智能控制在锅炉燃烧优化中的应用

利用支撑向量机建立电厂锅炉燃烧模型,使用非线性模型预测控制算法闭环控制锅炉的燃烧过程,改善锅炉燃烧状况,达到提高锅炉燃烧效率、减少污染物排放的目的。支撑向量机用于模型回归具有泛化能力强,在线训练速度快等优点,使用支撑向量机作为预测控制算法中的内部模型在非线性系统控制中具有良好的性能。为求解这个模型预测控制算法中的非线性优化问题,提出了一种新的混合型优化算法,使用粒子群算法进行全局搜索,使用拟牛顿法进行局部最优搜索,既实现了进化算法全局优化的特性,又保持了基于梯度的优化算法的快速收敛速度。     

基于全工况数据挖掘的多目标燃烧优化

为了使燃煤电站锅炉燃烧达到高效低污染的目的,提出了锅炉燃烧优化的约束模糊加权规则提取算法,该算法可以快速确定燃烧过程中各变量的定量关系,并给出相应的数据挖掘方法,从锅炉全工况海量历史运行数据中提取燃烧优化规则,并构建燃烧优化知识库,实现多目标燃烧优化。通过在发电机组上的实际实验,验证了在同等工况下,利用锅炉燃烧优化规则,NOx排放质量浓度平均值下降69.47 mg/m3,飞灰含碳量平均值下降0.05%,锅炉效率平均值提升0.11%。因此,基于全工况数据挖掘的多目标燃烧优化,能够有效缓解燃煤电站节能减排的压力,也便于实施和在线应用。     

基于聚类的差分进化算法的两阶段最优潮流方法

差分进化算法是一种广泛应用于求解非线性优化问题的全局最优解的元启发式方法,但存在容易找到次优解或近似局部最优解的问题.为此,提出了一种求解高质量局部最优解甚至全局最优解的基于聚类的差分进化算法的两阶段方法,并将该方法应用于电力系统最优潮流问题.所提方法由基于聚类的差分进化算法和局部优化算法组成.第Ⅰ阶段是基于聚类的差分进化算法利用强大的全局搜索能力快速确定包含局部最优解的区域;第Ⅱ阶段是局部优化算法利用局部寻优能力为非线性优化问题高效寻找高质量的局部最优解甚至全局最优解.在一组基准函数上测试了该两阶段优化方法的求解性能,并通过对IEEE 118节点电力系统最优潮流的计算,验证了所提两阶段优化方法的有效性和实用性.     

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。     

基于数据挖掘的电站运行优化应用研究

火电机组运行优化目标值的合理确定是关系到机组经济性诊断正确性与准确性的重要因素,该文充分利用火电厂运行数据的关联特性,提出了基于模糊关联规则挖掘的电站运行优化目标值确定方法,利用改进的模糊关联规则挖掘算法从电站运行历史数据中挖掘定量关联规则,以指导优化运行,解决了传统优化目标值确定中对机组实际状态考虑不足而失去指导意义的问题。以某300MW机组历史运行数据为基础,对各典型负荷工况下的历史数据进行挖掘,得到各运行工况下的最优值以指导实际运行。运行试验结果表明,基于模糊关联规则挖掘的运行优化目标值确定方法可以提高机组运行效率,降低污染物排放,优化目标值来源于机组实际运行数据,能够反映机组在特定负荷和相关条件下的最优运行状态,可以指导机组的优化运行。     

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。     

330 MW 机组湿法烟气脱硫控制系统目标值优化

基于火电机组脱硫系统在实际运行过程中积累的历史数据,采用数据挖掘的方法对系统的重要运行参数进行优化,挖掘出在满足脱硫效率要求时经济效益最大的最佳运行参数值。提出了一种模糊关联规则挖掘算法,对某330 MW机组石灰石-石膏湿法烟气脱硫系统运行优化目标值进行确定。针对历史运行数据利用竞争凝聚算法决定分类数、软化划分边界并构造优化的模糊数据集,以满足脱硫效率为前提,以经济效益作为优化目标,利用模糊Apriori关联规则挖掘算法得到的频繁项集进行关联规则挖掘,最终得到运行参数最优目标值,实验结果和理论分析表明挖掘结果能为电厂脱硫系统的经济运行作出贡献,可以作为指导机组优化运行的重要依据。     

基于生产数据挖掘的吹灰需求度置信规则库研究

为对锅炉积灰结渣受热面吹灰优化,以锅炉燃烧特性和吸热特性为理论依据对生产数据进行挖掘处理,建立吹灰需求度置信规则库。运用数理统计、贝叶斯理论,结合现场运行专家经验,完成吹灰策略集和征兆集的提取、规则的表示和规则变量的设定,并对规则库进行测试。结果表明,本吹灰需求度置信规则库对领域专家吹灰经验的知识描述符合电厂实际吹灰需求,达到了吹灰优化的目的。     

一种新的动态聚类算法及其在热工过程模糊建模中的应用

文中提出的新型动态进化聚类算法克服了传统模糊聚类建模算法须事先确定规则数的缺陷。它通过改进的遗传策略来优化染色体长度，以实现对聚类个数进行全局寻优；同时，利用FCM算法加快了聚类中心参数的收敛：此外，通过引入免疫系统的记忆功能和疫苗接种机理，新算法得以快速稳定地收敛到最优解。利用这种高效的动态聚类算法辨识模糊模型，可以同时得到合适的模糊规则数和准确的前提参数。仿真实例验证了文中动态模糊聚类建模算法的有效性，将其应用于热工过程可获得高精度的非线性模糊模型。     

基于数据挖掘的电站运行参数目标值优化

为提高电站经济性和机组运行效率,降低机组发电煤耗,求取电站机组运行参数最优值是关键技术。以往通过理论计算得到最优运行参数值是在设定的理想环境下得到的,在实际的电站运行过程中难以实现。而数据挖掘算法是从电站自身的历史数据中得到的最优运行参数值,电站机组能够很容易在实际运行中实现该值。通过对比近年来电站常用数据挖掘算法,总结出基于数据挖掘的电站优化运行的主要步骤为关联规则、数据离散化、运行工况划分、粗糙集知识约减。得出以下结论:模糊关联规则挖掘算法是电站数据挖掘中的最主要方法,能够适用于大多数的电站优化目标值挖掘;模糊聚类离散化能够克服边界划分过硬的问题,将电站中的连接参数离散化;粗糙集属性约减能够有效降低数据挖掘的参数维度,提高挖掘效率。同时指出基于数据挖掘的电站优化运行算法将成为电站运行参数优化的主要研究方向。     

水库群供水优化调度的免疫蚁群算法应用研究

针对水库群供水优化调度问题,本文介绍了一种基于免疫进化的蚁群算法。该算法充分利用了免疫进化算法的全局快速收敛性和蚁群算法的正反馈性,同时在蚁群算法中增加扰动策略,克服了蚁群算法在求解过程中出现初期信息素匮乏、易陷入局部最优解的问题,并将其应用在滦河下游六水库联合供水优化调度中。实例计算表明,该算法求解水库群供水优化调度问题时,结果可靠、合理,计算效率高,从而为求解高维,复杂的水库供水优化调度提供了新的思路。     

电厂改造中图像处理和模糊控制的应用研究

为提高锅炉燃烧系统效率和节能效果,根据所采集的火焰状况采用火焰图像处理并结合专家系统开发了火焰的检测与控制技术。通过对大型锅炉多层4角燃烧器火焰图像的检测、处理、特征提取、模式识别等方法与技术,实现了在确定系统最优性能指标的情况下的模糊控制技术,使锅炉燃烧效率比以往的间接控制方式有明显的提高。同时,对于送风、引风、给煤等过程的大功率电气设备在优化燃烧控制的基础上采用变频调速技术,使得送风、引风、给煤在满足机组锅炉风煤比、炉膛负压、过热蒸汽焓与压力等控制条件下获得电能的最优分配。     

基于微细菌群体趋药性算法的电压稳定裕度计算

针对电压稳定裕度计算问题,提出了一种基于菌群趋药性(bacterial colony chemotaxis,BCC)算法的新的优化算法——微细菌群体趋药性(micro bacterial colony chemotaxis,MBCC)算法。MBCC算法利用2个菌群(寻优菌群和库存菌群)来寻优,寻优菌群使用BCC算法来寻找最优解,库存菌群保证了寻优菌群的多样性。MBCC算法加快了算法收敛速度,提高了全局搜索能力,而且在寻优过程中减少了系统资源的浪费。将该算法用于电压稳定裕度的计算,与连续潮流法计算结果的比较表明,该算法切实可行并具有较高的精度。     

A new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting

In this paper, a new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting is proposed. Auto-regressive (AR) and moving average (MA) with exogenous variables (ARMAX) has been widely applied in the load forecasting area. Because of the nonlinear characteristics of the power system loads, the forecasting function has many local optimal points. The traditional method based on gradient searching may be trapped in local optimal points and lead to high error. While, the hybrid method based on evolutionary algorithm and particle swarm optimization can solve this problem more efficiently than the traditional ways. It takes advantage of evolutionary strategy to speed up the convergence of particle swarm optimization (PSO), and applies the crossover operation of genetic algorithm to enhance the global search ability. The new ARMAX model for short-term load forecasting has been tested based on the load data of Eastern China location market, and the results indicate that the proposed approach has achieved good accuracy.     

火力发电厂锅炉运行优化管理系统的研究与开发

通过分析目前火力发电厂锅炉燃烧优化调整方法所存在的问题,研究和开发出基于人工神经网络和遗传算法的锅炉运行优化管理系统。它通过机组实时运行参数的监测,以及机组变工况条件下各运行参数最优值的确定,对机组经济性做出实时评价,并提供最优值曲线,指导运行人员提高运行水平。锅炉燃烧优化采用人工神经网络和遗传算法相结合的燃烧特性建模和优化方法,实现锅炉燃用不同煤种、不同负荷条件下的运行参数全局寻优。该系统将影响机组安全性和经济性的关键参数作为长期趋势数据保存,并对某些有累积效应的参数具有累计统计功能,可实现机组设备状态在线检测,为设备消缺和安排合理的检修计划提供参考,实现锅炉优化运行指导和设备状态检测。     

A recurrent neural fuzzy controller based on self‐organizing improved particle swarm optimization for a magnetic levitation system

This paper proposes a recurrent neural fuzzy controller (RNFC) approach based on a self‐organizing improved particle swarm optimization (SOIPSO) algorithm used for solving control problems. The proposed SOIPSO algorithm can adaptively determine the number of fuzzy rules and automatically adjust the parameters in an RNFC. The proposed learning algorithm consisted of phases of structure and parameter learning. Structure learning adopts several subswarms to constitute the adjustable variables in fuzzy systems, and an elite‐based structure strategy determines the suitable number of fuzzy rules. This paper proposes an improved particle swarm optimization technique, which consists of the modified evolutionary direction operator (MEDO) and traditional PSO techniques. The proposed MEDO method used the EDO and migration operation to improve the search ability of a global solution. Finally, the proposed RNFC approach based on the SOIPSO learning algorithm (RNFC–SOIPSO) was adopted to control a magnetic levitation system. Experimental results demonstrated that the proposed RNFC–SOIPSO model outperforms other models. Copyright © 2014 John Wiley & Sons, Ltd.     

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...     

基于多目标粒子群优化算法的短期电力负荷预测法

针对短期负荷预测的特点,提出一种基于多目标粒子群优化算法的短期电力负荷预测法。该算法充分利用了历史数据集的基本知识,利用多目标粒子群优化算法挑选出Pareto最优模式分类规则集,在考虑规则的分类准确性和可解释性的情况下,建立一个基于模糊规则的电力负荷模式分类系统。在仿真试验表明此分类系统具有较好的分类性能,可为电力负荷预测提供更为充分有效的历史数据,从而改善其负荷预测性能。