电站锅炉热效率与NO排放响应特性建模方法

被引：24

作者：

赵欢 ^{[1
]}

王培红 ^{[1
]}

陆璐 ^{[2
]}

机构：

[1] 东南大学能源与环境学院

[2] 不详

来源：

中国电机工程学报 | 2008年 / 32期

关键词：

高效低污染; 燃烧优化; 核主元分析; 支持向量回归机; 5-fold交叉验证;

D O I：

10.13334/j.0258-8013.pcsee.2008.32.016

中图分类号：

TK227 [运行];

学科分类号：

摘要：

为了解决电站锅炉高效低污染的优化决策问题,建立了基于核主元分析支持向量回归机(kernel principle component analysis ε-support vector regression,KPCA-ε-SVR)与机理模型混合的锅炉热效率和NOx排放特性响应模型。在建模的过程中,针对模型输入变量之间存在非线性、强耦合等特点,采用核主元分析提取输入变量的主元,去除变量之间的相关性;同时采用5-fold交叉验证方法,循环搜索寻优模型的各个参数,确定输入主元个数。该模型与BP神经网络(back propagation neural-networks,BPNN)和支持向量机模型相比较具有良好的泛化能力。

引用

页码：96 / 100

页数：5

共 15 条

[11] 支持向量机导论[M]. 电子工业出版社 , (英)NelloCristianini,（英）JohnShawe-Taylor著, 2004
[12] Asymptotic behaviors of support vector machines with Gaussian kernel
Keerthi, SS
Lin, CJ
[J]. NEURAL COMPUTATION, 2003, 15 (07) : 1667 - 1689
[13] Nonlinear component analysis as a kernel eigenvalue problem
Scholkopf, B
Smola, A
Muller, KR
[J]. NEURAL COMPUTATION, 1998, 10 (05) : 1299 - 1319
[14] The connection between regularization operators and support vector kernels
Smola, AJ
Scholkopf, B
Muller, KR
[J]. NEURAL NETWORKS, 1998, 11 (04) : 637 - 649
[15] 一种新的锅炉效率的计算模型
张小桃
王培红
[J]. 电站系统工程, 1999, (04) : 16 - 17+24

← 1 2 →