基于共享最小二乘支持向量机模型的电站锅炉燃烧系统的优化

电站锅炉燃烧系统是一个复杂的多输入多输出系统,为了在同一个模型中实现高效率、低污染物排放的优化目标,对标准最小二乘支持向量机回归方法进行了扩展．借助某电厂1000MW超超临界锅炉的现场燃烧调整试验数据,建立了以锅炉热效率和NOx排放质量浓度为输出的共享最小二乘支持向量机（LSSVM）模型,采用一种改进的粒子群算法对共享模型中的锅炉运行工况进行了寻优．结果表明：在共享LSSVM模型中,锅炉热效率和NOx排放质量浓度的平均预测误差分别可达到0．028％和2．16％,搜索得到的高效率和低NOx排放的参数组合可为电站锅炉优化运行提供指导．     

基于PSO算法的供热系统锅炉集群运行参数优化

针对供热系统调峰热水锅炉集群的参数优化问题,应用基于数据驱动的神经网络算法,接入DCS系统锅炉数据,辨识建立锅炉的运行性能模型,以锅炉运行参数为决策变量、锅炉集群运行经济性最优为目标函数,应用粒子群算法优化获得最优的锅炉集群运行方案。以三河新源供热调峰锅炉集群的运行数据为实例,对3台和4台锅炉运行参数进行了优化,结果表明:通过优化获得的方案,与实际运行方案对比后,可产生约7%的节能量。     

大型电站燃煤锅炉低NO_x燃烧优化系统及应用

提出了一种锅炉运行优化的系统框架,并着重对建模方法和优化算法进行了讨论。采用一种改进的在线支持向量机方法对学习样本进行处理,并与常规支持向量机模型相结合,形成了一种自适应建模方法,以适应煤质与锅炉实际运行工况的变化。对多目标优化算法进行讨论,并介绍了NSGA II遗传算法在锅炉优化中的应用。以某大型电站锅炉为对象,对本文方法进行了应用研究,所建模型的趋势分析和测试结果均表明了本文算法的正确性,所提出的优化模型以NOx为目标函数,综合考虑了锅炉运行经济性和安全性等约束条件,优化结果表明通过运行参数的优化调整可有效降低锅炉污染物的排放。     

基于动态RBF神经网络的锅炉短期负荷预测研究

由于锅炉的热惯性,造成整个热力系统调节相对滞后,影响系统调峰和优化运行。因此,根据系统参数对锅炉短期负荷进行预测变得尤为重要。在基本RBF神经网络的基础上,提出了一种动态RBF神经网络,并定义了样本差异和样本局部差异两个相关参数,对新样本进行有效性判别,同时,给出了输入层灵敏度系数,以实现大差异样本的负荷预测。为了验证所建模型的正确性,以某电厂实际运行数据为基础验证了这一模型,使用动态RBF神经网络对未来锅炉负荷加以预测,同时对预测结果与实验结果进行了比较。结果表明,这种网络具有很强的适应性,能够对锅炉进行准确的负荷预测,具有很好的应用前景。     

电站锅炉飞灰含碳量的优化控制

利用人工神经网络对锅炉飞灰含碳量进行建模，并采用混合遗传算法与复合形法进行运行工况寻优，获得当前最佳的锅炉燃烧调整方式，这种方法同时解决了锅炉变工况下运行参数基准值的问题。应用该模型对某台300MW四角切圆燃煤电站锅炉的飞灰含碳量进行优化控制研究，其结果可指导运行人员进行参数优化调整，降低锅炉飞灰含碳量，提高燃烧经济性。     

电站锅炉飞灰含碳量的优化控制

利用人工神经网络对锅炉飞灰含碳量进行建模,并采用混合遗传算法与复合形法进行运行工况寻优,获得当前最佳的锅炉燃烧调整方式,这种方法同时解决了锅炉变工况下运行参数基准值的问题。应用该模型对某台300MW四角切圆燃煤电站锅炉的飞灰含碳量进行优化控制研究,其结果可指导运行人员进行参数优化调整,降低锅炉飞灰含碳量,提高燃烧经济性。图3表4参7     

基于MI-GA-LSTM的锅炉NOx排放快速预测模型

针对电站锅炉在实际运行过程中存在燃烧优化调整不及时以及烟气脱硝成本较高的问题，提出了基于MI-GA-LSTM的炉膛出口NO_x排放快速预测模型。根据燃煤锅炉实际运行数据，利用互信息(MI)进行特征相关性分析，将所得最优特征子集作为长短时记忆神经网络(LSTM)的输入，并利用遗传算法(GA)对模型关键参数进行寻优，得到炉膛出口NO_x原始生成质量浓度预测的MI-GA-LSTM模型，并与LSTM、门控神经网络(GRU)、循环神经网络(RNN)在同一测试集上进行预测效果对比。结果表明：该模型在训练集和测试集上都能够对运行数据进行精准地预测，可以很好地完成多变量非线性拟合；该模型在测试集上的3项指标均优于其他模型，具有更高的预测精度和泛化能力；该模型可作为炉膛出口NO_x排放质量浓度传感器的补充，提前准确感知炉膛出口NO_x原始生成质量浓度的变化。     

电站锅炉运行性能综合预测模型

采用人工神经网络提出了一种预测电站锅炉运行性能的综合模型方法。在对某台200MW电站燃煤锅炉进行多工况热态正交试验的基础上，采用BP网络建立了预测锅炉运行性能包括排烟温度、飞灰含碳以及氮氧化物（NOx）排放的综合模型。由于综合模型采用了锅炉排烟温度预测模型的输出为中间变量，并作为另外两个模型的输入，因而大大提高了整个模型的预测精度。数据测试和定量分析表明：该模型是有效的，具有较高的精度。该模型目前已经成功应用于现场实际的锅炉运行优化监督控制，有效地提高了锅炉的运行性能。     

沁北电厂2×600MW超临界锅炉优化试验及运行实绩

本文介绍了沁北电厂两台超临界锅炉的燃烧系统的主要设计特点、优化试验方法、测点布置、主要工况结果对照，并通过运行数据、锅炉壁温分布测试结果以及性能试验的结果，展示了锅炉的性能。文中还着重介绍了东方锅炉在对冲燃烧加燃烬风的燃烧系统调整方面所取得的经验，可以为同类型锅炉的优化调整提供有益的参考。     

基于新型测温技术的电站锅炉燃烧优化

为了提高锅炉效率,减少污染物排放,电站锅炉需要进行燃烧优化。以新型测温技术为基础,提出一种包含炉内温度场测量结果的燃烧优化模型,采用模拟退火算法作为燃烧优化控制算法进行优化。以某电厂300 MW锅炉为研究对象,采用仿真的方法对燃烧优化控制算法进行研究,通过对锅炉运行参数受到扰动时的工况进行燃烧优化,验证了模拟退火算法的优化性能。结果表明:在锅炉运行参数受到扰动时,模拟退火算法作为优化算法,能够给出有效的燃烧调整指令,解决扰动产生的问题,使炉膛燃烧状态保持设定的优化状态。     

电站锅炉燃烧特征提取方法研究

实施燃烧优化是电站锅炉提高燃烧效率,实现节能降耗减排的有效方法之一.提出一种基于电厂运行数据统计分析的锅炉燃烧优化方法.该方法具体包括4个层面:对燃烧状态进行分类、对反映燃烧状态的特征信号进行归纳、建立燃烧特征信号与燃烧状态的映射模型、优化燃烧控制系统.其中,寻找燃烧特征信号是该方法的一项基础工作.从锅炉燃烧的稳定性、经济性和环保性3方面,寻找出燃烧特征信号.由于一些特征信号不能或难于直接测量,重点对间接测量的方法进行了讨论,并对现有的直接和间接测量的研究方法和研究成果进行了分析.     

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。     

基于MUEAIO方法的再热汽温系统模型辨识

为了建立基于实际机组运行数据的再热汽温模型,采用基于M次不相关激励和汇总智能优化(MUEAIO)的多变量系统辨识方法。该方法的优点在于引入汇总优化的方式,有效地降低了模型误差,提高了辨识精度。以安徽田集电厂660 MW锅炉的再热器为例,分别选取一段或三段现场运行历史数据作为模型辨识依据,并用另一段运行数据进行模型验证,实验结果表明:基于MUEAIO方法辨识得到的再热汽温模型能够正确表征系统的实际动态特性,且精确度较高,可以为再热汽温系统控制方案的设计和控制器参数的优化奠定基础。     

基于变量优化和IWOA-LSTM的锅炉系统水冷壁温度预测

为进一步提高锅炉系统水冷壁温度的预测精度,提出一种基于变量优化和改进鲸鱼算法优化长短期记忆神经网络的水冷壁温度预测模型。首先,通过互信息算法(MI)进行变量选择,消除初始数据中的冗余变量;其次,使用经验模态分解算法(EMD)对变量选择后的数据进行特征分解,在提取变量有效特征信息的同时降低噪音干扰;最后,使用由非线性递减因子和自适应权值改进后的鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA)确定长短期记忆神经网络(LSTM)的超参数,得到一种新型锅炉系统水冷壁温度预测模型(MI EMD IWOA LSTM)。实验结果表明,相比传统的最小二乘支持向量机(LSSVM)预测模型,MI EMD IWOA LSTM模型的均方根误差(RMSE=0.306 8)和平均绝对百分比误差(MAPE=0.054 6)最低,能够实现对锅炉系统水冷壁工质温度的精准预测。     

超超临界燃准东煤机组吹灰系统优化研究

吹灰是清除受热面积灰结渣的一种有效手段。目前电厂吹灰的频率和时机通常是依靠经验判断,效率低且经济成本高。为改善吹灰方式,以新疆准东地区某台660 MW超超临界燃煤电站锅炉为研究对象,基于电厂分布式控制系统(DCS)中的运行数据、受热面管束排布方式及入炉煤的煤质特性,运用热平衡法求出受热面上的灰污系数,并构建在线监测模型,利用该模型优化原有的吹灰系统。结果表明：优化后1天内吹灰频率减少4次,可为电厂节省约76.26 t煤,说明此优化模型经济效益十分明显。     

基于神经网络的电站锅炉水冷壁积灰结渣监测模型的研究

针对阜新电厂 2 0 0MW机组燃煤锅炉进行了多工况热态测试 ,获得了数据样本 ,运用BP神经网络和LM算法建立了电站锅炉水冷壁积灰结渣的监测模型。所建的神经网络监测模型 ,能够反映锅炉水冷壁积灰结渣的程度 ,为电站锅炉吹灰优化系统的开发打下了良好的基础。     

数据挖掘技术在燃煤锅炉与垃圾焚烧锅炉中的应用现状及展望

总结了数据挖掘技术在燃煤锅炉故障诊断、燃烧优化、污染物减排及机组优化运行等方面的应用现状,分析了关联规则、聚类分析、神经网络和支持向量机等数据挖掘算法在锅炉优化运行和污染物排放控制中的优缺点。分析表明：人工神经网络鲁棒性强、可自学习且适用面广,未来可基于焚烧机理并耦合其他算法进行工程应用;对于在高控制要求下智能化工况优化空间大的垃圾焚烧锅炉中的发展及应用,建议将数据挖掘技术与云计算平台结合,并考虑垃圾焚烧过程的实际工况和特性进一步开发数据预处理方法,扩大动态数据采集范围,提高模型的实际运行效率和泛化能力。