基于WLS-SVM-SFS模型的电站锅炉燃烧优化

NOx排放量和锅炉效率模型是电站锅炉燃烧优化的基础。采用抗干扰能力更强的加权最小二乘支持向量机(WLS-SVM)建立了NOx排放模型。将序列前向选择(SFS)与WLS-SVM相结合建立了锅炉效率模型,在不影响模型精度前提下去除了模型中的冗余成分,精简了模型结构,提高了模型计算速度。采用遗传算法,以所建模型为基础,提出了一种可兼顾锅炉效率和NOx排放量的优化燃烧方案。实际应用结果表明,该优化方案使锅炉效率平均提高0.386%,NOx排放量平均降低99.147mg/m3。     

多目标进化算法在电站锅炉燃烧优化控制系统设计中的应用

构造了一种基于最小二乘支持向量机和多目标进化算法的锅炉燃烧优化控制系统，通过从电厂分散控制系统（DCS）上采集数据，利用最小二乘曼持向量机对锅炉燃烧特性建模，并通过样本的机器学习，提出了以锅炉效率与NOx排放量为组合的锅炉燃烧多目标优化模型行工况寻优，根据模糊集理论在Pareto解集中求得满意解采用基于Pareto最优概念的多目标进化算法实现运获得锅炉燃烧优化调整方式。     

基于模糊树模型的电站锅炉燃烧系统建模

电站锅炉燃烧系统是高度非线性复杂系统,NOx排放量和锅炉效率模型是燃烧优化的基础。基于自适应树结构模糊推理辨识系统(ATSFIS),对输入空间进行自适应划分,建立电站锅炉燃烧模型,实现对NOx排放量和锅炉效率的预测;对比最小二乘支持向量(LS-SVM)和不同模糊规则下的建模时间和模型精度等性能。仿真结果表明,随着样本数目的增加,模糊树建模方法具有结构简单,计算速度快,运行时间短,对输入空间的维数不敏感等优点。相比于LS-SVM模糊树模型性能更加稳定,在处理高维和大样本问题时,误差下降快,用较少的时间就能达到较高的精度。     

基于支持向量机和参数在线优化的锅炉燃烧系统

介绍了最小二乘支持向量机的基本概念,提出了锅炉燃烧参数在线优化的模型及步骤。利用某锅炉热态实验的数据对模型进行了校验。研究结果表明:采用参数在线优化技术和最小二乘支持向量机方法建立的锅炉燃烧模型能够很好地跟踪燃烧系统的时变特性,并且具有泛化能力好、计算速度快的特点。     

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。     

电站锅炉高效低污染燃烧优化控制系统设计

构造了一种基于最小二乘支持向量机和多目标进化算法的锅炉燃烧优化控制系统,通过从电厂分散控制系统上采集数据,利用最小二乘支持向量机对锅炉燃烧特性建模并通过样本的机器学习,提出了以锅炉效率与NOX排放为组合的锅炉燃烧多目标优化模型,采用基于Pareto最优概念的多目标进化算法实现运行工况寻优,根据模糊集理论在Pareto解集中求得满意解,获得锅炉燃烧优化调整方式。     

基于LSSVM-ARMA的电站锅炉NO_x排放量动态软测量的研究

建立准确的NO_x排放量模型是锅炉优化降低NO_x的基础。为提高NO_x排放量的预测精度,提出基于最小二乘支持向量机和自回归滑动平均模型的锅炉NO_x排放量动态软测量的方法。基于某电厂330 MW机组的一段历史运行数据,首先,建立最小二乘支持向量机的NO_x排放量静态软测量模型。其次,利用自回归—滑动平均方法实现对静态模型的动态校正。最后,针对2组不同样本验证LSSVM-ARMA模型和LS-SVM模型,得到2个模型的平均误差和均方根误差。结果表明:与LS-SVM模型相比,LS-SVM与ARMA相结合的模型具有更高的预测精度,对于电站锅炉NO_x排放量的预测具有一定的有效性。     

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。     

最小二乘支持向量机可视化燃烧/排放关联特性的研究

一种基于光学原理的燃烧火焰/温度场测量装置,用以获得实时的炉内燃烧信息,以便实施洁净煤燃烧技术。文中以可视化火焰检测系统对电站锅炉燃烧火焰和温度场进行监测的研究。通过测量,得到了数值化的火焰/温度场信息,对燃烧火焰的图像进行了分析,提取了不同单色波波长下的火焰图像的平均灰度、方差、熵、火焰丰度、能量、最高灰度等特征量,计算得到了温度分布。为了建立锅炉排放与火焰参数及燃烧温度的关系,利用最小二乘支持向量机原理,以火焰参数为主要判据,将得到的表征燃烧的特征量作为最小二乘支持向量机的输入,对NOx排放量进行了预估。结果表明,估计值与实测值具有一致性。     

电站锅炉燃烧系统的神经网络建模

提高锅炉运行效率,降低烟气NOx的排放是电站锅炉燃烧优化的主要目标,而燃烧特性模型是燃烧优化的核心.基于某电站锅炉燃烧系统的稳态试验数据,通过对锅炉系统模型结构的分析,应用人工神经网络建立了NOx排放量和锅炉效率的预测模型,实现了其飞灰舍碳量、排烟温度、炉膛温度、NOx排放量等参数的软测量和锅炉效率的预测,为锅炉燃烧优化奠定了基础.     

基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NO_x动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NO_x排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NO_x浓度剧烈波动时也能够较...     

基于声学测温与最小二乘支持向量机的锅炉炉膛灰污监测方法

研究电站锅炉炉膛灰污监测问题,提出了基于声学测温和最小二乘支持向量机的电站锅炉炉膛灰污监测方法。该方法采用声学测温装置获得实际运行状态下锅炉炉膛出口烟温,用最小二乘支持向量机获得实际运行状态下锅炉炉膛清洁时的潜在炉膛出口烟温,运用上述两参数定义灰污特征参数来表征锅炉炉膛整体灰污状况。建立了监测模型,从电厂采集数据对模型进行了训练和验证,并对获得的灰污特征参数进行了分析,结果表明:基于声学测温和最小二乘支持向量机的锅炉炉膛灰污监测方法可以较准确地实现电站锅炉炉膛的灰污监测,为炉膛的吹灰优化打下了良好的基础。     

基于支持向量机的电站锅炉NOx排放软测量模型

建立NOx排放的模型是对NOx进行优化控制的基础.在分析了NOx排放量影响因素的基础上,构建了NOx排放软测量模型的结构,并基于某锅炉燃烧调整的热态试验数据,利用支持向量机这种机器学习工具,建立了NOx排放量的软测量模型,进一步应用实际运行数据对所建立的模型进行了验证.结果表明,所建立的模型具有精度高、泛化能力强、学习速度快等特点,可用于实际工程中对NOx测量和优化控制的需要.     

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。     

四角切圆锅炉炉膛温度场均衡性优化

电站锅炉炉膛温度场的均衡性与锅炉的安全、稳定运行息息相关,尤其是四角切圆燃烧锅炉,火焰中心极易发生偏斜。针对这一问题,根据四角切圆的形成方式分析影响温度场均衡性的主要因素,从燃烧调整试验中总结出二次风门开度与炉膛温度的关系。利用最小二乘支持向量机对稳定工况下的温度场均衡性建立回归预测模型,并根据试验结论确定优化方案,利用遗传算法对二次风门开度变化量进行寻优,以期减小火焰中心位置的偏斜。结果证明,最小二乘支持向量机模型精确度很高,泛化能力较强,经遗传算法优化后的温度场均衡性品质变好。     

基于变量选择的锅炉NO_x排放的最小二乘支持向量机建模

电站燃煤锅炉是大气NOx污染的主要来源之一,建立有效的NOx排放模型是锅炉优化降低NOx的基础。针对热工过程变量之间的强相关和耦合性,利用偏最小二乘方法(partial least squares,PLS)对多工况实炉热态测试数据进行重要变量(variable importance in projection,VIP)信息提取和变量选择(variable selection,VS),把最优的变量子集作为最小二乘支持向量机(least squares support vector machine,LSSVM)的输入,最终得到NOx排放的VS-LSSVM模型。最优的输入变量个数通过留一交叉验证法获取。并将该模型与其他建模方法进行对比,结果表明通过变量选择后建模可以降低模型的复杂度,提高模型的泛化能力。     

基于最小二乘支持向量机的风功率短期预测

为了减小风力发电的随机性对电力系统的影响,提出了一种基于最小二乘支持向量机的风功率短期预测模型。在研究最小二乘支持向量机的基础上,为解决最小二乘支持向量机建模时其参数对预测性能影响,运用粒子群算法对参数进行优化,最后建立了基于粒子群优化最小二乘支持向量机的预测模型。运用某风电场的实测数据进行仿真研究,为了对比分析,同时利用E1man神经网络模型和支持向量机模型进行了预测,仿真结果表明,本文所提方法与其它方法相比预测精度更高,可以有效地应用于风功率的预测。     

最小二乘支持向量机联合改进果蝇优化算法的CFB锅炉燃烧优化

针对电厂循环流化床(CFB)锅炉降低污染物排放和提高锅炉燃烧效率的问题,本文首先应用最小二乘支持向量机(LS-SVM)建立了锅炉效率、NO_x和SO_2排放特性的软测量模型,并对比了LS-SVM和BP神经网络模型的性能;然后基于LS-SVM建立的模型,提出了3种优化策略,采用改进果蝇优化算法(MFOA)在一定范围内对CFB锅炉运行工况的可调参数进行优化。结果表明:LS-SVM模型与BP神经网络模型相比,训练时间较短,预测精度较高,泛化能力较强;CFB锅炉效率最多提高了0.61%,NO_x和SO_2排放质量浓度最多降低了7.88%和18.13%。     

基于变量选择的深度置信神经网络锅炉烟气NOx排放预测

准确预测NOx排放量有利于降低选择性催化还原（SCR）烟气脱硝成本,优化锅炉燃烧过程。本文利用偏最小二乘法（PLS）对燃煤锅炉实际数据进行变量重要性投影分析,得到变量重要性投影指标Vip,以Vip为依据对原始变量进行排序,将20项最优变量子集作为深度置信神经网络（DBN）的输入,得到NOx排放预测的PLS-DBN模型,并将PLS-DBN模型与最小二乘支持向量机（LSSVM）、DBN、误差反向传播神经网络（BPNN）模型用于某660 MW机组锅炉的3 000组训练集及500组预测集进行测试对比。结果表明:PLS-DBN模型训练集和测试集的预测误差均较小,且在训练集和测试集上均方根误差不大于2%的预测准确率分别为0.940和0.714,预测准确率最高;表明PLS-DBN模型比其他3种NOx预测模型具有更高的预测精度和模型泛化能力。     

基于蚁群算法和LSSVM的锅炉燃烧优化预测控制

火电厂锅炉燃烧过程是一个复杂的多输入/多输出系统,具有高度非线性、强耦合的特点.借助燃烧特性试验数据,利用最小二乘支持向量机(LSSVM)建立锅炉燃烧模型,使用非线性模型预测控制(MPC)算法对锅炉燃烧过程进行优化和控制.提出一种改进蚁群算法用于求解预测控制算法中的非线性优化问题,采用动态随机抽取方法来确定目标个体引导...