本文主要研究内容
作者董泽,马宁,李长青（2019）在《基于偏最小二乘和超限学习机结合的电站锅炉NO_x排放建模（英文）》一文中研究指出：为了降低NO_x排放量,需要建立一个实时准确的NO_x排放模型.提出了基于偏最小二乘(PLS)和超限学习机(ELM)相结合的PLS-ELM模型用于建立电站锅炉NO_x排放模型.首先,根据机理分析确定NO_x排放模型的初始输入变量,然后,利用PLS对初始输入数据进行特征提取,最后,将提取后的信息作为ELM模型的输入.利用某1 000 MW电站锅炉分散控制系统(DCS)历史数据库中的现场运行数据对PLS-ELM模型进行训练和验证,并将模型的性能与BP神经网络、SVM和ELM模型进行了对比.PLS-ELM模型对训练数据集和测试数据集的平均相对误差(MRE)分别为1.58%和1.69%.仿真结果表明:PLS-ELM模型的预测精度和模型的耗时均优于BP、SVM和ELM模型.
Abstract
wei le jiang di NO_xpai fang liang ,xu yao jian li yi ge shi shi zhun que de NO_xpai fang mo xing .di chu le ji yu pian zui xiao er cheng (PLS)he chao xian xue xi ji (ELM)xiang jie ge de PLS-ELMmo xing yong yu jian li dian zhan guo lu NO_xpai fang mo xing .shou xian ,gen ju ji li fen xi que ding NO_xpai fang mo xing de chu shi shu ru bian liang ,ran hou ,li yong PLSdui chu shi shu ru shu ju jin hang te zheng di qu ,zui hou ,jiang di qu hou de xin xi zuo wei ELMmo xing de shu ru .li yong mou 1 000 MWdian zhan guo lu fen san kong zhi ji tong (DCS)li shi shu ju ku zhong de xian chang yun hang shu ju dui PLS-ELMmo xing jin hang xun lian he yan zheng ,bing jiang mo xing de xing neng yu BPshen jing wang lao 、SVMhe ELMmo xing jin hang le dui bi .PLS-ELMmo xing dui xun lian shu ju ji he ce shi shu ju ji de ping jun xiang dui wu cha (MRE)fen bie wei 1.58%he 1.69%.fang zhen jie guo biao ming :PLS-ELMmo xing de yu ce jing du he mo xing de hao shi jun you yu BP、SVMhe ELMmo xing .
论文参考文献
论文详细介绍
论文作者分别是来自Journal of Southeast University(English Edition)的董泽,马宁,李长青，发表于刊物Journal of Southeast University(English Edition)2019年02期论文，是一篇关于排放论文,偏最小二乘论文,超限学习机论文,电站锅炉论文,Journal of Southeast University(English Edition)2019年02期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自Journal of Southeast University(English Edition)2019年02期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：排放论文; 偏最小二乘论文; 超限学习机论文; 电站锅炉论文; Journal of Southeast University(English Edition)2019年02期论文;