基于改进SMO算法的热工参数灰色软测量建模.pdf

《基于改进SMO算法的热工参数灰色软测量建模.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、《自动化技术与应用》2010年第29卷第10期控制理论与应用Contro『TheorvandADO『ications基于改进SMO算法的热工参数灰色软测量建模乔弘．张全壮，吴蓉(广东省电力设计研究院，广东广州510663)摘要：介j遗支持㈣鞋处删大使教揣归题的列最小优化(SMO)学习苒法，针对SVR进行二次规划处理大规模数据时计肄复尚目{’flL参数选择Jj法复杂的问题，从算法结构和参数选择曲，、方‘而刘‘SMO算法进行了改进，使运算速度建候设牛州』进提。结耿色川沦世辅助变毓选取，苷应用改进的SMO算法建立_r火电厂一烟气含氧量软仪表，

2、通过电r‘的划力敏掘俯叫，心世的浊较他统的SMO筲法在计速度干¨性能有较大提高，建立的软仪表模型具有更高的精度，能满f川毖求。关键词：序列最小优化(sM()J；联，，；钣；软测}巾图分类号：TPi3足瞅1A戈学编：1O03724l(2010)l0000404ThermalParametersGreySoft—SensingModelingBasedOntheImprovedAlgorithmOfSMOQIAOHong，ZHANGQuan-zhuang，WURong’(GuangdongElectricPowerDesignInstitu

3、te，Guangzhou510663China)．Abstract：InordertOsoh'etheproblemthatnormalSVMalgorithmcannotdealwithlargescaledata．theimprovedSVRalgorithmofsequentialminimaloptimization(SMO)isintroducedinthispaper．TheimprovedalgorithmmakesimprovementsintWOaspectsofsti’uctureandparametricselec

4、tiontoincreaseoperationalspeed．ItUSeSgreytheorytoselecttheauxiliaryvariablesandbuildain()dclofsoftinstrumentforthefluegasoxygencontentinpowerplant．Thesimulationwithhisto~’icaldatameasuredbyplantshowsthatcomparedwiththenolTnalSMOalgorithm，theoperatingspeedandthesoftinstru

5、mentpreciseoftheimpro~edSMOalgorithmisbetterKeywords：SequentialMinimalOptimization(SM01：greyrelationalanalysis；uolumeofoxygen；soft—sensing1引言主要思想是把一个大的优化问题分解成一系列只含两对烟气含氧量进行及时、准确测量是保证锅炉燃个变量的优化问题。起初该算法主要用于分类问题，后烧效率的重要前提I1】。目前火电厂广泛采用的基于热磁来Smola和Sch6lkopf[3】提出了一种训练回归SVM的式或氧化

6、锆传感器的氧量分析仪精度不高、投资大、使SMO算法，是Platt算法的类比扩展，为支持向量机处理用寿命短，而且测量滞后较大，不利于燃烧过程的在线大规模数据回归问题提供了可能。SMO算法已成为目监视和实时提供闭环控制所需的反馈信号，从而直接地前较为有效的SVR训练算法之一，不仅在整体速度上对影响燃烧效率。采用软测量技术是解决以上问题的有比其它算法有明显优势，而且它没有矩阵操作不会占用效途径之一。大量内存，算法容易实现，将其应用于软测量建模具有近年来，基于支持向量回归(SVR)的算法已经广泛很大优势。应用于工业对象的软测量建模，并取得了良好

7、的试验和本文在SMO算法的基础上对其进行改进，并结测量效果【引。Platt[31提出的序列最小优化(SMO)算法，其合灰色理论应用于火电厂锅炉尾部烟气氧量的软测量建模，仿真结果表明，改进的算法较传统算法具有收稿日期：2010—06—30控lt~lJ理论与应用《自动化技术与应用》2010年第29卷第10期ControlTheoryandApplications更快的收敛速度，所建立的软测量模型能够满足应用的选择需要优化的拉格朗日乘子。在对SMO算法的原精度要求。理和实现步骤进行研究的基础上可以进行改进，通过优化步长和步长阈值可以使运算速度

8、和性能得到进一步2SVR和参数自适应选取提高。具体改进措施如下：针对非线性回归问题，SVM通过定义适当的核函数1．内层循环中最大优化步长改进为l(巨一E)／77)I，进行非线性变换，将输入空间变换到一个高维