支持向量机算法在电厂中的应用

支持向量机(SVM)是基于结构风险最小化原理的机器学习技术,在解决小样本、非线性和高维的机器学习问题中表现出许多特有的优势,适用于函数预测、模式识别和数据分类领域.该算法在火电厂运行优化、清洁生产、故障诊断等方面均有应用,参数预测精度能够满足工程应用,为火电厂的节能优化和故障诊断提供一个新的研究方向.     

基于烟气成分软测量的煤质元素分析在线监测方法研究

建立了基于烟气成分分析的电站锅炉入炉煤质监测模型,利用较容易测量的烟气气体含量和燃煤灰分数据,结合电厂记录的煤质数据的研究结果,通过软测量技术,实现了锅炉入炉煤元素成分和发热量的全面监测,并可以进一步矫正入炉煤量。试验表明:燃煤收到基低位发热量模型的计算值和实验室分析结果的偏差在3%以内,入炉煤量偏差在3%以内,各元素的偏差也在2%以内,满足工程需要。     

电站锅炉再热系统动态特性数学模型的研究与应用

通过对电站锅炉再热器系统的分析,基于质量守恒、动量守恒、能量守恒、管道金属蓄热平衡方程和热力参数之间的关系式,建立了对流换热式再热系统的动态计算模型,并以600MW电站锅炉机组为例,将由模型计算得出的结果与实际运行数据分析比较,验证了再热器动态模型的精度和合理性,能够较好地反映机组的动态特性。研究结果将为机组动态过程的定量分析和仿真打下良好基础。