基于支持向量机和果蝇优化算法的循环流化床锅炉NO_x排放特性研究

为了控制循环流化床(CFB)锅炉的NOx排放量,以某热电厂300MW CFB锅炉测试数据为样本,应用支持向量机(SVM)建立NOx排放特性预测模型.针对SVM回归预测需要人为确定相关参数的不足,应用果蝇优化算法(FOA)优化SVM参数,采用不同工况下的样本数据检验FOA-SVM模型的预测性能,并将该模型的预测结果与粒子群算法(PSO)、遗传算法(GA)和万有引力搜索算法(GSA)优化的SVM模型预测结果进行了比较.结果表明:FOA-SVM模型的泛化能力较强,预测精度较高,训练时间较短,可以相对快速、准确地预测NOx排放质量浓度.     

基于BP神经网络的燃煤锅炉温度分布预测

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%。     

在线监测燃煤锅炉NOx排放的自适应支持向量机模型

提出了一种基于改进的在线支持向量机自适应建模方法,并应用于电站锅炉NOx排放连续监测和特性分析.对常规在线支持向量机方法进行了改进,提出了新的样本剔除规则,保证了训练集内样本分布的均匀性.通过该改进方法对基于试验数据的常规向量机模型预测余差进行了连续估计,并预估煤质等因素引起的NOx排放特性的变化,从而补偿了实际工况与试验工况的差别,以便正确给出锅炉NOx排放特性.     

基于退火支持向量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,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。     

燃煤锅炉NO_x排放浓度的智能预报

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。     

基于支持向量机和遗传算法的燃煤电站锅炉多目标燃烧优化

采用支持向量机方法建立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。     

基于支持向量机和遗传算法的燃煤电站锅炉多目标燃烧优化

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。     

基于模糊C均值聚类和支持向量机算法的燃煤锅炉结渣特性预测

应用基于模糊C均值聚类算法预处理的支持向量机算法对锅炉结渣特性进行预测建模,将煤的软化温度、碱酸比、硅铝比和硅比以及无因次炉膛烟气平均温度和无因次实际切圆直径作为模型的输入变量,结渣程度作为输出变量,利用优化后的模型对10台锅炉的结渣特性进行评判.结果表明:该模型能够减小训练样本的过拟合度,具有较强的泛化能力;本试验中FCM-SVM预测模型预测结果的正确率为100%,可以实现对锅炉结渣特性的精确预测.     

基于BP神经网络的燃煤锅炉内H_2S质量浓度建模预测

基于BP神经网络算法和遗传算法优化的BP神经网络算法(GA-BP算法)建立了燃煤锅炉内H_2S质量浓度的预测模型,以燃烧调整试验得到的数据作为训练样本和测试样本,对所建立的H_2S质量浓度预测模型进行评价。结果表明:基于BP神经网络算法建立的H_2S质量浓度预测模型出现过拟合现象,而基于GA-BP算法建立的H_2S质量浓度预测模型具有较好的逼近能力和泛化能力,可用于锅炉内H_2S质量浓度建模预测,为运行优化和控制燃煤锅炉内H_2S质量浓度奠定了基础。     

电站燃煤锅炉NOx排放神经网络模型

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.     

燃煤锅炉飞灰含碳量的BP神经网络模型

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。     

支持向量机和BP神经网络在水轮发电机轴承故障诊断中的应用

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。     

基于改进人工蜂群算法的锅炉NO_x排放预测优化

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。     

基于集成深度玻尔兹曼机和最小二乘支持向量回归的燃烧过程NO_x预测算法

通过研究燃烧过程中的火焰自由基图像与NO_x排放之间的关系,提出了集成深度玻尔兹曼机和最小二乘支持向量回归的NO_x预测算法.首先采用深度玻尔兹曼机对4类火焰自由基图像(OH*、CN*、CH*和C*_2)进行自动图像特征学习,然后用最小二乘支持向量回归来拟合图像特征与NO_x排放量之间的关系,进而对NO_x排放量进行预测.结果表明:NO_x排放预测值与NO_x排放参考值具有一致性;与已有的基于图像的NO_x预测算法相比,所提方法在预测精度方面具有明显的优势.     

基于BP神经网络的EGR和蒸汽喷射式柴油机性能和排放预测

根据MARPOL公约附则Ⅵ,为了达到更低的大气污染排放标准,多种方法和手段被应用于船用柴油机。本文中,在现有柴油机技术废气再循环(Exhaust Gas Recirculation,简称EGR)的前提下,增加了电子控制的喷射蒸汽进入柴油机燃烧室中,在反向传播(Back Propagation,简称BP)神经网络的基础之上,对排放中产生的CO 2,NOx和燃油消耗率、有效功率进行分析预测。同时,将预测的结果和实验过程中的结果相比较。这些结果表明,在BP神经网络的帮助下,排放和性能参数可以进行高精度的预测,也进一步验证了神经网络的准确性和收敛性。     

基于模糊神经网络的电站燃煤锅炉结渣预测

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．     

全尺寸燃煤锅炉NO_x排放多影响因素的数值模拟分析

煤粉锅炉产生的大量氮氧化物是当前亟待解决的环境污染问题。通过CFD软件平台,以1台四角切圆锅炉为研究对象,建立了混烧情况下煤粉燃烧氮氧化物生成的计算模型,并通过正交方法设计工况,进行数值模拟,研究了影响NOx排放的不同因素。结果表明:过量空气系数是影响NOx生成的最重要因素,NOx排放浓度随着过量空气系数的增大而增加;增加SOFA风量和采用低位磨也能降低NOx排放;另外,锅炉负荷、燃用煤种、煤粉细度也对NOx排放有一定影响。     

基于BP神经网络的超临界锅炉中间点温度预测

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。     

基于支持向量机的给水泵故障预测研究

给水泵组是火电厂重要的辅机之一,其在线状态监测得到的机械信号具有非线性关系,因此为了有效预测给水泵组的状态趋势,提高其运行的安全性和经济性,本文采用一种新的通用机器学习算法——最小二乘支持向量机(LS-SVM)。基于该机器学习算法构建给水泵组状态预测模型,并对给水泵活动侧的轴承温度和振动进行预测。实验结果表明:采用LS-SVM构建模型预测给水泵组的轴承振动和温度,其预测结果均在设定的允许误差范围内,具有一定的可靠性和参考价值。     

基于支持向量机的电站锅炉SNCR系统建模

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.