基于自适应神经模糊推理系统的煤粉锅炉飞灰含碳量建模

飞灰含碳量是煤粉锅炉运行过程中的重要参数,对其进行建模预测具有重要意义。本文采用自适应神经模糊推理系统(ANFIS)对某660 MW机组四角切圆煤粉锅炉的飞灰含碳量进行建模。根据相关知识和运行经验,确定模型的初始输入参数;利用减法聚类算法自适应确定初始模糊规则和结构参数;利用由最小二乘估计算法和误差反向传播算法构成的混合学习算法对模糊神经网络的参数进行学习,完成飞灰含碳量模型的初始构建;对模型输入参数进行敏感性分析确定最终输入参数,以降低输入参数对模型预测精度和复杂度的影响,完成飞灰含碳量预测模型的建立。该模型预测得到的结果精度较高,可真实反映飞灰含碳量的变化情况。在此基础上,将ANFIS模型和最小二乘支持向量机(LSSVM)及BP神经网络模型的预测结果进行对比。结果表明:在训练样本数足够多的情况下,ANFIS模型对飞灰含碳量具有更高的预测精度和更强的泛化能力;而在小样本情况下,LSSVM模型的预测精度和泛化能力更好。     

基于机器学习的飞灰含碳量预测模型比较研究

锅炉飞灰含碳量是衡量锅炉燃烧效率的重要指标之一,基于机器学习构建了一套能够准确预测飞灰含碳的模型。首先,借助随机森林算法解决了飞灰含碳实测值与其他输入特征频率不一致的问题;其次,采用基于随机森林的递归特征消除方法,从30个原始输入特征中提取出9个输入特征,在降低模型计算量的同时提高了预测准确度;最后,以某电厂330 MW机组锅炉实际运行数据,建立了线性回归、决策树、KNN、随机森林、Catboost、XGBoost 6个机器学习模型对飞灰含碳量进行预测。预测结果发现：决策树、KNN、随机森林和XGBoost模型预测效果较好,均方误差分别为0.010、0.009、0.006和0.006,线性回归模型表现最差;构建的预测模型在锅炉低、中、高负荷下均保持稳定。     

基于神经网络的飞灰含碳量软测量模型及实现

飞灰含碳量的准确测量是提高锅炉燃烧效率的基础,针对目前飞灰含碳量测量装置速度、精度不理想的情况,提出了基于互信息变量选取的神经网络飞灰含碳量预测模型,并通过PLC和上位机组合的方式对神经网络进行在线监控。首先,介绍了锅炉燃烧机理,针对影响飞灰含碳量的因素进行分析,对机理分析得到的影响因素通过互信息进行选取,得到飞灰含碳量软测量模型建立所需要的辅助变量;然后针对选取得到的辅助变量进行数据预处理,包含数据去重、数据滤波、去异常值等,以处理之后的数据为输入建立神经网络模型;最后,通过PLC的SCL语言对建立的神经网络模型进行编程实现,并通过上位机组态软件WinCC进行飞灰含碳量进行在线监控。结果表明本文所建立的动态模型相较于传统的飞灰含碳量静态神经网络模型具有更高的实用性和准确性,可对现场采集的数据进行实时计算得到飞灰含碳量值并进行校正; PLC测量装置有着良好的预测精度与较高的预测速度,能够用于现场飞灰含碳量测量。     

掺配煤燃烧的锅炉仿真模型及其应用

在分析炉膛燃烧机理的基础上,建立了反映掺配煤燃烧特征的锅炉运行热效率模型,其包括炉膛一维燃烧模型、对流受热面集总参数模型和锅炉热效率计算模型。对某电厂超临界600MW机组锅炉进行的仿真计算表明,随着煤质因子Fz的增大,飞灰含碳量减少,排烟温度上升,锅炉热效率降低;飞灰含碳量和排烟温度仿真值与实际运行值较吻合,该锅炉热效率工程模型预测趋势准确。     

基于支持向量回归的飞灰含碳量软测量

针对锅炉飞灰含碳量难以准确测量的问题,提出了一种基于支持向量回归的软测量方法。以大唐潮州电厂超超临界1 000MW机组为研究对象,建立了基于支持向量回归的飞灰含碳量软测量模型,采用交叉验证法优化了模型的惩罚参数C和核函数参数g,并利用测试数据和在3种机组负荷下的随机数据验证了模型的准确性和泛化能力。仿真结果表明,飞灰含碳量软测量模型的预测精度较高,且泛化能力较强,为锅炉飞灰含碳量测量提供了一种有效的方法。     

飞灰含碳量自适应校正WLSSVM软测量模型

针对锅炉飞灰含碳量难以长期准确预测的问题,从提高模型预测精度和自适应能力的角度出发,提出一种基于模型预测性能评价的自适应校正加权最小二乘支持向量机(WLSSVM)软测量模型.构造了基于最大线性无关组的软测量模型训练样本集,使WLSSVM模型具有较好的稀疏性,并减少了训练过程的计算量;建立基于数据相似度加权因子的WLSSVM软测量模型,利用双种群差分进化算法进行模型参数的优化选取;通过模型预测性能在线评估和递推校正实现了模型在线自适应校正.在某台300 MW机组锅炉上进行的仿真试验结果表明,该算法模型具有良好的预测精度和自适应能力,能够有效预测锅炉飞灰含碳量.     

飞灰含碳量自适应校正WLSSVM软测量模型

针对锅炉飞灰含碳量难以长期准确预测的问题,从提高模型预测精度和自适应能力的角度出发,提出一种基于模型预测性能评价的自适应校正加权最小二乘支持向量机(WLSSVM)软测量模型。构造了基于最大线性无关组的软测量模型训练样本集,使WLSSVM模型具有较好的稀疏性,并减少了训练过程的计算量;建立基于数据相似度加权因子的WLSSVM软测量模型,利用双种群差分进化算法进行模型参数的优化选取;通过模型预测性能在线评估和递推校正实现了模型在线自适应校正。在某台300MW机组锅炉上进行的仿真试验结果表明,该算法模型具有良好的预测精度和自适应能力,能够有效预测锅炉飞灰含碳量。     

基于支持向量机的大型电厂锅炉飞灰含碳量建模

飞灰含碳量是影响锅炉热效率的一个重要因素,影响燃煤锅炉飞灰含碳量的因素多而且复杂,对锅炉飞灰含碳量特性进行建模预测并结合优化算法实现燃烧优化是降低锅炉飞灰含碳量的有效方法.该文应用支持向量机算法建立了大型四角切圆燃烧锅炉飞灰含碳量特性的模型,并利用飞灰含碳量的热态实炉试验的数据对模型进行了校验,对支持向量机学习算法中参数的选择进行了探讨,获得了最佳学习参数.结果说明支持向量机与其它建模方法相比具有泛化能力好,计算速度快等优点,是锅炉飞灰含碳量特性建模的有效工具.     

基于数理统计的飞灰含碳量预测及异常原因分析

飞灰含碳量是影响锅炉热效率的一个重要参数,现场中测量仪器存在寿命短、漂移严重的问题。飞灰含碳量与多个信号存在相关性,采用机理分析与多元统计分析相结合的方法研究影响飞灰含碳量因素并进行回归建模,发现机组负荷、炉膛出口氧量两项因素对飞灰含碳量的影响超过50%,并由模型得到并分析了现场运行中存在的误区。实验验证,此模型能较好地预测飞灰含碳量的变化趋势。     

基于遗传神经网络敏感度分析的飞灰含碳量测量方法

飞灰含碳量是反映电站锅炉燃烧效率的重要指标,准确测量飞灰含碳量有利于监测和调整锅炉燃烧,降低煤耗,提高锅炉运行的经济性和安全性。分析了工程上普遍采用的人工取样、实验室化验方法以及在线监测仪器所存在的缺陷。研究了以软测量和信息融合技术为代表的人工智能方法的不足,采用遗传神经网络算法,对的连接权值、阈值和隐层节点个数进行了优化计算,以增强网络的泛化能力,并利用Grason敏感性分析算法,对影响飞灰含碳量的输入参数进行了筛选,实现了以较少的工况输入来有效地测量输出。在此基础上,通过实际样本进行仿真分析和对比,验证了所用方法具有更好的测量精度,最后通过实测数据的对比进一步验证了该结论。     

热工参数软测量技术在火电厂节能中的应用

本文研究了热工参数软测量技术在火电厂节能中的应用,选取了烟气含氧量和飞灰含碳量两个对机组经济性能有重要影响的指标进行建模,得到了烟气含氧量和飞灰含碳量的软测量模型。为了验证模型的准确性,分别对两个模型的软测量值和实际值进行了比较验证,并采用均方根误差系数RMSE作为衡量指标进行了分析,两个模型的软测量模型输出结果和校验样本的均方根误差分别为0.043和0.039。     

锅炉飞灰含碳量与煤燃烧特性的相关性研究

燃煤特性是锅炉飞灰含碳量的重要影响因素之一。选择了8种典型发电用煤进行热分析(TGA)试验,并在1台超临界600 MW机组锅炉上进行试烧,利用相关分析及回归分析得到了热分析特征参数与飞灰含碳量的关系。试烧及热分析结果表明,热分析着火温度指数与飞灰含碳量相关性水平较低,而燃尽温度指数与飞灰含碳量高度相关,可以通过热分析试验并利用回归模型初步判断锅炉燃用新煤种的飞灰含碳量变化趋势。     

一种确定飞灰含碳量ANN模型输入参数的方法

为使用尽量少的输入参数使ANN(Artificial neural network)模型达到较高的预测精度,利用某电厂运行数据,通过不同参数组合的灵敏度分析,探讨了不同参数组合对基于人工神经网络的飞灰含碳量预测精度的影响。结果表明:通过灵敏度分析,能够确定既满足小数目输入参数,又满足较高预测精度的最终输入参数组合。用精简后的输入参数可以实现对飞灰含碳量的准确预测。     

失重法在线飞灰测碳装置在136MW机组中的应用

锅炉飞灰含碳量是反映火力发电厂燃煤锅炉燃烧效率的一项重要指标,实时检测飞灰含碳量将有利于指导运行正确调整风煤比,提高锅炉燃烧控制水平;合理控制飞灰含碳量的指标,有利于降低发电成本,提高机组运行的经济性.介绍了失重法在线飞灰测碳装置能实时检测飞灰的含碳量,其测量精度高、维护方便、运行可靠,而且其测量精度不受煤种变化的影响,这一特性使其完全适应目前国内火力发电厂燃煤煤种变化大的现状,具有极高的推广应用价值.广东粤电集团云浮发电厂4号炉通过该装置的投运,在燃烧优化调整过程中能及时获得实时、准确的飞灰含碳量数据,显著地提高了机组运行的燃煤效率和经济性.     

支持向量机在锅炉飞灰含碳量软测量中的应用

针对目前锅炉飞灰含碳量测量方法存在时间滞后和精度不高等问题,在分析锅炉飞灰含碳量影响因素和做锅炉燃烧特性实验的基础上,利用最小二乘支持向量机这种新的机器学习工具,建立了飞灰含碳量的软测量模型。应用该模型对燃煤电站锅炉的飞灰含碳量进行研究,理论分析和仿真计算表明,该方法学习速度快、泛化能力强、对样本的依赖程度低,比BP神经网络的软测量建模更具有推广力。     

电站锅炉典型热工参数软测量研究

提出了基于最小二乘支持向量机(ＬＳＳＶＭ)统计学习建模理论的电站锅炉热工参数软测量方法。在LSSVM软测量建模理论基础上,重点研究了热工参数的动态软测量建模及模型在线更新等核心问题。以锅炉飞灰含碳量和烟气含氧量为范例,以锅炉实际运行数据为基础验证了提出的软测量建模方法。在算法验证基础上设计了锅炉飞灰含碳量及烟气含氧量软测量平台,该软件平台在广东某600 MW机组进行了现场试验,验证了提出的锅炉热工参数软测量方法的正确性。     

基于随机森林变量选择的飞灰含碳量预测模型

针对目前几种飞灰含碳量软测量方法建模时未进行输入特征筛选以及建模方法较为单一的问题,提出花授粉算法优化随机森林的变量选择飞灰含碳量(FPA-RF)预测模型。采用影响飞灰含碳量的因素构成初始变量,利用基于随机森林的变量选择方法从中筛选最优变量。以最优变量为模型输入,训练随机森林并通过花授粉算法优化其参数。以某600 MW燃煤机组的分布式控制系统(DCS)数据为例,对本文FPA-RF预测模型和基于人工神经网络(ANN)和粒子群-支持向量机(PSO-SVM)的飞灰含碳量预测模型进行比较验证,结果表明:ANN预测模型的预测误差最大,泛化能力较弱;FPA-RF和PSO-SVM预测模型均取得较好的效果;但PSO-SVM预测模型平均训练时间为55 s,较FPA-RF长约30 s,说明本文FPA-RF预测模型具有更高的预测精度和更快的计算速度。     

670t/h煤粉炉飞灰含碳量的神经网络预测建模

对煤粉炉中影响飞灰含碳量的主要因素进行分析,并根据正交实验原理,对某台670t/h的燃煤锅炉飞灰含碳特性进行多工况热态实验,采用基于LM(Levenberg-Marquardt)算法的BP神经网络建立了锅炉飞灰含碳量的神经网络预测模型,实验验证结果表明该算法不仅收敛速度快,而且模型能根据各种操作参数准确地预报锅炉在不同工况下飞灰含碳量。     

大型电站锅炉飞灰含碳量的调整与控制

以华能大连电厂锅炉实际运行为例,探讨大型火电站锅炉飞灰含碳量的重要性、影响因素,提出调整和控制飞灰含碳量的方法,为大型火电站锅炉飞灰含碳量的控制、锅炉的优化运行提供参考。     

带校正的锅炉燃烧预测模型应用

基于燃烧优化调整试验的优化方法难以取得长久而有效的作用,为满足锅炉高效低污染燃烧的迫切需求,借助燃烧优化性能试验数据,应用人工神经网络建立预测模型,实现飞灰含碳量和排烟温度的软测量并利用预测数据校正飞灰含碳量、排烟温度的测量值。同时将校正的数据经过判断模块后输入到锅炉热效率和NO_x排放量预测的混合模型,不断扩充训练数据维数,并利用粒子群算法实现操作参数的实时寻优。实践证明:这种方法能够利用分散控制系统(distributed control system,DCS)实时数据,较为准确地获取当前最佳的锅炉燃烧调整方案,可在锅炉效率合理变化的基础上大幅度减少NO_x的排放量。