典型文献
基于BP神经网络和最小二乘支持向量机的灰熔点预测和对比
文献摘要：
为了预测燃煤锅炉受热面的结渣情况,以灰成分金属氧化物、煤灰SO3含量以及结渣评判指标为自变量,灰熔点变形温度(deformation temperature,DT)和软化温度(softening temperature,ST)为因变量,建立了BP神经网络(BP neural network,BPNN)和最小二乘支持向量机(least squares support vector machine,LSSVM)的灰熔点预测模型.回归分析和误差分析结果表明:针对样本量多的DT预测过程,2种模型精度接近,预测结果置信度均达到95％,相关系数均约为0.92,平均相对误差均约为3.4％;针对样本量较少的ST预测过程,LSSVM模型预测效果较优,相关系数为0.95052,高于BPNN模型的0.90426,平均相对误差为4.98％,并且大误差点个数少于BPNN模型.因此,LSSVM模型能够更准确预测飞灰的DT和ST.
文献关键词：
BP神经网络(BPNN);最小二乘支持向量机(LSSVM);灰熔点;灰成分;结渣评判指标
中图分类号：
作者姓名：
时浩;肖海平;刘彦鹏
作者机构：
华北电力大学能源动力与机械工程学院,北京市 昌平区 102206;中国大唐集团科学技术研究院有限公司火力发电技术研究院,北京市 石景山区 100040
文献出处：
引用格式：
[1]时浩;肖海平;刘彦鹏-.基于BP神经网络和最小二乘支持向量机的灰熔点预测和对比)[J].发电技术,2022(01):139-146
A类：
结渣评判指标
B类：
最小二乘支持向量机,灰熔点,点预测,燃煤锅炉,锅炉受热面,灰成分,分金,金属氧化物,煤灰,SO3,变形温度,deformation,temperature,DT,软化温度,softening,ST,因变量,neural,network,BPNN,least,squares,support,vector,machine,LSSVM,误差分析,样本量,模型精度,置信度,平均相对误差,差点,准确预测,飞灰
AB值：
0.331662
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
