基于GSA-SVM的循环流化床锅炉NOx排放特性模型

被引：1

作者：

牛培峰 ^{[1
,2
]}

麻红波 ^{[1
]}

李国强 ^{[1
]}

马云飞 ^{[1
]}

陈贵林 ^{[1
,2
]}

张先臣 ^{[1
,2
]}

机构：

[1] 燕山大学工业计算机控制工程河北省重点实验室

[2] 国家冷轧板带装备及工艺工程技术研究中心

来源：

计量学报 | 2013年 / 34卷 / 06期

关键词：

计量学; 氮氧化物排放特性; 万有引力搜索算法; 支持向量机; 循环流化床锅炉;

D O I：

暂无

中图分类号：

TK229.66 [];

学科分类号：

摘要：

为了准确地预测循环流化床锅炉NOx排放量,以某热电厂循环流化床锅炉燃烧数据为样本,提出了基于支持向量机（SVM）的循环流化床锅炉NOx排放特性GSA-SVM模型。由于SVM精度及泛化能力依赖于参数选择,故将万有引力搜索算法（GSA）运用到模型参数寻优过程中,利用不同工况下的样本数据检验了模型的预测性能,并将该模型分别与BP神经网络、粒子群（PS0）和遗传算法（GA）优化的SVM模型进行比较,仿真实验证明GSA-SVM模型具有很好的辨识能力及良好的泛化能力。

引用

页码：602 / 606

页数：5

共 13 条

[1] Particle swarm optimization-least squares support vector regression based forecasting model on dissolved gases in oil-filled power transformers
Liao, Ruijin
Zheng, Hanbo
Grzybowski, Stanislaw
Yang, Lijun
[J]. ELECTRIC POWER SYSTEMS RESEARCH, 2011, 81 (12) : 2074 - 2080
[2] GSA: A Gravitational Search Algorithm
Rashedi, Esmat
Nezamabadi-Pour, Hossein
Saryazdi, Saeid
[J]. INFORMATION SCIENCES, 2009, 179 (13) : 2232 - 2248
[3] Hybrid genetic algorithms and support vector machines for bankruptcy prediction.[J].Sung-Hwan Min;Jumin Lee;Ingoo Han.Expert Systems With Applications.2005, 3
[4] Advanced support vector machines and kernel methods.[J].V.David Sánchez A.Neurocomputing.2003, 1
[5] Least squares support vector machine classifiers
Suykens, JAK
Vandewalle, J
[J]. NEURAL PROCESSING LETTERS, 1999, 9 (03) : 293 - 300
[6] 数据挖掘中的新方法.[M].邓乃扬;田英杰著;.科学出版社.2004,
[7] 小样本数据的支持向量机回归模型参数及预测区间研究
陈果
周伽
[J]. 计量学报, 2008, (01) : 92 - 96
[8] 基于遗传算法和支持向量机的低NOx燃烧优化
王春林
周昊
李国能
凌忠钱
岑可法
[J]. 中国电机工程学报, 2007, (11) : 40 - 44
[9] 基于时变自回归模型与支持向量机的旋转机械故障诊断方法
张龙
熊国良
柳和生
邹慧君
陈慧
[J]. 中国电机工程学报, 2007, (09) : 99 - 103
[10] 大型电厂锅炉NOx排放特性的支持向量机模型
王春林
周昊
李国能
岑可法
[J]. 浙江大学学报(工学版), 2006, (10) : 1787 - 1791

← 1 2 →