《表5 不同算法预测结果：基于多模型智能组合算法的锅炉炉膛温度建模》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多模型智能组合算法的锅炉炉膛温度建模》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

目前常用的数据驱动建模方法有BP、RBF、MLP、LSSVM、LSTM等算法。将这五种常见数据驱动方法均用到炉膛温度建模问题当中。采用2.1节中所描述的数据进行实验。不同测试集计算评价指标得到的预测结果如表5所示。通过表5中的结果可以看出BP、RBF、MLP、LSSVM算法都具较好的预测能力，而LSTM预测误差较大，导致这一问题的原因可能是建模数据中没有引入时间序列特征，不能发挥LSTM算法的建模优势。通过数据比较进一步分析5种算法性能，其中MAE指标可以准确表示预测误差量大小，3种趋势下，LSSVM与误差其次的模型相比较MAE分别减少3.17%、0.11%、13.7%，说明LSSVM模型在3种温度变化下均具有较好的预测精度，适合小样本的预测，但较其他算法相比较减小范围很小。MAPE指标用来表示测量的可信度，其值越小代表预测可信度越高。结果显示3种数据集下1、2趋势LSSVM模型预测可信度相对较高，3趋势MLP模型预测可信度最高。其最小值为0.074%。MSE指标则用来表示数据的变化程度，值越小说明预测结果有更好的精度。T1显示MLP与LSSVM相比结果降低了16.2%，精度优于LSSVM。T2结果中MLP与BP相比降低了10.6%，T3结果显示LSSVM算法较MLP算法数据的变化程度减少了20.2%。通过三种评价指标MAE、MAPE、MSE的比较，BP、RBF、MLP、LSSVM算法在炉膛温度预测方面效果上均适用，但相比较没有一种算法能够在全部工况中占有绝对优势，这为本文算法的设计提供了依据。