本文關(guān)鍵詞：基于人工智能的軟測量建模方法研究及其在熱工過程中的應(yīng)用

  更多相關(guān)文章： 數(shù)據(jù)建模 偏最小二乘 最小二乘支持向量機 電站鍋爐 再熱汽溫

【摘要】：火力發(fā)電機組的信息化發(fā)展,為基于數(shù)據(jù)的熱工參數(shù)建模及運行優(yōu)化提供了良好的平臺。電站運行數(shù)據(jù)樣本較大,變量維度高,且變量之間存在著高度的相關(guān)性和耦合,另外,實際的熱工過程往往是非線性的,而且由于傳感器故障以及電磁干擾等原因,運行數(shù)據(jù)中存在著離群樣本。電站運行數(shù)據(jù)的這些特點,給建立模型帶來了很大的困難和挑戰(zhàn)。人工智能技術(shù)為這些問題的解決提供了新的理論基礎(chǔ)。本文以偏最小二乘(partial least squares,PLS)和最小二乘支持向量機(least squares support vector machine,LSSVM)為主線,圍繞著電站運行數(shù)據(jù)的建模進行了研究,主要研究內(nèi)容和成果包括： 1.分析了電站運行數(shù)據(jù)的特點,總結(jié)了基于運行數(shù)據(jù)建模方法的三個階段,即數(shù)據(jù)準備、數(shù)據(jù)建模和模型驗證,同時,介紹了運行數(shù)據(jù)降維、數(shù)據(jù)離群點剔除和數(shù)據(jù)標(biāo)準化、變量選擇等預(yù)處理方法； 2.針對電站運行數(shù)據(jù)的相關(guān)性和過程的非線性,提出PLS-LSSVM建模方法,利用偏最小二乘(PLS)提取特征向量,消除數(shù)據(jù)的相關(guān)性并降低維度,然后將特征向量作為輸入,利用最小二乘支持向量機(LSSVM)來描述過程非線性,改進模型的預(yù)測精度； 3.以電站鍋爐再熱汽溫的預(yù)測為研究對象,分析了影響再熱汽溫變化的原因,并基于前面所提出的數(shù)據(jù)預(yù)處理和PLS-LSSVM方法來構(gòu)建預(yù)測模型,并與其他建模方法進行了對比,結(jié)果表明提出的方法表現(xiàn)出更好的效果。
【關(guān)鍵詞】：數(shù)據(jù)建模 偏最小二乘 最小二乘支持向量機 電站鍋爐 再熱汽溫
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TM621
【目錄】：

• 摘要5-6
• Abstract6-7
• 目錄7-9
• 第1章 緒論9-19
• 1.1 選題背景及其意義9-11
• 1.2 基于數(shù)據(jù)的建模過程11-12
• 1.3 基于數(shù)據(jù)的建模方法12-14
• 1.3.1 多元線性回歸12
• 1.3.2 主成分回歸法12
• 1.3.3 偏最小二乘回歸法12-13
• 1.3.4 神經(jīng)網(wǎng)絡(luò)13-14
• 1.3.5 支持向量機14
• 1.4 模型驗證14-15
• 1.5 基于數(shù)據(jù)建模的研究現(xiàn)狀15-16
• 1.6 論文的主要內(nèi)容及結(jié)構(gòu)安排16-19
• 第2章 熱工運行數(shù)據(jù)特性及預(yù)處理方法19-27
• 2.1 引言19
• 2.2 熱工運行數(shù)據(jù)特性19-21
• 2.3 熱工運行數(shù)據(jù)的預(yù)處理方法21-24
• 2.3.1 運行數(shù)據(jù)驗證21-22
• 2.3.2 基于相鄰數(shù)據(jù)變化率的數(shù)據(jù)驗證22-23
• 2.3.3 數(shù)據(jù)標(biāo)準化23-24
• 2.4 特征變量選擇24-26
• 2.4.1 基于機理分析的方法24
• 2.4.2 基于模型檢驗的方法24-25
• 2.4.3 基于統(tǒng)計的方法25
• 2.4.4 基于PLS變量選取方法25-26
• 2.5 本章小結(jié)26-27
• 第3章 基于PLS特征提取的LSSVM非線性建模方法27-35
• 3.0 引言27-28
• 3.1 單變量PLS特征提取方法28-29
• 3.2 支持向量機理論29-32
• 3.2.1 標(biāo)準支持向量機29-30
• 3.2.2 最小二乘支持向量機回歸30-32
• 3.2.3 核函數(shù)選擇32
• 3.3 PLS-LSSVM模型結(jié)構(gòu)32-33
• 3.4 模型參數(shù)選取33-34
• 3.5 本章小結(jié)34-35
• 第4章 基于運行數(shù)據(jù)的電站再熱汽溫建模35-45
• 4.1 引言35
• 4.2 電站鍋爐介紹35-38
• 4.3 再熱汽溫影響因素分析和數(shù)據(jù)準備38-40
• 4.3.1 再熱汽溫影響因素分析38-39
• 4.3.2 穩(wěn)態(tài)工況樣本選擇39-40
• 4.4 再熱汽溫模型構(gòu)建40-44
• 4.4.1 模型訓(xùn)練樣本和測試樣本40
• 4.4.2 模型參數(shù)的選取40-41
• 4.4.3 模型驗證41-42
• 4.4.4 模型對比42-44
• 4.5 本章小結(jié)44-45
• 第5章 結(jié)論與展望45-47
• 5.1 結(jié)論45
• 5.2 展望45-47
• 參考文獻47-51
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果51-53
• 攻讀碩士學(xué)位期間參加的科研工作53-55
• 致謝55-57
• 作者簡介57

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張韻輝;呂震中;趙宇紅;;再熱汽溫神經(jīng)網(wǎng)絡(luò)預(yù)測模型的構(gòu)建及仿真[J];電力系統(tǒng)及其自動化學(xué)報;2006年01期

2 劉福國;基于統(tǒng)計分析的電站鍋爐性能建模與優(yōu)化[J];動力工程;2004年04期

3 陳敏生,劉定平;電站鍋爐飛灰含碳量的優(yōu)化控制[J];動力工程;2005年04期

4 田亮;劉鑫屏;趙征;劉吉臻;;一種新的熱量信號構(gòu)造方法及實驗研究[J];動力工程;2006年04期

5 周原冰,潘亞利,梁化忠,潘顥,高山;發(fā)電廠廠級監(jiān)控信息系統(tǒng)的發(fā)展與應(yīng)用[J];山東電力技術(shù);2003年04期

6 榮海娜;張葛祥;金煒東;;系統(tǒng)辨識中支持向量機核函數(shù)及其參數(shù)的研究[J];系統(tǒng)仿真學(xué)報;2006年11期

7 管志敏;王兵樹;林永君;魏文超;;自抗擾控制在火電廠主汽溫控制中的應(yīng)用研究[J];系統(tǒng)仿真學(xué)報;2009年01期

8 周昊,朱洪波,曾庭華,廖宏楷,岑可法;基于人工神經(jīng)網(wǎng)絡(luò)的大型電廠鍋爐飛灰含碳量建模[J];中國電機工程學(xué)報;2002年06期

9 劉福國;電站鍋爐入爐煤元素分析和發(fā)熱量的軟測量實時監(jiān)測技術(shù)[J];中國電機工程學(xué)報;2005年06期

10 趙征,曾德良,田亮,劉吉臻;基于數(shù)據(jù)融合的氧量軟測量研究[J];中國電機工程學(xué)報;2005年07期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 曲亞鑫;基于歷史數(shù)據(jù)的偏最小二乘建模方法研究與應(yīng)用[D];華北電力大學(xué);2012年

，

本文編號：899971