基于BPNN-SVM-ELM融合算法的气化炉预测模型

TP183; 基于遗传算法-反向传播神经网络(GA-BPNN)、遗传算法-支持向量机(GA-SVM)、极限学习机(ELM)单一数据驱动模型稳定性差、信息熵线性融合模型建立时间成本高的问题,提出了信息熵Stacking融合建模法.使用工厂实际生产数据,以气化炉负荷、进料压力与流量、激冷水流量为输入,以气化炉出口温度、水洗塔出口合成气温度与流量、合成气组成为输出,建立了气化炉的信息熵Stacking融合预测模型.结果表明:信息熵Stacking融合模型预测项——气化炉出口温度、水洗塔出口合成气温度与流量、合成气中CO含量与H2含量这5个参数的平均相对误差(MRE)分别为1.89％、0.17％、0....

Full description

Saved in:
Bibliographic Details
Published in华东理工大学学报（自然科学版） Vol. 50; no. 2; pp. 161 - 169
Main Authors 王恺洲, 韩洋, 仇鹏, 许建良, 代正华, 刘海峰
Format Journal Article
LanguageChinese
Published 华东理工大学资源与环境工程学院,上海煤气化工程技术研究中心,上海 200237%华东理工大学资源与环境工程学院,上海煤气化工程技术研究中心,上海 200237 01.05.2024
新疆大学化工学院,乌鲁木齐 830046
Subjects
煤气化
BPNN
Stacking算法
Stacking algorithm
coal gasification
ELM
SVM
Online AccessGet full text

Cover

More Information
Summary:TP183; 基于遗传算法-反向传播神经网络(GA-BPNN)、遗传算法-支持向量机(GA-SVM)、极限学习机(ELM)单一数据驱动模型稳定性差、信息熵线性融合模型建立时间成本高的问题,提出了信息熵Stacking融合建模法.使用工厂实际生产数据,以气化炉负荷、进料压力与流量、激冷水流量为输入,以气化炉出口温度、水洗塔出口合成气温度与流量、合成气组成为输出,建立了气化炉的信息熵Stacking融合预测模型.结果表明:信息熵Stacking融合模型预测项——气化炉出口温度、水洗塔出口合成气温度与流量、合成气中CO含量与H2含量这5个参数的平均相对误差(MRE)分别为1.89％、0.17％、0.78％、0.95％与0.71％,均表现良好且较单一数据驱动模型更加稳定,拟合速度较信息熵线性融合模型提升约19％.模型可结合优化算法应用于气化过程氧气与煤浆流量比等操作条件的在线优化以及气化炉气化温度的优化,从而提高过程的有效气产率.
ISSN:1006-3080
DOI:10.14135/j.cnki.1006-3080.20230301002