基于神经网络内部模型的非线性偏最小二乘法用于火电厂烟气光谱定量分析

针对火电厂烟气光谱数据的非线性特性,采用了基于神经网络内部模型的非线性偏最小二乘定量分析方法。该方法进行偏最小二乘（PLS）回归后,将自变量和因变量的隐变量作为神经网络的输入和输出进行训练,即可得到非线性内部模型。将PLS、基于向后传递神经网络内部模型的非线性PLS（BP-NPLS）、基于径向基函数神经网络内部模型的非线性PLS（RBF-NPLS）和基于自适应模糊推理系统内部模型的非线性PLS（ANFIS-NPLS）对火电厂烟气多组分进行测定后比较,BP-NPLS、RBF-NPLS和ANFIS-NPLS较之PLS,将二氧化硫预测模型的预测均方根误差（RMSEP）分别降低了16.96%,16.60%和19.55%;将一氧化氮预测模型的RMSEP分别降低了8.60%,8.47%和10.09%;将二氧化氮预测模型的RMSEP分别降低了2.11%,3.91%和3.97%。实验表明,非线性PLS较PLS更适用于火电厂烟气定量分析。通过神经网络对非线性函数的高度逼近特性,基于本文所提及内部模型的非线性偏最小二乘方法有较好的预测能力和稳健性,在一定程度上解决了基于多项式和样条函数等其他内部模型的非线性偏最小二乘方法的自身局限性。其中,ANFIS-NPLS的效果最好,自适应模糊推理系统的学习能力能够有效降低残差,使模型具有较好的泛化性,是一种比较准确实用的火电厂烟气定量分析方法。