CN103728879A - 基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法 - Google Patents

基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法 Download PDF

Info

Publication number
CN103728879A
CN103728879A CN201410024169.0A CN201410024169A CN103728879A CN 103728879 A CN103728879 A CN 103728879A CN 201410024169 A CN201410024169 A CN 201410024169A CN 103728879 A CN103728879 A CN 103728879A
Authority
CN
China
Prior art keywords
sample
model
power station
lssvm
station boiler
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410024169.0A
Other languages
English (en)
Other versions
CN103728879B (zh
Inventor
吕游
杨婷婷
刘吉臻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201410024169.0A priority Critical patent/CN103728879B/zh
Publication of CN103728879A publication Critical patent/CN103728879A/zh
Application granted granted Critical
Publication of CN103728879B publication Critical patent/CN103728879B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Regulation And Control Of Combustion (AREA)

Abstract

本发明提供一种基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法,属于热工技术和人工智能交叉技术领域。该方法选择电站锅炉有关运行和状态参数作为模型的输入,要预测的烟气成分含量作为模型的输出,选取历史运行数据作为初始训练样本,利用最小二乘支持向量机方法建立烟气排放的初始模型。另外,基于对烟气排放时变特性的分析,提出了基于样本替换和样本追加的更新策略,并采用删减样本和增加样本两种模式以增量的形式来实现参数的求解和模型的更新。本发明提出的最小二乘支持向量机及在线更新软测量方法随着过程特性的变化自适应地改进模型性能,能够实现对烟气排放的精确预测,对电站锅炉的安全和优化运行有重要的意义。

Description

基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法
技术领域
本发明涉及一种基于最小二乘支持向量机(least squares support vectormachine,LSSVM)及在线更新的电站锅炉烟气软测量方法,属于热工技术和人工智能交叉技术领域。
背景技术
为了保证电站锅炉的安全和优化运行,常常需要获取锅炉尾部烟气中飞灰含碳量和NOx排放等参数的相关信息。目前,这些参数常利用飞灰测碳仪和烟气连续监测系统(continuous emission monitoring system,CEMS)等硬件传感器来测量,但是这些仪器的安装和维护成本较高,而且由于工作在恶劣的电磁环境中,经常需要离线维修。因此,采用其他易测的锅炉运行和状态参数通过一定的数学关系模型来对烟气成分含量进行预测,具有重要的工程意义。由于燃烧过程的复杂性和不确定性,建立准确的机理模型往往是非常困难的。近年来,电站的信息化使过程运行数据的获取越来越容易,而且神经网络、支持向量机等人工智能的发展为基于数据的软测量技术提供了有效的工具。其中,最小二乘支持向量机(least squares support vector machine,LSSVM)以结构风险最小化为原则,与神经网络相比具有更好的泛化能力。而且,LSSVM利用等式约束代替不等式约束,将学习问题转化为求解线性方程组,减少了算法的复杂度。
在利用LSSVM等方法构建烟气软测量模型时,初始样本的筛选非常重要,在从历史运行数据库中选取初始训练样本时应尽可能地使其覆盖全工况。然而事实上,数据库中存储的大都是正常的运行工况,并没有人为主动地调节和设定各个热工参数,因此很难保证所选的样本能覆盖所有工况范围。在模型建立后,运行过程中操作指令和调节参数的改变可能会带来新的工况,而模型将无法对烟气成分含量进行精确预测。另一方面,在运行过程中,煤质的变化以及设备的磨损和维修也会引起烟气排放特性的变迁,建立的初始模型在运行一段时间后预测精度会逐渐下降,若重新构建模型会带来繁重的计算负担,而且也会摒弃原模型中存在的有用信息。因此,利用模型更新来改善其性能,对实现烟气成分含量的精确测量有着重要的意义。
发明内容
本发明的目的在于克服现有烟气排放的时变特性,提出了一种基于LSSVM及在线更新的电站锅炉烟气软测量方法。
一般而言,热工过程中烟气排放特性的变化主要由两方面的因素引起:(1)在运行过程中入炉煤质的变化以及设备的磨损和维修等因素,导致过程特性发生变化;这种特性的变化是不可逆的,也即特性变化后不会再回到先前的运行状态。(2)由于生产操作指令以及调节参数的改变从而出现一些新的工况状态;这种特性变化是可逆的,因为随着调节参数的继续变化,过程有可能从现状态切换到先前历史工况中已有的状态。针对这两种特性变化,对应的模型更新方法也有所不同。对于第一种特性变化,需要删除旧样本信息。这是因为旧样本是对先前运行过程的描述,而运行过程已发生了不可逆变化,这些样本便没有任何价值,需要用新的样本来替代,对这种变化的更新应该以样本替换的形式来实现。而第二种变化则是过程正常运行状态的改变和切换,因此需要将新样本信息融入到旧样本中,以此来拓展模型的工作范围,对这种变化的更新应该以样本追加的形式来实现。
因此,本发明提出通过LSSVM构建初始烟气排放模型,然后利用样本追加和样本替换来实现模型的增量更新。该方法预测精度高、成本低、计算速度快,有利于应用于工程实践之中。
基于LSSVM及在线更新的电站锅炉烟气软测量方法,该方法步骤为:
步骤1:收集初始训练样本来构建LSSVM模型,其中:通过传感器测量发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度信号,并将测量值存入DCS历史数据库中;选择上述测量值作为软测量模型的输入变量,要预测的烟气成分含量作为模型的输出变量,从历史运行数据库中选取覆盖范围大且具有代表性的若干段工况作为初始训练样本,记为
Figure BDA0000458760200000021
其中xi∈Rp表示第i组输入样本,对应于测量的发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度,yi∈R为第i组输出样本,对应于烟气成分的含量,p为输入变量个数,n为样本数量,并构建LSSVM模型;
LSSVM模型可描述为以下优化问题:
min w , b , ξ J ( w , ξ ) = 1 2 w T w + 1 2 γ Σ i = 1 n ξ i 2 - - - ( 1 )
Figure BDA0000458760200000032
其中,J为目标函数,是核空间映射函数,w为权重向量,γ为惩罚系数,ξi为误差变量,b为偏差,上标T表示矩阵的转置;为解此优化问题,定义Lagrange函数如下:
其中,α=[α1,…,αn]T为Lagrange乘子;利用Lagrange函数对各变量求偏导,并令导数值为零可得到:
Figure BDA0000458760200000035
消去中间变量w和ξi,将其转化为求解线性方程组:
0 I → T I → Ω + 1 / γI b a = 0 y - - - ( 4 )
其中y=[y1,…,yn]T
Figure BDA0000458760200000037
I为n×n阶单位矩阵,Ω={Ωkl|k,l=1,…,n},且
Figure BDA0000458760200000038
定义为核函数;通过求解方程组得到α和b的值为:
b = I → T H - 1 y I → H - 1 I → a = H - 1 ( y - I → b ) - - - ( 5 )
其中
Figure BDA0000458760200000041
为特征矩阵;
从而得到初始的烟气含量的软测量LSSVM模型为:
h ( x ) = Σ i = 1 n α i K ( x , x i ) + b - - - ( 6 )
其中核函数选取为高斯径向基函数K(x,xi)=exp(-||x-xi||22),σ为核函数参数,h(x)为烟气成分含量的预测值;
步骤2:利用此模型对烟气成分含量进行预测,也即将传感器新测得的发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度数据作为输入变量xq,利用上式得到烟气成分含量的软测量值
Figure BDA0000458760200000043
步骤3:当实际的烟气成分含量的传感器测量值yq采集到后,计算样本(xq,yq)的预测误差Er:
Er = | y ^ q - y q y q | × 100 % - - - ( 7 )
步骤4:判断预测误差:若Er>Δ,Δ为误差阈值,则执行步骤5,否则执行步骤9;
步骤5:从历史运行数据中选取距新采样样本(xq,yq)最近的样本点(xk,yk):
k = arg i min i = 1 , . . . , n | | x q - x i | | 2 - - - ( 8 )
步骤6:对新采样的数据样本进行判断,根据以下准则确定更新类型:
(i)若||xk-xq||21,则对模型实施样本追加更新,即直接将新采样样本(xq,yq)加入到先前的历史数据库中;
(ii)若||xk-xq||2≤δ1,则对模型实施样本替换更新,即用新采样样本(xq,yq)来替换先前历史数据库中满足条件||xk-xq||2≤δ2的相似样本;
其中δ1由历史训练数据样本之间的平均距离决定,δ2设为0.5δ1
步骤7:根据确定的更新类型,对步骤1获得的初始LSSVM模型进行增量更新,即对特征矩阵H-1的计算更新,其中,将更新策略分解为样本增加和样本删减两种模式:根据步骤6,若实施样本追加更新,则直接进行样本增加;若实施样本替换更新,则先进行有关样本删减,然后再进行样本增加;
(i)样本删减模式
记要删减的样本为(xs,ys),交换特征矩阵H中的第n行和第s行、第n列和第s列后,得到新的特征矩阵为:
其中 k = K ( x s , x s ) + 1 γ , ks=[K(x1,xs),…,K(xs-1,xs),K(xn,xs),K(xs+1,xs),…,K(xn-1,xs)]T
若记交换第n行和第s行:
Figure BDA00004587602000000510
第n列和第s列:
Figure BDA00004587602000000511
对应的初等矩阵分别为
Figure BDA0000458760200000053
Figure BDA0000458760200000054
则有 T r n ↔ r s = T l n ↔ l s = T n , s , 而且:
H 0 - 1 = T n , s - 1 H - 1 T n , s - 1 = T n , s H - 1 T n , s - - - ( 10 )
若H0的逆矩阵记为:
H 0 - 1 = Δ h 11 h 12 h 12 T h 22 - - - ( 11 )
则根据分块求逆矩阵,可以得到:
H 0 = h 11 h 12 h 12 T h 22 - 1 = ( h 11 - h 12 h 22 - 1 h 12 T ) - 1 * * * - - - ( 12 )
对比式和式可得到新的特征矩阵H1的逆矩阵为:
H 1 - 1 = h 11 - h 12 h 22 - 1 h 12 T - - - ( 13 )
这里只给出删除单个样本(xs,ys)的情形,若要删除多个样本则依次进行;
(ii)样本增加模式
记要增加的样本为(xt,yt),仍记当前模型的特征矩阵为H,则新样本下的特征矩阵H2可以记为:
Figure BDA0000458760200000061
其中kt=[K(x1,xt),K(x2,xt),…,K(xn,xt)]T
Figure BDA0000458760200000062
由分块矩的求逆公式可得到H2的逆为:
H 2 - 1 = H - 1 + H - 1 k t ρ - 1 k t T H - 1 - H - 1 k t ρ - 1 - ρ - 1 k t T H - 1 ρ - 1 - - - ( 15 )
其中 ρ = k - k t T H - 1 k t .
步骤8:将求得的新的H-1带入式,得到相应的模型参数α和b,实现对烟气软测量模型h(x)的更新;
步骤9:判断测试样本是否结束,若结束则停止程序,否则执行步骤2,对下一样本进行预测。
本发明利用LSSVM构建初始的烟气软测量模型,并对模型在线更新,减少了模型的计算复杂度,有利于工程实现,能够对锅炉烟气各成分进行精确地预测。本发明将LSSVM建模方法与增量更新相结合,具有以下显著优势:
1)选择电站发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度作为模型的输入,能够对锅炉烟气排放特性进行全面的描述;
2)从历史运行数据库中选取覆盖范围大且具有代表性的若干段工况作为训练样本来构建LSSVM初始烟气软测量模型,具有较高的预测精度;
3)将更新策略分为样本追加和样本替换,针对排放特性变化的本质来更新模型;
4)利用增量的方法实施更新,减少了计算的复杂度;
5)应用本发明,不增加任何硬件,而且易于工程现场应用,成本低,预测结果精确可靠。
附图说明
图1是烟气排放特性的变化和对应的样本更新过程。
图2是本发明装置的结构示意图。
图3是本发明方法的实施例流程图。
图4是利用本发明对某燃煤锅炉烟气排放中NOx的含量进行软测量得到的预测结果对比示意图。其中,前1100组为初始的训练样本,后270组为测试样本。
具体实施方式
下面结合附图和实施例对本发明作详细说明。本实施例在以本发明技术方案为前提下进行实施,但本发明的保护范围不限于下述的实施例。
本实施例对某660MW电站锅炉烟气排放中NOx的含量进行软测量。参考图1,考虑一单入单出烟气排放特性的变化和对应的样本更新过程,图1(a)中工况状态I中的样本是从历史数据库中选出的具有代表性的初始样本,样本空间为x∈[x1,x2],并基于I中的样本建立初始的LSSVM烟气排放模型y=f(x)。运行过程中调节参数的改变将带来新的工况,运行状态将转换到状态II以及状态III(如图中虚线箭头所示),此时样本在x∈[x3,x4]和x∈[x5,x6]范围内。而这种状态转换是可逆的,也即是说,随着过程的继续,运行工况有可能重新回到状态I。因此,需要把工况状态II和III中的样本追加入初始状态I中,对由初始状态I建立的排放模型进行拓展,使其覆盖更大的工况范围,从而完成模型的更新。拓展后的模型如图1(b)所示,可以看出,经过更新后模型由初始运行范围x∈[x1,x2]拓展到x∈[x1,x6]。图1(c)中所示,排放特性在初始工况x∈[x1,x2]上发生了不可逆变化,从工况状态I变化到状态IV(如图中实线箭头所示)。引起这种变化的原因很可能是设备的磨损或煤质等外界因素发生了改变,而且,这种工况改变是不可逆的。这时需要用新采集的样本来替换旧样本以实现模型更新,使其能够描述新的过程特性。综合考虑图1(a)和(c)中的过程变化,更新后的烟气排放模型及样本分布如图1(d)所示。
图2是某燃煤锅炉的结构示意图。如图2所示,锅炉形式为单炉膛Π型锅炉,并采用切圆燃烧方式,以获得沿炉膛水平断面较为均匀的空气动力场。主燃烧器分上下两组布置,并拉开一定的距离,降低燃烧器区域热负荷,有效减少炉膛的结焦。在上层煤粉喷嘴上方布置有四层分离燃尽风(SOFA)喷嘴,以补充燃料后期燃烧所需要的空气。尾部烟道中装有烟气连续监测系统(continuousemission monitoring system,CEMS),用来测量烟气排放中NOx的含量。但是,CEMS在工作过程中,经常需要离线维修,因此为了锅炉的安全和优化运行,需要构建NOx排放的软测量模型来进行冗余测量。
根据相关机理分析,选择影响锅炉NOx排放的以下参数作为模型的输入变量:选择发电机功率描述负荷的影响,将6台磨煤机给煤量、6台磨煤机入口一次风量和6个燃料风开度信号进行主成分分析,并利用提取得到的特征主成分变量来描述一次风粉量沿炉高分配对NOx排放的影响,选择8个二次风门开度(AA、AB、BC、CC、DD、DE、EF、FF)来描述二次配风方式对NOx排放的影响,选择4层燃尽风门开度(UA、UB、UC、UD)来描述燃尽风的影响。以上所有参数的运行值通过传感器测量并存入DCS历史数据库中,也即电站历史数据库中均有对应的测点。
从历史数据库中选取机组负荷跨度较大(从300MW到660MW)的连续一周的以上各参数的运行数据,采样周期为60s。对数据进行清洗后,将其分为两组:其中1100组作为初始训练样本,另外270组未参加训练的工况段作为测试样本。
请参考图3,本发明提出的基于LSSVM及在线更新的电站锅炉烟气中NOx的软测量方法的流程图,该方法步骤为:
步骤1:将初始的1100组样本作为训练样本,记为
Figure BDA0000458760200000081
其中xi∈Rp表示第i组输入样本,对应于发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度,yi∈R为第i组输出样本,对应于烟气成分NOx的含量,p为输入变量个数,n为初始训练样本数量,并利用初始样本构建LSSVM模型,实现对NOx含量的预测;
步骤2:对新采样的样本xq预测,得到预测值
Figure BDA0000458760200000091
步骤3:根据式计算样本(xq,yq)的预测误差Er;
步骤4:判断预测误差:若Er>Δ,则执行步骤5,否则执行步骤9,这里设定Δ=0.07;
步骤5:从历史数据中选取距新采样样本最近的样本点(xk,yk);
步骤6:根据新采样样本(xq,yq)与其最近的样本(xk,yk)之间的距离||xq-xk||2来确定更新类型;
步骤7:根据确定的更新类型,由式~式增量计算特征矩阵H的逆;
步骤8:将求得的新的H-1代入式,得到相应的模型参数α和b,对模型进行更新;
步骤9:判断测试样本是否结束,若结束则停止程序,否则执行步骤2,对下一样本进行预测。
为了验证LSSVM及在线更新的软测量模型的预测效果,同时还建立了未实施更新的LSSVM模型进行对比,采用方根误差(RMSE)和平均相对误差(MRE)作为模型预测效果的评价指标: R MSE = Σ i = 1 N ( y i - y ^ i ) 2 / N , M RE = 1 N Σ i = 1 N | y i - y ^ i y i | × 100 % . LSSVM模型更新前后对测试样本的预测结果对比见表1。
表1
Figure BDA0000458760200000094
如表1所示,采用LSSVM更新后的软测量模型的性能与未更新的模型相比有很大的改善,预测精度得到了提高。图4是利用本发明和未加更新的LSSVM模型对锅炉烟气中NOx排放进行建模得到的预测结果对比图。其中,前1100组为初始的训练样本,后270组为测试样本。由图可以看出,当排放特性改变时,未加更新的LSSVM模型对NOx的预测误差逐渐增大,而由于本发明施加了在线更新,能一直保持较高的预测精度。
本发明还提供一种模型,该模型根据以上所述的基于LSSVM及在线更新的电站锅炉烟气软测量方法建模得到。本发明提出了基于LSSVM及在线更新的电站锅炉烟气软测量方法,减少了模型的计算复杂度,有利于工程实现,对电站锅炉的安全和优化运行有着重要的意义。
上述实例用来说明本发明,而不是对其进行限制。在本发明的权利要求保护范围内,任何对对本发明的修改都落入本发明的保护范围内。

Claims (7)

1.一种基于LSSVM及在线更新的电站锅炉烟气软测量方法,其特征在于,所述方法采用LSSVM构建初始烟气排放模型,然后利用样本追加和样本替换来实现模型的增量更新,能够对锅炉烟气各成分进行精确地预测。
2.根据权利要求1所述的方法,其特征在于,所述方法包括以下步骤:
步骤1:收集初始训练样本来构建LSSVM模型;
步骤2:利用此模型对烟气成分含量进行预测;
步骤3:当实际的烟气成分含量的传感器测量值yq采集到后,计算样本(xq,yq)的预测误差Er;
步骤4:判断预测误差:若Er>Δ,Δ为误差阈值,则执行步骤5,否则执行步骤9;
步骤5:从历史运行数据中选取距新采样样本(xq,yq)最近的样本点(xk,yk),其中 k = arg i min i = 1 , . . . , n | | x q - x i | | 2 ;
步骤6:根据新采样样本(xq,yq)与其最近的样本(xk,yk)之间的距离进行判断并确定更新类型;
步骤7:根据确定的更新类型,对步骤1获得的初始LSSVM模型进行增量更新,根据步骤6进行样本增加或样本替换来更新;
步骤8:用求得的新的模型的特征矩阵H-1计算得到相应的模型参数α和b,实现对烟气软测量模型h(x)的更新;
步骤9:判断测试样本是否结束,若结束则停止程序;否则执行步骤2,对下一样本进行预测。
3.根据权利要求2所述的方法,其特征在于,所述步骤1具体是:通过传感器测量发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度信号,并将测量值存入DCS历史数据库中;选择上述测量值作为软测量模型的输入变量,要预测的烟气成分含量作为模型的输出变量,从历史运行数据库中选取覆盖范围大且具有代表性的若干段工况作为初始训练样本,记为
Figure FDA0000458760190000012
其中xi∈Rp表示第i组输入样本,对应于测量的发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度,yi∈R为第i组输出样本,对应于烟气成分的含量,p为输入变量个数,n为样本数量,并构建LSSVM模型。
4.根据权利要求2所述的方法,其特征在于,所述步骤2具体是:将传感器新测得的发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度数据作为输入变量xq,代入初始的烟气含量的软测量LSSVM模型公式: h ( x ) = Σ i = 1 n α i K ( x , x i ) + b , 得到烟气成分含量的软测量值 y ^ q = h ( x q ) , 其中核函数选取为高斯径向基函数K(x,xi)=exp(-||x-xi||22),σ为核函数参数,h(x)为烟气成分含量的预测值。
5.根据权利要求4所述的方法,其特征在于,所述步骤3中预测误差Er的计算如下: Er = | y ^ q - y q y q | × 100 % .
6.根据权利要求2所述的方法,其特征在于,所述步骤6中具体的判断准则是:
(i)若||xk-xq||21,则对模型实施样本追加更新,即直接将新采样样本(xq,yq)加入到先前的历史数据库中;
(ii)若||xk-xq||2≤δ1,则对模型实施样本替换更新,即用新采样样本(xq,yq)来替换先前历史数据库中满足条件||xk-xq||2≤δ2的相似样本;
其中δ1由历史训练数据样本之间的平均距离决定,δ2设为0.5δ1
7.根据权利要求2所述的方法,其特征在于,所述步骤7根据确定的更新类型,对步骤1获得的初始LSSVM模型进行增量更新,即对特征矩阵H-1的计算更新,将更新策略分解为样本增加和样本删减两种模式:若实施样本追加更新,则直接进行样本增加;若实施样本替换更新,即先进行样本删减,然后再进行样本增加。
CN201410024169.0A 2014-01-20 2014-01-20 一种电站锅炉烟气软测量方法 Expired - Fee Related CN103728879B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410024169.0A CN103728879B (zh) 2014-01-20 2014-01-20 一种电站锅炉烟气软测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410024169.0A CN103728879B (zh) 2014-01-20 2014-01-20 一种电站锅炉烟气软测量方法

Publications (2)

Publication Number Publication Date
CN103728879A true CN103728879A (zh) 2014-04-16
CN103728879B CN103728879B (zh) 2016-08-17

Family

ID=50452998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410024169.0A Expired - Fee Related CN103728879B (zh) 2014-01-20 2014-01-20 一种电站锅炉烟气软测量方法

Country Status (1)

Country Link
CN (1) CN103728879B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636589A (zh) * 2014-11-13 2015-05-20 东北大学 一种基于grw-mmmd加权聚类分析的过失误差侦破方法
CN104807039A (zh) * 2015-04-23 2015-07-29 华北电力大学 一种锅炉燃烧优化的变量降维建模方法
CN104866725A (zh) * 2015-06-01 2015-08-26 河南中烟工业有限责任公司 一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法
CN105468932A (zh) * 2016-01-06 2016-04-06 夏继英 一种锅炉热效率的在线计算方法
CN105929109A (zh) * 2016-04-18 2016-09-07 中国神华能源股份有限公司 飞灰含碳量测量方法
CN106354695A (zh) * 2016-08-22 2017-01-25 北京理工大学 一种仅输出线性时变结构模态参数辨识方法
CN106371428A (zh) * 2016-11-11 2017-02-01 重庆科技学院 尾气超标下的垃圾焚烧发电异常检测与早期诊断方法
CN107657104A (zh) * 2017-09-20 2018-02-02 浙江浙能台州第二发电有限责任公司 基于在线支持向量机的锅炉燃烧系统动态建模方法
CN107944173A (zh) * 2017-12-05 2018-04-20 北京工业大学 一种基于选择性集成最小二乘支撑向量机的二噁英软测量系统
CN108388113A (zh) * 2018-02-07 2018-08-10 浙江大学 基于分布估计局部优化的最小二乘支持向量机软测量建模方法
CN109520069A (zh) * 2018-09-29 2019-03-26 珠海格力电器股份有限公司 电子设备控制方法、装置、电子设备及存储介质
CN110110749A (zh) * 2019-03-29 2019-08-09 广州思德医疗科技有限公司 一种训练集中的图片处理方法及装置
CN111008612A (zh) * 2019-12-24 2020-04-14 标旗(武汉)信息技术有限公司 生产次数统计方法、系统及存储介质
CN111612212A (zh) * 2020-04-10 2020-09-01 杭州电子科技大学 一种磨煤机煤粉细度的在线优化模型更新方法
CN113051825A (zh) * 2021-03-29 2021-06-29 中国人民解放军92859部队 一种海底趋势面的动态ls-svm构建方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002318605A (ja) * 2001-04-24 2002-10-31 Honda Motor Co Ltd プラントの制御装置
CN1563902A (zh) * 2004-04-08 2005-01-12 上海交通大学 基于支持向量机的软测量仪表建模方法
WO2008049175A1 (en) * 2006-10-24 2008-05-02 Katholieke Universiteit Leuven High discriminating power biomarker diagnosing
CN103150581A (zh) * 2013-03-22 2013-06-12 广东电网公司电力科学研究院 基于最小二乘支持向量机燃烧模型的锅炉优化方法和装置
CN103455635A (zh) * 2013-09-24 2013-12-18 华北电力大学 基于最小二乘支持向量机集成的热工过程软测量建模方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002318605A (ja) * 2001-04-24 2002-10-31 Honda Motor Co Ltd プラントの制御装置
CN1563902A (zh) * 2004-04-08 2005-01-12 上海交通大学 基于支持向量机的软测量仪表建模方法
WO2008049175A1 (en) * 2006-10-24 2008-05-02 Katholieke Universiteit Leuven High discriminating power biomarker diagnosing
CN103150581A (zh) * 2013-03-22 2013-06-12 广东电网公司电力科学研究院 基于最小二乘支持向量机燃烧模型的锅炉优化方法和装置
CN103455635A (zh) * 2013-09-24 2013-12-18 华北电力大学 基于最小二乘支持向量机集成的热工过程软测量建模方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘吉臻等: "基于变量选择的锅炉NOx排放的最小二乘支持向量机建模", 《中国电机工程学报》 *
张浩然等: "回归最小二乘支持向量机的增量和在线式学习算法", 《计算机学报》 *
王勇等: "基于最小二乘支持向量机的软测量建模及在电厂烟气含氧量测量中的应用", 《微计算机信息》 *
顾燕萍等: "基于最小二乘支持向量机的电站锅炉燃烧优化", 《中国电机工程学报》 *
龙文等: "基于混合PSO优化的LSSVM锅炉烟气含氧量预测控制", 《中南大学学报(自然科学版)》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636589A (zh) * 2014-11-13 2015-05-20 东北大学 一种基于grw-mmmd加权聚类分析的过失误差侦破方法
CN104807039A (zh) * 2015-04-23 2015-07-29 华北电力大学 一种锅炉燃烧优化的变量降维建模方法
CN104866725A (zh) * 2015-06-01 2015-08-26 河南中烟工业有限责任公司 一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法
CN105468932A (zh) * 2016-01-06 2016-04-06 夏继英 一种锅炉热效率的在线计算方法
CN105929109B (zh) * 2016-04-18 2018-02-23 中国神华能源股份有限公司 飞灰含碳量测量方法
CN105929109A (zh) * 2016-04-18 2016-09-07 中国神华能源股份有限公司 飞灰含碳量测量方法
CN106354695B (zh) * 2016-08-22 2019-09-17 北京理工大学 一种仅输出线性时变结构模态参数辨识方法
CN106354695A (zh) * 2016-08-22 2017-01-25 北京理工大学 一种仅输出线性时变结构模态参数辨识方法
CN106371428A (zh) * 2016-11-11 2017-02-01 重庆科技学院 尾气超标下的垃圾焚烧发电异常检测与早期诊断方法
CN107657104A (zh) * 2017-09-20 2018-02-02 浙江浙能台州第二发电有限责任公司 基于在线支持向量机的锅炉燃烧系统动态建模方法
CN107944173A (zh) * 2017-12-05 2018-04-20 北京工业大学 一种基于选择性集成最小二乘支撑向量机的二噁英软测量系统
CN107944173B (zh) * 2017-12-05 2021-10-15 北京工业大学 一种基于选择性集成最小二乘支撑向量机的二噁英软测量系统
CN108388113A (zh) * 2018-02-07 2018-08-10 浙江大学 基于分布估计局部优化的最小二乘支持向量机软测量建模方法
CN109520069A (zh) * 2018-09-29 2019-03-26 珠海格力电器股份有限公司 电子设备控制方法、装置、电子设备及存储介质
CN110110749A (zh) * 2019-03-29 2019-08-09 广州思德医疗科技有限公司 一种训练集中的图片处理方法及装置
CN111008612A (zh) * 2019-12-24 2020-04-14 标旗(武汉)信息技术有限公司 生产次数统计方法、系统及存储介质
CN111612212A (zh) * 2020-04-10 2020-09-01 杭州电子科技大学 一种磨煤机煤粉细度的在线优化模型更新方法
CN113051825A (zh) * 2021-03-29 2021-06-29 中国人民解放军92859部队 一种海底趋势面的动态ls-svm构建方法

Also Published As

Publication number Publication date
CN103728879B (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
CN103728879A (zh) 基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法
CN103729569B (zh) 一种基于lssvm及在线更新的电站锅炉烟气软测量系统
Zhao et al. Predicting electrical power output of combined cycle power plants using a novel artificial neural network optimized by electrostatic discharge algorithm
CN103455635A (zh) 基于最小二乘支持向量机集成的热工过程软测量建模方法
CN109583585B (zh) 一种电站锅炉壁温预测神经网络模型的构建方法
CN102566551B (zh) 一种基于数据挖掘的火电厂运行指标最优目标值的分析方法
CN101498459B (zh) 一种锅炉燃烧优化的建模方法
CN104763999A (zh) 电厂煤粉锅炉燃烧性能在线优化方法和系统
CN105020705A (zh) 循环流化床锅炉燃烧性能实时优化控制方法及系统
CN109508818B (zh) 一种基于LSSVM的在线NOx预测方法
GB2423158A (en) A system that analyses an impact of operating soot blowers in a power plant
CN102176221B (zh) 基于动态工况的焦炉加热燃烧过程焦炉温度预测方法
CN109872012A (zh) 基于工况划分的火电厂运行多目标优化的确定方法
Xing et al. Research of a novel short-term wind forecasting system based on multi-objective Aquila optimizer for point and interval forecast
Hong et al. Modeling for the bed temperature 2D-interval prediction of CFB boilers based on long-short term memory network
CN106594794B (zh) 一种混合智能锅炉效率燃烧优化模型更新方法
Shieh et al. Statistical key variable analysis and model-based control for the improvement of thermal efficiency of a multi-fuel boiler
CN102842066A (zh) 一种生物质炉燃烧优化的建模方法
CN104765347A (zh) 一种渣油延迟焦化过程中收率实时预测方法
CN109992844A (zh) 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN102184450A (zh) 一种多孔介质燃烧器燃烧优化的建模方法
CN103344881A (zh) 基于组合型交叉熵算法的电网故障诊断方法
JPH08339204A (ja) 火力発電プラント自律適応最適化制御システム
CN103714262B (zh) 一种基于缓冲块时序设计的热工软测量模型更新方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160817

Termination date: 20190120

CF01 Termination of patent right due to non-payment of annual fee