基于自适应粒子群优化BP神经网络的氨法烟气脱硫效率预测

针对氨法烟气脱硫效率的预测问题,建立了以脱硫系统运行中8个主要参数作为输入变量的BP神经网络模型,采用粒子群优化算法(PSO)对建立的BP神经网络模型的权值进行优化,提出基于粒子群优化算法的BP神经网络(PSO-BP)预测新模型,并利用某电厂脱硫系统20组运行数据对该模型进行了验证.结果表明:采用PSO算法对BP神经网络的权值和阈值进行寻优,避免了网络局部极小值的出现,提高了网络的泛化能力,采用PSO-BP预测模型可以对氨法烟气脱硫效率进行较高精度的预测.     

基于线性回归与BP神经网络的火电厂燃煤碳排放计算研究

针对燃煤电厂普遍缺少煤炭元素分析数据的现状,以我国商品煤煤质数据库中的3 000余条煤质数据为基础,分别采用线性回归、BP神经网络、SSA BP神经网络模型对煤炭工业分析数据进行建模,预测煤炭元素分析含碳量,进而从原料侧计算燃煤碳排放,3种模型对于煤炭元素分析含碳量预测的相对误差分别为8.40%,2.51%,1.30%。选取某百万机组燃煤电厂平稳负荷、波动负荷、升负荷、降负荷4种典型工况,从原料侧通过上述3种模型开展电厂燃煤连续碳排放计算,并与电厂烟气侧检测碳排放值进行比较。结果表明：线性回归、BP神经网络、SSA BP神经网络模型可以较好地推测元素分析含碳量。3种模型在平稳负荷的低负荷、中负荷、高负荷3种工况下,与锅炉烟气侧测量所得燃煤碳排放的均方根误差RMSE分别为0.35,0.08,0.07;0.87,0.37,0.09;0.23,0.19,0.17。在升负荷、降负荷、波动负荷工况下,3种模型计算值的均方根误差RMSE分别为1.00,0.84,0.71;1.43,1.24, 0.73;1.33,1.15,0.93。以某电厂典型工作日为例,3种模型对日总碳排放计算值与烟气检测法获得的碳排放相对偏差分别为12.28%,5.52%,0.22%。SSA BP神经网络模型煤质预测和碳排放计算结果与烟气侧测量值偏差最小。     

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。     

基于Elman神经网络的超超临界机组汽水分离器应力在线软测量模型

根据超超临界锅炉汽水分离器的结构特点建立了三维有限元模型,以某1000MW机组为例模拟了其启动过程的总应力场．将有限元法和神经网络法相结合,以有限元计算结果作为训练样本,以介质压力和筒体壁温序列为辅助变量,建立了基于Elman神经网络的分离器应力动态软测量模型,通过模型的训练,确定了准确的应力预测模型结构．应用电厂实际运行监测数据对所建立的Elman网络软测量模型进行验证,结果表明：模型计算结果可很好地逼近有限元结果,预测精度高,实时性好,可为锅炉寿命的在线监测提供数据支持．     

神经网络球磨机出力软测量模型的建立

为了准确地获得球磨机的制粉出力,提出了用灰熵关联分析法分析球磨机制粉出力的影响因素,选择对球磨机制粉出力影响较大的几个因素作为辅助变量建立模型,以最优拉丁超立方法选取的数据作为训练样本,基于BP神经网络建立球磨机出力软测量模型,并选出几组样本验证所建模型的可靠度.结果表明:所建立的球磨机出力软测量模型预测输出误差较小,有较强的泛化能力,具有很好的测量性能.     

PSO_SVM软测量方法在火电厂煤质发热量测量中的应用

为了对电厂煤质发热量进行简单准确的测量,在煤质发热量理论研究的基础上,提出了利用支持向量机算法进行软测量。对支持向量机的数学原理进行分析后,利用某燃煤电厂的运行数据,构建了支持向量机模型。在构建模型过程中引入了PSO(粒子群优化算法)寻找模型中涉及的惩罚参数c和核函数参数g的最优值,然后利用最优值构建了PSO-SVM软测量模型,模型的测试结果表明:PSO-SCM模型相对误差集中在1%以内,CV(交叉验证法)建立的SVM模型相对误差在1.5%左右,而常用的BP(按误差逆传播算法训练的多层前馈网络)神经网络模型得到的相对误差只能保证在3%以内,可见PSO-SVM款测量模型对煤质发热量的测量更准确。     

神经网络模糊多模型软测量在磨煤机存煤量测量方面的应用

基于钢球磨煤机的机理模型,采用神经网络模糊多模型软测量的方法解决球磨机存煤量测量问题,首先建立钢球磨煤机的机理模型,然后将FCM聚类与RBF神经网络多模型理论相结合深入探讨了神经网络模糊多模型软测量方法的实现,最后进行了球磨机存煤量测量的仿真试验,并与RBF神经网络单模型的仿真结果进行了比较.结果表明：神经网络模糊多模型软测量的预测输出的误差较小,训练速度更快,具有更好的泛化能力;将神经网络模糊多模型应用于球磨机存煤量的测量是可行的.     

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.     

3种软测量技术在预测湿法烟气脱硫效率上应用的比较

由于影响脱硫效率的因素较多,且都具有关联性,造成脱硫效率测量困难。就该问题提出了软测量技术,分别运用了偏最小二乘法(PLS)、模糊神经网络法(FNN)和支持向量机法(SVM)3种软测量方法建立了脱硫效率的预测模型。3个模型均基于江西某电厂DCS采集的脱硫系统原始数据,并在MATLAB平台上得到训练与检验,得到较精准的预测模型。最后对3种模型的预测效果进行了比对,得出以下结论:3个模型均能有效的实现预测功能,但在预测效果方面,支持向量机法不仅算法简洁,且精确度更高,在电厂实时测量中更具可行性。     

基于灰色BP网络的城市生活垃圾日产量预测模型研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的城市生活垃圾日产量预测模型,通过一组历史数据分别对GM模型和灰色BP神经网络模型进行了验证,得到了灰色BP神经网络的预测效果要比单纯的灰色预测模型精度要高的结论,本模型是研究通过少量数据进行预测的一种新方法。