基于KPCA-LS-SVM的工业锅炉烟气含氧量预测

摘要

排烟含氧量是评价燃烧过程好坏和锅炉优化运行的重要指标，也是调节最佳风煤比的主要依据。针对工业锅炉氧量计使用受限的问题，提出一种混合的软测量方法。为了提高烟气含氧量的软测量预测精度，本文分析与烟气含氧量有关的锅炉运行变量，从中确定8个，并采用核主成分析法进行参数处理，整合冗余，降低维数。经处理后得到的6个主成分，其累计贡献率达95.522%，以此作为最小二乘支持向量机软测量模型的输入。在此基础上，通过划分网格来改进交叉实验法，进而优化最小二乘支持向量机的两个参数。经优化得到的误差参数.和径向基核函数参数分别为90.3和239.6，模型具有较高的训练精度。最后对某循环流化床锅炉进行建模仿真，利用采集的数据，分别建立最小二乘支持向量机、核主成分分析的最小二乘支持向量机和BP神经网络三种模型。应用三种模型对烟气含氧量进行预测，并采用三个模型性能指标进行对比分析。结果表明，基于核主成分分析的最小二乘支持向量机的工业锅炉烟气含氧量模型，在小样本条件下学习更加有效，建模采样过程更快，预测精度更高。该模型有助于实现工业锅炉烟气含氧量在线软测量。