缩,降低了运算成本的同时提高了软测量精度,将该模型用于电厂燃煤锅炉NOx排放的软测量中,现场数据仿真结果表明,用本文提出的方法以50%的支持向量就能达到很好的表现能力,为现场NOx的在线软测量提供了数据支持。

传递熵变量选择的非线性系统时序预测模型

对于复杂非线性系统,难以准确分析其中各变量之间相互影响关系,且其原始数据时序不统一。因此对于时序预测模型,上述情况会产生辅助变量冗余和时序混乱进而影响预测效果。提出了一种基于传递熵变量选择的非线性系统时序预测模型,利用因果关系进行辅助变量的筛选;检测变量之间的迟滞,据此进行时序统一。通过一个简单的非线性模型对算法进行验证,得到了和理论分析相吻合的结果,并利用不同模型分别验证了算法的有效性。最后,使用某600MW燃煤机组的实际数据对模型进行验证。实验结果证明:该预测模型与之前的方法相比,不依靠机理分析,通过较少的辅助变量得到准确的预测结果和更好的泛化能力,节约了运行时间,可以满足现场运行要求。

基于最小二乘支持向量机的改进型在线NO_x预测模型

本文提出了一种基于预测误差的在线更新最小二乘支持向量机(LSSVM)的NOx预测模型。LSSVM模型以预测精度作为在线更新的目标,在保证预测精度的前提下,选取影响NO_x排放的输入参数,模型输入数据的更新由总体误差决定,并由个体样本的误差指导数据选取,克服了原在线更新LSSVM模型中的单步更新计算量随时间增加、更新算法参数选取困难等问题。利用模拟实验和电厂分布式控制系统(DCS)实际数据对本文提出算法模型和原算法模型进行仿真,结果表明本文提出模型预测精度和计算速度均能够达到现场运用的要求。与原算法模型相比,在保持相同精度的前提下,计算速度是原算法模型的3.24倍,使用方法更简单,更适合现场使用。