基于偏互信息的变量选择方法及其在火电厂SCR系统建模中的应用

数据驱动模型被广泛应用于工业过程中,最优变量集的选取对模型性能非常重要。针对工业过程中建模对象普遍具有的强非线性以及变量间的相关和耦合特性,采用偏互信息方法(partial mutual information,PMI)进行变量选择。利用benchmark验证了PMI方法的有效性并将其应用于火电厂SCR烟气脱硝系统。将选取的最优变量集作为支持向量机(support vector machine,SVM)的输入,建立了PMI-SVM模型。此外,将PMI方法与人工神经网络方法(artificial neural network,ANN)结合,构成PMI-ANN模型。将两种PMI模型与原始的SVM和ANN模型进行对比,结果表明PMI方法降低了模型的复杂度,提高了模型的学习和泛化能力。