为建立一个有效的电站锅炉效率与NO_(x)排放浓度预测模型,在最小二乘支持向量回归算法(Least Squares Support Vector Regression,LSSVR)基础上进行改进,提出了约束支持向量回归算法(Constraint Support Vector Regression,CSVR),通过...为建立一个有效的电站锅炉效率与NO_(x)排放浓度预测模型,在最小二乘支持向量回归算法(Least Squares Support Vector Regression,LSSVR)基础上进行改进,提出了约束支持向量回归算法(Constraint Support Vector Regression,CSVR),通过优化支持向量的选择策略,来增强算法泛化能力和对不良数据的抵御能力。初始数据经主成分分析(Principal Component Analysis,PCA)后,输入基于CSVR算法的锅炉燃烧模型进行训练,并将建模结果与LSSVR算法和BP神经网络算法进行了比较。结果表明:使用PCA对数据预处理后,输入变量维数由五维降到三维,简化了模型结构,同时又保留了输入数据的主要特征。在相当的平均预测误差水平上,CSVR算法选用支持向量数目分别只有83个和117个,远少于LSSVR算法选用的900个;CSVR的最大预测相对误差只有3%,远低于LSSVR的25.8%,BP算法介于两者之间。展开更多
文摘为建立一个有效的电站锅炉效率与NO_(x)排放浓度预测模型,在最小二乘支持向量回归算法(Least Squares Support Vector Regression,LSSVR)基础上进行改进,提出了约束支持向量回归算法(Constraint Support Vector Regression,CSVR),通过优化支持向量的选择策略,来增强算法泛化能力和对不良数据的抵御能力。初始数据经主成分分析(Principal Component Analysis,PCA)后,输入基于CSVR算法的锅炉燃烧模型进行训练,并将建模结果与LSSVR算法和BP神经网络算法进行了比较。结果表明:使用PCA对数据预处理后,输入变量维数由五维降到三维,简化了模型结构,同时又保留了输入数据的主要特征。在相当的平均预测误差水平上,CSVR算法选用支持向量数目分别只有83个和117个,远少于LSSVR算法选用的900个;CSVR的最大预测相对误差只有3%,远低于LSSVR的25.8%,BP算法介于两者之间。