基于人工智能燃煤電站鍋爐NOx排放及經(jīng)濟運行研究.pdf

1、本研究基于某超超臨界660MW燃煤電站鍋爐現(xiàn)場熱態(tài)實驗數(shù)據(jù)樣本，利用MATLAB智能工具箱，分別采用BP神經(jīng)網(wǎng)絡(luò)方法、徑向基（RBF）神經(jīng)網(wǎng)絡(luò)方法、支持向量機（SVM）神經(jīng)網(wǎng)絡(luò)方法和Elman神經(jīng)網(wǎng)絡(luò)方法對某燃煤電站鍋爐NOx排放特性進行建模，傳統(tǒng)的BP算法還不夠完善，有一些問題需要解決，采用動量法對其進行改進；在RBF神經(jīng)網(wǎng)絡(luò)模型構(gòu)建過程中，進行輸出層權(quán)值及RBF基函數(shù)的中心與標準偏差值的優(yōu)化；Elman網(wǎng)絡(luò)模型是本文采用的唯一一個反

2、饋模型，對它的相應參數(shù)進行了很多了選優(yōu)；對SVM網(wǎng)絡(luò)模型進行了核函數(shù)及相應參數(shù)c和g進行了選優(yōu)。同時對四種建模方法的結(jié)果進行了分析,表明它們都有較好的準確性和泛化能力。從這四種模型中，選出BP網(wǎng)絡(luò)模型、RBF（徑向基）網(wǎng)絡(luò)模型和SVM（支持向量機）網(wǎng)絡(luò)模型這三種最常用的模型，將BP模型與其它兩種模型的仿真和預測結(jié)果進行量化對比分析，得出的結(jié)果是，對鍋爐熱態(tài)數(shù)據(jù)這種樣本較少的情況，SVM（支持向量機）網(wǎng)絡(luò)模和RBF網(wǎng)絡(luò)模型比BP網(wǎng)絡(luò)模型的

3、計算速度快，擬合和泛化能力強的優(yōu)點，其中SVM（支持向量機）網(wǎng)絡(luò)模的性能最佳。針對神經(jīng)網(wǎng)絡(luò)算法在應用中存在很多缺陷，如在全局搜索過程中，容易陷入局部極小問題，在結(jié)構(gòu)設(shè)計上也存在一定的缺陷，網(wǎng)絡(luò)收斂速度慢等問題。使用遺傳算法優(yōu)化BP網(wǎng)絡(luò)模型的權(quán)值和閥值，能夠很好實現(xiàn)對模型的優(yōu)化，優(yōu)化后模型的預測精度和泛化能力都得到了提高。在BP網(wǎng)絡(luò)模型基礎(chǔ)上，采用遺傳算法對磨煤機給煤量、二次風風門開度、燃盡風風門開度、爐膛出口含氧量等參數(shù)進行優(yōu)化。本文采