钢铁企业高炉煤气受入量的组合预测模型
针对钢铁企业中高炉煤气( BFG)受入量难以有效预测的问题,提出了一种基于数据滤波的组合预测模型。首先,采用经验模态分解( EMD)法将原始训练数据分解为相互独立的固有模态函数,根据各模态函数自相关函数的特点滤去噪声分量,采用滤波后的重构序列作为训练样本;然后,采用组合的支持向量机( SVM)模型对受入量进行预测,并利用遗传算法( GA)对支持向量机的参数进行优化;最后,利用现场实际数据验证该模型的预测精度,并与传统预测方法相比较,三组预测的平均绝对百分误差分别为3.22'、4.43'和5.23'。结果表明该方法对高炉煤气受入量的预测具有较高精度,为煤气管网的平衡调度提供了决策支持。
高炉煤气受入量、经验模态分解、支持向量机、遗传算法
TP181(自动化基础理论)
国家自然科学基金资助项目61203302。
2014-12-30(万方平台首次上网日期,不代表论文的发表时间)
共5页
176-179,223