亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于極端學(xué)習(xí)機的NOx預(yù)測模型樣本特性研究

        2020-11-17 05:49:14申志文李慶偉
        上海電力大學(xué)學(xué)報 2020年5期
        關(guān)鍵詞:模型

        申志文, 李慶偉

        (上海電力大學(xué) 能源與機械工程學(xué)院, 上海 200090)

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

        鍋爐燃燒系統(tǒng)具有非線性和強耦合的性質(zhì),難以用機理建模的方法建立準確的NOx排放預(yù)測模型。隨著人工智能的興起,許多學(xué)者開始利用機器學(xué)習(xí)建立NOx排放預(yù)測模型,常用方法有人工神經(jīng)網(wǎng)絡(luò)[5-6]和支持向量機[7-8]。

        HUANG G B等人[9]提出的極端學(xué)習(xí)機(Extreme Learning Machine,ELM)是一種重要的NOx排放預(yù)測建模方法。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比,ELM具有泛化性能好、學(xué)習(xí)速度快、精度高等優(yōu)點[10]。目前,針對輸入權(quán)值和隱藏層閾值優(yōu)化的研究較多,常用的優(yōu)化方法有風(fēng)驅(qū)動算法[11]、混沌分組教與學(xué)優(yōu)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(shù)后生存時間進行了預(yù)測分析,訓(xùn)練樣本數(shù)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(xùn)練樣本個數(shù)、隱藏層節(jié)點數(shù)、輸入層權(quán)值以及隱藏層節(jié)點偏置量4個重要參數(shù)對ELM分類器性能的影響程度。為了解決分類學(xué)習(xí)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(xùn)練樣本數(shù)量下保持優(yōu)異的精度性能。

        火電廠NOx排放預(yù)測建模屬于多維、強耦合的復(fù)雜問題,目前尚未有ELM樣本特性分析的相關(guān)工作。本文在總樣本一定的前提下,研究了測試樣本數(shù)對NOx預(yù)測性能的影響,并尋找最佳的測試樣本數(shù)。

        1 極端學(xué)習(xí)機

        ELM通過隨機產(chǎn)生的輸入權(quán)值和隱藏層閾值,利用最小二乘法和M-P廣義逆矩陣求解輸出權(quán)值。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

        圖1 ELM網(wǎng)絡(luò)結(jié)構(gòu)示意

        對ELM的描述如下。

        k=1,2,3,…,N

        (1)

        b——隱藏層各節(jié)點的閾值矩陣,b=[b1,b2,…,bl]T。

        式(1)可以簡化為

        Hβ=T

        (2)

        (3)

        β=H+T

        (4)

        式中:H——隱藏層輸出矩陣;

        β——輸出權(quán)值矩陣,β=[β1,β2,…,βl]T;

        T——N×1維的目標輸出據(jù)陣,T=[t1,t2,…,tN]T。

        ELM的學(xué)習(xí)步驟可總結(jié)如下:首先,設(shè)置激活函數(shù)和隱藏層節(jié)點數(shù);其次,隨機生成輸入權(quán)值和隱藏層閾值;再次,利用式(3)計算隱藏層輸出矩陣H;最后,利用式(4)計算輸出權(quán)值矩陣。

        2 基于ELM的NOx預(yù)測樣本特性研究

        訓(xùn)練樣本數(shù)過多會影響預(yù)測模型的訓(xùn)練速度,數(shù)量過少則會影響預(yù)測模型的性能。本文基于ELM建立預(yù)測模型,研究在總樣本數(shù)目一定的條件下,測試樣本數(shù)目對預(yù)測性能的影響。選擇測試集均方根誤差(Root Mean Squared Error,RMSE),即預(yù)測樣本RMSE作為性能指標,公式為

        (5)

        預(yù)測樣本的特性研究具體步驟如下:

        (1) 設(shè)置隱藏層節(jié)點數(shù)和激活函數(shù)類型等神經(jīng)網(wǎng)絡(luò)參數(shù);

        (2) 根據(jù)不同測試樣本數(shù)劃分訓(xùn)練集和測試集;

        (3) 利用訓(xùn)練集訓(xùn)練ELM模型;

        (4) 利用訓(xùn)練好的ELM模型對訓(xùn)練集和測試集樣本進行預(yù)測;

        (5) 計算訓(xùn)練集和測試集樣本的RMSE;

        (6) 返回步驟3,直到實驗次數(shù)達到31次;

        (7) 計算當(dāng)前測試集樣本數(shù)下測試樣本中位數(shù)RMSE;

        (8) 返回步驟2,直到測試樣本數(shù)達到最大值;

        (9) 根據(jù)不同測試集樣本數(shù)下測試樣本中位數(shù)RMSE,選出最優(yōu)測試樣本數(shù)。

        上述研究方法的流程如圖2所示。

        圖2 基于ELM的預(yù)測樣本特性研究流程

        3 實驗結(jié)果與分析

        3.1 實驗數(shù)據(jù)與參數(shù)設(shè)置

        采用文獻[17]中的數(shù)據(jù),對330 MW電站鍋爐進行實驗。選取負荷、給煤機轉(zhuǎn)速、一次風(fēng)速、二次風(fēng)速、排煙氧量、燃盡風(fēng)擋板開度和煤質(zhì)等26個參數(shù)進行變工況實驗,工況1~工況3、工況4、工況5~工況6,工況7~工況14和工況15~工況20分別燃用不同的煤種。

        ELM的隱藏層激活函數(shù)為sig函數(shù),隱藏層節(jié)點的數(shù)量設(shè)置為30,分別選取不同數(shù)目的測試樣本重復(fù)實驗31次。

        3.2 結(jié)果與分析

        測試樣本中位數(shù)RMSE隨樣本個數(shù)的變化趨勢如圖3所示。由圖3可以看出,隨著測試樣本數(shù)的增加,測試樣本中位數(shù)RMSE整體呈現(xiàn)增長的趨勢,當(dāng)測試樣本數(shù)為2個時,測試樣本中位數(shù)RMSE最小,此時,訓(xùn)練樣本數(shù)為18個。

        圖3 測試樣本中位數(shù)RMSE隨樣本數(shù)的變化趨勢

        為進一步研究樣本數(shù)目對預(yù)測性能的影響,對31次預(yù)測樣本RMSE進行觀察。預(yù)測樣本RMSE隨測試樣本數(shù)目變化趨勢如圖4所示。對于訓(xùn)練集,測試樣本數(shù)目的影響較小,均能達到較好的預(yù)測效果;而對于測試集,隨著測試樣本數(shù)的增加,訓(xùn)練樣本數(shù)減少,RMSE呈明顯增大的趨勢。當(dāng)測試樣本數(shù)為2個時,預(yù)測樣本RMSE整體較小,且波動范圍相對較小。

        圖4 31次實驗預(yù)測樣本RMSE隨測試樣本數(shù)的變化趨勢

        當(dāng)測試樣本數(shù)為2個時,對訓(xùn)練樣本和測試樣本進行預(yù)測,其預(yù)測絕對誤差結(jié)果如圖5所示。其中,樣本編號1和2的樣本為測試樣本。由圖5可以看出,模型在訓(xùn)練樣本上的預(yù)測性能較好,在測試樣本上的誤差也較為理想,但泛化性能還存在進一步提升的空間。

        圖5 測試樣本數(shù)為2個的31次實驗預(yù)測絕對誤差分布

        4 結(jié) 語

        電廠鍋爐燃燒優(yōu)化的關(guān)鍵是建立準確的預(yù)測模型。本文建立了基于ELM的NOx排放預(yù)測模型,并研究了不同測試樣本數(shù)對該模型性能的影響。實驗結(jié)果表明,隨著測試樣本數(shù)的增加,測試樣本中位數(shù)RMSE整體呈現(xiàn)增長的趨勢。當(dāng)測試樣本數(shù)為2個時,預(yù)測的測試樣本中位數(shù)RMSE最佳,預(yù)測樣本RMSE整體較小,且波動范圍相對較小,但模型的泛化性能還存在進一步提升的空間。

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機模型
        提煉模型 突破難點
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
        3D打印中的模型分割與打包
        国产极品少妇一区二区| 麻豆久久久国内精品| 日本黄色高清视频久久| 久久精品免费中文字幕| 最近中文字幕完整版免费 | 国产高清一级毛片在线看| 久久精品人妻一区二三区| 人与人性恔配视频免费| 1区2区3区高清视频| 午夜福利不卡无码视频| 中文字幕成人精品久久不卡91 | 国产真人无遮挡免费视频| 国产白浆流出一区二区| 免费人成视频网站在线观看不卡| 成人性生交大片免费看l| 日本一二三区视频在线| 久久久久亚洲av无码a片软件| 被暴雨淋湿爆乳少妇正在播放| 伊人久久大香线蕉av不变影院| 久热re这里精品视频在线6| 在线欧美中文字幕农村电影| 精品国产一级毛片大全| 免费av网址一区二区| 久久精品中文少妇内射| 88久久精品无码一区二区毛片| 香蕉视频免费在线| 久久九九精品国产不卡一区| 一区二区三区视频| 亚洲无码精品免费片| 日韩精品少妇专区人妻系列| 人妖一区二区三区四区| 97se亚洲国产综合自在线| 美女裸体无遮挡免费视频国产| 中文字幕在线乱码亚洲| 成 人色 网 站 欧美大片在线观看| 亚洲av无码1区2区久久| 韩国无码精品人妻一区二 | 丝袜美足在线视频国产在线看| 亚洲av无码成人网站在线观看| 国自产偷精品不卡在线| 官网A级毛片|