基于变量筛选和OS-KELM的出口SO₂浓度预测

摘要

针对火力发电厂频繁调峰导致锅炉燃烧不稳定、出口SO₂浓度波动范围大难以准确、及时测量的问题，提出了一种基于变量筛选和在线核极限学习机的出口SO₂浓度预测模型。首先通过机理分析选择与出口SO₂浓度有关的影响变量；再利用基于FCBF改进的mRMR算法去除冗余变量，并对筛选后的变量使用K近邻互信息算法进行时延补偿；然后对补偿后的变量利用变分模态分解（VMD）进行分解，选择相关性最大的变量子集作为最终模型输入；最后利用天牛群算法（Beetle swarm optimization, BSO）优化在线核极限学习机（Online sequential-kernel based extreme learning machine, OS-KELM）参数建立出口SO₂浓度预测模型。利用电厂真实运行数据进行实验，结果表明，基于OS-KELM的预测模型其预测效果优于ELM、KELM、OS-ELM模型，具有较高的模型预测精度。

关键词

变量筛选 / VMD分解 / 时延补偿 / K近邻互信息 / 天牛群算法 / 在线核极限学习机