基于PSO-SVM的关键生物参数软测量方法研究

微生物发酵过程中一些关键生物参数难以实时在线测量,严重影响发酵的优化控制。为解决关键生物参数的测量难题,采用了一种基于PSO-SVM的软测量方法。该方法利用粒子群优化(PSO)算法优化选择支持向量机(SVM)的最佳参数,并建立了基于PSO-SVM的软测量模型。利用赖氨酸发酵的数据对模型进行仿真验证,结果表明该模型具有很好的学习精度和泛化能力。另外在建模耗时上,PSO-SVM算法所用时间远少于标准SVM算法所用时间。     

火电厂入炉煤低位热值实时测量的研究及其应用

在电厂燃煤煤种杂、煤热值波动大的背景下,锅炉正平衡煤耗计算结果的准确性成为难题。为此,利用设计资料中机组负荷与设计煤种煤量的对应关系以及实际负荷、实际煤量、设计煤种低位发热量等指标,通过锅炉燃煤技术指标建立模型测算燃煤热值;在机组协调控制系统（coordinated control system,CCS）中增加燃煤的实时热值修正回路,用燃煤的实时热值进行汽温、汽压调节,有效地改善了自动发电控制（automatic generation control,AGC）性能;针对机组辅机故障减负荷功能（run back,RB）在燃煤热值大幅度变化时存在目标煤量不能与负荷完全对应的隐患,利用RB动作前燃煤的实时热值及时修正RB目标煤量,确保RB目标煤量全工况适应煤质变化,与RB目标负荷相对应,提高了RB的动作正确率;用软测量所得的煤实时热值代替化验值,在耗差分析系统中实时计算正平衡煤耗,大幅度提高了煤耗计算的准确性。目前,该方法在大唐国际系统中的所有火电企业中得到推广应用。     

基于PCA—BP神经网络的锅炉煤质的软测量

采用主元分析法（PCA）与BP神经网络相结合的方法,为电站锅炉入炉煤质中的挥发分和低位热值建立了软测量模型。应用主元分析法对与入炉煤质相关的运行参数进行降维处理,再将处理过后的综合变量作为BP神经网络的输入变量,方便和简化了过程数据的处理,亦使得煤质预测的精度得到了有效提高。     

一种改进烟气含氧量软测量建模方法与仿真

针对锅炉尾部烟气含氧量对提高锅炉燃烧效率的重要性,通过机理分析方法建立氧量软测量模型,并对该模型进行以下改进:使用历史数据拟合算法对炉膛总风量进行修正;使用幅值限制滤波器对热量信号中的汽包压力进行滤波以改善氧量软测量过程的动态响应;通过数据挖掘方法确定单位热量所消耗的标准状态下的最佳过量空气系数.利用某电厂历史数据进行仿真,根据方差、相关系数和最大偏差指标,证明了改进氧量软测量模型的有效性.     

乙醛生产过程中的软测量实现

针对乙醛生产过程 ,建立关键过程变量粗乙醛浓度的软测量模型 ,并在此基础上建立粗乙醛的实时收率预测模型。对软测量实现中涉及到的回归变量选择、样本预处理、回归一致性分析、实时校正机制等关键技术进行讨论。该系统的预测值与离线分析值平均相对偏差为 1.2 %。     

基于模糊建模的冷凝器污脏软测量

提出了一种基于模糊建模的冷凝器污脏软测量方法.该方法选取传热端差作为研究对象,应用模糊建模技术分离出冷凝器污脏对端差的影响.在模糊建模中,采用T-S模型描述变工况传热端差,研究了一种相似度判别法则以确定最优模型结构,并采用实数编码的遗传算法同时优化模型前、后件参数,从而获得了规则简化、精度较高的模糊模型.根据此方法,设计了试验系统,并进行了现场试验.试验结果表明:该方法能有效地在线监测冷凝器污脏,并在冷凝器出现堵管或空气漏入量较大时,取得比热阻法、传热系数法更可靠的测量结果.     

软测量思想与软测量技术

在剖析软测量基本思想以及实例的基础上,对基于软测量基本思想形成的传统意义软测量以及扩展软测量两种技术及应用进行了分析与对比,并预测了可能出现的其它形式扩展软测量。结果表明,两种技术基本思想相同,也具有许多相似的模型建立方法,但传统意义软测量反映的是对象的输出与输入、部分可测的输出之间的关系,而扩展软测量是以对象的输入、输出为软测量模型的输入、输出,且能预测还有一种以对象的待测输人为软测量模型的输出、以对象的输出及部分可测的输人为软测量模型输入的扩展软测量形式。     

连续碳酸化分解过程进料的稳定控制

由于分解槽进料管较短,管径比较大,容易结疤,进料量难以用常规的过程检测仪表进行检测,文中提出了连续碳酸化分解过程进料的稳定控制模型.建立了基于汇流的伯努利方程,总结出进料阀门的局部阻力系数与开度的关系,推导出高位糟液位、进料阀门及进料流量的函数关系;建立了进料流量的软测量模型.利用该模型,设计一个进料流量控制器,实现进料流量的优化设定和稳定控制.现场实验数据表明,进料流量软测量模型精度在2.06%以内,控制器的控制效果好,能满足现场需要.     

基于径向基函数神经网络和NLJ优化算法的精馏塔控制

精馏塔是一个非常重要的操作单元,具有较强的非线性和时变性,很难进行基于机理建模分析的实时优化控制.通过对精馏塔的相关过程变量进行主元分析确定了5～6个关键变量作为神经网络的输入,建立了精馏塔多个质量指标的RBF神经网络的软仪表模型,实现了这些质量指标的在线估计.选取其中部分软仪表模型作为优化控制系统中的约束条件函数模型和目标函数模型,采用NLJ优化算法(变收缩系数的随机搜索算法)获取最优的决策变量设定值,从而得到了满足生产质量要求的精馏塔产品的最大采出,实现了精馏塔的卡边优化控制.     

基于核主元分析和支持向量机的电站锅炉飞灰含碳量软测量建模

飞灰含碳量是影响锅炉热效率的一个重要因素,是评价燃烧好坏和锅炉优化运行的重要指标。利用最小二乘支持向量机这种新的机器学习工具,建立了飞灰含碳量的软测量模型。针对模型输入变量之间存在强耦合、非线性等特征,采用核主元分析(KPCA)提取变量的特征信息以有效处理非线性数据。应用该模型对某300MW四角切圆燃煤电站锅炉的飞灰含碳量进行研究,理论分析和仿真计算表明,该方法学习速度快、泛化能力强、对样本的依赖程度低,比BP神经网络的软测量建模具有更好的推广能力。