基于FSVM锅炉烟气含氧量软测量

针对电站锅炉燃烧过程存在的高度的复杂性和非线性问题，本文采用模糊支持向量机(FSVM)建立含氧量预测模型，预测在不同燃料量、总风量、总给水量等因素的影响下烟气含氧量的含量。选取模糊C均值算法(FCM)作为隶属度函数的设计方法，然后选取径向基核函数(RBF)和ε-SVR模型结构，其中惩罚因子和松弛变量的最佳参数值要用交叉验证法来选取。Matlab仿真实验结果表明，该方法有效地缩短了训练时间，提高了预测精度和模型的抗噪性，其性能优于一般支持向量机预测模型。

科技飞速发展，人们对能源的需求也日益剧增。在各种一次性能源的消费比例中，煤炭几乎占世界能源总需求的30%，煤炭作为一次性能源重要组成部分的地位在相当一段时间内不会改变。提高锅炉效率降低煤耗节约能源是一极其重要的任务。电厂中锅炉烟气含氧量是一项重要的参数。烟气含氧量的测量成为重点研究过程。有专家运用支持向量机[1]建立模型进行预测，然而由于模糊信息的存在，SVM 对孤立点和噪声过分敏感，容易出现过学习现象[2]，因此提出模糊支持向量机算法，提高抗噪性。因此本文提出FSVM 为烟气含氧量测量过程建模，并通过仿真实验验证FSVM 预测模型的有效性。

2. 基于模糊支持向量机的预测模型 回归SVM 通过核函数将特征向量[3]从非线性空间映射到某一高维空间(Hilbert 空间)， 然后在新空间中求解一个典型的二次规划问题,得到全局最优解，从而在特征空间中应用线性方法解决高度非线性回归问题。假设样本集为{} (), , 1,2, , iix yin=，其中ix 为输入向量且iy 为系统的输出且iyR∈，n 为样本数据的个数。一般支持向量机的回归模型可表示为： ( )( )()fxwxbφ=+ (1) (1) 式中( )xφ为输入空间到特征空间H 的映射函数；w 为权值向量， nwR∈；b 偏置量。

对于标准SVM 来说，优化问题为： T11min 2niiw wγξ=+ ∑ ( )T10, 1,2, , iiiiywxbstilφξξ+≥−= ≥= (2) (2) 式中， iξ 为松弛变量，γ 为预算误差的惩罚系数用于调节误差所取的作用，它能够使训练误差和模型复杂度之间取一个折衷，以便使所求的函数具有较好的泛化能力，并且γ 值越大，模型的回归误差[4]越小。

FSVM 是近几年提出的一种新方法， 是对传统SVM 的改进和完善。

为了提高SVM 的抗噪能力， 对每一个样本引入模糊隶属度()1,2, , iun=且01iu≤≤则优化问题改进为： ()T11min 2niiiiw wuγξξ ∗=++∑