基于支持向量机的锅炉煤质预测模型.pdf

第36卷 第 】0期 毒氧电力 Vo】．36 No．10 EastChirillElectricPower 0ct． 2oo8 2008年 1O月 基于支持向量机的锅炉煤质预测模型 范诚豪，韦红旗 (东南大学 能源与环境学院，江苏 南京 210096) 摘 要：通过基于统计学习理论的支持向量机建模和机理性的分析及推导，给出了2种不同的电厂锅炉煤质 预测模型，并结合现场试验数据，给出2种方法不同的预测结果及评价。验证了支持向量机建模对于火力发 电厂煤质监测具有较高的应用价值。 关键词：支持向量机 ；煤质预测；元素分析 作者简介：范诚豪 (1982-)，男，硕士研究生，主要从事电站锅炉运行优化研究。 中图分类号：rK224 文献标识码：B 文章编号：1001-9529(2008)10-0123-05 BoDercoalpropertypredictionmodelsbasedon supportvectormachine FAN Cheng—hao，WEI舶 一 (SchoolofEner~ andEnvironment，SoutheastUniv．，Nanjing210096，China) Abstract：Throughthestatisticallearningtheorybasedsupportvectormachine(SVM)modelingandmechanismanal- ysis，twodifferentboilercoalpropertypredictionmodelsaregiven．Basedonthatnadbyusingfieldtestdata，two differentpredictionresdtsandrelevantevaluationsarepresentedwhichprovetheSVM modelingapplicableforcoal propertymonitoringinfossil-firedpowerplnats． Keywords：supportvectormachine(SVM)；coalpropertyprediction；elementnaalysis 电站锅炉人炉煤质对于机组的经济和安全运 解决如何更好地求取最小经验风险(训练误差最 行有着重要影响，煤质的好坏直接关系到炉内的 小)，但是实践证明，一味地追求训练误差最小并 着火与燃烧、各种受热面的积灰积渣、受热面的金 不能得到最好的泛化能力，有些情况下，训练误差 属磨损、尾部烟气污染物的排放等。对于人炉煤 太小反而会导致泛化能力下降，这在神经网络学 质的准确有效监测具有重要意义，但是 目前多数 习中表现的尤为突出(即过学习问题)。导致 出 电厂对 日常煤质的监测还仅限于工业分析，同时 现该问题的一个根本原因就是传统统计学是一个 煤质全元素分析的成本也比较高。 渐进理论，它的许多结论都是在样本数 目趋于无 针对此问题，本文提出采用两种预测方法，即 穷大的条件下得出的，而在小样本条件下，以传统 基于实际锅炉运行数据 的支持 向量机预测和基于 渐进统计学为理论基础的经验风险最小化原则并 部分烟气信息、工业分析的机理性推导。由于支 不能很好地实现由贝叶斯决策理论导出的期望风 持向量机是在研究小样本机器学习规律的理论基 险最小化原则。 础上发展起来的，通过结构风险最小化原理来提 为了解决传统渐进统计学应用在小样本训练 高泛化能力，较好地解决了小样本、非线性、高维 学习中的不足