基于约束支持向量回归的电站锅炉燃烧优化建模

为建立一个有效的电站锅炉效率与NOx排放浓度预测模型，在最小二乘支持向量回归算法（Least Squares Support Vector Regression,LSSVR）基础上进行改进，提出了约束支持向量回归算法（Constraint Support Vector Regression,CSVR），通过优化支持向量的选择策略，来增强算法泛化能力和对不良数据的抵御能力。初始数据经主成分分析(Principal Component Analysis，PCA)后，输入基于CSVR算法的锅炉燃烧模型进行训练，并将建模结果与LSSVR算法和BP神经网络算法进行了比较。结果表明：使用PCA对数据预处理后，输入变量维数由五维降到三维，简化了模型结构，同时又保留了输入数据的主要特征。在相当的平均预测误差水平上，CSVR算法选用支持向量数目分别只有83个和117个，远少于LSSVR算法选用的900个；CSVR的最大预测相对误差只有3%，远低于LSSVR的25.8%，BP算法介于两者之间。

Combustion Optimization Modeling of Boiler in Power Plant based on Constrain Support Vector Regression