基于GSA-LSSVM的循环流化床锅炉飞灰含碳量预测

为了控制循环流化床锅炉飞灰含碳量,提高锅炉燃烧效率。以某电厂循环流化床锅炉燃烧数据为样本,应用最小二乘支持向量机(LSSVM)建立了以锅炉运行参数为输入量,以锅炉飞灰含碳量为输出的模型。由于最小二乘支持向量机的参数决定了模型精度及泛化能力,将万有引力搜索算法(GSA)运用到模型参数寻优过程中,得到了飞灰含碳量最优模型GSA-LSSVM;并利用不同工况下的样本数据检验了模型的预测性能,并将该模型分别与粒子群(PSO)和遗传算法(GA)优化的LSSVM模型进行比较,仿真实验证明GSALSSVM模型具有很好的辨识能力及泛化能力。

基于支持向量机和果蝇优化算法的循环流化床锅炉NO_x排放特性研究

为了控制循环流化床(CFB)锅炉的NOx排放量,以某热电厂300MW CFB锅炉测试数据为样本,应用支持向量机(SVM)建立NOx排放特性预测模型.针对SVM回归预测需要人为确定相关参数的不足,应用果蝇优化算法(FOA)优化SVM参数,采用不同工况下的样本数据检验FOA-SVM模型的预测性能,并将该模型的预测结果与粒子群算法(PSO)、遗传算法(GA)和万有引力搜索算法(GSA)优化的SVM模型预测结果进行了比较.结果表明:FOA-SVM模型的泛化能力较强,预测精度较高,训练时间较短,可以相对快速、准确地预测NOx排放质量浓度.

基于GSA—SVM的循环流化床锅炉NO_x排放特性模型

为了准确地预测循环流化床锅炉NO_x排放量，以某热电厂循环流化床锅炉燃烧数据为样本，提出了基于支持向量机（SVM）的循环流化床锅炉NO_x排放特性GSA—SVM模型。由于SVM精度及泛化能力依赖于参数选择，故将万有引力搜索算法（GSA）运用到模型参数寻优过程中，利用不同工况下的样本数据检验了模型的预测性能，并将该模型分别与BP神经网络、粒子群（PSO）和遗传算法（GA）优化的SVM模型进行比较，仿真实验证明GSA—SVM模型具有很好的辨识能力及良好的泛化能力。