基于改进模糊支持向量机的汽轮机热耗率预测模型

针对现有方法难以准确预测具有复杂非线性特征的汽轮机热耗率问题,本文提出一种改进模糊支持向量机(FSVM)的汽轮机热耗率预测模型。首先采用间隔统计算法计算热耗率数据最佳聚类个数,防止出现聚类数目的不确定性,然后利用模糊C均值聚类(KFCM)算法将热耗率数据划分,生成聚类子样本,将聚类子样本代入经粒子群算法优化的FSVM中,建立基于FSVM的汽轮机热耗率预测模型。将现场采集的某超超临界660 MW机组汽轮机热耗率数据输入模型进行预测,并与传统支持向量机的预测结果进行比较。结果表明,改进的FSVM方法具有更高的预测精度和更强的泛化能力。