基于粒子群支持向量回归优化的循环流化床床温预测分析
为了优化循环流化床锅炉(CFB)的床温系统控制,使用支持向量回归(SVR)人工智能方法进行建模预测;为提高预测结果的精准性,引入互信息法则(MI)及主成分分析法(PCA)作为输入特征选择手段,同时使用粒子群算法(PSO)进行参数寻优.研究结果表明,MI法则进行数据预处理并利用PSO算法优化后的SVR模型能够精确地预测在不同运行工况下的床温变化,且预测误差较小,拥有较强的泛化能力.
循环流化床、床温、支持向量回归、粒子群优化、特征选择
42
X701.3(一般性问题)
2022-06-29(万方平台首次上网日期,不代表论文的发表时间)
共7页
11-17