大型燃煤电站锅炉在进行烟气脱硝时会产生较高的运行成本,建立有效的脱硝成本预测模型是对其进行经济性优化的基础。从某660MW火电机组的厂级监控信息系统(supervisory information system,SIS)选取历史运行数据,将BP神经网络算法与最...
详细信息
大型燃煤电站锅炉在进行烟气脱硝时会产生较高的运行成本,建立有效的脱硝成本预测模型是对其进行经济性优化的基础。从某660MW火电机组的厂级监控信息系统(supervisory information system,SIS)选取历史运行数据,将BP神经网络算法与最小二乘支持向量机(least squares support vector machine,LSSVM)结合,利用BP网络算法对输入变量进行选择以降低模型的维数与复杂度,将筛选出来的变量作为LSSVM模型的输入,建立了脱硝成本预测的BP-LSSVM模型。将该模型与单纯的LSSVM模型进行对比,结果表明通过神经网络变量选择,能有效降低模型的复杂度,提高模型的泛化能力,从而实现火电机组脱硝成本精确快速地预测。
电站燃煤锅炉是大气NOx污染的主要来源之一,建立有效的NOx排放模型是锅炉优化降低NOx的基础。针对热工过程变量之间的强相关和耦合性,利用偏最小二乘方法(partial least squares,PLS)对多工况实炉热态测试数据进行重要变量(variable imp...
详细信息
电站燃煤锅炉是大气NOx污染的主要来源之一,建立有效的NOx排放模型是锅炉优化降低NOx的基础。针对热工过程变量之间的强相关和耦合性,利用偏最小二乘方法(partial least squares,PLS)对多工况实炉热态测试数据进行重要变量(variable importance in projection,VIP)信息提取和变量选择(variable selection,VS),把最优的变量子集作为最小二乘支持向量机(least squares support vector machine,LSSVM)的输入,最终得到NOx排放的VS-LSSVM模型。最优的输入变量个数通过留一交叉验证法获取。并将该模型与其他建模方法进行对比,结果表明通过变量选择后建模可以降低模型的复杂度,提高模型的泛化能力。
暂无评论