基于PSO优化锅炉氮氧化物的排放

以某超临界600 MW机组锅炉为例,采用BP-adaboost算法建立氮氧化物预测模型,通过粒子群优化算法(PSO)优化锅炉运行参数进而在减少氮氧化物排放的同时保持较高的锅炉效率.结果表明,所建模型预测氮氧化物排放量的误差可控制在3％以内,且具有较强的泛化能力;在机组满负荷运行工况下,优化后锅炉实际燃烧效率为92.04％,NOx排放量为520.93 mg/m3,相比优化前锅炉效率略有降低,但NOx排放量降低明显.     

锅炉燃烧智能优化技术研究

根据燃烧特性试验数据,利用支持向量机建立锅炉燃烧过程NOx排放与热效率的响应特性模型。结合粒子群算法分别对模型参数和锅炉的运行参数进行优化,找到了使得NOx质量浓度降低和热效率提高的运行参数组合,为实现电站锅炉高效低污染的优化目标提供了有效手段。     

超临界660 MW褐煤锅炉深度调峰负荷水动力特性研究

为了实现“双碳”目标,对电站锅炉燃烧系统进行改造升级势在必行。首先利用精英反向学习策略、动态惯性权重和自适应t分布变异对麻雀搜索算法（SSA）的种群初始化和位置更新进行改进,获得一种新的改进麻雀搜索算法（ISSA）。然后通过ISSA优化核极限学习机（KELM）的正则化系数和核函数参数,建立ISAA-KELM锅炉燃烧特性预测模型。采用该预测模型对某超超临界660 MW机组实际运行数据进行预测,预测结果得到锅炉NOx排放质量浓度和锅炉热效率的平均绝对误差率分别为1.441 7%和0.023 9%,预测效果较好。最后,根据该模型预测结果,利用ISSA对2种典型工况锅炉运行可调参数进行寻优,优化后低负荷工况锅炉NOx排放质量浓度降低约91.73 mg/m3,热效率提高0.54%,高负荷工况锅炉NOx排放质量浓度降低约45.96 mg/m3,热效率提高0.50%。     

基于粒子群优化的双向门控循环神经网络燃煤电厂NOx排放预测

针对燃煤电厂NOx排放的预测问题,提出了基于粒子群优化算法和双向门控循环（PSO-Bi- GRU）神经网络的NOx排放预测模型。通过主成分分析对影响NOx排放的运行参数进行降维,消除变量间的耦合;基于双向门控循环神经网络学习NOx排放的非线性特性和前后时序信息,提高特征提取能力;采用粒子群算法对Bi-GRU神经网络模型进行超参数寻优,使网络结构最大程度匹配影响NOx排放的变量特征,克服依靠经验选取或手动调节参数而导致预测精度低的问题。最后基于某电厂660 MW机组燃煤锅炉运行参数,建立NOx排放预测模型,并与单向门控循环神经网络、传统Bi-GRU神经网络预测模型进行对比。仿真结果表明,PSO-Bi-GRU神经网络模型预测效果最好,其平均绝对误差、平均绝对百分误差、均方根误差均最小,验证了本文所提PSO-Bi-GRU神经网络NOx排放预测模型的有效性。     

基于LSSVM-MODE的锅炉效率与NO_x排放优化研究

超临界机组锅炉效率与NOx排放之间存在着互相制约的关系。通过建立最小二乘支持向量机(LSSVM)模型对某超临界600 MW机组锅炉运行数据进行训练,并通过多目标微分进化算法(MODE)对锅炉效率及NOx排放进行寻优,得到了全局优化后参数调整策略。优化结果表明,此模型能很好地兼顾降低NOx排放量和提高锅炉效率的目的,为超临界火力发电机组高效低污染运行调整提供指导。     

变尺度混沌蚁群算法在NOx排放优化中的应用

为了控制燃煤电厂NOx排放,应用支持向量回归建立了大型四角切圆燃烧电站锅炉NOx 排放特性模型。利用大样本量的热态实炉NOx 排放试验数据对模型进行了训练和验证,结合NOx排放模型采用一种变尺度混沌蚁群算法对锅炉运行参数进行优化, 定量分析优化算法参数对优化结果的影响。计算结果表明,相对于BP神经网络,支持向量回归模型能更好地预测锅炉NOx排放;变尺度混沌蚁群算法能明显降低NOx排放,且具有较高的稳定性与鲁棒性,1.8 min的优化时间也便于在线应用;支持向量回归与变尺度蚁群混合算法能有效降低燃煤锅炉NOx排放,是锅炉NOx排放控制的有效工具。     

基于粒子群算法和支持向量机的锅炉排烟温度建模

排烟热损失是机组锅炉热损失中最大的一项,建立锅炉排烟温度模型对锅炉运行有重要意义。为此,以某660 MW机组锅炉燃烧调整试验数据为基础,采用支持向量机建立锅炉排烟温度模型,并利用改进的混沌粒子群算法对支持向量机的相关参数进行优化,使模型的准确性显著提高。与遗传算法相比,粒子群算法无交叉和变异,算法简单,泛化能力强,有很好的实用性。基于粒子群算法和支持向量机的排烟温度模型能够很好地预测排烟温度的变化,可为锅炉的运行提供指导。     

基于随机森林算法的对冲锅炉出口NOx排放量预测模型研究

对冲锅炉中的仪器测量具有滞后性,导致控制系统作用始终落后于被控对象。为了提前了解对冲锅炉出口NOx排放量随工况变化的趋势,需要对对冲锅炉出口的NOx排放量进行快速并准确地预测。以实际运行的机组数据为基础,采用随机森林（random forest,RF）算法建立1 000 MW对冲锅炉机组的出口NOx排放量预测模型,并使用Spearman系数对对冲锅炉特征进行筛选,进一步降低模型计算时间。结果表明,随机森林模型预测结果的均方根误差为10.182 mg/m3,决定系数为0.913,可见基于特征选取的随机森林模型结构能实现对冲锅炉出口NOx趋势的提前预测。     

锅炉燃烧系统神经网络建模及多目标优化研究

电站锅炉面临降低运行成本与降低污染物排放的双重要求。依据采集到的燃烧数据,采用神经网络训练得到了锅炉燃烧模型,用于预测锅炉在不同燃烧参数的NOx排放和燃烧效率。并采用多目标优化算法,通过调整锅炉运行参数,在锅炉高效燃烧与NOx低排放之间找到合理的平衡点。     

基于遗传算法和支持向量机的低NOx燃烧优化

大型四角切圆电站锅炉NOx排放是造成环境污染的重要因素，也是电厂关心的重要问题。影响燃煤锅炉NOx排放量的因素众多而且复杂。对锅炉NOx排放特性进行建模预测，并结合优化算法实现燃烧优化是降低锅炉NOx排放的有效方法。文中应用支持向量机算法建立了大型四角切圆燃烧锅炉NOx排放特性模型，接合遗传算法，利用NOx排放的热态实炉试验数据对模型进行了校验，对锅炉运行参数进行了优化。结果表明，通过遗传算法的寻优， NOx排放量有比较明显的降低。支持向量机与遗传算法相结合与其它方法相比具有泛化能力好，计算速度快等优点，是锅炉NOx排放控制的有效工具。