采用改进混沌粒子群算法的锅炉NO_x排放的LSSVM回归建模.pdfVIP

(-E业控制计算机)2017年第 30卷第 1期 75 采用改进混沌粒子群算法的锅炉NOx排放的LSSVM回归建模 LSSVM RegressionModeling onNO EmissionofBoilersUsing ICPSO 刘飞明 张雨飞 (东南大学能源与环境学院，江苏 南京 210096) 摘要 ：电站燃煤锅炉是大气NO 污染的主要来源之一，建立 良好 的NO 排放模型是降低锅炉 NO 的基础 。为 了提高对 锅炉Nox排放浓度的预测效果，提 出了利用最小二乘支持向量机 (LeastSquaresSupportVectorRegression，LSSVM) 回归的预测原理和参数选择不确定性进行建模，在粒子群算法中引入混沌优化的随机性和遍历性思想，并对粒子群算法本 身的惯性权重进行参数改进，采用混沌粒子群算法(ImprovedChaosParticleSwarm Optimization，ICPSO)对模型进行 参数寻优。将模型优化效果与其他优化算法进行比较，结果显示通过该混沌粒子群优化算法进行优化建模，具有较好的模 型精度和预测效果。 关键词：锅炉，NO 排放，混沌粒子群算法，最小二乘支持向量机，回归 Abstract：This paperproposesthatusing the regression prediction principle and the uncertainly parameterselection of theLSSVM regressionto establishamode1．Therandomnessand ergodicityspiritofchaosoptimization isadded tothepar· ticle swarm optimization，and theinertialweightparametersofPSO are improved，thenusethe ICPSO to optimize theparam- eterofthemodel。aftercompared with otheroptimizationalgorithms． Keywords：boiler，NO emission。chaos particle swarm optimization．1eastsquaressupportvectormachine，regression 近年来 ，火 电厂锅炉燃烧仍然是产生 NO 的主要来源之 根据 KKT条件对 (4)式进行求导可得 ： 一 ， 优化控制 NO 的排放有赖于 良好 的NO 排放模型的建立 。 但是决定NO 排放的因素比较复杂 ，不仅和燃煤成分、燃烧器 I=w= () 摆角有关，还与锅炉的配风方式、送风量、炉膛温度等因素相关， jI等一 。 因此对Nox排放浓度的建模和预测都很困难。目前在对NO排 ， ㈤ 放特性的建模方式 中，人工神经网络 (Artificialneuralnet— IaL=O=~ai=Oq， works。ANN)和支持向量机的电站锅炉燃烧特性建模得到了较 多的应用[1-4]，但是二者在建模效果上存在一定的局限性 ，ANN IaL= ()曲+-q， 的网络模型复杂 ，训练时间长，泛化能力差 ，容易陷入局部最小 上式消去 11和 w后可得如下矩阵方程 ： 值 ；SVM对大规模训练样本难 以实施，训练样本增多时，将耗费 大量内存，训练时间长。 基于统计理论的LSSVM 回归算法是在 SVM算法的基础 [Q ] ㈤ 上改进而来。它将求解二次规划问题转化为线性方程组问题 ，将 其中：1=[1，…，1