基于支持向量回归（svr）的nox预测排放模型.docVIP

基于支持向量回归（SVR）的NOx预测排放模型 吴也正顾钧（苏州市环境监测中心站）摘 要目的 方法 用参数C，γ和训练组数据支持向量回归模型，搜寻最佳参数C，γ模型组对比。结果 SVR模型C = 84.45，γ = 1模型结论 关键词：烟气预测排放监测系统；烟气连续排放监测系统；支持向量回归NOx排放浓度预测 氮氧化物（NOx）是一种常见的大气污染物，因燃烧产生并排放的NOx对环境空气的质量具有重要的影响。为对固定污染源废气排放进行连续的监控，我们通常使用烟气连续监测系统（CEMS）测量实时的NOx排放浓度。在使用和推广CEMS的同时，各种问题也随之而来，比如由于安装和维护成本非常高，并且时常会遇到离线调试和更换部件所造成的有效监控数据缺失等问题，如何解决这些问题已变得十分必要。而基于数值计算模型的预测排放监测系统（PEMS）在国外的成功运用表明PEMS可能成为CEMS的一种替代方案。如何建立高效而准确的计算模型是PEMS的核心问题，较常见的基于人工智能算法之一的人工神经网络（NN）算法。而支持向量回归（SVR）模型在解决高度非线性问题方面也有着很好的运用，但鲜有运用SVR模型对NOx排放浓度进行预测的研究工作。本文通过介绍建立SVR模型并计算预测NOx排放浓度的过程，说明SVR模型能对固定污染源NOx排放浓度作出较高效准确的预测。 SVR是一种利用给定数据X找出多变量问题回归函数f (x），并利用f (x）对其他输入数据对应的输出结果进行预测的非线性回归方法。对于训练数据X（N组n维输入数据和1维数出数据），多变量回归函数可写作 其中，是函数f (x）在特征空间的映射，w是边界宽度，b为模型的最优化偏差。详细的可见，在此不再赘述。SVR方程可写作： 其中，表示拉格朗日乘子，并满足下面的边界条件。C是一个正则化常数，这个常数与模型训练的误差和模型复杂度均有关联。是构造的核函数（对于非线性问题，较常用的是RBF）。对于SVR模型正则化常数C和核函数参数γ是影响整个模型好坏的重要指标，因此建立SVR模型的还需要找到对应具体问题的最佳的参数C，γ。具体方法步骤如图1： 图1 方法流程图 将苏州市某热电厂某时间段的历史数据分为训练组和测试组，设置SVR模型参数C，γ各自的初始值。 用参数C，γ和训练组数据建立SVR模型，得出训练后的模型计算值并与训练组的目标值做对比。将测试组数据输入SVR模型，获得对应的预测值与对应的历史实测值比较得出平均平方差（MSE）和相关系数等。采用格点搜寻方法，逐渐改变C，γ的数值并返回步骤（2），直至循环结束。利用MSE找出搜索区间内最佳参数组C，γ所对应的最佳SVR模型。SVR模型参数C，γ的优化C，γ参数值。经过计算，C = 84.45，γ = 1时，根据测试组数据计算得到最小平均方差0.88%。C，γSVR模型训练结果C = 84.45，γ = 1，我们 图4 训练组数据预测计算结果与CEMS实测结果对比图 SVR模型结果γ和训练组数据即可建立SVR模型。如图3、图4所示，SVR训练结果与CEMS实测结果十分吻合，较好的训练结果为该模型能对测试数据进行准确预测提供了可能。将测试组数据输入上述模型后，所得预测结果和CEMS实测结果的分布情况如图5所示，可见预测结果与CEMS实测数据变化趋势一致。图6则能更直观地表现出预测结果与实测结果有较好的吻合程度。数据点与最佳拟合直线的距离越近，表明该点处预测结果越准确，数据点位置落在最佳拟合直线下方则表示预测值偏高，反之则偏低。计算结果表明，SVR模型能较好地对NOx排放浓度进行预测。与神经网络算法不同，对于SVR模型的建立，除了需要训练组数据外，参数C，γ也是整个模型优劣的重要因素。参数C数值越大SVR模型复杂度越高计算所需时间越长，直至趋于无解。寻找最佳参数C，γ的工作对建立优良SVR模型至关重要，既要保证模型的准确性又要兼顾模型的计算效率。本文采用的格点搜寻方法是较经典的算法，在解决数值计算极值问题时普遍采用。对于参数C，γ的确定，也可采用一些优化的计算方法提高搜寻的效率获得最佳的C，γ组合。 结论 根据实际排放情况训练数据并调整参数C，γ可以使SVR模型更准确的对测试数据进行预测。本文计算的结果表明，SVR模型预测数据与CEMS实测结果有着较高的一致性，因此，从本案看来，SVR模型在PEMS系统中的运用是成功的，并可能成为PEMS建模过程中较有发展前景的新方法。 1 开始 分为训练组、测试组两类，参数C，γ各自的初始值 用训练组数据建立SVR模型 用最佳参数C，γ确立最佳SVR模型并对训练组、测试组数据进行计算和预测 是否达到最大循环次数 是 将测试组数据输入SVR模型得出预测值并计算平均方差（MSE） 搜寻最佳的参数C，γ