基于Hadoop大數(shù)據(jù)平臺(tái)的電站鍋爐燃燒系統(tǒng)建模及優(yōu)化.pdf

1、目前火力發(fā)電在我國的電力行業(yè)中仍占據(jù)著主要地位，約占全國總發(fā)電量的70％左右。在電站中燃煤鍋爐是最大的能源消耗點(diǎn)，然而，由于電站鍋爐本身設(shè)備和管理操作等方面的原因，使得鍋爐燃燒系統(tǒng)往往達(dá)不到高效低排的要求。利用機(jī)器學(xué)習(xí)算法對(duì)鍋爐燃燒系統(tǒng)進(jìn)行建模優(yōu)化，可以幫助電站減少能源消耗、優(yōu)化人員操作、提高預(yù)測(cè)準(zhǔn)確率。但是，傳統(tǒng)的基于機(jī)器學(xué)習(xí)的鍋爐燃燒系統(tǒng)建模優(yōu)化方法的訓(xùn)練與測(cè)試效率、準(zhǔn)確率都有待進(jìn)一步提高。隨著電站鍋爐燃燒系統(tǒng)運(yùn)行數(shù)據(jù)的爆炸式增長，

2、傳統(tǒng)的機(jī)器學(xué)習(xí)算法已經(jīng)很難滿足海量高維數(shù)據(jù)處理的需求。極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)的提出為提高鍋爐燃燒系統(tǒng)的效率開辟了一條有效的途徑。當(dāng)前Hadoop技術(shù)對(duì)于處理海量高維數(shù)據(jù)具有很強(qiáng)的適應(yīng)性，其中的MapReduce編程框架采用分布式計(jì)算，為解決上述大數(shù)據(jù)問題提供了有效手段。因此，如何將ELM算法在Hadoop平臺(tái)上實(shí)現(xiàn)分布式計(jì)算，并將其應(yīng)用到電站鍋爐燃燒優(yōu)化模型上具有重要的理論意義和實(shí)用價(jià)值。

3、
　　本文借用Hadoop中的MapReduce編程框架實(shí)現(xiàn)極限學(xué)習(xí)機(jī)的分布式計(jì)算，并對(duì)分布式極限學(xué)習(xí)機(jī)中的不足進(jìn)行了改進(jìn)。本文具體工作如下：
　　(1)針對(duì)傳統(tǒng)單機(jī)ELM算法在處理海量高維數(shù)據(jù)時(shí)可能面臨計(jì)算速度慢以及單機(jī)資源不足的問題，利用Hadoop中的MapReduce分布式計(jì)算框架對(duì)ELM算法中大矩陣運(yùn)算進(jìn)行優(yōu)化，提出了能夠處理大規(guī)模數(shù)據(jù)的分布式極限學(xué)習(xí)機(jī)，即ELM*I算法。
　　(2)分析ELM*I算法，針對(duì)

4、算法中map和reduce方法的中間結(jié)果存儲(chǔ)問題，導(dǎo)致數(shù)據(jù)之間的計(jì)算和傳輸成本增加，對(duì)此提出了一種改進(jìn)的分布式極限學(xué)習(xí)機(jī)(Improved Distributed Extreme Learning Machine，IDELM)，并通過實(shí)驗(yàn)驗(yàn)證了IDELM的性能優(yōu)于ELM*I。
　　(3)對(duì)采集回來的電站鍋爐燃燒系統(tǒng)數(shù)據(jù)進(jìn)行預(yù)處理，然后利用IDELM算法分別建立NOx排放量和鍋爐燃燒熱效率預(yù)測(cè)模型。通過實(shí)驗(yàn)詳細(xì)分析模型中隱含層節(jié)點(diǎn)L

5、和正則項(xiàng)A兩個(gè)參數(shù)對(duì)模型預(yù)測(cè)準(zhǔn)確率和泛化能力的影響，并根據(jù)實(shí)驗(yàn)結(jié)果選出最優(yōu)的兩個(gè)參數(shù)組合以確定各自的最優(yōu)模型，然后利用此模型對(duì)NOx排放量和鍋爐燃燒熱效率進(jìn)行預(yù)測(cè)分析。
　　(4)研究了鍋爐燃燒系統(tǒng)多目標(biāo)優(yōu)化問題。根據(jù)之前建立的NOx排放量與鍋爐燃燒熱效率預(yù)測(cè)模型綜合建立鍋爐多目標(biāo)燃燒優(yōu)化模型，并以NOx排放量和鍋爐燃燒熱效率作為模型的輸出。通過權(quán)重系數(shù)法將以NOx排放量最小化和鍋爐燃燒熱效率最大化組成的多目標(biāo)優(yōu)化問題轉(zhuǎn)換成單目標(biāo)