[发明专利]基于PCA-IFOA-LSSVM集成的电站锅炉NOx

说明书

本发明公开提供了基于PCA‑IFOA‑LSSVM集成电站锅炉NO_x排放预测的算法，方法包括：对高维样本矩阵进行预处理；根据归一化后的NO_x排放量高低划分样本空间；通过主成分分析(PCA)提取各子空间的主成分；基于最小二乘支持向量机(LSSVM)来构造各子空间模型；采用改进的果蝇优化算法(IFOA)对LSSVM中的核函数带宽和惩罚因子全局寻优；最后利用分段拟合集成各子模型得到模型输出。本发明与其他预测模型相比提高了预测精度，缩短了预测时间，能够比较准确地预测电站锅炉NO_x排放及其走势。

技术领域

本发明涉及人工智能领域，特别是一种基于PCA-IFOA-LSSVM集成的电站锅炉NO_x排放预测方法。

背景技术

随着国家对燃煤机组污染物排放的治理力度日益增强，精确有效的建立电站锅炉污染物排放预测模型对进一步污染物的控制减排具有重要意义。而氮氧化物作为火力发电污染物的主要成分之一，其影响因子往往具有多变量，强耦合等特点，因此难以用简单的传统模型进行数学描述。

目前针对锅炉NO_x排放量预测建模，常用的方法有人工神经网络、支持向量机(SVM)和最小二乘支持向量机(LSSVM)等机器学习算法。在电站锅炉NO_x排放的预测建模方面，通过传统的优化算法解决LSSVM的超参数寻优问题，可以在缩小训练时间的同时提高精度，但这类预测建模过程存在着以下缺陷：在面对高维样本集时，采用NO_x形成机理分析、变量筛选等方法无法较完整的保留原始输入信息，从而导致精度无法进一步提高；在面对样本集稍大的情况时，LSSVM模型参数寻优时间过长，无法满足短期预测的要求，而且参数寻优的效果一般。

针对高维样本集的降维问题，主成分分析法能有效的保留原始输入信息，简化系统结构，并且能够克服变量之间的相关性。针对样本集较大时寻优时间过长且效果不显著的问题，数据分段拟合能够较好的分块计算，从而减少计算量，提高运算速度；而果蝇优化算法(FOA)作为一种适用于全局的优化算法，因其算法简单、参数少、精度高等优点常与LSSVM结合应用在各个领域的预测建模中，但有易于限入局部最优等缺陷，因此需要进行一定的改进。另外，多模型集成可以有效的地解决LSSVM模型效率低和误差较大的问题，一些复杂的工况建模可采用多模型集成的方法来提高预测精度，且有更好的鲁棒性。为此，提出一种PCA、IFOA、LSSVM和分段拟合相结合的PCA-IFOA-LSSVM集成模型，实现对电站锅炉NO_x排放的预测。

发明内容

在本发明所要解决的问题是提供一种黄金价格预测方法，准确地预测电站锅炉NO_x排放的走势。

为解决上述技术问题，本发明所采取的技术方案如下。

确定所使用的样本数据。

对数据进行归一化处理。

使用PCA对初始数据进行降维处理。

其基本思想是通过分析原始数据，根据累计贡献率的大小得到主成分，使重构后的数据保留原始数据的主要信息。这样就降低原始数据间的相关性，达到数据降维的目的。

最小二乘支持向量机(LSSVM)

LSSVM将SVM中的不等式约束替换为了等式约束。故而其优点是简化了计算的复杂性，运算速度也明显快于SVM。但它有两个参数对模型的影响非常大，这就需要通过优化算法来使LSSVM达到最好的效果。

果蝇优化算法(FOA)

FOA作为一种交互式进化的优化算法，通过模拟果蝇群的觅食过程，实现全局寻优。而对FOA来说，使整个种群变为局部最优是非常容易的，但这可能导致算法收敛速度慢，收敛能力弱。

改进果蝇优化算法