基于粒子群优化双支持向量机的SCR烟气脱硝效率预测模型

方贤; 铁治欣; 崔仕文; 丁成富; 谢磊; 刘晶晶

doi:10.19666/j.rlfd.201705031

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于粒子群优化双支持向量机的SCR烟气脱硝效率预测模型

热能科学研究 | 更新时间：2025-09-28

- 基于粒子群优化双支持向量机的SCR烟气脱硝效率预测模型
- Model for predicting SCR flue gas denitration efficiency based on particle swarm optimization and twin support vector machine
- 热力发电 2018年47卷第1期页码：53-58
- 作者机构：
  
  1. 浙江理工大学信息学院
  2. 聚光科技(杭州)股份有限公司
- 作者简介：
- 基金信息：
- DOI：10.19666/j.rlfd.201705031
  中图分类号： X773
- 纸质出版日期：2018
- 稿件说明：
移动端阅览
方贤, 铁治欣, 崔仕文, 等. 基于粒子群优化双支持向量机的SCR烟气脱硝效率预测模型[J]. 热力发电, 2018,47(1):53-58.

FANG Xian, TIE Zhixin, CUI Shiwen, et al. Model for predicting SCR flue gas denitration efficiency based on particle swarm optimization and twin support vector machine[J]. Thermal power generation, 2018, 47(1): 53-58.
方贤, 铁治欣, 崔仕文, 等. 基于粒子群优化双支持向量机的SCR烟气脱硝效率预测模型[J]. 热力发电, 2018,47(1):53-58. DOI： 10.19666/j.rlfd.201705031.

FANG Xian, TIE Zhixin, CUI Shiwen, et al. Model for predicting SCR flue gas denitration efficiency based on particle swarm optimization and twin support vector machine[J]. Thermal power generation, 2018, 47(1): 53-58. DOI： 10.19666/j.rlfd.201705031.

摘要

为了更好地分析燃煤电厂脱硝效率与相关影响因素之间的非线性关系

引入双支持向量机(TWSVM)作为分类预测框架

利用粒子群算法(PSO)对TWSVM的惩罚因子和核参数进行寻优

进而构建了针对选择性催化还原(SCR)烟气脱硝效率预测的PSO-TWSVM模型。通过提取某电厂工况监控系统近期数据

结合三倍标准差检验法与归一化法对数据进行预处理

并选取训练集与测试集。仿真结果表明:SCR烟气脱硝效率预测PSO-TWSVM模型最大相对误差小于±0.6%

平均相对误差保持在±0.3%以下

证明该模型的准确性高;对比支持向量机(SVM)模型发现

PSO-TWSVM模型既提高了预测精度

也节省了计算时间。

Abstract

In order to better analyze the nonlinear relationship between the denitration efficiency of coal-fired power plants and related factors

the twin support vector machine(TWSVM) was introduced as a classification framework. The particle swarm algorithm(PSO) was used to optimize the penalty factor and kernel function parameter of the TWSVM

and then the PSO-TWSVM model for predicting the SCR flue gas denitration efficiency was built up. Through extracting recent data of the power plant monitoring system and combining with three times standard deviation test and normalization method for data preprocessing

the training set and test set can be obtained. The simulation results show that

the maximum relative prediction error of the PSO-TWSVM model is no more than ±0.6%

and the average relative error is about ±0.3%

which proves the high efficiency of the model. In contrast with the SVM model

the PSO-TWSVM model not only improves the prediction accuracy

but also saves time.

关键词

Keywords

references

浏览量

279

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

SCR烟气脱硝自动控制系统及其在国华三河电厂的应用

尿素热解制氨技术在SCR脱硝中的应用

SCR烟气脱硝系统的运行方式及控制

SCR烟气脱硝技术在宁海电厂4号机组上的应用

3种烟气脱硝工艺技术经济比较分析