提出一種基于模糊聚美-最小二乘向量機(jī)-神經(jīng)網(wǎng)絡(luò)（FCM-LSSVM-ANN）的多模型融合方法,對全工況下選擇性催化還原（SCR）入口溫度進(jìn)行提前預(yù)測。采用模糊聚類對不同工況下的鍋爐系統(tǒng)運(yùn)行數(shù)據(jù)進(jìn)行分解,并建立若干個基于最小二乘支持向量機(jī)的預(yù)測模型,最后采用神經(jīng)網(wǎng)絡(luò)對預(yù)測結(jié)果進(jìn)行非線性融合得到最終預(yù)測結(jié)果。多模型融合的方法可以對鍋爐系統(tǒng)全工況的運(yùn)行特性進(jìn)行學(xué)習(xí),能更準(zhǔn)確地完成負(fù)荷大范圍波動條件下SCR入口溫度預(yù)測。同時本文采用某600 MW機(jī)組實(shí)際運(yùn)行數(shù)據(jù)對所提方法進(jìn)行對比驗(yàn)證,結(jié)果表明本文方法能夠?qū)崿F(xiàn)該機(jī)組30%～100%負(fù)荷范圍SCR入口溫度的準(zhǔn)確預(yù)測,平均預(yù)測偏差控制在±4℃以內(nèi),相對誤差大多數(shù)情況下小于1%。本模型可以為燃煤機(jī)組深度調(diào)峰下脫銷系統(tǒng)入口溫度進(jìn)行提前預(yù)警。 

【文章來源】：熱能動力工程. 2020,35(08)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

模型結(jié)構(gòu)示意圖

通常情況下,每個樣本按照最大隸屬度被劃分到不同的類,但在實(shí)際情況下,不同的子集之間存在一定的重疊度,并不存在明顯的分界線,部分?jǐn)?shù)據(jù)是可以屬于多個子集,如圖2所示。為此LYU[13]采用一種軟聚類的方式,當(dāng)μik>1/(T+δ)時,xj屬于第k子集,其中δ是一個很小的常數(shù),反映子集之間的重疊程度。1.2 基于線性最小二乘支持向量機(jī)的預(yù)測模型

融合結(jié)構(gòu)如圖3所示,本次建模除了考慮將每個模型的預(yù)測值作為ANN的輸入的同時,還將每個樣本通過模糊聚類得到相對于所有子集的隸屬度作為輸入的一部分,提高模型的預(yù)測精度。2 深度調(diào)峰運(yùn)行條件下SCR入口溫度預(yù)測


本文編號：3211437