基于SVR和GA的锅炉运行氧量基准值的优化确定_周建新

第 38卷第 6期 2008年 11月 东 南 大学 学 报 自 然 科 学 版 J O U R N A L O FS O U T H E A S TU N I V E R S I T Y N a t u r a l S c i e n c e E d i t i o n V o l 38 N o 6 N o v 2008 基于 S V R 和 G A 的锅炉运行氧量基准值的优化确定 周建新 1 司风琪 1 仇晓智 1 陈 晨 2 徐治皋 1 1 东南大学能源与环境学院 南京 210096 2 安徽省电力科学研究院 合肥 230022 摘要 借助现场运行数据 根据锅炉运行氧量的特性 建立了基于支持向量回归的锅炉运行氧量 预测模型 结果表明 S V R 模型具有较高的回归精度和较好的泛化能力 能够有效地对不同工况 下的锅炉氧量进行预测 在此基础上进行二次建模 获得了运行氧量 供电煤耗率与各运行参数 之间的关系模型 并结合全局寻优的遗传算法 以机组的供电煤耗率为优化目标对输入参数进行 寻优 确定了优化后的锅炉运行氧量基准值 计算结果表明该模型具有较高的准确性 通过全局 寻优得到的氧量值具有可操作性 很好地解决了锅炉变工况运行参数基准值的确定问题 关键词 锅炉 氧量 优化 支持向量回归 遗传算法 中图分类号 T K 227 1 文献标识码 A 文章编号 1001 0505 2008 06 1061 06 O p t i m i z a t i o no f b o i l e r o p e r a t i o no x y g e nc o n t e n t b a s e do ns u p p o r t v e c t o r r e g r e s s i o na n dg e n e t i c a l g o r i t h m s Z h o uJ i a n x i n 1 S i F e n g q i1 Q i uX i a o z h i1 C h e nC h e n2 X uZ h i g a o1 1S c h o o l o f E n e r g ya n dE n v i r o n m e n t S o u t h e a s t U n i v e r s i t y N a n j i n g210096 C h i n a 2A n h u i E l e c t r i cP o w e r R e s e a r c hI n s t i t u t e H e f e i 230022 C h i n a A b s t r a c t U s i n g t h e d a t a o f b o il e r o p e r a t i o n a s u p p o r t v e c t o r r e g r e s s i o n S V R m o d e l o f t h e b o i l e r o x y g e nc o n t e n t p r o p e r t y w a s d e v e l o p e d b a s e do n g a s o x y g e nc h a r a c t e r i s t ic T h e r e s u l ts s h o wt h a t t h e m o d e l b a s e d o nS V Rh a s m o r e a c c u r a te a n d f o r c ib le g e n e r a li z a t i o n a b i l i ty T h e m o d e l c a n p r e d i c t t h e o x y g e nc o n t e n t a c c u r a t e l yu n d e r d i f f e r e n t c o n d i t i o n s A f t e r t h a t a n o t h e r S V Rm o d e l d e s c r ib in gt h e r e l a ti o n s h ipb e t w e e no x y g e nc o n t e n t u n i t sp o w e r s u p p l yc o a l c o n s u m p t i o nr a tea n do p e r a t io np a r a m e te r s w a s a l s ob u i l t C o m b i n e d w i tht h e o p t i m i z a t io na lg o r i t h m s G A t h e f i d u c i a l o x y g e n c o n t e n t c a nb ed e te r m i n e da c c o r d i n gt ot h eo p t im a l o b j e c t o f th e u n i t s p o w e r s u p p l yc o a l c o n s u m p t io n r a t e R e s u l t s c o n f i r mth a t t h i s m e t h o dh a s h i g h c a l c u l a t i n gp r e c i s i o n a n dit is s u i ta b l e f o r e n g i n e e r in g p u r p o s e s d u e t oi t s m a n e u v e r a b i l i t y I t a l s oo f f e r sam e t h o df o r d e t e r m i n i n gth eo p e r a t in go x y g e n c o n t e n t u n d e r a c tu a l v a r i a n t c o n d i ti o n s K e yw o r d s b o il e r o x y g e nc o n t e n t o p t im i z a t i o n s u p p o r t v e c t o r r e g r e s s i o n g e n e t i c a l g o r i t h m s 收稿日期 2008 03 11 作者简介 周建新 1980 男 博士生 徐治皋 联系人 男 教授 博士生导师 z g x u s e u e d u c n 引文格式 周建新 司风琪 仇晓智 等 基于 S V R 和 G A的锅炉运行氧量基准值的优化确定 J 东南大学学报 自然科学版 2008 38 6 1061 1066 在燃煤电站锅炉燃烧调整的众多参数中 氧量 炉膛出口氧量 无疑是机组实际运行中影响经济 性和安全性最重要的参数之一 因为它表征了炉内 的整体燃烧状况 代表了炉膛整体配风水平 1 2 氧 量的变化不仅对锅炉热效率影响大 而且还与机组 的其他运行参数发生耦合作用 譬如送引风机耗电 率 主蒸汽温度 再热蒸汽温度以 及减温水量 等 2 因此根据机组当前运行状态确定合理 最佳 的炉膛出口氧量 本文将其定义为锅炉运行氧量 基准值 是一项非常重要的工作 但是 由于炉膛出口氧量受到如煤种 锅炉负 荷 配风方式 炉型 燃烧器型式 炉膛温度 风煤配 比等多种因素的影响 因此 在目前实际运行操作 中仅凭经验确定运行氧量及其控制参数的方法很 难保证锅炉安全经济运行 近年来 针对机组变氧 量运行的研究取得了一定的成果 文献 2 给出了 机组变氧量运行经济性理论分析方法 并结合变氧 量运行特性试验结果确定了最佳运行氧量 该方法 综合了与氧量相关的经济指标的影响 但是所需的 试验计算与理论推导较为繁琐 在实际的操作中存 在一定的困难 文献 3 中利用人工神经网络建立 了炉膛出口烟气含氧量特性模型 并以锅炉热效率 作为优化目标对最优运行氧量进行了预测 但神经 网络还存在着一些缺陷 4 如建模所需的样本数 量较多 建模训练时间较长 不适于在线学习和优 化等 文献 5 通过对运行数据的比较分析 研究 了烟气含氧量对锅炉运行综合性能的影响 并给出 了最优运行氧量的一般建议 最终的推荐值只是与 负荷相对应 没有考虑其他运行参数组合变化的影 响 支持向量机 s u p p o r t v e c to r m a c h i n e s S V M 是在统计学习理论 6 的基础之上发展起来的新一 代机器学习算法 该方法特别适合小样本学习 具 有学习速度快 全局最优和推广能力强的优点 该 算法目前在复杂系统建模 预测 控制 时间序列分 析 函数估计 故障诊断和模式识别等领域得到了 广泛的应用 7 本文借助于现场运行数据 建立了 基于 支持 向 量回 归 s u p p o r tv e c t o rr e g r e s s i o n S V R 的锅炉氧量特性模型 结果表明该方法能够 较为准确地对各运行工况下的氧量进行预测 然后 根据锅炉运行氧量的特性进行二次建模 获得了运 行氧量 机组供电煤耗率与各运行参数之间的关系 模型 最后以机组的供电煤耗率为优化目标 并结 合遗传算法对输入参数进行寻优 最终确定了优化 后的锅炉运行氧量基准值 1 基于支持向量回归的锅炉氧量预 测模型 1 1 S V R 方法简介 7 8 支持向量机是根据统计学习理论提出的学习 方法 其最大特点是针对结构风险最小化原则提出 的 改变了传统的经验风险最小化原则 因此具有 很好的泛化能力 该算法最初用于分类问题 后来 又不断扩展到其他领域 在回归建模方面也有较好 的应用 将支持向量机用于解决回归问题即支持向 量回归 S V R 可以表述为 由 k 组样本组成的训练集 T x 1 y1 x2 y2 xk yk k 其 中 x i R n y i R i 1 2 k 在线性 函数集 F f x w x b 中寻 找回归函数 f x 0 使得损失函数 L y f x 在训练集上最小 为保证解的稀疏性和回归结果的鲁棒性 损失 函数采用如下 不敏感损失函数 L y f x y f x 0y f x y f x 其他 1 式中 y 为真实值 f x 为预测值 根据支持向量机的结构风险最小化原则 引进 下述结构风险函数 mi n w b R w 1 2 w 2 C k i 1 i i s t y i w xi b i w x i b yi i i i 0 2 式 2 中右边第 1项是描述回归函数 f x 0 复杂度的项 即为结构风险 为了控制回归函数的 复杂度 应使 w 2尽量小 第 2项为训练样本产生 的经验风险 规则化常数 C C 0 是用来对超出 误差 的样本的惩罚程度进行控制的 也称惩罚系 数 i i 0为引入的松弛因子 是为了使式 2 的解存在 9 然后根据最优化理论中非线性规划最优解与 拉格朗日函数鞍点的关系 可求得问题的最优解 根据对偶原理转化为下式 m a x Q 1 2 k i j 1 i i j j K x i xj k i 1 i i k i 1 y k i i s t k i 1 i i 0 i i 0 C 3 并求其最大点 其中内积运算 x i x 替换为核函数 K x i x 由此可求得拉格朗日乘子 i i 进而解 得线性回归函数 f x w x b k i 1 i i K xi x b 4 式中 K x i x xi x 称为核函数 实现 将非线性的自变向量转换到高维特征空间 最后在 高维特征空间内进行线性函数拟合 以实现原问题 的非线性回归估计 1 2 模型输入变量选择 在构建回归模型时 根据研究对象的特性以及 1062东南大学学报 自然科学版 第 38卷 对锅炉燃烧基本原理的分析 10 来选取模型的输入 变量 对于具体的研究对象 当锅炉投产运行后 其 容量 炉型以及炉膛结构等参数均已确定 氧量就 主要与运行工况以及煤质特性相关 因此本文针对 现场运行数据 以入炉总煤量 总风量以及二次风 量表示锅炉热负荷以及风煤对氧量的影响 取送 引风机电流来反映氧量变化与辅机电耗的关 系 5 取冷空气温度和低位发热量 Q a r n e t p 收到基的 挥发分 Va r 水分 Ma r 灰分 Aa r等 煤质特性参 数 2 3 10 来描述环境和煤质变化对氧量的影响 以 上参数作为 S V R 模型的输入变量 输出则为锅炉 氧量 输入值和输出值都需进行标准化处理 1 3 数据样本的获取 为了完成对 S V R 模型的训练和测试 并保证 数据能够准确地反映现场实际 本文针对安徽某电 厂新投产的 300 MW机组 选取稳定工况 10 下 50 100 负荷点的运行参数实测值以及性能计 算结果作为数据样本 共 98组 为了充分检验回归 模型的训练效果 测试样本均匀分布在各负荷段 内 共 19组数据 剩余 79组作为训练样本 由于篇 幅所限仅列出部分测试样本 如表 1所示 表 1 测试样本 工况 总煤量 t h 1 总风量 t h 1 二次风量 t h 1 送 引风机 电流 A 环境温度 Q a r n e tp k J k g 1 Ma r V a r A a r 氧量 155 7751 1444 961 718 522 009 75 4227 8329 616 41 256 6765 8452 462 117 622 009 75 4227 8329 615 16 1289 51 013 9650 473 322 722 832 65 3029 1927 442 27 1390 91 014 4653 173 022 522 832 65 3029 1927 443 92 1896 41 129 9754 479 020 622 254 96 0528 5629 212 96 1998 41 132 8745 279 020 322 254 96 0528 5629 213 03 1 4 模型训练与检验分析 1 4 1 核函数及模型参数的选取与分析 核函数的选取对于支持向量回归的性能具有 较大的影响 而且如何选择合适的核函数也是支持 向量机算法理论上需要完善的主要问题 本文采用 择优比较选择的方法来确定核函数 最终选用径向 基函数 K x i x e x p x x i 2 2作为 S V R 模 型的核函数 11 则对于该模型 需要确定的模型参 数有惩罚系数 C 不敏感系数 以及核函数的待定 参数宽度系数 由式 2 可知惩罚系数 C 值的大小决定着由 训练样本产生的经验风险对模型的影响程度 C 值 变大 经验风险随之增加 当 C 值为无穷大时 结 构风险最小化就蜕变为经验风险最小化 反之 C 值减小 经验风险也随之减小 但若 C值过小 则 所得到的模型就不会包含大量训练数据的信息 所 建立的模型也就不能真实反映对象特性 核参数宽 度系数 对 S V M的泛化性能起着关键作用 很 小时 支持向量之间的联系比较松弛 会对训练集 造成过学习现象 泛化推广能力较差 反之 太 大 支持向量间的影响过强 回归模型难以达到足 够的精度 会对训练集产生欠学习现象 12 因此综上所述 在用 S V R算法进行实际建模 计算时 选择合适的模型参数非常重要 对于具体 研究对象 在能够解决问题的情况下 可以通过不 断地搜索来选择合适的参数值 由于 S V M工具箱 提供的交叉验证优化参数方法相当费时 实践中本 例文采用了网格搜索的方法 即给定惩罚系数 C 和宽度系数 的取值范围 初始值以及变化步长 然后对二者的取值进行组合训练 最后选择误差最 小的一组参数作为最优的 C 和 如果结果均不理 想 则重新考虑 C 和 的范围与步长 不敏感系数 的值反映了模型对数据中噪声幅度的容许界限 在满足所解决问题精度允许的范围内 通过简单的 调整可以得到合适的值 1 4 2 S V R 建模实例及分析 在以上分析基础上 利用支持向量回归对某 300 MW机组建立了锅炉运行氧量特性的预测模 型 图 1为经 S V R 训练后氧量回归值与实测值的 比较曲线 表 2为测试样本回归值的相对误差 模 型输出值与现场实际计算值之间的相对误差最大 为 4 663 可见 无论对于训练样本还是测试样 本 预测值与实测值都已经十分接近 表明该模型 的回归精度能够满足工程的实际要求 并且具有良 好的泛化能力 能够在不同工况下对锅炉氧量进行 1063第 6期周建新 等 基于 S V R 和 G A 的锅炉运行氧量基准值的优化确定 准确估算 可以以此模型为基础 进行运行氧量的 寻优工作 图 1 S VR回归值与实测值的比较 表 2 氧量回归值的相对误差 工况 负荷 MW 氧量 实测值 氧量 回归值 相对 误差 1162 76 4126 4010 172 2166 85 1635 1910 542 12263 22 2682 3413 219 13267 03 9243 7414 663 18284 82 9652 9101 855 19286 33 0333 0430 330 1 4 3 模型稳定性分析 在对锅炉运行氧量进行实时预测时 S V R 模 型输出值的稳定与否是十分重要的 因为模型输出 值的准确性和稳定性将对锅炉氧量基准值的优化 确定造成较大的影响 因此预测模型应该能够保证 在输入参数发生部分偏差时 依然能够得出较为准 确的结果 因此本文对 S V R 模型进行了必要的稳 定性检验 图 2 输入参数偏差 10 时回归值的相对误差 分别在输入参数上附加了 5 和 10 的随机 量 方法参见文献 13 图 2为偏差为 10 时模型 输出的相对误差曲线 从中可以看出 在添加了偏 差量后 除少数点外 模型输出相对误差基本都在 2 以内 由此可见 S V R 回归模型受输入参数 波动的影响较弱 其输出具有较高的稳定性 能够 适应运行调整参数发生波动时对氧量的实时预测 1 4 4 S V R 与 B P N N回归模型的比较分析 基于 B P 神经网络的回归建模目前研究较 多 3 为了进行对比 本节利用 B P 神经网络建立 了氧量预测模型 将训练样本和测试样本的均方差 MS E 作为二者比较的标准 结果如表 3所示 表 3 S V R与 B P N N模型的比较 训练 样本数 测试 样本数 S V RB P NN 训练均方 差 10 4 测试均方 差 10 3 训练均方 差 10 7 测试均方 差 10 2 791910 63 2857 66 95 60308 664 582 989 59 402021 22 763 2215 8 20109 343 456 1314 7 由表 3可知 在训练样本数相同时 虽然 B P 模型的训练均方差远小于 S V R模型的训练均方 差 但是对于测试精度 S V R 模型明显要高于 B P 模型 同时 当训练样本数发生变化时 可以明显地 观察到 S V R 模型的测试均方差比较稳定 波动很 小 表明该模型具有较强的泛化能力 2 基于遗传算法的氧量基准值优化 以上建立了基于支持向量回归的锅炉运行氧 量预测模型 但是由于其输入与输出之间存在着高 度非线性函数关系 而且模型并没有明确的函数表 达式 无法对其求导 因此在对氧量基准值进行优 化时就需要寻找一个简单直接的优化算法 在众多 的优化算法中 遗传算法 g e n e t i c a l g o r it h m s G A 是一种基于生物自然选择与遗传机理的随机搜索 算法 14 它与传统的搜索方式不同 以模拟自然界 生物进化过程 采用人工进化的方式对目标空间进 行搜索 对于处理复杂优化问题通用性强 而且遗 传算法从多个初始点开始寻优 沿多路径搜索实现 全局或准全局最优 优化求解过程与梯度信息无 关 对优化问题没有太多的数学约束 可以处理任 意形式的目标函数和约束条件 因此与传统的优化 方法相比 遗传算法可以更有效地找到全局最优 并以其运行过程简单 计算效率高 搜索速度快而 被广泛应用 本文因此选择遗传算法 并将基于 S V R 的机组供电煤耗率模型作为寻优目标函数 以运行调节参数作为寻优自变量来获取具体工况 下的最佳操作参数 2 1 寻优模型的设计与分析 首先根据锅炉运行氧量的特性模型 并参照前 文 S V R 模型的建立过程进行二次建模 此时的预 测输出为机组供电煤耗率 回归模型的训练建模过 程是从输入到输出 而针对模型的寻优过程则是从 1064东南大学学报 自然科学版 第 38卷 输出到输入 即以最小化模型的输出值为优化目 标 此处即为求取机组供电煤耗率达到最低时的各 输入参数值 并最终确定当前工况下的运行氧量基 准值 选择供电煤耗作为优化目标 在大的方面可从 锅炉效率 机组热耗 厂用电率来较为简化地考虑 其影响因素 本文主要研究在锅炉进行燃烧优化调 整时 如何最优地确定运行氧量 此时的调整是在 满足锅炉侧向外界提供合格的蒸汽品质以及必需 的蒸汽量的前提下进行的 相对炉侧来讲 此时机 侧工况并未发生显著波动 这也是锅炉燃烧调整的 基本原则和目标 炉的运行方式的改变 必然涉及 到炉侧辅机 送引风机等 的运行发生变化 由此 引起厂用电率的变化 因此本文从机组整体效率和 经济性角度出发 选择供电煤耗而不是发电煤耗作 为优化目标 基于以上分析 在选取样本数据时 本文从研 究目的出发 重点考虑了炉侧参数并将其作为模型 输入 所采样本尽量保持了汽机热耗的稳定性 因 此在进行二次建模时 并没有关联汽机侧参数 优 化供电煤耗是基于炉效和厂用电率的综合优化而 得到的 并默认每个工况优化前后 见表 4 汽机热 耗不发生变化 寻优模型如下式所示 m i n b s fS V R Z zi Ei 5 式中 b s为机组供电煤耗率 fS VR表示已建立的回 归模型 Z 为输入参数 z i组成的向量 为 S V R 模 型拉格朗日乘子矩阵 为模型的其他训练参数 约束条件中 Ei为第 i 个输入参数 z i的取值范围 由于在一定的时期内 特别是对某个具体工 况 煤质以及环境温度是一定的 因此优化过程应 在给定煤质和环境参数的前提条件下进行 根据对 氧量和机组供电煤耗率的重要影响 以及在运行中 可控操作的原则 本文选择送入锅炉的总空气量 A 作为优化自变量 考虑到总空气量与锅炉热负荷 燃料量 B 有关 样本数据中总空气量与燃料量 之比 A B 10 98 14 14 因此 取总空气量的变 化范围为 10 B 15 B 2 2 优化实例与结果分析 遗传算法的参数设置如下 初始种群为 80 交 叉概率为 0 8 变异概率为 0 15 迭代次数为 100 对各工况进行优化处理 然后将寻优结果确定的输 入变量代入 S V R氧量模型 最终可获得供电煤耗 率最低时的氧量值 即前文所定义的运行氧量基准 值 当采用几组不同的遗传算法参数设置时 也获 得了比较接近的优化结果 选择几个工况作仿真比 较 优化前后各参数对比如表 4所示 通过优化计算可知 在不同负荷和相关约束条 件下 对总风量进行适当调整可以降低机组的供电 煤耗率 综观整个寻优结果 无论是各参数之间的 关系还是优化前后各参数自身的变化趋势 都与试 验研究或机理分析相一致 1 2 15 同时值得注意的 是 对表 4中优化前后的锅炉热效率进行比较分析 可以发现 部分工况的锅炉热效率下降的同时 寻 优模型同样获得了较低的供电煤耗 在机侧参数 尤其是汽机热耗保持稳定的前提下 主要是由于优 化结果使炉侧辅机 送引风机等 的运行方式发生 了改变导致厂用电率下降 最终使供电煤耗不升反 降 这与以往的单纯以锅炉热效率为优化目标的研 究结论 3 有所区别 说明以供电煤耗率为模型的 优化目标函数是从机组整体的效率和经济性角度 出发 给出更合理的锅炉运行氧量基准值 从而保 证机组能在更加经济 安全的条件下运行 因此 通 过这种优化选择可以确定使供电煤耗相对最低时 的运行氧量 从而为锅炉运行氧量目标值的确定提 供了一种新的可行方法 表 4 优化前后各参数对比 负荷 M W 比较项 供电煤耗率 g k W h 1 锅炉效 率 总风量 t h 1 氧量 170 3 实际运行356 5292 43776 985 50 优化结果356 2392 26759 545 22 202 1 实际运行354 3592 49884 274 61 优化结果353 3791 65856 324 15 239 9 实际运行352 8392 81929 523 31 优化结果351 9692 90952 603 85 264 5 实际运行352 3592 601061 704 03 优化结果350 7892 651038 503 78 284 3 实际运行349 9392 831118 593 36 优化结果348 1392 911154 303 55 3 结论 1 利用电站的现场运行数据 建立了基于支 持向量回归的锅炉运行氧量特性模型 训练和校验 结果表明 见图 1 S V R模型的回归精度能够满 足工程的实际要求 并具有较好的泛化能力 能够 有效地对不同工况下的锅炉氧量进行预测 2 从机组整体效率和经济性角度出发 以机 组供电煤耗率为模型的优化目标函数 再借助全局 寻优算法 G A 获得了当前工况下降低煤耗率的 最优调整方式 并给出了合理的锅炉运行氧量基准 值 其结果可指导运行人员优化锅炉运行 提高经 济性 3 优化计算结果 见表 4 表明该模型具有较 1065第 6期周建新 等 基于 S V R 和 G A 的锅炉运行氧量基准值的优化确定 高的准确性 通过全局寻优得到的氧量值具有可操 作性 为锅炉运行氧量基准值的确定提供了一种新 方法 很好地解决了锅炉变工况下运行参数基准值 的确定问题 参考文献 R e f e r e n c e s 1 张清峰 陈德强 煤粉锅炉运行中的氧量问题 J 华 北电力技术 2002 9 1 2 Z h a n gQ i n g f e n g C h e nD e q i a n g Ox y g e ni nr u n n i n gp u l v e r i z e df u e lb o i l e r J N o r t hC h i n aE l e c t r i cP o w e r 2002 9 1 2 i nC h i n e s e 2 刘福国 郝卫东 杨建柱 等 电厂锅炉变氧量运行经 济性分析及经济氧量的优化确定 J 中国电机工程 学报 2003 23 2 172 176 L i uF u g u o H a oWe i d o n g Y a n gJ i a n z h u e t a l E c o n o mi c a n a l y z ef o ru t i l i t yb o i l e ro p e r a t e di nd i f f e r e n to x y g e n c o n t e n t o u t l e t f u r n a c e a n di t s o p t i m i z a t i o n J P r o c e e d i n g s o f t h eC S E E 2003 23 2 172 176 i nC h i n e s e 3 赵绪新 基于人工智能技术的电站锅炉最优氧量预测 J 热力发电 2006 10 43 45 Z h a oX u x i n F o r e c a s t o fo p t i ma l o x y g e nc o n t e n t i nf l u e g a su t i l i t yb o i l e r b a s e do na r t i f i c i a l i n t e l l i g e n t t e c h n o l o g y J T h e r m a lp o w e rGe n e r a t i o n 2006 10 43 45 i n C h i n e s e 4 K a l o g i r o uSA A r t i f i c i a li n t e l l i g e n c ef o rt h emo d e l i n g a n dc o n t r o l o fc o mb u s t i o np r o c e s s e s ar e v i e w J P r o g r e s s i nE n e r g ya n dC o mb u s t i o nS c i e n c e 2003 29 6 515 516 5 蔡杰进 马晓茜 廖艳芬 锅炉运行性能与烟气含氧量 优化研究 J 热力发电 2006 7 28 30 C a i J i e j i n MaXi a o q i a n L i a oY a n f e n S t u d yo nb o i l e r s o p e r a t i o np e r f o r ma n c ea n do p t i m i z a t i o no fo x y g e nc o n t e n t i nf l u eg a s J T h e r ma lP o w e rG e n e r a t i o n 2006 7 28 30 i nC h i n e s e 6 V a p n i kV N T h en a t u r eo fs t a t i s t i c a ll e a r n i n gt h e o r y M N e wY o r k S p r i n g e r 1995 7 9 7 Gu n nSR S u p p o r t v e c t o r ma c h i n e s f o r c l a s s i f i c a t i o na n d r e g r e s s i o n R S o u t h a mp t o n UK I S I S 1 98 U n i v e r s i t y o f S o u t h a m p t o n 1998 8 S mo l aAJ S c h l k o p fB A t u t o r i a l o ns u p p o r tv e c t o r r e g r e s s i o n NC 2 T R 1998 030 R L o n d o n U K R o y a l H o l l o w a yC o l l e g e Un i v e r s i t yo f L o n d o n 1998 9 杨金芳 翟永杰 王东风 等 基于支持向量回归的时 间序列预测 J 中国电机工程学报 2005 25 17 110 114 Y a n gJ i n f a n g Z h a i Yo n g j i e Wa n gDo n g f e n g e t a l T i me s e r i e s p r e d i c t i o nb a s e do ns u p p o r t v e c t o r r e g r e s s i o n J P r o c e e d i n g so f t h eC S E E 2005 25 17 110 114 i n C h i n e s e 10 赵征 曾德良 田亮 等 基于数据融合的氧量软测量 研究 J 中国电机工程学报 2005 25 7 7 12 Z h a oZ h e n g Z e n gDe l i a n g T i a nL i a n g e t a l R e s e a r c h o ns o f t s e n s i n go f o x y g e nc o