自动化仪表
自動化儀錶
자동화의표
PROCESS AUTOMATION INSTRUMENTATION
2015年
3期
62-67
,共6页
软测量%样本优化%核主成分分析%最小二乘支持向量机%BP神经网络
軟測量%樣本優化%覈主成分分析%最小二乘支持嚮量機%BP神經網絡
연측량%양본우화%핵주성분분석%최소이승지지향량궤%BP신경망락
Soft sensing%Sample optimization%Kernel principal component analysis(KPCA)%Least square support vector machine (LSSVM)%BP neural network
针对建立热电厂磨煤机一次风量软测量模型训练样本多、样本特征维数大等特点,考虑到现场测量所需的实时性和准确性,提出了基于样本优化、核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)相结合的方法进行建模.运用某电厂历史运行数据对模型进行仿真验证,结果表明:基于样本优化的KPCA-LSSVM软测量模型在精确性、跟踪能力和运行速度上均要优于LSSVM、BP和KPCA-BP模型,这为现场磨煤机一次风量的准确、实时测量提供了一定的理论依据.
針對建立熱電廠磨煤機一次風量軟測量模型訓練樣本多、樣本特徵維數大等特點,攷慮到現場測量所需的實時性和準確性,提齣瞭基于樣本優化、覈主成分分析(KPCA)和最小二乘支持嚮量機(LSSVM)相結閤的方法進行建模.運用某電廠歷史運行數據對模型進行倣真驗證,結果錶明:基于樣本優化的KPCA-LSSVM軟測量模型在精確性、跟蹤能力和運行速度上均要優于LSSVM、BP和KPCA-BP模型,這為現場磨煤機一次風量的準確、實時測量提供瞭一定的理論依據.
침대건립열전엄마매궤일차풍량연측량모형훈련양본다、양본특정유수대등특점,고필도현장측량소수적실시성화준학성,제출료기우양본우화、핵주성분분석(KPCA)화최소이승지지향량궤(LSSVM)상결합적방법진행건모.운용모전엄역사운행수거대모형진행방진험증,결과표명:기우양본우화적KPCA-LSSVM연측량모형재정학성、근종능력화운행속도상균요우우LSSVM、BP화KPCA-BP모형,저위현장마매궤일차풍량적준학、실시측량제공료일정적이론의거.
