電站燃煤鍋爐燃燒優(yōu)化的智能技術(shù)研究.pdf

1、研究鍋爐的燃燒優(yōu)化對火電廠實現(xiàn)節(jié)能減排目標有著非常重要的價值，它是實現(xiàn)電廠高效低排放的有效手段之一。然而燃煤鍋爐是一個復(fù)雜的系統(tǒng)，如何建立能夠反映鍋爐燃燒特性的響應(yīng)模型是燃燒優(yōu)化研究的問題之一。智能技術(shù)的快速發(fā)展和廣泛應(yīng)用，為解決這一問題提供了可能。本文圍繞燃燒優(yōu)化的智能技術(shù)展開研究，由于模型是優(yōu)化的基礎(chǔ)，所以本文的主要研究內(nèi)容包括智能建模方法和智能優(yōu)化算法。主要的研究工作如下:
　　1.在熱態(tài)試驗數(shù)據(jù)的基礎(chǔ)上，建立了基于人工神經(jīng)

2、網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)）的350MW機組的NOx排放濃度響應(yīng)模型和600MW機組的多輸出預(yù)測模型，并通過檢驗樣本檢驗了模型的響應(yīng)能力。研究結(jié)果表明:神經(jīng)網(wǎng)絡(luò)算法是實現(xiàn)智能建模的有效方法之一，可以實現(xiàn)較好精度的智能預(yù)報。相比而言，BP模型建立較為復(fù)雜，而且耗時較長，適合離線應(yīng)用;RBF模型建立較為簡單，而且耗時較短，適合在線應(yīng)用。
　　2.對統(tǒng)計學理論和支持向量機展開了介紹，從理論上區(qū)別了支持向量機與神經(jīng)網(wǎng)絡(luò)方法的不同，

3、解釋了神經(jīng)網(wǎng)絡(luò)出現(xiàn)過學習、低泛化現(xiàn)象的原因。同時，建立了基于支持向量機的350MW機組的NOx排放濃度響應(yīng)模型和600MW機組的多輸出預(yù)測模型，模型的參數(shù)選取以交叉驗證誤差最小和關(guān)聯(lián)系數(shù)最大為目標通過網(wǎng)格搜索法確定。實例分析結(jié)果表明:以網(wǎng)格搜索法確定的參數(shù)組合為基礎(chǔ)，可以建立精度較好的支持向量機智能預(yù)測模型，模型的精度較高于神經(jīng)網(wǎng)絡(luò)模型，而且建模方法簡單，不依賴于使用者經(jīng)驗，非常適合在線應(yīng)用，是建立智能模型的優(yōu)選方法之一。
　　3

4、.以支持向量機的參數(shù)優(yōu)化為例，使用粒子群算法對參數(shù)的最佳組合進行了尋優(yōu)。優(yōu)化以參數(shù)組合建立的預(yù)測模型交叉驗證誤差最小為目標。優(yōu)化結(jié)果表明:粒子群算法可以尋找到使交叉驗證誤差更小、關(guān)聯(lián)系數(shù)更大的參數(shù)組合，較好于網(wǎng)格搜索法確定的參數(shù)組合。而且粒子群算法的收斂速度快，無需依賴于經(jīng)驗進行初選和精選操作，是支持向量機參數(shù)優(yōu)化的有效手段之一。
　　4.以350MW RBF模型為基礎(chǔ)，以NOx排放濃度最低為目標，使用粒子群算法進行了目標優(yōu)化，優(yōu)