基于支持向量机法的锅炉机组煤耗预测模型研究

《基于支持向量机法的锅炉机组煤耗预测模型研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于支持向量机法的锅炉机组煤耗预测模型研究王娜江苏联合职业技术学院无锡交通分院为研究影响锅炉机组运行效率的因素，借助于支持向量机的SVR计算模型，选取高斯径向核函数为计算核函数，对机组能耗特性进行建模。根据建立的预测模型，分别选取四组数据，进行预测机组运行能耗对比分析，结果表明：稳定的数据样木，对于预测结果的精度有一定的影响;模型精度能满足机组能耗特性的研究要求;机组处于高负荷或满负荷时，机组供电耗煤量较低。关键词：支持向量机;锅炉;数据分析;SVR;PredictionModelforCoalConsumptionofPowerGeneratingUnitbas

2、eonSupportVectorMachine誦GNaWuxiTransportationBranch，JiangsuUnionTechnicalInstitute;Abstract：Therearemanykindsoffactorsthathasgreatimpactsontheboilerefficiency,therelevantdataisobtainedbymonitoringtheinfluencefactors.BasedonSVMmethod,themodelofrelevantdataarebuild.Accordingtothepredict

3、model,thefeaturesofboilercanbeaccruratelyanalysis.Andthecoalconsumptionofthepowersupplycanbepredictedunderdifferentloadconditions,theoptimaloperationconditionoftheboilerisalsoobtained.Keyword：supportvectormachine;boiler;dataanalysis;SVR;在锅炉机组运行过程中，影响锅炉机组效率的因素有很多，其中机组功率、飞灰含碳量、锅炉负荷等是影响机

4、组效率的关键因素。通过监测技术，可以得到大量机组运行数据，通常釆用支持向量机法、祌经网络法等进行处理分析。文献［1］采用最小二乘法支持向量机预测炉膛清洁时的出口烟温;文献［2］利用支持向量机建立Y大型四角切閼燃烧锅炉飞灰含碳量特性的模型，能准确预测锅炉在不同工况下飞灰含碳量持性;文献［3］对电厂锅炉N0.、排放持性进行支持向量机建模，准确预测了,排放结果。支持向量机方法还应用于锅炉燃烧稳定性判别、环境质量评估等方面［4-8］。本文借助于支持向量机方法对锅炉机组运行过程中的供电煤耗进行预测，预测结果为机组节能减排提供参考依据。1支持向量机算法1.1支持向量机核函

5、数选取支持向量机(SupportVectorMachine,SVM)是Vapnik£^J_在统计学VC维理论和结构风险最小原理棊础上提出的一种新的通用学习方f能较好地解决小样本、非线性、高维数和局部极小点等实际问题，己成为机器学习界的研究热点之支持向量机法的原理是利用核函数将输入的数据映射到高维特征空间，从而将非线性的问题转化为线性问题。支持向量机法中核函数的选取十分重要，它决定着高维空间的结构，从而控制解的复杂性，选择适当的核函数对于支持向量回归的性能具有较大的影响。目前支持向量机的核函数有如下几种：(1)多项式核函数:(2)Sigmoid核函数:(1)Gaus

6、s径向基核函数:3种核函数中，多项式核函数的特征空间维数很高时，d值必然很大，使得计算量增加;对于Sigmoid核函数，由于函数中的v和c只对某些值满足Mercer条件，使得Sigmoid核函数只在一些特定条件下是正定的，从而在适应范围方面具有一定的局限性;Gauss径向基核函数是目前支持向量机屮应用最广泛的一种核函数，具有较好的实用性能。1.2模型性能评价评价SVM模型的预测性能一般采用均方差指标，如式(4)所示。式中:y：为数据集的实际值；为数据集的预测值水为测试样本的数量。2SVM的供电煤耗计算模型2.1计算模型为了清晰掌握机组运行特性，便于对机组运行数据进

7、行分析，建立支持向量回归SVR(SupportVectorRegression,)模型来分析数据。为研究机组运行过程中的能耗特性，选取一些影响机组对煤炭需求量的因子的特征向量Xi=(xibxi2，…，xip)、机组对煤炭需求量的指标即供电煤耗yb构成回归数据集k，yj。其中i=l，2，…，n，为P维系统输入向量，yi=R为系统输出，则支持向量机回归函数是非线性函数。通过训练样本进行构造的函数对机组运行供电耗煤量预测，并将预测值与实际值比较分析，可得到SVR模型的精确度。2.2计算结果分析选取4组数据作为支持向量机的训练样本进行预测分析。第1组选取机组在50%〜60

8、%负荷区间