基于PCAGSVR的燃煤锅炉N Ox 排放预测

以某超超临界700 MW 机组锅炉为对象,建立了基于主成分分析(PCA)和支持向量回归(SVR)的氮氧化物(NOx )排放预测模型(PCA-SVR 模型)。运用 PCA 方法对包含有2000条锅炉运行记录的数据集进行分析,降低数据集维数,提取有效信息(主成分);以得到的主成分为输入变量,锅炉NOx 排放值为输出变量,利用SVR建立NOx 预测模型。与传统SVR模型相比,PCA-SVR模型的计算时间更短,并且能获得较高的 NOx 排放预测精度,其预测N Ox 排放浓度与实际排放浓度相比平均误差在1％以内。     

基于PCA-PSO-LSSVM的电站锅炉效率预测模型研究

为避免锅炉燃烧系统智能算法建模中特征变量维度过大造成的模型复杂以及过拟合问题,基于PCA提取主成分,利用PSO算法优化模型参数,建立了PCA-PSO-LSSVM锅炉效率预测模型。研究结果表明:PCA-PSO-LSSVM模型的预测精度更高,泛化能力更强,其中误差最大的锅炉效率模型测试集数据的平均相对误差仅0.002 49%,均方误差为0.004 51;未经过PCA提取主成分的PSO-LSSVM模型测试集的平均相对误差为–0.034 90%,均方误差为0.019 27;LSSVM模型测试集的平均相对误差为0.28%,均方误差为0.459 39。可见,PCA-PSO-LSSVM模型能够精准地预测锅炉热效率,适应能力更强,同时模型复杂度更低,训练速度略有提高,将为电站锅炉多方面数据预测提供一种重要手段。     

基于粒子群优化的双向门控循环神经网络燃煤电厂NOx排放预测

针对燃煤电厂NOx排放的预测问题,提出了基于粒子群优化算法和双向门控循环（PSO-Bi- GRU）神经网络的NOx排放预测模型。通过主成分分析对影响NOx排放的运行参数进行降维,消除变量间的耦合;基于双向门控循环神经网络学习NOx排放的非线性特性和前后时序信息,提高特征提取能力;采用粒子群算法对Bi-GRU神经网络模型进行超参数寻优,使网络结构最大程度匹配影响NOx排放的变量特征,克服依靠经验选取或手动调节参数而导致预测精度低的问题。最后基于某电厂660 MW机组燃煤锅炉运行参数,建立NOx排放预测模型,并与单向门控循环神经网络、传统Bi-GRU神经网络预测模型进行对比。仿真结果表明,PSO-Bi-GRU神经网络模型预测效果最好,其平均绝对误差、平均绝对百分误差、均方根误差均最小,验证了本文所提PSO-Bi-GRU神经网络NOx排放预测模型的有效性。     

一种基于卷积特征的NOx排放浓度深度预测模型

为提高燃煤锅炉出口NO_x排放浓度的预测精度,该文提出一种基于卷积特征提取的NO_x排放浓度深度学习预测模型。首先,分析锅炉燃烧产生NO_x的机理,确定模型初选变量;然后,计算不同初选变量与NO_x排放浓度之间的最大相关系数,确定变量延迟时间;其次,为挖掘输入变量深层交互信息,设计二维卷积网络进行特征提取,获得高维预测模型输入候选集合;同时,通过偏最小二乘法计算候选集变量与NO_x排放浓度之间相关性,降低输入变量维数,确定最终模型的输入变量;最后,设计深度神经网络建立NO_x排放预测模型,预测NO_x排放浓度。基于1000MW锅炉实际运行数据的实验结果表明,所提出卷积深度神经网络预测算法的平均相对百分比误差小于4%,预测精度能够满足实际生产的需求。     

基于长短期记忆神经网络的火电厂NO_x排放预测模型

火电厂燃煤锅炉产生的NO_x是大气污染物的重要来源之一,建立有效的NO_x排放预测模型是降低NO_x排放的基础。针对火电厂控制系统数据的海量化和高维化及燃煤锅炉多参数多变量相互耦合的特点,首先利用主成分分析法对火电厂分布式控制系统(DCS)数据进行特征提取,消除各特征变量间的耦合性;然后将提取的特征作为长短期记忆(LSTM)神经网络的输入,得到火电厂NO_x排放预测模型。将该模型与传统循环神经网络(RNN)模型、最小二乘支持向量机(LSSVM)模型应用于某超超临界660 MW机组燃煤锅炉对NO_x排放质量浓度进行预测。结果表明:LSTM神经网络和RNN模型预测效果均优于LSSVM模型;本文提出的LSTM神经网络模型预测准确率达到79%,均方根误差为0.398,优于其他2种模型;LSTM神经网络模型数据跟踪效果明显优于RNN模型,预测结果波动较小,模型稳定性和准确率较高。     

大型燃煤锅炉氮氧化物排放预测模型

随着环保要求的不断提高,大型燃煤电厂锅炉的NOx排放特性日益受到关注。借助某600MW锅炉燃烧调整试验数据,采用BP-adaboost算法建立了NOx排放特性的预测模型。研究结构表明,与BP神经网络建立的NOx特性排放模型相比,该模型能根据燃煤特性及各种操作参数更加准确预测锅炉在不同工况下NOx排放特性。     

基于CEEMDAN-PCA-BiGRU 的NOx 排放量预测

NOx 排放量预测是优化NOx 减排的重要手段.设计了一种采用自适应噪声完全集合经验模态分解(CEEMＧ DAN)与主成分分析(PCA)优化双向门控循环单元(BiGRU)输入的NOx 排放量预测模型.针对NOx 排放急剧变 化和波动大的特点,采用CEEMDAN将出口NOx 含量分解为若干本征模态分量,再通过PCA 方法对这些分量与其 他电厂运行历史数据进行数据降维,最后将降维后的数据输入BiGRU 进行训练,得到NOx 排放量的预测值.以国内 某火电厂的真实数据进行的仿真实验表明,所提出的方法具有较高的预测性能.     

基于变量选择的深度置信神经网络锅炉烟气NOx排放预测

准确预测NOx排放量有利于降低选择性催化还原（SCR）烟气脱硝成本,优化锅炉燃烧过程。本文利用偏最小二乘法（PLS）对燃煤锅炉实际数据进行变量重要性投影分析,得到变量重要性投影指标Vip,以Vip为依据对原始变量进行排序,将20项最优变量子集作为深度置信神经网络（DBN）的输入,得到NOx排放预测的PLS-DBN模型,并将PLS-DBN模型与最小二乘支持向量机（LSSVM）、DBN、误差反向传播神经网络（BPNN）模型用于某660 MW机组锅炉的3 000组训练集及500组预测集进行测试对比。结果表明:PLS-DBN模型训练集和测试集的预测误差均较小,且在训练集和测试集上均方根误差不大于2%的预测准确率分别为0.940和0.714,预测准确率最高;表明PLS-DBN模型比其他3种NOx预测模型具有更高的预测精度和模型泛化能力。     

基于PCA-SSA-LSTM的余热锅炉状态监测模型

为了实现对余热锅炉的状态监测,保证余热锅炉的健康运行,使用余热锅炉健康运行时的数据并结合主成分分析（PCA）、麻雀搜索算法（SSA）、长短期记忆网络（LSTM）3种方法建立余热锅炉三压力级主蒸汽温度和压力预测模型。使用PCA将模型输入参数从22维降到9维,并以再热蒸汽温度预测模型为例进行分析,发现经PCA降维的模型与未经PCA降维的模型相比缩减了11.3%的超参数寻优时间。使用SSA对LSTM超参数寻优之后分别建立6个主蒸汽温度、压力预测模型,与未使用SSA的模型相比,这些模型的决定系数有了显著的提升,平均绝对误差与均方根误差有了显著的下降。因此基于PCA-SSALSTM的余热锅炉状态监测模型训练时间短,预测精度高,同时该模型给燃气轮机联合循环电厂余热锅炉的故障监测与诊断提供了理论依据和技术支持。     

基于PCA-WNN的短期风电预测

为了提高风机输出功率的预测精度,提出了一种基于主成分分析(PCA)、结合小波神经网络(WNN)的短期风电预测方法,通过利用主成分分析(PCA)对初始数据进行降维处理,然后结合小波神经网络进行训练,得到了PCA-WNN预测模型。该方法设计出的模型具有优秀的预测效果,且根据实际数据测试的结果表明,相比于传统BP模型和WNN模型,PCA-WNN模型的预测精度更高。     

采用燃烧系统模型预测锅炉效率和NO_x排放浓度

以某电厂燃煤锅炉燃烧调整试验数据为基础,运用BP神经网络建立锅炉效率与NOx排放浓度的双目标锅炉燃烧系统模型,并用遗传算法优化BP神经网络的权值和阈值产生优化型GA-BP神经网络模型。通过对2种模型预测误差的比较表明,GA-BP神经网络模型的锅炉效率平均预测误差由6%降至3.4%,NOx排放浓度平均预测误差由0.1%降至0.04%,泛化能力相对于BP神经网络模型大大增强,可适用于建立锅炉燃烧优化系统。     

采用燃烧系统模型预测锅炉效率和NOx排放浓度

以某电厂燃煤锅炉燃烧调整试验数据为基础,运用BP神经网络建立锅炉效率与NOx排放浓度的双目标锅炉燃烧系统模型,并用遗传算法优化BP神经网络的权值和阈值产生优化型GA-BP神经网络模型.通过对2种模型预测误差的比较表明,GA-BP神经网络模型的锅炉效率平均预测误差由6％降至3.4％,NOx排放浓度平均预测误差由0.1％降至0.04％,泛化能力相对于BP神经网络模型大大增强,可适用于建立锅炉燃烧优化系统.     

基于在线运行参数预测锅炉NO_x排放浓度

为获得通用性较好的预测锅炉NOx排放浓度的经验关系式,以某电厂1台330 MW机组锅炉为研究对象,基于锅炉在线运行参数和NOx排放浓度测量值,采用多元线性回归方法,对锅炉NOx排放浓度与主要运行参数之间的相关性进行分析。研究结果表明,机组负荷、锅炉运行氧量、各层燃烧器热负荷对NOx排放浓度的作用均非常显著,它们是NOx排放浓度的主要影响因素。根据研究结果建立了预测锅炉NOx排放浓度的经验关系式,NOx排放浓度预测值与实测值的偏差大多在10%范围内,结果良好,表明基于在线运行参数预测锅炉NOx排放浓度的经验关系式具有工程应用价值。     

改进BP神经网络在低氮燃烧优化中的应用

基于燃煤锅炉低氮燃烧优化试验数据,建立了预测NOx排放浓度和锅炉效率的改进BP神经网络模型,通过样本学习,该网络可以精确描述锅炉运行参数与NOx排放浓度和锅炉效率之间的非线性映射关系。仿真结果表明,网络的NOx排放浓度和锅炉效率预测值的相对误差分别小于3.92%和7.6%,能够描述NOx排放浓度和锅炉效率随SOFA风门开度和运行氧量变化的规律,而且预测精度高、泛化能力强,可为燃煤锅炉低氮燃烧优化提供指导。     

基于CNN(1D)-LSTM模型的电站锅炉SCR入口NOx浓度预测

为了解决电站锅炉操作人员依赖经验调节锅炉运行参数降低SCR入口NOx浓度，提高脱硝效果的问题，提出一种SCR入口处NOx浓度预测方法。该方法建立了基于卷积神经网络和长短期记忆神经网络的CNN(1D)-LSTM模型，通过提取锅炉在时序上的特征参数，可预测5 min后SCR入口处NOx浓度。电厂运行人员可将该模型的预测结果作为SCR入口处NOx浓度的重要参考，更加有效地调节锅炉参数进行脱硝优化。结果表明，预测3 min后SCR入口处NOx浓度LSTM模型优于CNN(1D) LSTM；预测5 min后的SCR入口浓度CNN(1D)-LSTM模型相比于LSTM模型预测精度有很大的所提高，在测试集上Emape为7.05%，取得了期望的效果。     

电厂燃煤锅炉NOx排放计算模型的建立

抛弃了传统的建立在湍流模型和气固两相流模型基础上的NOx排放质量浓度计算方法，运用统计学的方法，建立了NOx排放质量浓度的多元回归计算模型。模型的建立是从锅炉运行因素出发，通过分析各种运行因素对锅炉效率和NOx排放质量浓度的影响，归纳出影响锅炉效率和NOx排放质量浓度的综合性影响因素——炉内风分配，并将其量化，从而建立起锅炉NOx排放质量浓度的多元回归计算模型。通过此模型可由各运行因素预测锅炉的NOx排放质量浓度。以此模型为基础可开发出应用于切圆燃烧煤粉锅炉的“NOx排放优化运行与在线监测软件”，在线指导运行人员优化燃烧，实现高效低NOx燃烧运行。该模型是针对某一特定锅炉建立的，但其建立方法对各种四角切圆燃烧锅炉具有普遍意义。     

基于主成分分析的最小二乘支持向量机短期负荷预测模型

提出了一种基于主成分分析(PCA)的最小二乘支持向量机(LS-SVM)短期负荷预测模型,模型中引入多元统计分析中的主戍分分析理论来解决输入变量的选择问题。该模型首先对样本的高维变量数据矩阵进行标准化处理,建立相关矩阵,计算特征值和特征向量,然后求取累计方差贡献率,并据此求取主成分作为最小二乘支持向量机的输入进行训练预测。主成分以较少的维数包含了原高维变量所携带的大部分信息,全面地考虑了影响负荷预测的各种因素,又避免了过多的输入导致的精度低、训练慢的不足。实例表明,所提方法可有效地消除众多影响因素间的相关性,减少输入变量个数,提高预测效率和精度。     

改进鹈鹕算法优化LSTM的加热炉钢坯温度预测

在钢铁生产加工过程中,钢坯出炉温度直接影响着钢材的质量,为了精确预测钢坯出炉温度,因此提出了改进鹈鹕优化算法(IPOA)和长短记忆神经网络(LSTM)相结合的轧钢温度预测模型。首先,通过主成分分析法(PCA)对数据进行处理,其次运用改进鹈鹕优化算法寻找到LSTM的最优参数,最终建立基于主成分分析的IPOA-LSTM轧钢温度预测模型,并同LSTM模型以及IPOA-LSTM模型进行对比,基于主成分分析的IPOA-LSTM模型的均方根误差为3.276 3,平均绝对误差为2.116 1,决定系数R²为0.958 2,与其他两个模型相比有更高的预测精度。     

基于PNN/PCA/SS-SVR的光伏发电功率短期预测方法

光伏发电功率预测对太阳能开发利用、电网稳定安全运行具有重要意义。提出一种融合了概率神经网络(PNN)、主成分分析法(PCA)、分散搜索(SS)和支持向量机回归(SVR)的光伏输出功率预测模型。首先结合天气信息通过PNN将天气划分为晴、多云、阴、雨4种类型,然后在每种天气类型下,利用PCA对影响光伏出力的多个气象因素,如太阳辐射强度、温度和相对湿度等进行降维、转换成少数几个主成分作为输入向量,最后建立SS算法优化SVR的光伏发电功率短期预测模型。结果表明,该模型实现了对不同天气类型下的光伏出力较为精准的预测,具有一定的可行性及指导意义。     

基于特征优化和改进长短期记忆神经网络的NOx质量浓度预测

针对燃煤机组选择性催化还原（SCR）烟气脱硝系统中入口NOx质量浓度难以准确测量的问题,提出一种基于特征优化和改进长短期记忆（LSTM）神经网络的预测模型。首先,通过机理分析确定与NOx排放有关的辅助变量,利用互信息计算各辅助变量与输出变量NOx质量浓度之间的延迟时间。通过最大相关最小冗余算法（mRMR）确定辅助变量最优特征子集,利用RBF神经网络对各个特征子集进行预测误差比较,确定模型输入变量。通过网格搜索和改进粒子群（MPSO）算法确定LSTM神经网络的超参数,建立NOx质量浓度预测模型。仿真结果表明,特征优化后的辅助变量提高了模型的泛化能力,采用具有记忆功能的LSTM神经网络提高了模型预测精度。