SCR反应器入口NO_x含量的软测量方法研究
【图文】:
模型输出变量,实现对待测变量的预估。对于选取的易顾名思义,这些变量要易于获取,而且这些变量和待测即通过选取的变量理论上可以解释目标变量。将获取的输入,借助计算机编程实现待测变量的输出。输入变量出变量也就是主导变量。另外,为了得到合适的模型,数据对模型进行训练、学习,,最终很好的预测出输出变术近些年来得到广泛的应用,这主要得益于对主导变量、投资低、无需繁杂的后续维护保养,并且对于主导变模型的选取、数据的采集与处理、软测量模型构建、软测量键步骤共同构成了完整的软测量方案[13][14],其中软测量助变量和主导变量相关数据。整个方案的核心与关键是立什么类型的模型。如图 1-1 所示,是软测量基本工作
图 2-1 经验风险、置信范围、结构风险关系图向量机非线性、高维数、小样本、局部极小值等问题方面支持向量要是由于采用 VC 维理论和结构风险最小化原则,进而可以中的泛化问题,提高了软测量模型的泛化能力。另外,支持习问题转化为一个凸二次型规划问题,从理论上得到了唯一部极值、过学习等问题有很好的解决效果[20]。性支持向量回归机量机的学习方法最早是在模式识别领域发展起来的,主要用apnik 将其推广应用于函数估计拟合中,得到了用于回归估计,称之为支持向量回归机[28](Support Vector Regression,SV于函数拟合问题的思路就是将用于分类的 SVM 的损失函数 不敏感函数可以用来权衡预测值和实测值的差别,如果预测 范围内,则定义损失为 0,具体形式如下:
【学位授予单位】:华北电力大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:X773
【参考文献】
相关期刊论文 前8条
1 杨耀权;张新胜;;LSSVM动态软测量模型在磨煤机一次风量预测方面的应用[J];动力工程学报;2016年03期
2 陈荣超;;燃煤电厂脱硝NO_x的软测量技术和自动控制优化[J];电力科学与工程;2015年01期
3 赵丹;;SVM核函数与选择算法[J];数字技术与应用;2014年09期
4 邵伟明;田学民;;基于快速留一交叉验证法的在线递推最小二乘支持向量机建模方法[J];青岛科技大学学报(自然科学版);2012年05期
5 刘吉臻;吕游;杨婷婷;;基于变量选择的锅炉NO_x排放的最小二乘支持向量机建模[J];中国电机工程学报;2012年20期
6 张传标;倪建军;苗红霞;韩光洁;;基于相似度的核主元分析方法及其应用研究[J];计算机工程;2011年14期
7 穆朝絮;张瑞民;孙长银;;基于粒子群优化的非线性系统最小二乘支持向量机预测控制方法[J];控制理论与应用;2010年02期
8 许昌,吕剑虹;基于生成机理的燃煤电站锅炉NO_x排放量神经网络模型[J];中国电机工程学报;2004年10期
相关博士学位论文 前6条
1 吕游;基于过程数据的建模方法研究及应用[D];华北电力大学;2014年
2 李勤道;基于炉内参数测量的燃烧系统优化运行理论与技术的研究[D];华北电力大学;2013年
3 周欣然;基于最小二乘支持向量机的在线建模与控制方法研究[D];湖南大学;2012年
4 邢永忠;最小二乘支持向量机的若干问题与应用研究[D];南京理工大学;2009年
5 乔弘;火电厂热工参数软测量关键技术和方法研究[D];华北电力大学(北京);2009年
6 余廷芳;火电厂厂级监控信息系统(SIS)建模、实现及人工智能的应用研究[D];东南大学;2004年
相关硕士学位论文 前9条
1 迟丹一;基于偏最小二乘法的电站锅炉氧量预测[D];华北电力大学;2013年
2 张倩;基于SVR的烟气含氧量软测量方法研究[D];华北电力大学;2013年
3 李琳;基于SVM的火电厂锅炉飞灰含碳量软测量方法研究[D];华北电力大学;2013年
4 王瑜;SCR法烟气脱硝系统在660MW火电机组中的应用[D];华北电力大学;2013年
5 李代力;基于SOFA风改造的300MW煤粉锅炉燃烧优化数值模拟研究[D];浙江大学;2012年
6 张涛;支持向量机在热工对象建模中的应用研究[D];华北电力大学;2012年
7 陈敏;火电厂锅炉烟气含氧量预测及燃烧系统优化研究[D];北京交通大学;2011年
8 卢保玲;基于图像测温法的燃煤锅炉NO_x排放量预测[D];北京交通大学;2009年
9 魏辉;燃煤电站锅炉低NOx燃烧优化运行策略的研究[D];上海交通大学;2008年
本文编号:2563814
本文链接:https://www.wllwen.com/shengtaihuanjingbaohulunwen/2563814.html