發(fā)布時(shí)間：2018-11-16 17:37

【摘要】：為克服傳統(tǒng)燃燒優(yōu)化算法受制于小樣本建模的缺點(diǎn),提出了一種基于大規(guī)模數(shù)據(jù)的NOx排放特性建模方法。應(yīng)用核心向量機(jī)(core vector machine,CVM)對(duì)11660組實(shí)驗(yàn)數(shù)據(jù)、共77維運(yùn)行參數(shù)建立了超超臨界鍋爐的NOx排放特性模型,并對(duì)模型參數(shù)C和ε進(jìn)行優(yōu)化,選定模型參數(shù)組(C,ε)為(105,6×10-6),得到了較短的建模時(shí)間和較高的預(yù)測(cè)精準(zhǔn)度。同時(shí)將建立的CVM模型與其他常見(jiàn)算法支持向量機(jī)(support vector machine,SVM)和SVMLight進(jìn)行性能對(duì)比,結(jié)果表明,CVM具有優(yōu)越的收斂速度和更強(qiáng)的泛化能力,隨著建模數(shù)據(jù)量的增加,CVM模型預(yù)測(cè)準(zhǔn)確度有所提升,在建模時(shí)間上表現(xiàn)平穩(wěn),相對(duì)于其余2種算法具有顯著優(yōu)勢(shì)。
[Abstract]:In order to overcome the disadvantage that traditional combustion optimization algorithm is constrained by small sample modeling, a modeling method of NOx emission characteristics based on large-scale data is proposed. The NOx emission characteristic model of ultra-supercritical boiler was established by using the core vector machine (core vector machine,CVM) for 11660 groups of experimental data. The model parameters C and 蔚 were optimized, and the model parameter group (C, 蔚) was selected. 蔚) is (105 ~ (-6) 脳 10 ~ (-6), and a shorter modeling time and a higher prediction accuracy are obtained. At the same time, the performance of the established CVM model is compared with that of other common algorithms, support vector machine (support vector machine,SVM) and SVMLight. The results show that CVM has superior convergence speed and stronger generalization ability, with the increase of modeling data. The prediction accuracy of CVM model is improved, and the modeling time is stable, which has a significant advantage over the other two algorithms.
【作者單位】： 能源清潔利用國(guó)家重點(diǎn)實(shí)驗(yàn)室(浙江大學(xué));
【基金】：國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃項(xiàng)目(2015CB251501) 國(guó)家自然科學(xué)基金項(xiàng)目(51476137)~~
【分類號(hào)】：TM621.2

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 王亞俊;王波;唐飛;陳得治;王靜;王乙斐;周雨田;;基于響應(yīng)軌跡和核心向量機(jī)的電力系統(tǒng)在線暫態(tài)穩(wěn)定評(píng)估[J];中國(guó)電機(jī)工程學(xué)報(bào);2014年19期

【共引文獻(xiàn)】

相關(guān)期刊論文 前5條

1 代賢忠;沈沉;陳穎;湯蕾;林韓;黃道姍;;自律分散的多維度電網(wǎng)薄弱環(huán)節(jié)跟蹤及分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J];電力系統(tǒng)自動(dòng)化;2015年04期

2 徐玉濤;趙書(shū)濤;王天正;裴孫靜苑;;基于圖像處理的斷路器機(jī)械特性參數(shù)測(cè)試方法研究[J];科學(xué)技術(shù)與工程;2015年16期

3 湯涌;;基于響應(yīng)的電力系統(tǒng)廣域安全穩(wěn)定控制[J];中國(guó)電機(jī)工程學(xué)報(bào);2014年29期

4 岑炳成;唐飛;廖清芬;晏陽(yáng);唐昱恒;董飛飛;李瑾瑜;;應(yīng)用功角空間降維變換的相軌跡判別系統(tǒng)暫態(tài)穩(wěn)定性[J];中國(guó)電機(jī)工程學(xué)報(bào);2015年11期

5 郭珂;唐飛;廖清芬;楊健;賈駿;周慧芝;葉笑莉;徐君茹;劉福鎖;;多頻失步振蕩場(chǎng)景下大區(qū)互聯(lián)電網(wǎng)失步振蕩中心電壓頻率演變規(guī)律研究[J];中國(guó)電機(jī)工程學(xué)報(bào);2015年13期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 管霖,曹紹杰;基于人工智能的大系統(tǒng)分層在線暫態(tài)穩(wěn)定評(píng)估[J];電力系統(tǒng)自動(dòng)化;2000年02期

2 薛禹勝;EEAC與直接法的機(jī)理比較(一)——受擾程度函數(shù)[J];電力系統(tǒng)自動(dòng)化;2001年11期

3 孫宏斌,胡江溢,劉映尚,張伯明,吳文傳;調(diào)度控制中心功能的發(fā)展——電網(wǎng)實(shí)時(shí)安全預(yù)警系統(tǒng)[J];電力系統(tǒng)自動(dòng)化;2004年15期

4 張伯明;吳素農(nóng);蔡斌;吳文傳;孫宏斌;郭琦;;電網(wǎng)控制中心安全預(yù)警和決策支持系統(tǒng)設(shè)計(jì)[J];電力系統(tǒng)自動(dòng)化;2006年06期

5 陳得治;張伯明;吳文傳;郭慶來(lái);;靜態(tài)電壓穩(wěn)定分析的故障篩選和排序方法[J];電力系統(tǒng)自動(dòng)化;2008年14期

6 張伯明;孫宏斌;吳文傳;郭慶來(lái);;智能電網(wǎng)控制中心技術(shù)的未來(lái)發(fā)展[J];電力系統(tǒng)自動(dòng)化;2009年17期

7 印永華,郭劍波,趙建軍,卜廣全;美加“8.14”大停電事故初步分析以及應(yīng)吸取的教訓(xùn)[J];電網(wǎng)技術(shù);2003年10期

8 李春艷;孫元章;陳向宜;鄧桂平;;西歐“11.4”大停電事故的初步分析及防止我國(guó)大面積停電事故的措施[J];電網(wǎng)技術(shù);2006年24期

9 戴仁昶,張伯明,戚其薈;暫態(tài)穩(wěn)定仿真的綜合人工智能方法[J];中國(guó)電機(jī)工程學(xué)報(bào);2002年12期

10 許濤,賀仁睦,王鵬,徐東杰;基于統(tǒng)計(jì)學(xué)習(xí)理論的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估[J];中國(guó)電機(jī)工程學(xué)報(bào);2003年11期

相關(guān)博士學(xué)位論文 前1條

1 劉洪波;基于量測(cè)軌跡及軌跡靈敏度的電力系統(tǒng)動(dòng)態(tài)分析[D];華北電力大學(xué)（河北）;2007年

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 李元誠(chéng);楊瑞仙;;用于短期風(fēng)速預(yù)測(cè)的優(yōu)化核心向量回歸模型[J];中國(guó)電力;2012年03期

相關(guān)會(huì)議論文 前2條

1 王萃摟;林耀民;_5才仁;;空晸向量心桘W一z.[嬗瞇耚程的研究[A];中國(guó)生理科學(xué)會(huì)學(xué)術(shù)會(huì)議論文摘要匯編（生理）[C];1964年

2 王萃摟;_5才仁;林耀民;_5桂林;熊傅尀;黃海屏;;等悐四面氃\，

本文編號(hào)：2336177