基于BWOA-GAM-BiGRU的火电厂SCR系统出口NOx排放预测

提出了一种基于数据驱动结合全局注意力机制与双向门控循环单元深度神经网络的选择性催化还原系统出口NOx排放预测模型,并使用黑寡妇优化算法对网络超参数进行自动寻优。对某300MW电厂选择性催化还系统的历史运行数据进行深度挖掘,确定模型输入变量并校准各输入变量与NOx排放量之间的时延并重构样本序列。实验结果显示,所提出模型的预测结果比典型预测模型具有更高预测精度和更好的泛化能力。     

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。     

考虑时延特性优化的燃煤锅炉主蒸汽温度预测模型

构建精确的锅炉主蒸汽温度预测模型有利于提高其控制品质,考虑锅炉运行参数的时延特性对主蒸汽温度的预测精度具有较大影响。使用长短时记忆（LSTM）神经网络算法构建模型预测锅炉主蒸汽温度变化趋势,并针对锅炉运行参数时延特性的问题,提出利用离散粒子群算法实现网络模型输入变量时滞的优化。最后,基于某1 000 MW燃煤锅炉的历史数据,验证时延特性优化后的主蒸汽温度预测模型。预测结果表明,该模型预测均方根误差为0.47 ℃,较传统方法构建的LSTM神经网络模型预测误差降低6%,预测精度更高。     

基于模糊聚类的NOx排放多模型预测优化

火电机组广泛参与调峰导致运行工况频繁变动,使得锅炉出口NOx排放的控制难度增大。 基于对燃烧状态的影响将锅炉运行参数分为可调参数和不可调参数,并利用不可调参数分布将运行数据样本进行模糊均值聚类划分,以此实现锅炉出口NOx排放特性的多模型预测。同时,利用粒子群算法对各工况所属子模型的可调参数进行寻优来实现NOx排放的优化。对某1 000 MW燃煤机组数据仿真表明,提出的NOx排放多模型预测方法比单一模型具有更好的精度,且模型训练时间更短,经过粒子群算法参数优化后NOx排放质量浓度降低了9.98%。     

综合业务管控系统容器平台的构建及开发

针对燃煤电厂脱硫系统出口SO2质量浓度难以稳定控制的问题,提出了一种基于改进粒子群算法（IPSO）优化长短时记忆（LSTM）神经网络的IPSO-LSTM预测模型。首先利用主成分分析（PCA）计算各个变量的贡献率从而筛选出模型的辅助变量,实现辅助变量的降维。其次,利用改进粒子群算法确定LSTM神经网络的神经元数量、学习率和迭代次数。最后,将选定的辅助变量作为IPSO-LSTM预测模型的输入,预测出口SO2质量浓度,采用国内某电厂2×600 MW机组脱硫数据进行仿真,并与相关11种模型进行对比。仿真结果表明,本文模型预测误差最小,其均方根误差为0.98 mg/m3,平均相对误差为1.81%;与传统LSTM、LSSVM模型相比,预测精度分别可提高72%和81%;与其他相关模型相比,改进的PSO可以提高PSO的全局寻优能力和收敛速度,当LSTM神经网络具有2层隐含层时,IPSO-LSTM模型预测精确度最高。     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

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。     

基于量子加权GRU神经网络的电力系统短期负荷预测

为提升电力系统短期负荷预测精度,提出粒子群算法优化量子加权门控循环单元神经网络模型.首先,将量子加权神经元融入门控循环单元神经网络中,构建量子加权门控循环单元神经网络预测模型,利用量子信息处理机制,提高该神经网络的非线性逼近能力和泛化能力.然后,使用全局优化能力较强的改进粒子群优化算法对所提出模型的参数进行寻优,构建权...     

基于神经网络的N Ox 燃煤锅炉排放预测及优化

应用Matlab神经网络工具箱对某燃煤电站锅炉NOx排放特性进行神经网络建模。仿真结果表明,该模型具有良好的准确性和泛化能力,模型平均相对误差为1.37%,具有较高的准确性。基于该NOx排放预测模型,结合遗传算法对燃煤锅炉的NOx排放进行优化,按照优化结果推荐的运行参数,在相同的运行负荷工况下,其NOx排放浓度由优化前的456.2mg/m3降为323.9mg/m3,下降幅度达到了29%,效果显著。     

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。