梁伟平， 牛博通

(华北电力大学 控制与计算机工程学院，河北 保定 071003)

0 引 言

煤的发热量是电站系统的重要参数，尤其在电站锅炉热平衡、热效率计算、确定最佳的风煤比、以及估计燃烧是否达到理论温度等过程中，煤质发热量更是不可缺少[1-2]。随着智能算法的发展，神经网络开始用于建立煤质发热量的软测量模型[3～5]，但是神经网络算法训练时间长、易陷入局部最优点等缺点限制了其效果。随后基于结构风险最小化准则的支持向量机算法被引入[6～9]，解决了神经网络算法的问题，但随着DCS和存储技术的发展，数据规模不断增大，一般算法直接处理大量数据会导致建模速度慢，若从大规模数据中选取小样本，会因凭借人为因素和经验主义影响模型的精度和泛化能力。另外模型的特征变量是决定一个模型是否准确和简单的重要因素，对特征变量进行分析，选出最优变量集会使模型更加准确和简单，有利于提高泛化能力[10]。

本文采用Tsang等提出的CVR算法[11]，该方法利用一种计算几何中的最小闭包球理论(Minimum Enclosing Ball，MEB)与支持向量机(Support Vector Machine，SVM)相结合，使算法的计算复杂度和样本容量成正比，空间复杂度与样本容量无关[12]，相比较其它SVM方法，当建模数据增加时，因受二次规划(Quadratic Programming，QP)问题的影响，模型的计算时间会随之增加，而CVR随着建模数据的增加，计算精度会有所改善(与大样本中是否包含更多的信息有关)，但计算时间的增长远小于其它算法，解决了大规模数据下建模耗时的问题，弥补了建模需要根据人为经验选取小样本导致模型不准确的缺点；……