电站锅炉高效低污染燃烧优化控制系统设计

构造了一种基于最小二乘支持向量机和多目标进化算法的锅炉燃烧优化控制系统,通过从电厂分散控制系统上采集数据,利用最小二乘支持向量机对锅炉燃烧特性建模并通过样本的机器学习,提出了以锅炉效率与NOX排放为组合的锅炉燃烧多目标优化模型,采用基于Pareto最优概念的多目标进化算法实现运行工况寻优,根据模糊集理论在Pareto解集中求得满意解,获得锅炉燃烧优化调整方式。     

多目标进化算法在电站锅炉燃烧优化控制系统设计中的应用

构造了一种基于最小二乘支持向量机和多目标进化算法的锅炉燃烧优化控制系统,通过从电厂分散控制系统（DCS）上采集数据,利用最小二乘曼持向量机对锅炉燃烧特性建模,并通过样本的机器学习,提出了以锅炉效率与NOx排放量为组合的锅炉燃烧多目标优化模型行工况寻优,根据模糊集理论在Pareto解集中求得满意解采用基于Pareto最优概念的多目标进化算法实现运获得锅炉燃烧优化调整方式。     

基于Pareto协同进化算法的多个FACTS元件协调控制

针对多个FACTS装置的控制器之间存在的负交互影响,提出一种基于Pareto协同进化算法的协调控制方法.利用协同进化算法对控制器参数进行种群划分,对各种群采用遍历组合法构造新的个体并计算目标函数值.采用多种群合作策略进行非支配排序,取排序后的最优个体进行遗传操作,最后得到一组Pareto最优解集.与常规多目标优化算法相比,避免了一般多目标优化进化算法中难以处理的适应度值的分配问题,且利用协同进化算法的并行性大幅提高了收敛速度.利用该方法对静止同步串联补偿器(SSSC)与静止同步补偿器(STATCOM)2种典型FACTS装置的协调控制器进行了设计,并通过仿真验证了设计的协调控制器的控制效果良好.     

锅炉燃烧系统神经网络建模及多目标优化研究

电站锅炉面临降低运行成本与降低污染物排放的双重要求。依据采集到的燃烧数据,采用神经网络训练得到了锅炉燃烧模型,用于预测锅炉在不同燃烧参数的NOx排放和燃烧效率。并采用多目标优化算法,通过调整锅炉运行参数,在锅炉高效燃烧与NOx低排放之间找到合理的平衡点。     

基于非支配排序差分进化算法的多目标电网规划

在多目标电网规划问题中,综合考虑经济性、安全可靠性和环境影响等因素后,提出了非支配排序差分进化算法。以电网投资、运行维护费用、网损费用、线路走廊面积最小为目标建立了多目标电网规划模型。非支配排序差分进化算法将Pareto非支配排序法与差分进化算法相结合,采用动态调整策略调整差分进化算法控制参数,改进了个体拥挤比较机制,提高了算法的全局搜索能力和种群多样性,并基于模糊集理论选取最优折衷解。Garver-6节点和Garver-18节点系统算例结果表明,该算法可以有效生成分布均匀的Pareto最优解集,在求解多目标电网规划问题中具有可行性和优越性。     

基于智能计算的锅炉燃烧优化指导系统及其应用

提出一基于智能计算技术的锅炉燃烧优化实时指导系统,该系统根据电科院现场燃烧调整试验数据以及锅炉运行历史数据,采用人工智能神经网络建立了锅炉燃烧特性的NSGA-Ⅱ数学模型,将现场燃烧调整试验数据结果和日常司炉的运行经验模型化,并采用多目标遗传算法优化技术从模型中提取专家级燃烧运行知识和经验,通过计算机在线指导锅炉配风、配煤等燃烧运行调整,达到同时提高锅炉运行效率和减小NO_x排放的目的。     

燃煤锅炉效率与NOx排放混合建模研究

介绍了RBF神经网络的结构和特点,进而讨论了遗传算法与RBF神经网络相结合的方法.以某300MW电站锅炉燃烧调整试验数据为基础,利用RBF神经网络对锅炉效率与NOx排放混合建模,并用遗传算法优化RBF神经网络的性能,使其预测精度大幅提高.同时RBF神经网络具有收敛速度快的独特优点.因此,优化后的RBF神经网络模型为下一步的锅炉运行参数优化和燃烧优化系统的建立奠定基础.     

机组负荷分配的多目标优化和多属性决策

同时计及机组运行的经济性和污染排放,将基于进化算法的多目标优化技术与多属性决策方法联合运用,针对火电厂负荷优化分配问题进行了研究。对于多目标优化问题,采用改进的非支配解排序的多目标遗传算法(NSGAⅡ),求出Pareto最优解,由这些Pareto最优解构成决策矩阵,使用客观赋权的信息熵方法对最优解的属性进行权值计算,然后用逼近理想解的排序方法(TOPSIS)进行多属性决策(MADM)研究,对Pa-reto最优解给出排序。给出了3台机组负荷分配的优化算例,计算表明所提方法适应性好,结果合理可行。     

火电厂厂级负荷分配的多目标优化和决策研究

火电厂的负荷优化分配系统通常是以机组煤耗特性为基础的,其经济分配对应于满足稳态工况下全厂发电成本最低的要求。对于自动发电控制方式下的厂级负荷运行分配还要满足调整时间的要求,以尽可能快的速度满足目标负荷的调整。考虑机组运行的经济性和快速性,将基于进化算法的多目标优化技术与多属性决策方法联合运用,针对火电厂厂级负荷优化分配的问题进行研究。对于多目标优化问题,采用改进的非支配解排序的多目标遗传算法,求出Pareto最优解,由Pareto最优解构成决策矩阵,使用客观赋权的信息熵方法对最优解的属性进行权值计算,然后用逼近理想解的排序方法进行多属性决策研究,对Pareto最优解给出排序。文中给出了10台机组负荷分配的优化设计算例。     

基于Godlike算法的海岛型分布式电源规划模型

为实现海岛地区低污染、低成本电力的有效供给,提高可再生能源的利用消纳能力,针对海岛型分布式电源规划特点,建立了综合考虑投资运行费用、系统损耗和系统稳定性这3个方面的多目标分布式电源目标规划模型;在引入Pareto最优解概念的基础上,提出了采用Godlike算法对上述多目标、多约束、非线性优化问题进行求解。将所建立的模型及其求解算法应用于我国南方某岛分布式发电系统电源规划实际问题中,仿真结果表明Godlike算法计算结果要远远优于单体遗传算法、模拟退火算法、差分进化算法和粒子群优化算法,其能够有效避免单个算法在求解分布式电源规划问题时容易陷入局部最优、算法过早成熟等问题,保证了算法可有效得到全局Pareto最优解。     

锅炉燃烧智能优化技术研究

根据燃烧特性试验数据,利用支持向量机建立锅炉燃烧过程NOx排放与热效率的响应特性模型。结合粒子群算法分别对模型参数和锅炉的运行参数进行优化,找到了使得NOx质量浓度降低和热效率提高的运行参数组合,为实现电站锅炉高效低污染的优化目标提供了有效手段。     

电站锅炉热效率和NOx排放混合建模与优化

提高电站锅炉热效率和降低污染物排放对于节约能源和保护环境具有重要意义。人工智能方法在优化锅炉燃烧方面有广泛的应用。该文以某300MW电站锅炉燃烧调整试验数据为基础,采用BP神经网络建立以锅炉效率和NOx排放为目标的锅炉燃烧系统模型,利用遗传算法对模型进行优化,使模型训练精度和预测精度大为提高,锅炉效率平均预测误差由0．22％降至0．06％,NOx排放浓度平均预测误差由3．5％降至0．15％。利用遗传算法进行全局寻优,并用权重系数法将多目标优化转化为单目标优化。结果表明,该方法可根据需要对锅炉效率和NOx排放进行优化,实际中需重点优化锅炉效率或者重点优化NOx排放时只需要改变权重系数即可,由此得到相应的锅炉运行参数,并为锅炉优化运行提供指导。     

人工智能技术在电站锅炉燃烧优化中的应用研究

电站锅炉的运行面临降低运行成本与降低污染物排放的双重要求，高效低污染的优化决策问题日益引起关注。由于锅炉设备结构庞大，运行条件复杂，燃料性质多变等因素，建立电站锅炉排放特性的函数模型难度极大，为满足锅炉高效低污染燃烧优化研究的需要，该文借助优化燃烧特性试验数据，建立了电站锅炉热效率与NOx排放的响应特性的神经网络与解析函数的混合模型。文中使用了非函数形式的响应模型，燃烧优化采用了十进制遗传算法。优化数值解表明，该方法可针对锅炉热效率和NOx排放的不同优化目标，给出可行的调整各风门开度等操作量的优化控制方案。     

基于PSO优化锅炉氮氧化物的排放

以某超临界600 MW机组锅炉为例,采用BP-adaboost算法建立氮氧化物预测模型,通过粒子群优化算法(PSO)优化锅炉运行参数进而在减少氮氧化物排放的同时保持较高的锅炉效率.结果表明,所建模型预测氮氧化物排放量的误差可控制在3％以内,且具有较强的泛化能力;在机组满负荷运行工况下,优化后锅炉实际燃烧效率为92.04％,NOx排放量为520.93 mg/m3,相比优化前锅炉效率略有降低,但NOx排放量降低明显.     

智能控制在锅炉燃烧优化中的应用

利用支撑向量机建立电厂锅炉燃烧模型,使用非线性模型预测控制算法闭环控制锅炉的燃烧过程,改善锅炉燃烧状况,达到提高锅炉燃烧效率、减少污染物排放的目的。支撑向量机用于模型回归具有泛化能力强,在线训练速度快等优点,使用支撑向量机作为预测控制算法中的内部模型在非线性系统控制中具有良好的性能。为求解这个模型预测控制算法中的非线性优化问题,提出了一种新的混合型优化算法,使用粒子群算法进行全局搜索,使用拟牛顿法进行局部最优搜索,既实现了进化算法全局优化的特性,又保持了基于梯度的优化算法的快速收敛速度。     

600MW机组燃烧优化及降低NOx排放试验研究

围绕提高锅炉效率和降低NOx排放开展了热态一、二次风量及氧量等方面运行优化调整试验,从中找出最佳运行工况;通过修改分散式控制系统控制逻辑实现优化配风调整,在保证锅炉安全、稳定、经济运行前提下,找出最佳运行调整方案,成功地实现了锅炉低氮燃烧。     

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。