一种基于支持向量机增量算法的锅炉燃烧效率预测方法技术

一种基于支持向量机增量算法的锅炉燃烧效率预测方法：S1选取核函数；S2构成初始数据集；S3初始数据预处理；S4取训练样本、测试样本；S5敏感系数ε=0.0001，训练精度0.00001，罚系数C与宽度系数σ的缺省值分别为10和0.0001；S6求泛化；S7选择泛化最佳参数对；S8训练得到初始分类器Ω0、支持向量集和非支持向量集S9寻找新增样本集X1中是否有违背广义KKT条件yif(xi)>1的样本点；S10构成新的集合S11再对X求分类器Ω和支持向量SV；S12建立锅炉燃烧效率的支持向量机预测模型。本发明专利技术输入参数少便于测量，省去繁琐的计算过程，锅炉燃烧工况训练时间短，更加满足DCS系统在线计算的要求，具有较高的预测精度。

【技术实现步骤摘要】

本专利技术涉及一种锅炉燃烧效率的预测方法，尤其涉及到。
技术介绍
提高锅炉运行效率，是火电厂实现节能减排的主要目标。锅炉燃烧机理复杂，具有很强的非线性和多元性，难以直接进行燃烧效率的测量，目前主要采用的测量方法有数值模拟测量和人工智能算法测量。不同的数值模拟可能侧重点不同，但是数值模拟的方法有着共同的特点计算量大，耗时长，在机理不很清楚的情况下，难以建立精确完善的燃烧效率测量方法，所以数值模拟的方法常用于离线分析和研究。智能算法测量中应用比较广泛的是神经网络。但用神经网络测量还存在以下问题有待于进一步研究解决①神经网络测量所必须的样本数量多，而实炉测试工况数量往往有限；②神经网络的训练时间长，而且实现在线训练困难，限制了燃烧效率测量的在线性；③神经网络对数据样本的不完整性和误差比较敏感；④神经网络还存在过拟合(overnt)问题，泛化能力差。
技术实现思路
本专利技术所要解决的技术问题，就是提供一种需要的样本数量不算多但保证了线性学习器的精度、又减少了计算量缩短了训练时间、适合在线性测量的基于支持向量机增量算法的锅炉燃烧效率预测方法。解决上述技术问题，本专利技术采用如下的技术方案，包括本文档来自技高网...

【技术保护点】
一种基于支持向量机增量算法的锅炉燃烧效率预测方法，包括以下步骤：S1选取径向基函数作为支持向量机模型核函数；S2选择锅炉燃烧的总燃料量、总风量、烟气含氧量3个参数，给煤率5个参数，磨煤机通风量6个参数，燃烧器摆角，燃尽风挡板开度，二次风门开度AA~EF的6个参数共24个参数，根据电厂DCS系统的历史数据，每隔30s采样一次，构成初始数据集；S3将初始数据进行简单的预处理，剔除其中重复的数据；S4在进行预处理后的电厂DCS系统数据，选取工况1~99、101~200为训练样本，工况100为测试样本；S5取支持向量机模型的敏感系数ε=0.0001，训练精度为0.00001，罚系数C与宽度系数σ的缺省...

【技术特征摘要】

【专利技术属性】
技术研发人员：叶向前，谭磊，韩玲，方彦军，
申请(专利权)人：广东电网公司电力科学研究院，武汉大学，
类型：发明
国别省市：