基于k-近邻互信息和WKOPLS的SCR脱硝系统动态预测模型

针对选择性催化还原(selective catalytic reduction,SCR)脱硝系统存在难以建立准确模型的情况,提出基于k-近邻互信息(mutual information,MI)和小波核隐变量正交投影(wavelet kernel-based orthogonal projections to latent structures,WKOPLS)的MI-WKOPLS预测模型,实现动态估计系统出口NO_x浓度。首先利用k-近邻互信息法估计各输入变量时延,对模型样本进行相空间重构;然后将Morlet母小波引入KOPLS建立模型;最后采用滑动窗口策略实现动态建模。通过标准数据集测试,WKOPLS与其它建模方法相比,具有泛化、非线性逼近和抗噪能力最强的特点。并选择SCR系统从变工况至稳态的4组样本分析,结果表明:与WKOPLS相比,MI-WKOPLS提高模型的非线性逼近和泛化能力;与其它算法相比,在变工况时,MI-WKOPLS的RMSE_(te)和MAPE_(te)均达到最小值3.3617mg/m^3和7.254%,在稳态时,MI-WKOPLS的RMSE_(te)和MAPE_(te)均达到最小值1.8617mg/m^3和4.5487%。

基于k-近邻互信息的发酵过程高斯过程回归建模

发酵过程中基质浓度往往无法在线测量,采用高斯过程回归(GPR)建立基质浓度的估计模型,实现了其软测量。不同于传统软测量方法对基质浓度的估计,该方法不仅可以得到估计值,还能够得到其估计方差。考虑到发酵过程中各变量之间的非线性、相关性,为了提高模型的预测性能,在模型建立之前首先用k-近邻互信息(k-MI)辅助变量选择方法对模型的输入变量进行选择。从青霉素发酵过程的应用结果来看,采用kMI-GPR方法取得了较好的估计效果。

一种基于κ-近邻互信息变化率的输入变量选择方法

针对多变量时间序列建模中的输入变量选择问题,提出一种基于κ-近邻互信息变化率的变量选择方法.根据多变量之间的相关关系,以输入输出之间的κ-近邻互信息变化率作为评价标准选择相关变量;同时根据输入变量子集之间互信息值的大小判断变量是否为冗余变量;通过设定合适的阈值系数,可以有效地实现输入变量选择.Friedman,Lorenz混沌时间序列以及Housing数据的变量选择仿真结果验证了所提出方法的有效性.

基于近邻互信息的SVM-GARCH股票价格预测模型研究

为了克服传统线性模型分析处理收益率数据非线性因素的不足,本文提出一种新的基于近邻互信息特征选择的SVM-GARCH预测模型。该模型利用SVM处理高维非线性数据的优势,不仅包含了股指序列自身的历史数据信息,而且通过近邻互信息的方式融合了与目标股指数据关系密切的周边证券市场的相关变化信息。仿真实验结果表明,该模型在时序数据除噪、趋势判别以及预测的精确度等方面均优于传统的ARMA-GARCH模型。

基于k-近邻互信息的前向式变量选择方法及在水质参数软测量中的应用

软测量技术通过构造易测量的辅助变量与难测量的主导变量间的数学模型,实现对难测变量的实时预测.为有效分析辅助变量间的相关性和冗余性并实现变量精选,本文提出了一种基于k-近邻互信息的前向式变量选择方法.该方法以变量前向累加互信息值最大化为准则选择相关变量,同时计算每次累加变量与已选择变量子集间的互信息值来判断所累加变量是否为冗余变量,通过设定冗余互信息阈值,实现冗余变量的剔除,得到最优辅助输入变量子集.基于数值案例仿真结果验证了本文所提变量选择方法的可行性与有效性,在准确选取辅助变量的同时降低了算法复杂度.最后,该方法成功应用于污水处理过程中出水生化需氧量(biochemical oxygen demand,BOD)预测模型的输入变量选择上,利用精选出的辅助变量有效提高了模型预测精度.

基于PSO-互信息的多变量时序校正方法研究

选择性催化还原(selective catalytic reduction,SCR)是火电厂目前广泛采用的烟气脱硝方法。但因为烟气连续监测系统(Continuous emission monitoring systems,CEMS)测量滞后带来的影响无法通过控制系统消除。针对脱硝系统NOx浓度测量滞后和各变量相对于SCR入口侧NOx浓度的反应延迟对后续建模精度造成的不利影响,设计了基于PSO-互信息的多变量时序校正方法:通过物理方法测量、计算,得到CEMS测量滞后,并对入口侧NOx浓度测量值进行时序校正。基于机理分析,确定影响火电机组锅炉侧NOx排放的辅助变量,运用自适应惯性权重粒子群和k-近邻互信息法计算各个变量的估计反应延迟,并基于各自延迟对数据样本进行相空间重构时序校正。以某电厂SCR脱硝系统实际数据进行实验,比较建模精度。结果表明,采用时序校正后的数据建立的模型,其精度有了明显提高。

基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NOx动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NOx排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NOx浓度剧烈波动时也能够较好地预测NOx浓度,具有很好的动态特性。

基于EMD的锅炉燃烧系统自适应动态 模型优化研究

锅炉燃烧系统的建模是实现锅炉节能减排的基础,为实现燃煤锅炉节能减排,针对现有建模方法多步预测精度不足问题,采用经验模态分解算法把复杂的输出信号转化为多个具有周期性规律或趋势相对平稳的模态信号,降低数据复杂度,基于K近邻联合互信息法得出迟延时间,提出基于动态时间规整距离进行在线更新的最小二乘支持向量机算法,并进行锅炉燃烧系统的建模,基于锅炉实际运行数据的仿真结果表明,该方法可以有效提高模型的自适应能力和多步预测精度,为后续实现闭环燃烧优化控制打下了良好基础。

基于结构改进RBF神经网络的NO_(x)预测模型比较

针对燃煤电厂选择性催化还原(selective catalytic reduction,SCR)脱硝系统入口氮氧化物浓度测量准确性的问题,提出基于结构改进的径向基函数神经网络(improvedradial basis functionneural network,IRBFNN)预测模型。采用互信息选取辅助变量作为模型的输入变量,避免变量过多或过少导致模型精度降低;利用k近邻互信息估计辅助变量的延迟时间,解决时序问题;采用调整时序的辅助变量和主导变量建立结构改进的RBF神经网络(RBFNN)预测模型;采用人工鱼群算法(artificial fish swarm algorithm,AFSA)和粒子群优化(particle swarm optimization,PSO)算法加速验证结构改进模型的优越性,并对2种优化算法的优化能力进行分析。仿真结果表明,结构改进的RBF神经网络模型的均方根误差和平均绝对百分比误差明显高于原模型;AFSA优化后的模型精度高于PSO算法,然而其需要调节的参数较多。

基于人工鱼群-径向基神经网络的NO_(x)预测模型

针对燃煤电厂脱硝系统入口NO_(x)质量浓度迟延较大、难以测量的问题,提出了人工鱼群算法(AFSA)优化径向基神经网络(RBFNN)预测模型。利用互信息确定模型输入变量,运用K-近邻互信息算法预估迟延时间;采用具有强泛化能力的RBFNN建立相空间重构的辅助变量和主导变量的预测模型,并运用AFSA确定RBFNN的最优参数组合,克服输入规律不明和参数随机性的影响。最后将AFSA-RBFNN预测模型与RBFNN、PSO-RBFNN预测模型进行对比验证。结果表明:AFSA-RBFNN预测模型的均方根误差、平均绝对百分比误差最小,运行时间最短,表明该模型的泛化能力、预测精度明显优于其他模型,并能够解决粒子群算法的局部收敛和运行时间长的问题。

Shapley-模糊神经网络方法在华南台风卫星云图的长时效滚动预测中的应用

为了更好地利用大量的卫星云图观测资料来提高台风暴雨的预报能力,解决并提高对台风强降水云系变化的预报精度,延长对未来云系变化的预报时效,构建基于合作对策Shapley-模糊神经网络的华南区域台风卫星云图非线性智能计算滚动集合预测模型,对增强卫星云图资料在台风暴雨天气预报中的实用性和及时性具有重要意义。依据2013—2016年华南区域台风影响过程的卫星云图,采用类似于数值预报模式的集合预报方法,通过对间隔6 h的卫星云图云顶亮温样本序列做经验正交函数分解,将提取出的时间系数作为云图预报建模的预报分量。考虑台风云系的发展变化主要受云团环境物理量场的影响,利用数值预报模式的物理量预报产品作为各预报分量的预报因子,并采用k-近邻互信息估计的分步式变量选择算法,通过两步过程实现相关变量的选择与弱相关变量的剔除,分别建立相应时间系数的Shapley-模糊神经网络集合预报模型,进一步将预报得到的各时间系数与空间向量合成,重构得到未来时刻的卫星云图预报图,实现了云图6—72 h的长时效客观滚动预测。试验结果表明,新方案所预测的云图与实况云图相关较高,重构云图的基本轮廓、纹理特征分布、清晰度以及云系强弱方面都比较接近原始云图。另外,研究进一步基于相同的云图预报因子,针对同样的建模和预报样本采用多元线性回归方案进行和新方案一致的云图预测。对比结果表明,这种非线性预报模型比线性方案能更好地预报未来较长时效台风云团的发展、移动的主要特征和变化趋势,其预测的云图与实际云图的主要特征更相似。云图预报时效达到了72 h,具有业务实用价值。

青霉素发酵过程软测量建模仿真研究

青霉素发酵过程是一类具有较强非线性、时变性和不确定性的典型间歇过程,其中产物浓度等关键生物参数难以实时在线检测,而离线化验则需要高昂成本。针对青霉素发酵过程软测量建模问题,首先利用k近邻互信息方法选择菌体浓度、基质体积、二氧化碳浓度和补料温度作为辅助变量,然后利用稀疏自编码器提取数据特征,结合最小二乘支持向量机进行软测量建模。仿真实验结果表明:所建软测量模型可达到较好的预测效果,无监督机器学习方法在青霉素发酵软测量建模过程中应用效果良好,为进一步对青霉素发酵过程的菌体浓度控制的研究奠定了基础。