近些年,隨著電廠信息化水平的不斷提高,基于歷史數(shù)據(jù)驅(qū)動(dòng)的熱工過(guò)程數(shù)據(jù)建模逐漸成為研究熱點(diǎn)之一。該方法有效克服了機(jī)理建模精度不足和試驗(yàn)建模工作量大的缺陷。鍋爐燃燒系統(tǒng)的NOx生成是一個(gè)典型的熱工過(guò)程,影響NOx生成量的因素較多,且變量相互之間耦合嚴(yán)重。針對(duì)電站鍋爐燃燒系統(tǒng),通過(guò)互信息方法分析出影響NOx生成量的相關(guān)變量,并利用適當(dāng)?shù)臄?shù)據(jù)建模方法實(shí)現(xiàn)NOx生成量的準(zhǔn)確預(yù)測(cè),是有效降低NOx排放量的重要一環(huán)。因此,本文將以NOx生成過(guò)程為研究對(duì)象引出一種適用于全體熱工過(guò)程的變量選擇算法進(jìn)而提高變量選擇算法的實(shí)際應(yīng)用效果,并在此基礎(chǔ)上建立動(dòng)態(tài)預(yù)估模型。本文首先論述了熱工過(guò)程數(shù)據(jù)建模的研究背景,然后以鍋爐燃燒系統(tǒng)NOx生成過(guò)程為研究對(duì)象,詳盡介紹了變量選擇與NOx數(shù)據(jù)建模的意義和現(xiàn)狀;第二章由變量選擇方法的基本框架進(jìn)行展開(kāi),依據(jù)子集產(chǎn)生方式和評(píng)價(jià)標(biāo)準(zhǔn)的不同重點(diǎn)介紹了目前常用的變量選擇方法以及各個(gè)方法的優(yōu)缺點(diǎn),為下章變量選擇算法的提出進(jìn)行了理論鋪墊;第三章創(chuàng)新性的提出了一種基于動(dòng)態(tài)數(shù)據(jù)的互信息變量選擇方法,該方法基于k近鄰互信息和階次互信息的相關(guān)理論進(jìn)行相關(guān)性度量,并利用條件互信息和前向搜索策略保... 

【文章來(lái)源】：華北電力大學(xué)河北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Filter型變量選擇框架

圖 2-3 Filter 型變量選擇框架r 型er 型，Wrapper 型方法結(jié)合模型性能每次選擇若干或者剔除若干模方法當(dāng)做一個(gè)黑箱模型，將搜索過(guò)程搜索出的變量送給該黑。根據(jù)評(píng)估的結(jié)果對(duì)變量子集進(jìn)行篩選，以期搜索到一個(gè)對(duì)建集，如圖 2-4 所示。該方法利用模型的性能評(píng)價(jià)對(duì)變量的重要且如果模型發(fā)生變化其所偏好的變量也會(huì)不同，由于變量選擇準(zhǔn)確的模型，因此可以直接利用模型的性能對(duì)變量進(jìn)行篩選，子集。例如，梁龍等[51]用模型交叉驗(yàn)證分類正確率評(píng)估子集優(yōu)具有極強(qiáng)分類性能的支持向量分類機(jī)。Wrapper 方法直接結(jié)合學(xué)擇，雖然獲得了較好性能的分類模型，但是拖累了運(yùn)算效率，數(shù)據(jù)時(shí)效率低下，時(shí)間開(kāi)銷大。此外，由于過(guò)分依賴模型，會(huì)性較差，容易發(fā)生過(guò)擬合現(xiàn)象。

圖 2-5 Embedded 型變量選擇框架ter 型與 Wrapper 有各自優(yōu)缺點(diǎn)，對(duì)二者進(jìn)行有效結(jié)和 Wrapper 型效率低下的問(wèn)題。基于這種思想，。該方法將變量選擇過(guò)程分為兩個(gè)階段進(jìn)行完成，，即將大部分無(wú)關(guān)或噪聲變量加以剔除，使變量量選擇過(guò)程的時(shí)間開(kāi)支；第二階段，利用 Wrappe學(xué)習(xí)方法進(jìn)一步篩選余下的變量集合，以便使變量框架如圖 2-6 所示�；旌闲妥兞窟x擇算法受到越來(lái)偉衛(wèi)等[55]針對(duì)過(guò)濾型變量選擇算法模型分類準(zhǔn)確的變量選擇算法，該算法先利用互信息進(jìn)行無(wú)關(guān)變篩選出了重要性程度比較高的變量。文獻(xiàn)[56]針對(duì)式變量選擇方法，該方法先利用 Taguchi 提出的變后通過(guò)后向刪除策略進(jìn)一步剔除不相關(guān)和冗余變量

【參考文獻(xiàn)】：
期刊論文
[1]基于ReliefF和蟻群算法的特征基因選擇方法[J]. 吳辰文,李晨陽(yáng),郭叔瑾,閆光輝.  計(jì)算機(jī)應(yīng)用研究. 2018(09)
[2]一種面向不平衡數(shù)據(jù)的半監(jiān)督特征選擇算法[J]. 杜利敏,徐揚(yáng).  河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(05)
[3]一種新的有監(jiān)督特征選擇方法[J]. 戴建國(guó).  陜西理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(04)
[4]基于互信息的輔助變量篩選及在火電廠NOx軟測(cè)量模型中的應(yīng)用[J]. 馬平,李珍,梁薇.  科學(xué)技術(shù)與工程. 2017(22)
[5]基于互信息和隨機(jī)森林的混合變量選擇算法[J]. 趙偉衛(wèi),李艷穎,趙風(fēng)芹,魏灑灑.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2017(04)
[6]基于特征相關(guān)的譜特征選擇算法[J]. 胡敏杰,林耀進(jìn),楊紅和,鄭荔平,傅為.  智能系統(tǒng)學(xué)報(bào). 2017(04)
[7]基于高維k-近鄰互信息的特征選擇方法[J]. 周紅標(biāo),喬俊飛.  智能系統(tǒng)學(xué)報(bào). 2017(05)
[8]基于最近最遠(yuǎn)鄰和互信息的特征選擇方法[J]. 吳雨,劉媛華.  計(jì)算機(jī)應(yīng)用研究. 2017(12)
[9]基于密度峰值的無(wú)監(jiān)督特征選擇算法[J]. 謝娟英,屈亞楠,王明釗.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2016(04)
[10]基于多支持向量機(jī)綜合的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估[J]. 戴遠(yuǎn)航,陳磊,張瑋靈,閔勇,李文鋒.  中國(guó)電機(jī)工程學(xué)報(bào). 2016(05)

博士論文
[1]網(wǎng)絡(luò)空間圖像標(biāo)注中半監(jiān)督稀疏特征選擇算法研究[D]. 史彩娟.北京交通大學(xué) 2015

碩士論文
[1]互信息多元時(shí)間序列相關(guān)分析與變量選擇[D]. 劉曉欣.大連理工大學(xué) 2013



本文編號(hào)：3402718