支持向量机在锅炉飞灰含碳量软测量中的应用

针对目前锅炉飞灰含碳量测量方法存在时间滞后和精度不高等问题,在分析锅炉飞灰含碳量影响因素和做锅炉燃烧特性实验的基础上,利用最小二乘支持向量机这种新的机器学习工具,建立了飞灰含碳量的软测量模型。应用该模型对燃煤电站锅炉的飞灰含碳量进行研究,理论分析和仿真计算表明,该方法学习速度快、泛化能力强、对样本的依赖程度低,比BP神经网络的软测量建模更具有推广力。     

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。     

基于自适应神经模糊推理系统的煤粉锅炉飞灰含碳量建模

飞灰含碳量是煤粉锅炉运行过程中的重要参数,对其进行建模预测具有重要意义。本文采用自适应神经模糊推理系统(ANFIS)对某660 MW机组四角切圆煤粉锅炉的飞灰含碳量进行建模。根据相关知识和运行经验,确定模型的初始输入参数;利用减法聚类算法自适应确定初始模糊规则和结构参数;利用由最小二乘估计算法和误差反向传播算法构成的混合学习算法对模糊神经网络的参数进行学习,完成飞灰含碳量模型的初始构建;对模型输入参数进行敏感性分析确定最终输入参数,以降低输入参数对模型预测精度和复杂度的影响,完成飞灰含碳量预测模型的建立。该模型预测得到的结果精度较高,可真实反映飞灰含碳量的变化情况。在此基础上,将ANFIS模型和最小二乘支持向量机(LSSVM)及BP神经网络模型的预测结果进行对比。结果表明:在训练样本数足够多的情况下,ANFIS模型对飞灰含碳量具有更高的预测精度和更强的泛化能力;而在小样本情况下,LSSVM模型的预测精度和泛化能力更好。     

基于模拟退火和支持向量机算法的燃煤锅炉结渣特性预测

应用支持向量机算法对燃煤锅炉结渣问题进行数学建模,利用模拟退火算法对支持向量机模型参数进行了优化,获得最优参数组合.用试验数据对模型进行了校验和参数的寻优,利用优化后的模型对15台锅炉结渣特性进行预测评判,结果表明此方法合理有效.     

基于人工神经网络的大型电厂锅炉飞灰含碳量建模

飞灰含碳量是影响锅炉热效率的一个重要因素，但飞灰含碳量受煤种、锅炉设计结构、操作参数等多种因素影响，关系复杂。煤种变化往往导致燃烧工况偏离试验调整获得的最优值。在对某台300MW四角切圆燃煤电厂锅炉飞灰含碳量特性进行多工况热态测试的基础上，应用人工神经网络的非线性动力学特性及自学习特性，建立了大型四角切圆燃烧锅炉飞灰含碳量特性的神经网络模型，对此模型进行了校验。     

电站锅炉典型热工参数软测量研究

提出了基于最小二乘支持向量机(ＬＳＳＶＭ)统计学习建模理论的电站锅炉热工参数软测量方法。在LSSVM软测量建模理论基础上,重点研究了热工参数的动态软测量建模及模型在线更新等核心问题。以锅炉飞灰含碳量和烟气含氧量为范例,以锅炉实际运行数据为基础验证了提出的软测量建模方法。在算法验证基础上设计了锅炉飞灰含碳量及烟气含氧量软测量平台,该软件平台在广东某600 MW机组进行了现场试验,验证了提出的锅炉热工参数软测量方法的正确性。     

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。     

基于燃煤特性的电站锅炉排烟温度预测模型研究

排烟温度是影响锅炉热损失的重要指标,其受到机组负荷、煤种(煤质)、燃烧系统控制参数等多种因素的综合影响,难以用1个线性的数学式来描述它们之间的关系。利用锅炉的历史运行数据和入炉煤种数据,分别采用3种非线性工具即支持向量机、最小二乘支持向量机和神经网络对锅炉排烟温度进行建模,同时采用交叉验证方法并结合遗传算法对前2种算法的模型参数进行优化选择。对3种预测模型的预测结果进行的比较分析表明,支持向量机法的泛化能力较高且收敛速度快。鉴于煤质对锅炉燃烧工况的影响,利用支持向量机法在考虑煤质因素情况下对排烟温度进行建模预测,结果表明考虑煤质后排烟温度建模预测具有更高的精确性。     

基于随机森林变量选择的飞灰含碳量预测模型

针对目前几种飞灰含碳量软测量方法建模时未进行输入特征筛选以及建模方法较为单一的问题,提出花授粉算法优化随机森林的变量选择飞灰含碳量(FPA-RF)预测模型。采用影响飞灰含碳量的因素构成初始变量,利用基于随机森林的变量选择方法从中筛选最优变量。以最优变量为模型输入,训练随机森林并通过花授粉算法优化其参数。以某600 MW燃煤机组的分布式控制系统(DCS)数据为例,对本文FPA-RF预测模型和基于人工神经网络(ANN)和粒子群-支持向量机(PSO-SVM)的飞灰含碳量预测模型进行比较验证,结果表明:ANN预测模型的预测误差最大,泛化能力较弱;FPA-RF和PSO-SVM预测模型均取得较好的效果;但PSO-SVM预测模型平均训练时间为55 s,较FPA-RF长约30 s,说明本文FPA-RF预测模型具有更高的预测精度和更快的计算速度。     

基于预数值计算的锅炉飞灰可燃物含量建模

运用四角切圆燃烧煤粉锅炉专用数值模拟计算软件COALFIRE,对某电厂300 MW四角切圆煤粉锅炉飞灰可燃物含量排放特性进行了数值模拟。以数值计算结果为样本,建立基于支持向量机的四角切圆燃烧锅炉飞灰可燃物含量预测模型,其预测输出与数值计算结果的最小相对误差为1.01%,说明基于预数值计算和支持向量机算法的四角切圆煤粉锅炉飞灰可燃物含量模型能够较好地对锅炉飞灰可燃物含量进行预测。为将计算结果精确但计算过程耗时较长的数值模拟用于锅炉燃烧工况在线监测,提供了新的思路。     

运用事例推理技术确定飞灰含碳质量分数实时目标值

为降低锅炉机械不完全燃烧损失,从锅炉运行优化的角度提出了飞灰含碳质量分数目标值的定义。采用基于趋势提取的检测方法对锅炉原始运行工况数据库进行稳态判定,依据外部约束条件将锅炉稳定运行工况进行分类,以锅炉效率为评价标准获得各工况类中的最优运行工况组成锅炉运行目标工况数据库。以当前工况的运行不可控因素作为当前事例,以锅炉运行目标工况数据库作为事例库,通过相似度计算获得当前工况所对应的飞灰含碳质量分数目标值。实际应用表明该方法计算精度高、实时性好,能够向运行人员实时提供当前工况的飞灰含碳质量分数目标值,为飞灰含碳质量分数的运行调整提供了依据。     

基于遗传神经网络敏感度分析的飞灰含碳量测量方法

飞灰含碳量是反映电站锅炉燃烧效率的重要指标,准确测量飞灰含碳量有利于监测和调整锅炉燃烧,降低煤耗,提高锅炉运行的经济性和安全性。分析了工程上普遍采用的人工取样、实验室化验方法以及在线监测仪器所存在的缺陷。研究了以软测量和信息融合技术为代表的人工智能方法的不足,采用遗传神经网络算法,对的连接权值、阈值和隐层节点个数进行了优化计算,以增强网络的泛化能力,并利用Grason敏感性分析算法,对影响飞灰含碳量的输入参数进行了筛选,实现了以较少的工况输入来有效地测量输出。在此基础上,通过实际样本进行仿真分析和对比,验证了所用方法具有更好的测量精度,最后通过实测数据的对比进一步验证了该结论。     

锅炉飞灰含碳量与煤燃烧特性的相关性研究

燃煤特性是锅炉飞灰含碳量的重要影响因素之一。选择了8种典型发电用煤进行热分析(TGA)试验,并在1台超临界600 MW机组锅炉上进行试烧,利用相关分析及回归分析得到了热分析特征参数与飞灰含碳量的关系。试烧及热分析结果表明,热分析着火温度指数与飞灰含碳量相关性水平较低,而燃尽温度指数与飞灰含碳量高度相关,可以通过热分析试验并利用回归模型初步判断锅炉燃用新煤种的飞灰含碳量变化趋势。     

670t/h煤粉炉飞灰含碳量的神经网络预测建模

对煤粉炉中影响飞灰含碳量的主要因素进行分析,并根据正交实验原理,对某台670t/h的燃煤锅炉飞灰含碳特性进行多工况热态实验,采用基于LM(Levenberg-Marquardt)算法的BP神经网络建立了锅炉飞灰含碳量的神经网络预测模型,实验验证结果表明该算法不仅收敛速度快,而且模型能根据各种操作参数准确地预报锅炉在不同工况下飞灰含碳量。     

基于数理统计的飞灰含碳量预测及异常原因分析

飞灰含碳量是影响锅炉热效率的一个重要参数,现场中测量仪器存在寿命短、漂移严重的问题。飞灰含碳量与多个信号存在相关性,采用机理分析与多元统计分析相结合的方法研究影响飞灰含碳量因素并进行回归建模,发现机组负荷、炉膛出口氧量两项因素对飞灰含碳量的影响超过50%,并由模型得到并分析了现场运行中存在的误区。实验验证,此模型能较好地预测飞灰含碳量的变化趋势。     

电站锅炉飞灰含碳量在线软测量模型算法

针对目前锅炉飞灰含碳量测量方法存在时间滞后和精度不高等问题，在分析对锅炉飞灰含碳量影响因素和做锅炉燃烧特性实验的基础上，建立了锅炉飞灰含碳量在线软测量的神经网络模型。算例表明该模型具有良好的泛化能力和敏感性，能正确描述电站锅炉飞灰含碳量的响应特性，可进一步推广使用。     

电站锅炉燃烧经济性诊断模型的研究

分析了评价燃烧优劣的直接指标和间接指标。以锅炉反平衡热效率为模型基础,进行变工况热力校核计算。以排烟温度、过量空气系数、飞灰含碳量和炉渣含碳量为经济性辅助指标,建立燃烧经济性诊断模型。给出计算实例,求出在过量空气系数和排烟温度变化的情况下,锅炉效率的变化量,为运行人员进行燃烧调整指明了方向。