基于多LS-SVM集成模型的锅炉NOx排放量建模

为了提高电站锅炉氮氧化物(NO_x)排放量预测模型的精度,提出了一种基于多最小二乘支持向量机(LS-SVM)集成模型的NO_x排放量建模方法。首先按照NO_x排放量由低到高将数据空间初步划分为低、中、高3个子空间,然后依据输入变量与NO_x相关性分析来确定输入变量的权重,通过筛选得到主要的特征变量。在此基础之上,采用有监督的遗传算法-软模糊聚类(GA-SFCM)方法,获得各数据子空间的聚类中心及其相应的样本隶属度,通过融合隶属度的最小二乘法对各子空间LS-SVM模型进行集成。仿真结果表明,通过筛选参与聚类的变量提高了聚类性能和模型精度,采用有监督的GA-SFCM算法进行聚类,降低了聚类复杂度,建立的多LS-SVM集成模型比单一LS-SVM模型有更好的泛化能力。     

电站锅炉燃烧系统的神经网络建模

提高锅炉运行效率,降低烟气NOx的排放是电站锅炉燃烧优化的主要目标,而燃烧特性模型是燃烧优化的核心.基于某电站锅炉燃烧系统的稳态试验数据,通过对锅炉系统模型结构的分析,应用人工神经网络建立了NOx排放量和锅炉效率的预测模型,实现了其飞灰舍碳量、排烟温度、炉膛温度、NOx排放量等参数的软测量和锅炉效率的预测,为锅炉燃烧优化奠定了基础.     

基于广义动态模糊神经网络的电厂锅炉燃烧优化建模

针对电厂锅炉燃烧系统的非线性、大延时、时变、干扰频繁等特点,采用模糊神经网络对其建立数学模型。通过所建数学模型研究燃烧效率和氮氧化物排放量之间的关系,从而对锅炉燃烧系统进行优化,以提高锅炉效率和减少污染物排放。仿真结果表明,利用改进的广义动态模糊神经网络对电站锅炉燃烧过程建模能够精准地逼近实际数据,且性能优于其它神经网络。     

基于多模型聚类集成的锅炉烟气NO_x排放量预测模型

电站锅炉烟气NO_x排放量的预测控制对电站的经济效益和环境污染治理有重要影响。为了提高NO_x排放量预测模型的精度,本文提出了一种基于多模型聚类集成的锅炉烟气NO_x排放量建模方法。首先根据输出NO_x排放量的高低划分数据空间,通过基于相关性分析的变量权重和基于信息熵的分层聚类确定参与聚类的变量,然后利用提出的多模型聚类集成(VMSC)算法聚类得到各子空间的隶属度矩阵,最后采用融合隶属度的最小二乘法对各子空间的最小二乘支持向量机(LS-SVM)模型进行集成。仿真结果表明,通过集成模糊C均值聚类(FCM)和有监督的遗传算法-软模糊聚类(GA-SFCM)的VMSC算法提高了建模的精度,比单一模型的仿真性能更好。     

基于WLS-SVM-SFS模型的电站锅炉燃烧优化

NOx排放量和锅炉效率模型是电站锅炉燃烧优化的基础。采用抗干扰能力更强的加权最小二乘支持向量机(WLS-SVM)建立了NOx排放模型。将序列前向选择(SFS)与WLS-SVM相结合建立了锅炉效率模型,在不影响模型精度前提下去除了模型中的冗余成分,精简了模型结构,提高了模型计算速度。采用遗传算法,以所建模型为基础,提出了一种可兼顾锅炉效率和NOx排放量的优化燃烧方案。实际应用结果表明,该优化方案使锅炉效率平均提高0.386%,NOx排放量平均降低99.147mg/m3。     

基于最小二乘支持向量机的电站锅炉燃烧优化

高效、低污染是电站锅炉燃烧优化的目标。该文基于最小二乘支持向量机,建立了电站锅炉燃烧模型,实现了飞灰含碳量、排烟温度、NOx排放量等参数的软测量和锅炉效率的预测;对比了最小二乘支持向量机和BP神经网络模型的性能,对比结果表明,最小二乘支持向量机具有训练时间短、泛化能力高等优点。提出2种锅炉燃烧优化方式,并以所建立的燃烧模型为基础,采用遗传算法对锅炉运行工况进行寻优,为分散控制系统基础控制层提供最佳的操作变量设定值。算例表明,文中所提出的燃烧优化方案可以有效提高电站锅炉效率和降低NOx排放量。     

以效率和低NOx排放为目标的锅炉燃烧整体优化

基于效率和低NOx排放目标的锅炉燃烧整体优化是指实时地提出同时优化效率和低NOx排放目标的操作,而其中锅炉效率和NOx排放模型的精度以及优化算法的效率尤为重要。该文基于改进MRAN算法的锅炉燃烧效率和NOx排放模型以及基于实数编码的遗传优化算法，对电站锅炉的燃烧过程进行优化仿真。结果表明,改进的MRAN算法和基于实数编码的遗传算法应用在电站锅炉的效率和低NOx排放目标燃烧优化上是有效的,可以得到按一定目标函数的锅炉效率和低NOx排放目标的实时整体优化效果。     

燃煤锅炉效率与NOx排放混合建模研究

介绍了RBF神经网络的结构和特点,进而讨论了遗传算法与RBF神经网络相结合的方法.以某300MW电站锅炉燃烧调整试验数据为基础,利用RBF神经网络对锅炉效率与NOx排放混合建模,并用遗传算法优化RBF神经网络的性能,使其预测精度大幅提高.同时RBF神经网络具有收敛速度快的独特优点.因此,优化后的RBF神经网络模型为下一步的锅炉运行参数优化和燃烧优化系统的建立奠定基础.     

最小资源分配网络及其在电站锅炉中的应用

燃煤电站锅炉内NOx的生成规律非常复杂,与锅炉的燃煤、送风方式、燃烧器等许多运行参数和结构有关.人工神经网络具有联想、记忆、自适应、自学习、适于处理非线性问题等优点.该文采用基于RBF网络的最小资源分配网络(MRAN)对某电站锅炉NOx的生成规律和效率进行建模,该模型不仅能自动调节隐节点数、学习速度快、学习精度高、适于在线运行,而且具有能同时预测NOx排放和锅炉效率等优点.该模型对电站锅炉的运行具有指导意义和参考价值.     

基于生成机理的燃煤电站锅炉NOx排放量神经网络模型

到目前为止，对燃煤电站锅炉NOx生成规律的研究主要集中在试验和基于化学反应动力学的CFD模型研究上，而对基于NOx排放规律的人工神经网络模型研究得较少。为数不多的研究者也只是采用人工神经网络黑箱的特点，没有充分应用现已逐渐成熟的NOx生成机理。该文基于NOx的生成机理，针对某燃煤电站锅炉，提出NOx排放量的神经网络模型。该神经网络模型具有可以预测各一次风粉单元NOx生成量、锅炉NOx排放量、网络隐节点数少、泛化能力强、鲁棒性好、学习速度快等优点。所提出的模型可以为大型电站锅炉通过燃烧系统自动调整或结构改造降低NOx排放提供依据。     

基于大容量样本挖掘及贝叶斯堆栈泛化集成算法的电站锅炉NOx稳态建模

氮氧化物（NOx）是电站锅炉燃烧的副产物,准确预测其排放对于环境保护和锅炉的燃烧优化具有重要意义。为解决NOx稳态特性建模中面临的参数高维、运行数据时变性强、试验样本有限等问题,提出了一种基于大容量样本挖掘及贝叶斯集成算法的建模框架。首先,采用孤立森林、R-Value算法识别非稳态点、离群点、停滞点,获得高质量稳态样本库;然后,基于随机森林递归特征消除法进行变量选择;最后,建立贝叶斯优化堆栈泛化集成（BO-SGEM）模型对NOx进行预测。以某660 MW机组锅炉72 000条历史运行数据为例进行NOx排放预测,结果表明:在9种离群点诊断算法中,孤立森林算法性能最优,稳态诊断和特征选择的结果与锅炉燃烧机理相符;BO-SGEM模型的精度与泛化能力均优于堆栈泛化集成学习模型及支持向量回归机、极端随机树、梯度上升树等算法模型。     

电站锅炉热效率和NOx排放混合建模与优化

提高电站锅炉热效率和降低污染物排放对于节约能源和保护环境具有重要意义。人工智能方法在优化锅炉燃烧方面有广泛的应用。该文以某300MW电站锅炉燃烧调整试验数据为基础,采用BP神经网络建立以锅炉效率和NOx排放为目标的锅炉燃烧系统模型,利用遗传算法对模型进行优化,使模型训练精度和预测精度大为提高,锅炉效率平均预测误差由0．22％降至0．06％,NOx排放浓度平均预测误差由3．5％降至0．15％。利用遗传算法进行全局寻优,并用权重系数法将多目标优化转化为单目标优化。结果表明,该方法可根据需要对锅炉效率和NOx排放进行优化,实际中需重点优化锅炉效率或者重点优化NOx排放时只需要改变权重系数即可,由此得到相应的锅炉运行参数,并为锅炉优化运行提供指导。     

300MW燃煤电站锅炉飞灰含碳量和NO_x排放浓度多目标优化

针对电站燃煤锅炉飞灰含碳热损失和氮氧化物排放问题,阐述了灰含碳量和NOx排放浓度的影响因素,并利用改进的支持向量机算法对其燃烧系统进行建模,通过采集某300 MW燃煤电站锅炉的历史运行数据对模型进行了训练和验证。结果表明,该模型具有很高的精度,能够模拟锅炉内复杂的燃烧过程。同时,该模型结合人工智能算法,通过调整参数,可使飞灰含碳量和NOx排放浓度达到最优值。     

基于遗传算法和支持向量机的低NOx燃烧优化

大型四角切圆电站锅炉NOx排放是造成环境污染的重要因素，也是电厂关心的重要问题。影响燃煤锅炉NOx排放量的因素众多而且复杂。对锅炉NOx排放特性进行建模预测，并结合优化算法实现燃烧优化是降低锅炉NOx排放的有效方法。文中应用支持向量机算法建立了大型四角切圆燃烧锅炉NOx排放特性模型，接合遗传算法，利用NOx排放的热态实炉试验数据对模型进行了校验，对锅炉运行参数进行了优化。结果表明，通过遗传算法的寻优， NOx排放量有比较明显的降低。支持向量机与遗传算法相结合与其它方法相比具有泛化能力好，计算速度快等优点，是锅炉NOx排放控制的有效工具。     

基于非对称神经网络结构的电站锅炉智能燃烧控制模型

针对目前国内电站锅炉燃烧建模存在煤质与负荷波动频繁、测点精度有限、设备运行组合多变等产生的问题,提出了电站锅炉燃烧的非对称神经网络建模方法。将锅炉模型的输入按照实际物理规律的关联关系设计网络结构组合,去掉关联性较弱的联系,从而使模型天然体现一定的锅炉燃烧规律,实现了不同燃烧器出力分配下的单一网络建模,提高了学习训练效率,并大幅降低了模型所需样本数量。将经典对称神经网络模型和非对称神经网络模型进行对比训练,结果表明本文提出的非对称神经网络建模方法检验正确率高。将其应用于某超临界660 MW机组的燃烧优化控制,锅炉效率平均可提高0.25%。     

煤粉浓淡燃烧方式对电站锅炉NOx排放影响的试验研究

采用浓淡燃烧在一定程度上可以降低电站锅炉的NOx排放。该文分别在水平和垂直煤粉浓淡燃烧方式下，进行了一次风速、过量空气系数、锅炉负荷、二次风配风方式以及三次风量等因素对电站锅炉NOx排放影响的试验。试验结果表明：在通常运行条件下，水平浓淡燃烧方式的NOx排放量低于垂直浓淡燃烧方式的NOx排放量。     

燃烧调整降低锅炉NO_x排放的试验研究

对于现今已采用低NOx燃烧技术的电站锅炉,燃烧调整是降低NOx排放的主要方法。通过对某电厂1025t/h锅炉进行燃烧调整试验研究,分析了电站锅炉运行参数对NOx排放量的影响,确定了锅炉低NOx运行方式,为锅炉的低NOx运行起到了指导作用。     

最小二乘支持向量机联合改进果蝇优化算法的CFB锅炉燃烧优化

针对电厂循环流化床(CFB)锅炉降低污染物排放和提高锅炉燃烧效率的问题,本文首先应用最小二乘支持向量机(LS-SVM)建立了锅炉效率、NO_x和SO_2排放特性的软测量模型,并对比了LS-SVM和BP神经网络模型的性能;然后基于LS-SVM建立的模型,提出了3种优化策略,采用改进果蝇优化算法(MFOA)在一定范围内对CFB锅炉运行工况的可调参数进行优化。结果表明:LS-SVM模型与BP神经网络模型相比,训练时间较短,预测精度较高,泛化能力较强;CFB锅炉效率最多提高了0.61%,NO_x和SO_2排放质量浓度最多降低了7.88%和18.13%。     

基于梯度提升决策树改进双向门限循环单元的锅炉变负荷燃烧系统建模

锅炉燃烧系统是一个典型变量多、耦合性强、大滞后、多输入/多输出的动态系统,构建符合实际工况的燃烧系统模型十分困难。本文提出一种新的基于双向门限循环单元（Bi-GRU）的锅炉燃烧系统建模方法,建立了变负荷（低、中、高负荷）工况下燃烧系统训练模型。同时,采用梯度提升决策树（GBDT）降低输入特征矩阵维数。GBDT模型可以在不同的负荷与输出下评估输入特征的权重,能在保留特征原有物理意义的基础上识别出权重比例最大的特征。基于GBDT的特征选择模型既能降低原始输入维数,又可以为后续燃烧控制策略提供理论指导。实际运行数据计算结果表明,Bi-GRU和GBDT建立的新的燃烧系统模型能够准确地反映不同负荷下主蒸汽流量、主蒸汽压力和NOx排放量的动态变化。与传统的循环神经网络（RNN）模型相比,本文新模型的精度和性能都有显著提高,并且结构简单,计算量小。     

空气分级燃烧降低NOx排放试验研究

NOx是造成大气污染的主要污染物之一,分级燃烧技术可以大幅度降低NOx的排放量.该文在燃烧试验台上,针对某电站锅炉实际燃用煤种及运行参数,进行空气分级燃烧降低NOx排放试验研究,着重考察煤粉的燃尽及结渣特性.结果表明,空气分级燃烧可降低NOx排放50%以上,结渣没有显著加强,燃烧效率有所降低.该文的工作为电站锅炉低NOx燃烧改造提供了依据.