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(duì)全工況下選擇性催化還原（SCR）入口溫度進(jìn)行提前預(yù)測(cè)。采用模糊聚類對(duì)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(gè)基于最小二乘支持向量機(jī)的預(yù)測(cè)模型,最后采用神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測(cè)結(jié)果進(jìn)行非線性融合得到最終預(yù)測(cè)結(jié)果。多模型融合的方法可以對(duì)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(dòng)條件下SCR入口溫度預(yù)測(cè)。同時(shí)本文采用某600 MW機(jī)組實(shí)際運(yùn)行數(shù)據(jù)對(duì)所提方法進(jìn)行對(duì)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(cè),平均預(yù)測(cè)偏差控制在±4℃以內(nèi),相對(duì)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(dòng)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(gè)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(gè)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(shí),xj屬于第k子集,其中δ是一個(gè)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(cè)模型

融合結(jié)構(gòu)如圖3所示,本次建模除了考慮將每個(gè)模型的預(yù)測(cè)值作為ANN的輸入的同時(shí),還將每個(gè)樣本通過模糊聚類得到相對(duì)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(cè)精度。2 深度調(diào)峰運(yùn)行條件下SCR入口溫度預(yù)測(cè)


本文編號(hào)：3211437