[发明专利]基于多模型聚类集成的锅炉烟气NOx

说明书

本发明公开提供了了一种基于多模型聚类集成的锅炉烟气NO_x排放量建模方法。方法包括：根据输出NO_x排放量的高低划分数据空间；通过基于相关性分析的变量权重和基于信息熵的分层聚类确定参与聚类的变量；利用提出的多模型聚类集成(VMSC)算法聚类得到各子空间的隶属度矩阵；采用融合隶属度的最小二乘法对各子空间的最小二乘支持向量机(LS‑SVM)模型进行集成。本发明通过集成模糊c均值聚类(FCM)和有监督的遗传算法‑软模糊聚类(GA‑SFCM)的VMSC算法提高了预测建模的精度，能够比较准确地预测炉烟气NOx排放及其走势。

技术领域

本发明涉及人工智能领域，特别是一种基于多模型聚类集成的锅炉烟气NO_x排放量预测方法。

背景技术

国家对燃煤机组污染物排放的治理力度日益增强，而NO_x作为火力发电污染物的主要成分之一，建立有效精确的NO_x预测模型是控制污染物排放的重要手段。电站锅炉的NO_x排放量受到诸如煤种、机组负荷、配风方式等因素的影响，因此往往难以用简单的传统模型进行数学描述。

目前，基于遗传算法(GA)和最小二乘支持向量机(LS-SVM)的电站锅炉NO_x排放量预测已经得到了广泛应用。直接利用LS-SVM模型对电站锅炉参数建立预测模型，LS-SVM模型和其他模型相比具有更好的泛化性，然而LS-SVM模型在样本集较大时建模的效果较差。遗传算法进行寻优，遗传算法和LS-SVM结合能够更快更有效地预测NO_x排放量，但其相对误差较大。

针对单一LS-SVM模型效率低和误差较大的问题，多模型集成可以有效的解决这些问题。一些复杂的工况建模问题可以采用多模型集成的方法来提高预测精度，而且在一定条件下，有着更好的鲁棒性。在采集数据的过程中，不同时刻的数据反映锅炉NO_x排放量的重要性不同，因此，引入信息熵加权来衡量各数据点的重要程度。软投票聚类集成算法(VMSC)可以产生更接近于各基聚类的结果，因此可以更好地保留模糊信息，同时通过不断迭代优化，增加算法的可靠性。融合隶属度的最小二乘法相较传统的最小二乘法具有更高的精度。

发明内容

在本发明所要解决的问题是提出一种对电站锅炉NO_x排放量预测的算法，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。

聚类变量的筛选

其基本思想是通过相关性分析的变量权重计算和基于信息熵的分层聚类来确定参与聚类的变量，从而消除冗余变量对预测结果的影响。

基于相关性的权重计算

根据输入与输出之间的相关性，赋予输入变量不同的权重，对输出NO_x排放量相关性较大的变量赋予高权重。

基于信息熵的分层聚类

引入分层聚类的方法确定不同输入变量之间的相似性。在采集数据的过程中，不同时刻的数据反映锅炉NO_x排放量的重要性不同，因此，引入信息熵加权来衡量各数据点的重要程度。在信息论中，熵是对随机事件不确定性程度的度量，用来计算一个随机信号不确定性程度的大小。

软投票聚类集成算法(VMSC)

VMSC算法首先根据基聚类的聚类结果计算平均隶属度矩阵，然后利用更新函数不断迭代优化平均隶属度矩阵，最后输出满足停止条件的更新隶属度矩阵。

融合隶属度的最小二乘法