基于模糊C均值聚类和支持向量机算法的燃煤锅炉结渣特性预测_王宏武
基于支持向量机煤矸石混合料强度预测研究
基于支持向量机的煤矸石混合料强度预测研究摘要：煤矸石混合料的无侧限抗压强度受配合比的影响，本文以邢台地区的煤矸石混合料为例，试图建立基于支持向量回归机的煤矸石混合料无侧限抗压强度预测模型。
根据有限试验数据作为学习样本,训练并构建支持向量回归机模型来预测煤矸石混合料无侧限抗压强度，最后，结论证明该预测体系的可行性及可靠性。
关键词：煤矸石混合料，均匀设计，支持向量机，无侧限抗压强度，预测模型中图分类号： tu522.1+3 文献标识码： a 文章编号：1 引言近年来，国内外众多的学者对煤矸石的研究进行了越来越多的尝试。
我国在公路、铁路工程中相继开展了煤矸石的工程应用试验，取得了较好的成绩。
但是煤矸石本身的强度并不大，如果将煤矸石掺加一定比例的粉煤灰、生石灰或者少量水泥，配置成能够满足工程使用要求的回填材料，能够提高强度，节约工程成本，而且将煤矸石、粉煤灰这些工业废料变废为宝，经济与社会效益明显[1]。
通过实验的手段来研究煤矸石混合料的性能是多数学者采用的方法，这种方法非常严谨科学，获得的结果也比较可靠。
但是这种方法需要耗费大量的人力、物力和财力，而且还需要耗费时间，因此，能否找到某种智能算法取代部分实验内容，减少对人力、物力、财力和时间的消耗是非常有价值的。
2004年，辽宁工程技术大学张向东教授利用神经网络模拟研究了路面基层混合料的性能建立了一个考虑了各因素影响的自适应模型，很好地模拟了路面基层在不同条件下的性能[2]。
2005年，张向东教授又利用利用煤矸石混合料为原料，采用均匀设计做成混凝土砌块，对混凝土小型空心砌块强度进行 bp 神经网络预测。
但是,该方法需要大量的训练样本才能保证对未来的新样本得到很好的预测结果,且易陷入局部极值,泛化能力差,影响了其进一步的应用。
2支持向量机预测模型统计学习理论是由v.n.vapnik等人[3]在20世纪70年代末提出的一种针对有限样本的统计理论。
支持向量机方法(简称svm)是目前为止该理论最成功的实现。
基于FCM聚类的气化炉温度多模型软测量建模
基于FCM聚类的气化炉温度多模型软测量建模钟伟民;李杰;程辉;孔祥东;钱锋【摘要】水煤浆气化是煤炭资源高效清洁利用的重要技术.气化炉反应温度是关系装置能否长周期安全稳定运行的关键参数,但是热电偶在高温、高压和气固物流冲刷环境下,使用寿命有限.本文以一多喷嘴对置式水煤浆气化炉为研究对象,在多模型建模方法的基础上,以数据点间的相似程度作为多模型子区间的划分手段,结合最小二乘支持向量机建立了基于模糊C均值聚类的气化炉温度软测量模型.实际工业运行数据验证结果表明,该软测量模型拟合精度较高,模型泛化能力较强.%Coal-water slurry gasification is a very important technology in developing clean and efficient use of coal. Gasifier furnace temperature is one of the key variables which is closely related to the process safety,stability and long-term operation of the gasification. Thermocouple elements are easily ruined under complex industrial condition with high temperature,high pressure and high flow erosion. Thus it is difficult to maintain a long period of work. In this paper,aiming at an opposed multi-burner coal-water slurry gasification process,adopting fuzzy C-means clustering based multi-modeling method and least square support vector machines,a gasifier temperature soft sensor model is established. The actual operation's validation results show that the predictive temperature of the furnace based on this soft sensor model has a pretty good predictive precision and generalization ability.【期刊名称】《化工学报》【年(卷),期】2012(063)012【总页数】5页(P3951-3955)【关键词】水煤浆气化;模糊C均值聚类;最小二乘支持向量机;多模型;软测量建模【作者】钟伟民;李杰;程辉;孔祥东;钱锋【作者单位】华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海200237;华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海200237;华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海200237;华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海200237;华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海200237【正文语种】中文【中图分类】TQ342+.21煤炭是我国的主要能源，但其利用率低、污染严重。
基于KPCA-AGRU神经网络的火电机组NOx排放预测
第40卷第6期Vol.40㊀No.6重庆工商大学学报(自然科学版)J Chongqing Technol &Business Univ(Nat Sci Ed)2023年12月Dec.2023基于KPCA-AGRU 神经网络的火电机组NO x 排放预测冯旭刚,文作银,章家岩,张泽辰安徽工业大学电气与信息工程学院,安徽马鞍山243002摘㊀要:针对火电机组锅炉燃烧过程中预测NO x 排放过程存在的非线性和时序性特点,提出一种基于核主成分分析(KPCA )和注意力机制(AM )的门控循环神经网络(GRU )氮氧化物预测模型㊂首先选用KPCA 对模型的输入变量进行降维,消除冗余变量;其次,将筛选的变量数据作为GRU 的输入,并采用网格搜索优化GRU 的超参数;最后,引入AM 计算权值,实现区分输入特征功能,提高NO x 预测模型精度㊂通过某330MW 电站锅炉实际数据对AGRU预测模型仿真验证,并将AGRU 模型㊁GRU 模型和BP 神经网络模型的预测结果进行对比㊂结果表明:基于AGRU 的NO x 预测模型的均方根误差和平均绝对误差较BP 神经网络和GRU 模型均有减少,可精准预测非线性时序燃烧过程的NO x 排放㊂关键词:核主成分分析;NO x 排放预测;门控循环神经网络;注意力机制中图分类号:TM621㊀㊀文献标识码:A ㊀㊀doi:10.16055/j.issn.1672-058X.2023.0006.003㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2022-05-28㊀修回日期:2022-09-05㊀文章编号:1672-058X(2023)06-0018-07基金项目:安徽省自然科学基金(1908085ME134);安徽省高校自然科学研究重点项目(KJ2018A0060).作者简介:冯旭刚(1977 ),男,教授,从事工业炉窑智能优化控制研究.通讯作者:文作银(1997 ),男,安徽六安人,硕士研究生,从事火力发电设备智能建模研究.Email:wenzuoy2022@.引用格式:冯旭刚,文作银,章家岩,等.基于KPCA-AGRU 神经网络的火电机组NO x 排放预测[J].重庆工商大学学报(自然科学版),2023,40(6):18 24.FENG Xugang WEN Zuoyin ZHANG Jiayan et al.Prediction of NO x emissions from thermal power units based on KPCA-AGRUneural Network J .Journal of Chongqing Technology and Business University Natural Science Edition 2023 40 6 18 24.Prediction of NO x Emissions from Thermal Power Units Based on KPCA-AGRU Neural Network FENG Xugang WEN Zuoyin ZHANG Jiayan ZHANG ZechenSchool of Electrical and Information Engineering Anhui University of Technology Anhui Maanshan 243002 ChinaAbstract Aiming at the nonlinear and sequential characteristics of NO x emission prediction in the boiler combustionprocess of thermal power units a NO x prediction model of gated recurrent unit GRU neural network based on kernelprincipal component analysis KPCA and attention mechanism AM was proposed.Firstly KPCA was selected toreduce the dimension of the input variables of the model and eliminate redundant variables.Secondly the filtered variabledata was used as the input of GRU and the grid search was used to optimize the superparameters of GRU.Finally AM calculation weight was introduced to realize the function of distinguishing input characteristics and improve the accuracy of the NO x prediction model.The AGRU prediction model was simulated and verified by the actual data of a 330MW powerplant boiler and the prediction results of the AGRU model the GRU model and the BP neural network model werecompared.The results show that the root mean square error and average absolute error of the NO x prediction model based on AGRU are less than those of the BP neural network and GRU model which can accurately predict the NOx emission inthe nonlinear sequential combustion process.Keywords kernel principal component analysis NO x emission prediction GRU neural network attention mechanism第6期冯旭刚,等:基于KPCA-AGRU神经网络的火电机组NO x排放预测1㊀引㊀言NO x作为火电机组燃烧过程所排出气体的主要污染物之一,极大地影响着生态环境及人类健康[1]㊂为了防止发电过程中NO x过度排放使得生态环境进一步恶化,我国对其制定了严格的排放标准[2],这使得火电厂在正常生产的同时需控制NO x的排放量㊂现阶段火电机组降低烟气中NO x浓度以达到烟气排放标准的有效控制技术手段之一为选择性催化还原法(SCR),以低成本㊁高效率等优点被很多电站采用[3]㊂这种烟气处理手段的高效性主要依赖对SCR 设备入口烟气中NO x的精准实时测量,以改变脱硝过程中的喷氨量㊂但是电厂现场工况复杂多变,干扰较大,SCR设备入口的NO x浓度频繁多变,这极大影响着SCR的脱硝功效及锅炉燃烧设备㊂SCR设备入口处NO x预测技术的精准与否对火电机组能否节能减排有着重要的作用[4]㊂火电机组NO x排放预测方法是智能发电技术领域的研究难点,有部分学者基于NO x的生成机理和过程进行机理建模㊂高明明等[5]通过对NO x生成机理分析,以循环流化床锅炉燃烧产生的燃料型NO x为主体,结合应用数学和仿真方案,在以给煤量㊁风量等作为输入的炉膛出口一氧化碳浓度预测模型的基础上结合即燃碳模型建立了炉膛出口NO x浓度预测模型,仿真表明模型具有较好的精确度;Zhang等[6]通过对增压锅炉的工艺分析对锅炉进行了合理简化,通过炉膛结构㊁工艺参数搭建炉膛几何模型并利用应用数学知识建立稳态三维湍流模型,完成了锅炉在3种不同负荷下NO x 排放的数值模拟㊂事实上,锅炉燃烧过程中排放的NO x 浓度受多种因素影响,且锅炉变量之间存在着强耦合,很难通过机理建模建立满足现代工业生产所需求的准确性及可靠性㊂相较于机理建模,现技术成熟的数据建模因不需太关注系统内部结构及良好的非线性拟合能力等优点被大量地使用㊂郭建民等[7]利用火焰诊断系统对炉膛温度场进行多次测量以研究温度与NO x生成机理的关联,应用支持向量机(SVM)模型通过两者间的关联建立了锅炉NO x排放特性模型;Ahmed等[8]在之前研究最小二乘支持向量机(LSSVM)NO x排放预测模型的基础上融入实时更新技术建立实时NO x排放预测模型,实验结果表明新方案在较长时间内的鲁棒性预测具有更高的准确度;Lyu等[9]提出软模糊c均值聚类算法,对原始数据进行分解并应用偏最小二乘(PLS)消除模型的冗余变量,建立最小二乘支持向量机(LSSVM) NO x排放预测模型㊂人工神经网络(ANN)是另一种对非线性函数有良好拟合能力的人工智能技术㊂Wang 等[10]采用主成分分析(PCA)处理原始数据,消除冗余变量建立以遗传算法优化网络参数的BP神经网络,实验表明PCA降低了NO x预测模型的复杂度,提高了精准度㊂以上研究虽有良好的NO x预测效果,但锅炉NO x的产生是由锅炉之前的状态和锅炉各变量此时的输入混合作用而成,上述建模方法难以反映变量数据之间存在着时序联系㊂综上所述,考虑NO x排放所具备的非线性和时序性等特点,本文提出一种基于核主成分分析(KPCA)和注意力机制(AM)的门控循环(GRU)神经网络NO x排放预测模型㊂采用核主成分分析法对采集到的变量数据进行冗余变量去除处理;引入注意力机制,突出与输出变量有强相关因素的影响,降低弱相关因素的影响,实现深层次关键信息的挖掘,提高预测效果,且针对GRU神经网络超参数手动调参的困难,采用网格搜索对其寻优,加快网络的学习效率,提高模型的准确性㊂2㊀门控循环神经网络循环神经网络(RNN)对时间序列具备强大的特征表征和映射能力,能够有效处理变量数据之间存在的时序联系,其建立的模型也更为精确㊂然而RNN存在着梯度消失和梯度爆炸的问题,这使得模型无法正常训练[11]㊂长短期记忆(LSTM)神经网络引入门单元,改进了RNN模型的结构,通过时序记忆可控的能力弥补了RNN模型的缺陷,并在火电机组NO x的排放预测中具备了良好的预测效果[12]㊂而GRU神经网络是对LSTM神经网络结构进一步改进所得到的产物㊂GRU内部结构如图1所示:r t与z t分别是GRU的更新门和重置门,其阈值区间为[0,1]㊂由图1可知:此时的门控状态信息是由上一时刻的状态与当前时刻输入决定的㊂相比于采用3个门单元(输入门㊁遗忘门和输出门)控制输入输出的LSTM神经网络,GRU只存在两个单元门(更新门和重置门),这在继承LSTM神经网络有效处理时序序列能力的同时简化了模型结构,缩减了网络的训练参数,提高了网络计算效率㊂这使得GRU神经网络具有更好的时序序列处理能力㊂而火电机组的NO x排放预测需要注意NO x浓度数据的时间相关性㊂使用GRU神经网络可以充分地利用样91重庆工商大学学报(自然科学版)第40卷本数据中的时序特征,以达到更好的预测效果㊂h t-1htrtwt,brwh,bhwz,bzxtσσztht~t a n h1-图1㊀GRU内部结构图Fig.1㊀Internal structure of GRUGRU单个隐含层传播过程如下:(1)更新门z t逻辑为门控制状态,它的作用是处理上一时刻隐含层输出h t-1和当前时刻输入样本x t㊂z t=σ(x t W xz+h t-1W hz+b z)(1) (2)同理,重置门r t逻辑为门控制状态,作用也是处理上一时刻隐含层输出h t-1和当前时刻输入样本x t㊂r t=σ(x t W xr+h t-1W hr+b r)(2) (3)当前时刻节点即时信息h t由重置门对上一时刻隐含层输出进行重置,再与当前时刻样本输入x t乘以相应偏置求和后,经tanh函数激活得到更新㊂h t =tanh(x t W xh+(r t☉h t-1)W hh+b h)(3)(4)当前隐含层输出h t由更新门对上个时刻隐含层输出和当前时刻节点即时信息的选择和遗忘得到㊂h t=z t☉h t+(1-z t)☉h t-1(4)式(1) 式(4)中:x t是当前时刻样本输入,h t-1是上一时刻隐含层输出,r t与z t是重置门与更新门,h t是当前时刻的输出,h t是当前时刻节点即时信息,σ与tanh分别是Sigmoid型和双曲正切型激励函数,W xz㊁W xr㊁W hz㊁W hr㊁W xh与W hh是权重参数,b z㊁b r与b h是偏置参数㊂3㊀氮氧化物预测模型构建3.1㊀核主成分分析输入变量的筛选在数据建模中极大地影响着模型的质量㊂火电机组燃烧过程中产生的NO x与锅炉的众多参数有关,如果将其相关变量都作为模型的输入变量会使模型引入冗余信息,降低模型的质量和预测精度㊂KPCA利用核函数映射低维空间数据,当这些数据转换至高维空间后再利用PCA对数据进行简约处理㊂与传统的PCA相比,经过KPCA处理的数据保留了原始数据的非线性特征,弥补了PCA算法处理非线性数据方面的劣势[13]㊂设原始数据集构成原始空间为R n,输入数据为X, X有m个样本,每个样本具有n维数据㊂故X=[x1, x2, ,x m],x i=[x i1,x i2, ,x in],i=1,2, ,m㊂设H为高维特征空间,设定Φ为原始空间数据到高维空间的非线性映射,则任意x i通过映射至高维空间中为x iңΦ(x i)(5)在映射完成后,H空间中映射数据的协方差矩阵C H可表示为C H=1mðm i=1Φ(x i)TΦ(x i)(6)求解C H的特征值λ和特征向量V H,即λV H=C H V H(7)其中,特征值λȡ0,特征向量V HɪHʂ0{}㊂则有λ(Φ(x k)V H)=Φ(x k)C H V H(8)非零特征值λ对应的特征向量V H是由{Φ(x1),Φ(x2), ,Φ(x m)}张成的空间,则V H可由其线性表示为V H=ðm j=1αjΦ(x j)(9)将式(6)㊁式(8)与式(9)联合整理后得到λðm j=1αj(Φ(x k)Φ(x j))=㊀1mðm j=1αj(Φ(x k)ðm i=1Φ(x i))(Φ(x i)TΦ(x j))(10)引入核函数k(x i,x j)=Φ(x i)TΦ(x j),本文采用高斯核函数分析,如式(11)所示;核矩阵为K= [k(x i,x j)]mˑm㊂对式(10)进行化简整理可得式(12):k(x,y)=exp(- x-y 22σ2)(11)mλα=Kα(12)由此可得K矩阵的特征值与特征向量㊂上式中的K矩阵是经过中心化处理的㊂中心化的计算如式(13):K-I m K-KI m+I m KI mңK(13)式(13)中:I m是每个元素为1m的mˑm矩阵㊂K的特征值λ1ȡλ2ȡ ȡλm,其中特征值λi的累02第6期冯旭刚,等:基于KPCA-AGRU 神经网络的火电机组NO x 排放预测计贡献率ηi 计算公式为ηι=ðik =1λk /ðm k =1λk(14)依据各主成分贡献率和累计贡献率,设定累计贡献率阈值从而确定数据的主成分和模型的输入变量㊂3.2㊀注意力机制注意力学习机制是对人脑注意力的仿生,其核心思想是人脑会对重要信息分配更多的注意力,以获得更多的重要信息[14]㊂AM 在模型中的体现是通过模型自主学习出一组权重系数并将其赋予输入数据,以此来突出对结果影响较大的输入,忽略无关信息㊂本文引入AM,给予输入特征不同权重,突出与NO x 浓度相关性较大的输入特征,弱化相关性较小的输入特征来提高模型精度与计算效率㊂AM 结构如图2所示㊂图2中,x 1,x 2, ,x n -1,x n 为输入数据;h 1,h 2, ,h n -1,h n 为某一时刻输入数据的状态值㊂AM 的运算步骤主要如下:采用注意力打分函数对将要输入至AM 的输入特征进行打分计算;然后利用打分计算结果得到注意力分布,即为权重系数;将不同的权重系数分配给输入特征进行乘积求和得到最终结果㊂其计算公式如下:Scor (e t )=v tanh(wh t +b )(15)a t =exp Scor (e t )ðnt =1exp Scor (e t )(16)C =ðn t =1a t h t (17)a 1a 2a n -1a nh 1h 2h n -1h nx 1x 2x n -1x ns o f t m a xC图2㊀注意力机制结构图Fig.2㊀Structure of attention mechanism式(15) 式(17)中:Scor (e t )为注意力打分函数;a t 为注意力权重;v ㊁w ㊁b 分别是计算注意力权重时的多层感知机的权重与偏置参数;h t 是隐藏层状态;C 是AM 加权求和后的输出㊂3.3㊀网络训练批量梯度下降(BGD)㊁随机梯度下降(SGD)和小批量梯度下降(MBGD)是常见的网络训练方式,但这3种方法在训练中各有特点[15]㊂在迭代过程中,BGD 需要对所有样本的梯度和权重进行重新计算,这严重拖累了训练过程㊂SGD 通过随机选定一个样本来更新权重参数,这样的随机性会导致样本存在大量噪声㊂MBGD 通过将输入样本小批量化来计算梯度和相应权重参数,从而降低计算量㊂小批量梯度下降法是本研究采用的训练方式㊂网络以均方误差(F MSE )为损失函数,其计算公式如式(18):F MSE =ðNi =1(y i -^yi )2/N (18)式(18)中:N 为样本总数,y i 为真实值,^yi 为预测值㊂采用自适应动量估计(Adam)来优化训练中的学习率,Adam 结合了动量法与RMSprop 算法的优点,在迭代过程中不仅可以使用动量作为参数更新方向,而且可以自适应调整学习率,提高参数优化精度㊂Adam 的迭代过程如式(19):g t =∇θG t (θt -1)u t =β1u t -1+(1-β1)gtu ɵt =u t /(1-βt 1)w t =β2w t -1+(1-β2)g 2t w ɵt =w t /(1-βt2)θt =θt -1-αu ɵt /(w ɵt +ε)ìîíïïïïïïïïïï(19)式(19)中:t 为迭代次数;G t (θt -1)为损失函数;θt 为权重参数;g t 为损失函数梯度;u t ㊁w t ㊁u ɵt ㊁w ɵt 分别为修正前后的一㊁二阶矩估计;β1与β2的值为0.999;α为学习率;ε为10-8㊂3.4㊀模型构建将工业现场采集的原始数据经过数据预处理后先进行核主成分分析,消除冗余变量,然后将其划分数据集,利用训练集训练GRU 神经网络,并采用网格搜索对GRU 神经网络超参数进行寻优㊂同时,运用Adam 算法对网络内部参数进行优化,最后引入注意力机制计算权值,实现区分输入特征处理,从而建立NO x 排放预测模型㊂图3是基于核主成分分析和注意力机制的门控循环神经网络NO x 预测模型㊂12重庆工商大学学报(自然科学版)第40卷a 1a2at-1at s o f t m a xx 1x2xt-1xtytCG R U G R U G R U G R UG R U G R U G R U G R UG R U G R U G R U G R UG R U G R U G R U G R U核主成分分析原始数据图3㊀KPCA-AGRU NO x预测模型Fig.3㊀NO x prediction model based on KPCA-AGRU4㊀实验设计与结果分析实验采用Intel Core i512400处理器㊁32G内存,GPU 选用NVDIA RTX206012G显卡,操作系统为Windows系统,开发语言是Anaconda集成环境中的Python3.8编写实验代码,开发工具为PyCharm Community Edition㊂4.1㊀输入变量选择建模数据来自某燃煤电厂330MW机组DCS系统,锅炉负荷在300MW上下浮动,采样周期为300s㊂燃煤机组工作过程中生产的氮氧化物主要由燃料型㊁热力型和快速型3种组成㊂快速型NO x在锅炉正常运行时含量较小可忽略不计,燃料型和热力型NO x为锅炉燃烧产生NO x的主要成分,并且其产生与多种锅炉参数有关[16]㊂依据氮氧化物生成机理与电厂现场运行工况,初步选定20种参数作为模型的输入变量,分别为锅炉负荷(1组)㊁烟气含氧量(2组)㊁空气预热器入口烟温(2组)㊁给煤量(5组)㊁一次风量(5组)㊁一次风温(5组)㊂将采集到的变量参数进行数据预处理㊂首先采用拉以达准则对各参量数据中的异常值进行剔除;接着使用线性插值法按照时间标签对数据中的缺失值和去除的异常值空位进行补位;最后将数据归一化至[0,1]㊂选定的变量之间存在着较强的相关性,直接作为模型输入会产生维数灾难㊂KPCA在保留数据非线性特性的同时消除了冗余变量,减少了输入维数,降低了模型复杂度㊂对所有输入变量进行编号后经过核主成分分析的结果如图4所示㊂由图4可知:前9种成分的累计贡献率已达到95.15%,这表示这9种成分已包含原始数据95%的信息,故摒弃其他成分,只选取这9种主成分作为模型的输入㊂0.90.80.70.60.50.40.30.20.112345678990%80%70%60%50%40%30%20%10%0%贡献率成分编号贡献率累计贡献率X9Y0.9515图4㊀核主成分分析结果Fig.4㊀Results of kernel principal component analysis 4.2㊀参数设置4.2.1㊀网络初始化采集数据有2000组,训练集与测试集划分比例为8ʒ2,建立4层GRU神经网络,采用MBGD和训练网络,通过Adam优化学习率㊂根据实验和参数设定经验,初步确定模型的初始参数:批量大小为64,时间序列长度为5,学习率为0.01,四层隐含层神经元个数分别为[128,128,64, 32],训练总次数为500㊂4.2.2㊀超参数调整由于GRU神经网络模型是一个时间序列递归神经网络模型,不同时间步长模型的预测精度和网络拟合精度有着差异㊂在网络参数进行初始化的基础上,对其时间步长进行调整,并以均方根误差(F RMSE)㊁平均绝对误差(F MAE)作为网络的预测精度和拟合效果的评价标准㊂计算公式如式(20)㊁式(21)㊂调整结果如表1所示,式中N为样本总数,y i为真实值,^yi为预测值㊂22第6期冯旭刚,等:基于KPCA-AGRU神经网络的火电机组NO x排放预测F RMSE=ðN i=1(y i-^y i)2N(20)F MAE=1NðN i=1y i-^y i(21)表1㊀GRU网络模型时间序列长度选择对比Table1㊀Comparison of time step selection of GRUnetwork model时间步长F RMSE/(mg㊃m-3)F MAE/(mg㊃m-3)516.314 5.358815.620 5.2451619.788 6.6782414.134 4.20532 6.326 2.412407.425 3.2634815.317 5.967由表1所示:随着时间步长的增加,模型的精度在总体上得到提升,当时间步长为32时,所得的F RMSE㊁F MAE最小,网络的预测效果最好㊂但是当时间步长持续增加时,模型的预测精度在降低㊂这为下一步GRU 的超参数调试做好了准备㊂在时间步长得到最优后,为了进一步提高网络模型的预测精度和拟合效果,采用网格搜索对网络的隐含层单元数㊁批量大小㊁学习率进行寻优㊂隐含层单元数的寻优范围为[16,32,64,128,256],批量大小范围为[16,32,64,128,256],学习率寻优范围为[0.01, 0.001,0.0001]㊂参数网格搜索的步骤:初步确定隐含层单元数㊁批量大小㊁学习率的选取范围;计算网络模型预测精度;比较不同参数网络的预测精度并选择使网络预测精度达到最大值的参数㊂经参数寻优后,当各隐含层单元数为[64,128,64,256]㊁批量大小为16㊁学习率为0.01时,其均方根误差和平均绝对误差最小,模型的预测精度最好(F RMSE值为3.332mg㊃m-3,F MAE值为3.022mg㊃m-3)㊂4.3㊀模型预测结果采用网格搜索对GRU神经网络的超参数进行寻优后,引入注意力机制对经过GRU处理后的信息进行深度挖掘,提高模型的精准度㊂为了验证KPCA-AGRU 网络模型在火电机组SCR系统入口NO x浓度的预测效果,本节在同样输入变量基础上,将AGRU预测模型㊁GRU预测模型和传统BP神经网络预测模型的测试集预测结果进行对比㊂这3种NO x预测模型针对测试集的结果见图5㊂可以看到:融入了AM的GRU模型相比于另外两种模型有着更好的跟随趋势变化能力,尤其在NO x变化幅度较大时,有着更好的预测效果㊂3种预测模型的评价指标对比见表2㊂由表2可知:AGRU 相比于BP预测模型,其F RMSE值降低了62.79%,F MAPE 值降低了63.20%;相比于GRU预测模型,其F RMSE值降低了37.36%,F MAPE 值降低了34.14%㊂对比结果表明:GRU神经网络对时序序列具有较好的处理能力,并且引入注意力机制可以有效减小GRU神经网络预测模型的预测误差,提高整体模型的准确性㊂425400375350325300275250050100150200250300350400入口氮氧化物浓度/(mgm-3)样本序列测量值A G R U预测值B P预测值G R U预测值图5㊀3种模型预测结果Fig.5㊀Prediction results of three models表2㊀不同模型的预测精度Table2㊀Prediction accuracy of different models模型F RMSE/(mg㊃m-3)F MAE/(mg㊃m-3) AGRU 2.087 1.990 GRU 3.332 3.022BP 5.610 5.4095㊀结㊀论利用对时序数据有良好处理能力的GRU神经网络建立火电机组氮氧化物排放预测模型有着不错的预测效果㊂但是使用原始数据直接建模会发现输入维数过高,此外网络处理的结果没有很好地体现对输出变量有较大贡献的输入特征的作用㊂针对这两点不足,利用KPCA降低模型维数,引入注意力机制增强不同信息的敏感度,突出对输出贡献较高的输入特征,提高模型预测精度㊂某330MW机组运行数据对比实验表明:AGRU预测模型的均方根误差和平均绝对误差较BP和GRU模型小,可较为准确地预测NO x浓度㊂在后续的研究中,可在本研究的基础上探究集成算法在锅炉NO x浓度预测上的有效性㊂32重庆工商大学学报(自然科学版)第40卷参考文献References1 ㊀杨景瑞王莹陈虎等.烟气中NO x脱除技术的研究进展J .化工环保2020 40 5 461 466.YANG Jing-rui WANG Ying CHEN Hu et al.NO x in flue gas research progress of x removal technology J .Chemical Environmental Protection 2020 405 461 466.2 ㊀中华人民共和国生态环境部.燃煤电厂超低排放烟气治理工程技术规范HJ2053 2018 S .北京中国环境科学出版社2018.Ministry of Ecological Environment of the People s Republic of China.Technical code for ultra low emission flue gas treatment engineering of coal fired power plants HJ2053-2018 S .Beijing China Environmental Science Press 2018.3 ㊀方久文.燃煤锅炉运行技术M .西安陕西科学技术出版社2021.FANG Jiu-wen.Coal fired boiler operation technology M .Xi an Shaanxi Science and Technology Press 2021.4 ㊀马子然周佳丽马静等.燃煤电厂脱硝催化剂宽负荷运行的现状与发展J .中国电机工程学报2022 42 23 1 16.MA Zi-ran ZHOU Jia-li MA Jing et al.Current situation and development of denitration catalyst in coal-fired power plants under wide load operation J .Chinese Journal of Electrical Engineering 2022 42 23 1 16.5 ㊀高明明于浩洋吕俊复等.循环流化床氮氧化物排放预测模型及优化控制研究 J .洁净煤技术2020 26 3 46 51.GAO Ming-ming YU Hao-yang LYU Jun-fu et al.Study on prediction model and optimal control of NO x emission in circulating fluidized bed J .Clean Coal Technology 2020263 46 51.6 ㊀ZHANG H Y ZHAO J YANG L B et al.Numericalsimulation of NO x emission in supercharged boiler J .Advanced Materials Research 2014 3286 983 990.7 ㊀郭建民刘石姜凡等.基于SVM的对冲燃煤锅炉NO x排放特性J .燃烧科学与技术2006 3 243 247.GUO Jian-min LIU Shi JIANG Fan et al.NO x emission characteristics of hedge coal-fired boiler based on SVM J .Combustion Science and Technology 2006 3 243 247.8 ㊀AHMED F CHO H J KIM J K et al.A real-time modelbased on least squares support vector machines and output biasupdate for the prediction of NO x emission from coal-fired power plant J .Korean Journal of Chemical Engineering 201532 6 1029 1036.9 ㊀LYU Y LIU J Z YANG T T et al.A novel least squaressupport vector machine ensemble model for NO x emission prediction of a coal-fired boiler J .Energy 2013 55 319 329.10 WANG Q NIU B SUN Q et al.Prediction of NO xgeneration concentration of CFB boiler based on PCA-GA-BP algorithm C //Proceedings of the32nd China Process Control Conference.2021 1157.11 ALEX S.Fundamentals of recurrent neural Network RNNand long short-term memory LSTM network J .Physica D Nonlinear Phenomena 2020 C404 1 28.12 TAN P HE B ZHANG C et al.Dynamic modeling of NO xemission in a660MW coal-fired boiler with long short-term memory J .Energy 2019 176 429 436.13 李军常燕芝.基于KPCA-KMPMR的短期风电功率概率预测J .电力自动化设备2017 37 2 22 28 36.LI Jun CHANG Yan-zhi.Probability prediction of short-term wind power based on KPCA-KMPMR J .Power Automation Equipment 2017 37 2 22 28 36.14 王继东杜冲.基于Attention-BiLSTM神经网络和气象数据修正的短期负荷预测模型J .电力自动化设备202242 4 172 177 224.WANG Ji-dong DU Chong.Short term load forecasting model based on Attention-BiLSTM neural network and meteorological data correction J .Power Automation Equipment 202242 4 172 177 224.15 王天翔.深度学习中梯度下降算法的应用研究 D .杭州浙江师范大学2019.WANG Tian-xiang.Research on the application of gradient descent algorithm in deep learning D .Hangzhou Zhejiang Normal University 2019.16 王圣朱法华王慧敏等.燃煤电厂氮氧化物产生浓度影响因素的敏感性和相关性研究J .环境科学学报201232 9 2303 2309.WANG Sheng ZHU Fa-hua WANG Hui-min et al.Study on sensitivity and correlation of influencing factors of NO x concentration in coal-fired power plants J .Journal of Environmental Science 2012 329 2303 2309.责任编辑:李翠薇42。
煤自燃极限参数的支持向量机预测模型
煤自燃极限参数的支持向量机预测模型孟倩;王洪权;王永胜;周延【期刊名称】《煤炭学报》【年(卷),期】2009(034)011【摘要】建立了基于支持向量机(Support Vector Machine,SVM)的煤自燃极限参数预测模型;经过与多项式函数及Sigmoid核函数的对比,选用径向基函数作为SVM核函数;提出了一种SVM参数优化的变步长搜索方法,先在一个大区域根据训练样本均方差的值改变参数搜索步长,找到一个性能好的小区域,在这个小区域中应用网格搜索法找到最优参数,可提高参数搜索速度.实验表明,与人工神经网络模型相比,在样本有限的情况下,基于支持向量机的煤自燃极限参数预测模型预测精度更高、速度更快,说明支持向量机技术在煤自燃极限参数预测中具有实用价值.【总页数】5页(P1489-1493)【作者】孟倩;王洪权;王永胜;周延【作者单位】徐州师范大学,计算科学与技术学院,江苏,徐州,221116;中国矿业大学安全工程学院,江苏,徐州,221008;兖州煤业股份有限公司通防部,山东,邹城,273500;中国矿业大学安全工程学院,江苏,徐州,221008;兖州煤业股份有限公司通防部,山东,邹城,273500;中国矿业大学安全工程学院,江苏,徐州,221008【正文语种】中文【中图分类】TD752【相关文献】1.复合采空区遗煤自燃极限参数变化及危险区域判定 [J], 章飞2.硫含量对煤自燃特性及极限参数的影响 [J], 王建利;苏宏刚;李军岐;邹立;任立峰3.川东地区煤自燃危险指标及极限参数 [J], 邓军;任帅京;任立峰;王彩萍;李青蔚4.凯达煤矿采空区煤自燃极限参数分析 [J], 张辛亥;朱辉;安启启;李勋广;程望收;窦凯5.川东地区煤自燃危险指标及极限参数 [J], 邓军;任帅京;任立峰;王彩萍;李青蔚因版权原因，仅展示原文概要，查看原文内容请购买。
基于FSVM锅炉烟气含氧量软测量
3.2. 核函数和初级参数的选取
使用 FSVM 模型进行预测需要使用核函数， 由于 RBF 核函数计算简单， 同时它将训练样本点非线性 地映射到无穷维的特征空间[7]，可有效地处理非线性关系，因此本文采用 RBF 核函数。 根据从 DCS 历史数据中得到的 300 组训练样本来计算模型中的最佳参数 c 和 g，其寻优的方法采用函 数 SVMcg For Regress 的交叉验证方法[8] [9]进行寻优， 最终寻得参数 bestc = 4， bectg = 1.31950791077289。
(2)
(2) 式中，ξi 为松弛变量， γ 为预算误差的惩罚系数用于调节误差所取的作用，它能够使训练误差和 模型复杂度之间取一个折衷，以便使所求的函数具有较好的泛化能力，并且 γ 值越大，模型的回归误差 [4]越小。 FSVM 是近几年提出的一种新方法， 是对传统 SVM 的改进和完善。 为了提高 SVM 的抗噪能力， 对每一个样本引入模糊隶属度 ui = (1, 2, , n ) 且 0 ≤ ui ≤ 1 则优化问题改进为：
n 1 min wT w + γ ∑ ui ξi + ξi∗ 2 i =1
(
)
206
刘真 等
yi − wTφ ( xi ) − b ≤ ε + ξ ∗ st wTφ ( xi ) + b − yi ≤ ε + ξ ∗ 1, , l ξi ≥ 0, ξi ≥ 0, i =
(3)
关键词
FSVM，烟气含氧量，软测量，预测模型
1. 引言
科技飞速发展，人们对能源的需求也日益剧增。在各种一次性能源的消费比例中，煤炭几乎占世界 能源总需求的 30%，煤炭作为一次性能源重要组成部分的地位在相当一段时间内不会改变。提高锅炉效 率降低煤耗节约能源是一极其重要的任务。电厂中锅炉烟气含氧量是一项重要的参数。烟气含氧量的测 量成为重点研究过程。有专家运用支持向量机[1]建立模型进行预测，然而由于模糊信息的存在，SVM 对 孤立点和噪声过分敏感，容易出现过学习现象[2]，因此提出模糊支持向量机算法，提高抗噪性。因此本 文提出 FSVM 为烟气含氧量测量过程建模，并通过仿真实验验证 FSVM 预测模型的有效性。
基于支持向量机与遗传算法的灰熔点预测
基于支持向量机与遗传算法的灰熔点预测
王春林;周昊;李国能;邱坤赞;岑可法
【期刊名称】《中国电机工程学报》
【年(卷),期】2007(27)8
【摘要】为了提高估算煤灰熔点的精度,文中采用支持向量机算法对求解灰熔点问题进行了建模,并利用遗传算法对支持向量机模型的参数进行了优化,获得了最优的模型参数。
支持向量机模型将灰成分作为输入量,煤的灰熔点Tst作为输出量,用试验数据对模型进行了校验和参数的寻优,利用优化后的模型对单煤和混煤灰熔点进行了预测,并将预测结果与实验结果进行了对比,结果表明,优化后的支持向量机模型实现了对单煤和混煤灰熔点较精确的预测。
支持向量机可用于小样本问题的学习,计算速度快,提高了实时处理与预测能力。
【总页数】5页(P11-15)
【关键词】灰熔点;支持向量机;遗传算法;优化;预测
【作者】王春林;周昊;李国能;邱坤赞;岑可法
【作者单位】能源清洁利用国家重点实验室(浙江大学)
【正文语种】中文
【中图分类】TK223
【相关文献】
1.基于网格搜索和支持向量机的灰熔点预测 [J], 李清毅;周昊;林阿平;邱坤赞;岑可法
2.支持向量机技术在动力配煤中灰熔点预测的应用 [J], 李建中;周昊;王春林;岑可法
3.基于煤灰矿物相特性的灰熔点预测 [J], 王春波;杨枨钧;陈亮
4.基于支持向量机的电站锅炉煤灰熔点预测 [J], 潘文静
5.基于混合遗传算法的人工神经网络模型及其对有机化合物熔点的预测 [J], 彭黔荣;杨敏;石炎福;余华瑞;刘钟祥
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进模糊C均值的软件缺陷预测研究
作者简介： 张焯 （1988—） ， 男， 硕士研究生， 主要研究方向为数据挖掘； 徐玲 （1975—） ， 女， 副教授， 硕士生导师， 主要研究方向为机 器学习， 数据挖掘， 计算机视觉等研究； 杨丹 （1962—） ， 男， 教授， 博士生导师， 主要研究方向为软件工程与应用， 科学与 工程计算， 数字图像处理等研究。 E-mail： strwolf@ 收稿日期： 2013-05-21 修回日期： 2013-07-09 文章编号： 1002-8331 （2015） 07-0136-05 CNKI 网络优先出版： 2013-09-17, /kcms/detail/11.2127.TP.20130917.1056.006.html
d ij = ci - x j 为第 i 个聚类中心与第 j 个数据点间的欧
几里德距离； 且 m Î[1 ¥) 是一个加权指数。构造如下 新的目标函数， 可求得使式 （2） 达到最小值的必要条件： J (U c1 c 2 c c λ1 λ 2 λ n) = J (U c1 c 2 c c ) +
监督方法上， 这类方法需要大量的已标注数据进行训练， 但在工程实际中， 这类标签数据不易获取。提出了一种结 合模拟退火和遗传算法的改进模糊 C 均值算法， 以解决模糊 C 均值容易受初始聚类中心影响而收敛到局部最优的 缺陷。实验结果表明提出的方法在软件缺陷预测中具备高鲁棒性和较高预测精度。 关键词： 软件缺陷预测； 模糊 C 均值； 模拟退火； 遗传算法； 无监督 文献标志码： A 中图分类号： TP311 doi： 10.3778/j.issn.1002-8331.1305-0263
1
引言
目前， 软件已涉及国民经济、 政治、 军事乃至人们生
基于SVM的燃煤电站锅炉飞灰含碳量预测
基于SVM的燃煤电站锅炉飞灰含碳量预测
蔡杰进;马晓茜
【期刊名称】《燃烧科学与技术》
【年(卷),期】2006(012)004
【摘要】将支持向量机方法引入燃煤电站锅炉飞灰含碳量预测领域.该预测方法很好地建立了燃煤电站锅炉飞灰含碳量特性与运行参数之间的复杂关系模型,并考虑到运行参数之间的耦合性,具有预测能力强、全局最优及泛化性好等优点.将该方法应用于某300 MW燃煤电站锅炉中,经过训练后的SVM模型对检验样本飞灰含碳量进行预测,均方根误差和平均相对误差分别为1.39%和1.30%,相当于BP网络模型的22.20%和21.07%.应用结果表明,支持向量机方法优于多层BP神经网络法,能很好地满足预测要求.
【总页数】6页(P312-317)
【作者】蔡杰进;马晓茜
【作者单位】华南理工大学电力学院,广州,510640;华南理工大学电力学院,广州,510640
【正文语种】中文
【中图分类】TK223
【相关文献】
1.基于LIBSVM和智能算法的电站锅炉飞灰含碳量优化 [J], 卢洪波;王金龙
2.基于遗传神经网络的电站锅炉飞灰含碳量预测 [J], 苑琪
3.基于GSA-LSSVM的循环流化床锅炉飞灰含碳量预测 [J], 麻红波;余瑞锋;倪艳红;张彬
4.基于小波SVM的电站锅炉飞灰含碳量预测 [J], 尹金和;齐咏生;李志林;闫泽峰;
5.基于小波SVM的电站锅炉飞灰含碳量预测 [J], 尹金和;齐咏生;李志林;闫泽峰因版权原因，仅展示原文概要，查看原文内容请购买。
支持向量机在预测配煤灰熔点中的应用
支持向量机在预测配煤灰熔点中的应用佚名【摘要】In order to improve the training sample representativeness in predicting the ash fusion temperature (AFT) of blended coals by support vector machine (SVM), a new method of sample selecting was proposed .A new training group was established by adding different experimental data to a representative database and this group was used to predict AFT of coal blending .The results show that the selection of training sample plays a significant role in predicting results , that the new training group could improve the representativeness of training samples , and that the MSE of the predicted value equals 5.76 with the maximum error percentage being 6.91%.%采用支持向量机预测配煤灰熔点时，针对训练样本代表性不足的问题，提出了一种选取训练样本的方法。
在国内具有代表性的煤灰成分和灰熔点数据库的基础上，分别添加现场实际中不同数量的灰熔点实验数据，将二者的集合作为训练样本集对灰熔点进行预测，并对预测结果进行分析。
结果表明：训练样本的选取对支持向量机的预测结果有较大的影响，而向数据库中添加灰熔点实验数据可以有效改善训练样本代表性不足的问题，配煤灰熔点预测值的均方误差MSE＝5.76，最大相对误差为6.91％。