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。     

燃煤锅炉高效、低NOx运行策略的研究

借助现场燃烧调整试验数据,采用最小二乘支持向量机方法建立了NOx排放和燃烧效率的预测模型,并与遗传算法相结合,分别对降低NOx排放和提高锅炉效率的各参数进行了优化,找到了在燃用不同煤种下较低NOx排放和较高燃烧效率的运行参数组合.研究结果证明:运用此方法可以寻找出锅炉在燃用不同煤种时最佳的高效、低污染运行方案.     

基于万有引力搜索算法的电厂锅炉NO_x排放模型的参数优化

以某330MW煤粉汽包锅炉为测试对象,以支持向量回归机为基础,利用最小二乘支持向量机和一种新的寻优算法———万有引力搜索算法进行了综合建模及参数优化.结果表明:建立的模型较好地实现了对电厂锅炉NOx质量浓度排放量的预测;与遗传算法、蜂群算法和粒子群算法相比,万有引力搜索算法能更好地找到未知优化参数,使得所建模型具有更高的预测能力和泛化能力,从而有效控制燃煤电厂NOx的排放量.     

基于支持向量机的燃烧过程飞灰含碳量与NOx排放特性模型

大型四角切圆电站锅炉NOx排放和飞灰含碳量是燃烧优化的两个方面,也是电厂关心的重要问题。影响两者的因素众多而且复杂,对锅炉飞灰含碳量和NOx排放特性进行建模是实现燃烧优化的一个前提。文中首先利用交叉验证算法分析样本数据,对支持向量机中的参数C和σ进行选择,再应用支持向量机理论建立了飞灰含碳量和NOx排放特性模型,最后利用试验数据对模型进行了校验。研究结果表明,采用支持向量机算法建模误差较小,达到了比较准确的预测效果。     

锅炉在线燃烧优化技术的开发及应用

锅炉燃烧调整试验获得的优化工况不能满足电厂煤质和机组负荷变化的要求,因此开发了在线燃烧优化技术.它以连续监测烟气成分为基础,实时确定炉膛高温腐蚀速率,同时利用支持向量机对锅炉效率和NOx排放浓度建模和遗传算法寻优,在线获得安全、经济和环保的锅炉运行工况.实际应用表明,该技术确定的优化工况实现了煤质及机组负荷的耦合,提高了锅炉效率,降低了NO2排放浓度.     

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。     

电站锅炉NOx排放与效率的混合建模及优化

由于锅炉设备庞大,运行条件复杂,煤种多变等因素,很难建立锅炉NOx排放与效率的函数模型。利用最小二乘支持向量机(LS-SVM)建立了以锅炉NOx排放与热效率为输出的混合模型,并对此模型进行了校验。结果表明,该模型具有调节参数少、运算速度快、结果稳定、预测精度高等优点,可以根据燃煤特性以及各操作参数准确预报锅炉在不同工况下的NOx排放和效率。针对模型的多目标优化问题,采用多目标粒子群优化算法MOPSO(multiple objective particle swarm optimization)对某工况进行优化仿真,在提高效率的同时降低了NOx排放。     

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．     

一种改进型LSSVM模型在电站锅炉燃烧与优化中的应用

采用鲁棒交叉验证算法对传统最小二乘支持向量机模型进行改进,并对某350 MW机组的锅炉燃烧系统进行建模,用以预测锅炉出口烟气参数的变化。结果表明:鲁棒交叉验证最小二乘支持向量机建模方法提高了模型的预测精度,增强了模型的鲁棒性,有效避免了单一元素误差对预测结果的影响;通过优化锅炉燃烧系统输入参数的组合,可以有效提高锅炉的整体经济效益并降低NOx的生成量。     

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.     

基于遗传算法的锅炉高效低NOx燃烧优化

分析锅炉效率及NOx排放特性,采用遗传算法,对锅炉进行高效低NOx排放燃烧优化,计算得到锅炉高效低NOx的运行参数,指导操作人员进行运行调整,以实现同时提高机组运行经济性及减少对环境的污染的目的.     

基于SVM的对冲燃煤锅炉NOx排放特性

提出了一种基于支持向量机理论在燃煤锅炉NOx排放预测的方法．对某台300 MW旋流对冲燃煤电站锅炉进行了多工况热态试验,考虑温度对NOx生成的影响,利用火焰诊断系统对炉膛温度场进行了测量．应用支持向量机理论建立了NOx排放特性模型并进行了校验．通过同神经网络模型比较,证实了该模型泛化能力强、预测精度高的优点．该模型可为电厂锅炉通过燃烧调整降低NOx排放提供参考．     

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。     

基于自适应遗传算法参数优化的锅炉燃烧特性建模

近年来,随着节能减排越来越受到关注,燃煤电站锅炉燃烧优化课题得到了广泛的研究,而电站锅炉燃烧特性建模是燃烧优化课题研究的基础和关键。文中采用混合核函数构造最小二乘支持向量机（LS—SVM）,为了提高该支持向量机回归模型的精度,通过自适应交叉和变异的改进型遗传算法对模型参数进行全局寻优。计算结果表明,根据本文方法建立的燃烧模型很简洁,精度较高,只需要应用少量的训练样本就能比较精确的预测锅炉的燃烧特性,具有较显著的工程应用价值。     

四角切圆燃煤锅炉低NO_x燃烧优化研究

借助锅炉燃烧特性试验数据,建立了基于支持向量回归的四角切圆燃煤锅炉NOx排放模型.经过训练和校验,并与神经网络模型进行对比,结果表明:SVR模型更加适合于实炉热态测试工况较少的小样本学习,而且其精度能够满足工程的实际要求,能够较为准确的对不同工况下的电站锅炉NOx排放特性进行预测.在获得该模型的基础上,结合全局寻优的遗传算法,以锅炉的运行调节参数为优化目标函数的自变量,对NOx排放进行寻优,并获得了具体工况下的最佳操作参数.     

基于GSA-LSSVM的循环流化床锅炉飞灰含碳量预测

为了控制循环流化床锅炉飞灰含碳量,提高锅炉燃烧效率。以某电厂循环流化床锅炉燃烧数据为样本,应用最小二乘支持向量机(LSSVM)建立了以锅炉运行参数为输入量,以锅炉飞灰含碳量为输出的模型。由于最小二乘支持向量机的参数决定了模型精度及泛化能力,将万有引力搜索算法(GSA)运用到模型参数寻优过程中,得到了飞灰含碳量最优模型GSA-LSSVM;并利用不同工况下的样本数据检验了模型的预测性能,并将该模型分别与粒子群(PSO)和遗传算法(GA)优化的LSSVM模型进行比较,仿真实验证明GSALSSVM模型具有很好的辨识能力及泛化能力。     

基于GA优化支持向量机的变压器故障诊断

针对变压器故障诊断中出现的多故障分类问题,为提高支持向量机的多故障分类的准确率,利用遗传算法(GA)对支持向量机的相关参数进行了优化。将利用遗传算法优化的支持向量机(GA-SVM)应用于变压器故障诊断中,并与利用粒子群算法优化的支持向量机(PSO-SVM)的识别结果进行比较。对比试验结果可以看出,GA-SVM算法能够更为有效地选择支持向量机的相关参数,在很大程度上提高了变压器多故障分类的准确性。     

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。     

SG-1 036/17.5-M871锅炉NOx排放特性的试验研究

通过采用燃烧优化技术进行南京华润热电有限公司4号炉NOx排放特性试验,大大降低了锅炉NOx的排放浓度,分析锅炉效率和NOx排放量与电站锅炉运行参数的关系,确定了锅炉低NOx运行方式,用于指导锅炉的高效低NOx的运行.