基于極端學習機的NOx預測模型樣本特性研究

申志文, 李慶偉

(上海電力大學 能源與機械工程學院, 上海 200090)

燃煤發電在我國乃至世界范圍內仍然是一種重要的發電形式,而煤炭燃燒是NOx的主要來源之一[1-2]。為實現火力發電廠的超低排放,我國環保部門制定了嚴格的NOx排放標準[3]。燃燒優化技術是一種簡單、高效、廉價的燃煤電廠NOx減排技術,精準的NOx排放模型是燃燒優化技術的基礎[4]。

鍋爐燃燒系統具有非線性和強耦合的性質,難以用機理建模的方法建立準確的NOx排放預測模型。隨著人工智能的興起,許多學者開始利用機器學習建立NOx排放預測模型,常用方法有人工神經網絡[5-6]和支持向量機[7-8]。

HUANG G B等人[9]提出的極端學習機(Extreme Learning Machine,ELM)是一種重要的NOx排放預測建模方法。與傳統神經網絡相比,ELM具有泛化性能好、學習速度快、精度高等優點[10]。目前,針對輸入權值和隱藏層閾值優化的研究較多,常用的優化方法有風驅動算法[11]、混沌分組教與學優化算法[12]、量子粒子群算法[13]。

朱志華等人[14]對非小細胞肺癌病人術后生存時間進行了預測分析,訓練樣本數目分別為110,130,150。范宇辰[15]針對一種Benchmark分類問題,利用仿真實驗探討了訓練樣本個數、隱藏層節點數、輸入層權值以及隱藏層節點偏置量4個重要參數對ELM分類器性能的影響程度。為了解決分類學習缺乏足夠的缺陷樣本的問題,MA L Y等人[16]提出了高斯混合模型密度估計的ELM,以檢測鋰離子聚合物電池的電池片中的氣泡缺陷,能夠在不同的訓練樣本數量下保持優異的精度性能。

火電廠NOx排放預測建模屬于多維、強耦合的復雜問題,目前尚未有ELM樣本特性分析的相關工作。……