基于正则贯序极端学习机的换热设备污垢预测.pdf

《基于正则贯序极端学习机的换热设备污垢预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第35卷第4期东北电力大学学报Vo1．35．No．42015年8月JournalOfNortheastDianliUniversityAug．，2015文章编号：1005—2992(2015)04—0084—07基于正则贯序极端学习机的换热设备污垢预测孙灵芳，陶苗苗，朴亨(东北电力大学自动化工程学院，吉林吉林1320122)摘要：对换热设备积聚的污垢快速、准确的预测，可以为换热设备污垢的监测和解决对策提供指导和依据，进而避免污垢对换热设备安全经济运行带来的不利影响。通过在线贯序极端学习机理论建立换热设备污垢预测模型，利用初始样本建立初始模型，随着工况变

2、化，不断加入新的样本集，更新预测模型，实现换热设备污垢的在线预测。并通过引入正则参数权衡经验风险和结构风险，提高模型的泛化性能和预测精度。与传统神经网络建立的预测模型相比，基于在线贯序极端学习机的换热设备污垢预测模型训练速度更快，精度更高，泛化能力更好。为此，进一步基于MATLAB和LABV1EW混合编程设计了正则贯序极端学习机污垢预测系统，结果表明，该污垢预测系统可以实现换热设备污垢的在线实时预测，并且预测精度较高，预测效果较好。关键词：污垢；在线预测；极端学习机；污垢预测系统中图分类号：TP273文献标识码：A．换热设备污垢的积聚恶化了设备的传热性

3、能，增加了热量损耗，影响了设备的安全运行，从而造成了巨大的经济损失¨。因此，建立一个精确的换热设备污垢预测模型有着重要的实际意义。随着计算机科学应用技术的发展，人工智能方法被逐渐应用到换热设备的污垢预测研究当中。极端学习机(ExtremeLearningMachine，ELM)是一种新颖的单隐层前馈神经网络，整个训练过程可以一次完成不需要迭代调整，就能够获得全局唯一最优解，目前极端学习机理论已经被应用到很多回归问题当中。文献[3]提出在线贯序极端学习机(OSELM)将ELM的训练模式从离线训练转变为在线训练。为了进一步提高传统ELM的泛化能力，文献[7

4、]提出贯序正则极端学习机(SRELM)。SRELM在在线贯序极端学习机的基础上通过引入参数权衡结构风险和经验风险，SRELM求得的网络输出权值具有更小的范数，提高了ELM的泛化性。本文利用BP，ELM，OSELM，以及SRELM分别建立换热设备污垢预测模型并进行对比，基于预测精度高的模型设计污垢预测系统。1极端学习机理论设输入层节点、隐层节点的个数分别为n．L，神经元活化函数为-厂()，b是第i个隐藏层节点的阈值，)是第个隐藏层节点的神经元活化函数。样本个数为Ⅳ，每个样本可以表示为(，t)，i=1，2，3，4⋯⋯凡，其中=[⋯⋯]为输入变量，t为输出变

5、量。如果设该ELM的网络输出权值为Oj，则网络数学模型可表示为：∑卢f(wx1+bz)=，=1，2，⋯N，(1)i=l收稿日期：2015～05—2O作者简介：孙灵芳(1970一)，男，山东市巨野市人，东北电力大学自动化工程学院教授，博士，主要研究方向：电站热工过程先进控制、换热设备污垢与对策．第4期孙灵芳等：基于正则贯序极端学习机的换热设备污垢预测85其中：W=[W，⋯⋯Win]是输入权值向量，卢。=[卢：⋯⋯卢]是输出权值向量。如果L≤N，网络能够零误差逼近J7v个训练样本，存在W．／3、b使得：∑／3f(w+6)=t。，i=1∑卢if(w+b3=t

6、：，=1(2)∑f(w+6)=ti=1用矩阵简洁表示为：=T．(3)根据MP广义逆矩阵理论可得：=H～T=(日HT．(4)所以训练好的ELM预测模型为：三t=∑f(w+6)(5)i=12贯序正则极端学习机2．1在线贯序极端学习机假设当前已利用s计算获得了式(4)所示的，当有新的训练样本(xst)加入时，对应的神经元输出矩阵变化为+。=[h】。此时的ELM的输出权值为：+1=(+1HN+1)～HN+1+1=(HNHN+hⅣ+1hN+1)(+htN+1)，(6)其中：P=(日NTH)～，P：(HNTHN+hN+1rh)～，可得／3的递推表达式为：Ⅳ+1=卢

7、Ⅳ+PⅣ+1+1(tⅣ+1一Ⅳ+1Ⅳ)．(7)所以+可在／3的基础上递推而得，避免了重新计算。2．2正则极端学习机RELM根据统计学理论通过引入参数调节结构风险和经验风险比例，RELM的数学模型可表示为：min(+詈8r)，(8)s．t．tj=∑／3+6)一，=1，2，⋯，N，i=1其中代表经验风险；卢代表结构风险；为权衡两种风险的比例参数。为求解上述优化问题，建立拉格朗日方程，对各变量求导并令导数为零，可得：=(HrH+T-1(9)2．3SREEM的预测步骤步骤1在满足Ⅳ≥的条件下，利用s计算初始输出权值：=(日+I)～。步骤2将新训练样本(川，tN

8、+1)加入训练样本集，并根据下式递推计算此时的P和¨。+86东北电力大学学报第35卷=P一，卢