本文主要研究内容
作者杨青（2019）在《基于LSTM的燃煤锅炉NO_x排放预测研究》一文中研究指出：采用传统机器学习算法对电站锅炉建模时会有数据特征选择要求和稳态提取要求,为解决这一问题,采用一种长短时记忆(LSTM)递归神经网络对电站锅炉的NO_x排放进行了预测建模研究。模型训练和测试的数据为机组7天左右的历史运行数据,共10 000条,54个维度。结果表明,LSTM具有优秀的预测能力和泛化能力:对于训练集数据,所有样本的相对误差均小于5%,烟道A、B两侧NO_x浓度预测的平均相对误差分别为0.43%和0.44%;对于测试集数据,分别有97.49%和97.22%的样本相对误差小于10%,平均相对误差分别为2.08%和2.51%。同时,研究发现,相对于传统机器学习算法,LSTM对于机组变工况过度状态也有很好的预测能力。
Abstract
cai yong chuan tong ji qi xue xi suan fa dui dian zhan guo lu jian mo shi hui you shu ju te zheng shua ze yao qiu he wen tai di qu yao qiu ,wei jie jue zhe yi wen ti ,cai yong yi chong chang duan shi ji yi (LSTM)di gui shen jing wang lao dui dian zhan guo lu de NO_xpai fang jin hang le yu ce jian mo yan jiu 。mo xing xun lian he ce shi de shu ju wei ji zu 7tian zuo you de li shi yun hang shu ju ,gong 10 000tiao ,54ge wei du 。jie guo biao ming ,LSTMju you you xiu de yu ce neng li he fan hua neng li :dui yu xun lian ji shu ju ,suo you yang ben de xiang dui wu cha jun xiao yu 5%,yan dao A、Bliang ce NO_xnong du yu ce de ping jun xiang dui wu cha fen bie wei 0.43%he 0.44%;dui yu ce shi ji shu ju ,fen bie you 97.49%he 97.22%de yang ben xiang dui wu cha xiao yu 10%,ping jun xiang dui wu cha fen bie wei 2.08%he 2.51%。tong shi ,yan jiu fa xian ,xiang dui yu chuan tong ji qi xue xi suan fa ,LSTMdui yu ji zu bian gong kuang guo du zhuang tai ye you hen hao de yu ce neng li 。
论文参考文献
论文详细介绍
论文作者分别是来自机电信息的杨青，发表于刊物机电信息2019年05期论文，是一篇关于递归神经网络论文,长短时记忆论文,排放论文,燃烧优化论文,电站锅炉论文,机电信息2019年05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，资料来自机电信息2019年05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。