火电厂锅炉生产过程具有强非线性、强噪声等特点,这些特点导致过热蒸汽温度难以准确建模。针对这一问题,提出一种锅炉过热蒸汽温度数据解析建模方法。首先采用分类回归树(Classification and Regression Tree,CART)算法计算得到相关变...火电厂锅炉生产过程具有强非线性、强噪声等特点,这些特点导致过热蒸汽温度难以准确建模。针对这一问题,提出一种锅炉过热蒸汽温度数据解析建模方法。首先采用分类回归树(Classification and Regression Tree,CART)算法计算得到相关变量重要性,选择重要性大于0.5的变量作为数据驱动建模的输入。然后采用粒子群优化(Particle Swarm Optimization,PSO)算法优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的参数,建立过热蒸汽温度的预测模型。最后基于实际生产数据的实验结果表明,所提出的建模方法取得比常用建模算法具有更好的预测精度,能够实现对锅炉过热蒸汽温度的准确预测。展开更多
文摘火电厂锅炉生产过程具有强非线性、强噪声等特点,这些特点导致过热蒸汽温度难以准确建模。针对这一问题,提出一种锅炉过热蒸汽温度数据解析建模方法。首先采用分类回归树(Classification and Regression Tree,CART)算法计算得到相关变量重要性,选择重要性大于0.5的变量作为数据驱动建模的输入。然后采用粒子群优化(Particle Swarm Optimization,PSO)算法优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的参数,建立过热蒸汽温度的预测模型。最后基于实际生产数据的实验结果表明,所提出的建模方法取得比常用建模算法具有更好的预测精度,能够实现对锅炉过热蒸汽温度的准确预测。
