基于改进核极限学习机和集成算法的脱硫出口SO₂浓度预测

摘要

脱硫出口SO₂浓度的准确预测对实现脱硫系统经济运行具有重要意义，针对脱硫出口SO₂浓度影响因素众多，难以准确预测这一问题，提出了基于龙格库塔优化的核极限学习机（KELM）和改进AdaBoost集成算法相结合的预测模型。首先采用核极限学习机作为弱预测器，利用AdaBoost集成算法组合构建强预测器，通过调整脱硫系统不同工况下运行数据权重，建立了一种基于AdaBoost集成算法的出口SO₂浓度预测模型。为进一步提升模型学习性能和预测精度，通过引入惩罚系数和先验知识参数改进AdaBoost算法的损失函数，运用龙格库塔算法对KELM的正则系数C和核参数S进行寻优，克服初始参数设置对模型稳定性和预测精度的影响。最后利用电厂运行数据进行仿真实验，结果表明，所建立的出口SO₂浓度集成模型预测性能优越、准确度高，能够为脱硫系统优化控制提供技术支持。

关键词

核极限学习机 / AdaBoost集成学习 / 龙格库塔算法 / 脱硫出口SO₂浓度 / 预测模型