共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
燃煤锅炉燃烧运行调整的主要方法是基于尾部烟道参数的负反馈调节法,为解决该方法调节灵敏度低、精度差且滞后严重的问题,利用Fluent数值模拟计算得到炉膛内部温度分布,并通过现场热态实验数据对模拟结果进行验证;结合BP神经网络算法搭建燃烧区域温度预测模型,根据预测结果绘制炉内燃烧区域温度分布云图,实现运行参数改变时炉膛燃烧区域温度分布快速、高精度及可视化预测。结果表明:该预测模型基于对已知工况模拟结果的训练,能够对未知工况温度场进行准确预测,预测结果相对偏差为4.11%。 相似文献
3.
4.
应用支持向量机算法对燃煤锅炉结渣问题进行数学建模,并利用模拟退火算法对支持向量机模型参数进行了优化,最终获得最优参数组合。模型将煤的软化温度tSt、硅铝比w(SiO2)/w(A12O3)、碱酸比J和硅比G以及锅炉的无因次切圆直径t和无因次实际切圆直径d作为输入变量,以结渣程度作为输出,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,有14个正确,评判准确率为93.33%,由此表明此方法是合理有效的。同时为了配合该模型,采用高级语言编程开发出了相应的预测评判系统。 相似文献
5.
在热态试验数据的基础上,分别应用BP(神经网络)和SVM(支持向量机)回归算法建立了燃煤机锅炉NOx排放特性模型,并验证了模型的准确性。结果表明,BP网络模型对检验样本的最大预测误差、最小预测误差和均方差分别为4.263%、0.556%和2.2133%,支持向量机模型对检验样本的最大预测误差、最小预测误差和均方差分别为2.121%、0.091%和0.4549%。两种智能技术都能对锅炉在不同工况下的NOx排放做出较为准确的预报,但支持向量机在泛化能力、收敛速度、最优性等方面明显优于神经网络。 相似文献
6.
7.
本文采用支持向量机方法建立了350MW燃煤电站锅炉NOx预测模型和锅炉效率预测模型,并采用遗传算法对NOx和锅炉效率进行多目标优化,表明支持向量机和遗传算法可以用于指导参数调节,进行燃烧优化。 相似文献
8.
9.
10.
人工神经网络具有联想、记忆、并行计算、自适应、自学习、适于处理非线性问题等优点.电站燃煤锅炉NOx排放规律非常复杂,很难对其进行建模.提出电站燃煤锅炉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、学习速度快的优点.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. 相似文献
11.
燃煤锅炉是复杂的多变量系统,其飞灰的含碳量形成机理复杂,不能用简单的数学公式估算。现场实炉测试这些数据具有工作量大,测试工况有限等缺点;燃煤锅炉运行参数及燃料特性等因素影响着飞灰的含碳量,其相互耦合,导致分析数据过程困难。神经网络建模将燃煤锅炉视为黑箱,应用该方法可以良好的描述其输入输出之间的黑箱特性,因此,人工神经网络应用广泛。利用燃煤锅炉试验数据,采用3层BP(back propagation)神经网络构建了锅炉飞灰的含碳量排放特性模型。通过锅炉的实测数据验证,该BP神经网络对飞灰含碳量相对预测误差在0.19%~0.50%,预测效果良好。测试结果表明,建立的神经网络预测模型可以准确逼近验证样本数据,也能够较好的逼近非验证样本数据,具有良好的泛化能力。 相似文献
12.
支持向量机(SVM)与BP神经网络相比各有优缺点,通过对支持向量机和BP神经网络在水轮发电机滚动轴承故障诊断中的仿真实验,来对比两者在轴承故障诊断上的泛化能力。首先通过应用经验模态分解(EMD)的方法将轴承振动信号进行分解,得到本征模函数(IMF),再将IMF的平均能量值作为故障特征向量。将这些特征向量作为支持向量机和BP神经网络的学习样本。经过仿真研究结果表明,在小样本集的前提下,支持向量机在轴承故障诊断中的精确度不但受样本数量变动的影响较小,准确度也高于BP神经网络,具有较强的泛化能力。对水轮发电机滚动轴承故障诊断模型的应优先考虑选择SVM。 相似文献
13.
针对电厂循环流化床锅炉NOx排放问题进行了研究,并对人工蜂群算法进行了改进,结合最小二乘支持向量机建立了锅炉燃烧NOx排放模型,对锅炉可调参量进行了优化,降低了NOx排放浓度。将改进的人工蜂群算法与基本的人工蜂群算法和粒子群算法进行比较,说明基于改进人工蜂群算法所建立的模型能够很好的预测NOx的排放浓度,具有很强的辨识能力和泛化能力,同时也表明了改进人工蜂群算法计算速度快的优点及优化数据上的优势,通过仿真试验,优化后NOx排放浓度明显降低,体现了其工程实用价值。 相似文献
14.
15.
16.
基于模糊神经网络的电站燃煤锅炉结渣预测 总被引:7,自引:0,他引:7
综合运用模糊数学和神经网络知识构建了一个模糊神经网络模型,用以预测电站燃煤锅炉的结渣特性.通过引入反映煤灰特性的4个常用指标以及反映锅炉运行情况的两个指标,使所建模型综合考虑了煤灰特性和锅炉运行因素对结渣的影响.以实际电厂燃煤锅炉为样本,基于改进的BP(back-propagation)算法对网络模型进行了训练.为验证模型的准确性,对7台电站燃煤锅炉的结渣特性进行预测,并将该模型与只考虑煤灰特性指标的常规 BP网络模型进行比较.验证结果表明,模糊神经网络模型的预测结果与实际相符,效果优于常规BP网络模型. 相似文献
17.
18.
超临界锅炉中间点温度为控制主蒸汽温度的超前信号,同时也是水冷壁超温保护的重要参数,所以对于中间点温度的仿真与预测具有重要意义。为了能够对中间点温度做出超前预测,提出了基于BP神经网络的中间点温度预测新方法。通过对某600MW超临界锅炉生产数据进行仿真,验证了该方法的有效性。 相似文献
19.
20.
将支持向量机方法应用于电站锅炉SNCR系统的参数调节,建立了锅炉热态参数和SNCR系统参数与脱硝率之间的关系模型,并与神经网络方法预测结果进行了对比.结果表明,平均相对误筹和均方根误差都较后者降低了60%以上,同时线件相关系数r也提高了11%.通过该模型研究了典型工况下尿素用量和稀释水流量对脱硝率的影响,将其与机理性研究得到的结论进行比对,表明该模型所包含的信息很好地反映了样本数据中的规律.最后,研究了两个重要参数--核参数和边界参数对预测性能的影响,发现核参数取值应在[2,6],此时,误差水平较低且对边界参数不敏感. 相似文献