基于互信息变量选择的SCR烟气脱硝系统非线性自回归神经网络建模

本文提出了一种基于互信息变量选择的具有外部输入的非线性自回归(NARX)神经网络,建立了选择性催化还原(SCR)烟气脱硝系统的动态模型。通过互信息分析SCR烟气脱硝系统相关的影响因素,采用粒子群算法进行系统输入变量选择,并确定输入参数的时延。然后将筛选出的输入变量应用于NARX神经网络,建立了SCR烟气脱硝系统动态模型。将某燃煤机组SCR烟气脱硝系统的实际运行数据输入该模型,验证了所建模型具有很好的预测精度和泛化能力。     

基于神经网络模型及预测控制DMC的火电机组脱硝控制策略

燃煤火电机组的NO_x排放值是受国家环保部门实时监督考核的重要环保安全指标。由于NO_x被控对象的纯时延大时滞特性,常规的PID控制很难将烟气NO_x排放指标控制到理想范围内。介绍了一种基于BP神经网络模型和预测控制的动态矩阵控制（DMC）算法相结合的新型火电机组脱硝控制策略,其中BP神经网络可逼近DMC算法中脱硝对象的零输入响应,利用神经网络的泛化能力,逼近实际工业过程在不同负荷下模型参数时变的特性,使预测控制中的模型预测部分可以更精确地逼近实际过程对象,提高整个预测控制算法的控制精度。现场应用表明,这种新型脱硝控制策略可有效提高火电机组NO_x的控制品质。     

基于GA-ELM的SCR脱硝系统动态建模

针对燃煤机组SCR脱硝出口NOx质量浓度的预测问题,本文提出了一种将极限学习机(ELM)与遗传算法(GA)相结合的SCR脱硝系统动态建模方法。为避免ELM受输入权值矩阵和隐含层偏差随机性的影响,采用GA对ELM的输入层权值和隐含层偏差进行优化,建立了基于GA-ELM的SCR脱硝系统模型。采用某燃煤机组SCR脱硝系统的实际运行数据对GA-ELM模型进行验证,并与最小二乘支持向量机(LSSVM)模型和ELM模型的预测结果进行对比。结果表明,GA-ELM模型的预测精度和泛化能力最佳,可以有效预估SCR脱硝出口NOx质量浓度。     

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。     

基于互信息和PSO-LSSVM的脱硝反应器入口NO_x浓度预测

针对火电机组烟气排放连续监测系统对NO_x气体测量滞后的问题,将互信息变量选择和通过粒子群算法优化参数的最小二乘支持向量机模型相结合,建立了脱硝反应器入口NO_x浓度的预测模型。影响NO_x生成的数据类型繁多,变量之间存在很强的耦合性,而使用互信息对变量进行筛选,在考虑到主导变量与辅助变量间最大的相关性的同时,降低了选取的辅助变量间的冗余性。将互信息法筛选出来的辅助变量作为PSO-LSSVM模型的输入,经Matlab仿真模拟,并将此模型与未经互信息进行变量筛选的PSO-LSSVM模型进行比较,表明该模型可以较好地实现对火电机组脱硝反应器入口NO_x浓度的预估,同时为得到SCR脱硝反应器的最佳喷氨量打下了良好的基础。     

变量选择与支持向量机相结合的SO_2排放特性建模

燃煤电站锅炉SO_2排放是大气污染的主要来源之一,建立有效的SO_2排放预测模型有利于解决循环流化床(CFB)锅炉因炉内脱硫不稳定导致脱硫塔脱硫不及时而引起的SO_2排放超标的问题。SO_2的排放特性受众多热工参数影响,且各参数间存在相关性与耦合性,对此本文提出一种基于变量选择与支持向量机(SVM)的SO_2排放预测模型。基于某300 MW CFB锅炉现场运行数据,采用BP神经网络降低输入变量的维度与复杂度,将筛选后的输入变量作为BP-SVM模型的输入,采用K-折交叉验证的方法通过网格搜索确定最优模型参数,建立SO_2排放BP-SVM模型。将BP-SVM模型与未经变量选择的SVM模型对比分析,结果表明经过变量选择后的BP-SVM模型可以有效降低模型复杂度,提高模型泛化能力。     

基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NO_x动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NO_x排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NO_x浓度剧烈波动时也能够较...     

基于长短期记忆神经网络的火电厂NO_x排放预测模型

火电厂燃煤锅炉产生的NO_x是大气污染物的重要来源之一,建立有效的NO_x排放预测模型是降低NO_x排放的基础。针对火电厂控制系统数据的海量化和高维化及燃煤锅炉多参数多变量相互耦合的特点,首先利用主成分分析法对火电厂分布式控制系统(DCS)数据进行特征提取,消除各特征变量间的耦合性;然后将提取的特征作为长短期记忆(LSTM)神经网络的输入,得到火电厂NO_x排放预测模型。将该模型与传统循环神经网络(RNN)模型、最小二乘支持向量机(LSSVM)模型应用于某超超临界660 MW机组燃煤锅炉对NO_x排放质量浓度进行预测。结果表明:LSTM神经网络和RNN模型预测效果均优于LSSVM模型;本文提出的LSTM神经网络模型预测准确率达到79%,均方根误差为0.398,优于其他2种模型;LSTM神经网络模型数据跟踪效果明显优于RNN模型,预测结果波动较小,模型稳定性和准确率较高。     

基于特征选择的数据驱动软测量方法

由于测量环境恶劣,分析仪器成本昂贵,测量延迟大,发电机组一些关键参数难以实现在线测量。本文提出一种基于皮尔森相关系数和最小角回归算法相结合的特征选择方法,并以此为基础建立电厂烟气含氧量软测量模型。首先,根据机理分析确定烟气含氧量模型的初始输入变量,使用皮尔森相关系数对多测点数据进行数据融合;然后,使用最小角回归算法对输入变量进行特征选择,引入高斯过程回归(GPR)模型建立了烟气含氧量的软测量模型;最后将该模型用于某超超临界1 000 MW机组实际稳定工况数据进行仿真。结果表明:该模型预测结果与实测值误差较小,模型精度较高;使用该特征选择方法可以有效减少模型二次变量数量,降低模型输入复杂度,提高计算效率,同时可以改善模型的泛化能力,提高软测量的静态准确度。     

基于变量选择的深度置信神经网络锅炉烟气NOx排放预测

准确预测NOx排放量有利于降低选择性催化还原（SCR）烟气脱硝成本,优化锅炉燃烧过程。本文利用偏最小二乘法（PLS）对燃煤锅炉实际数据进行变量重要性投影分析,得到变量重要性投影指标Vip,以Vip为依据对原始变量进行排序,将20项最优变量子集作为深度置信神经网络（DBN）的输入,得到NOx排放预测的PLS-DBN模型,并将PLS-DBN模型与最小二乘支持向量机（LSSVM）、DBN、误差反向传播神经网络（BPNN）模型用于某660 MW机组锅炉的3 000组训练集及500组预测集进行测试对比。结果表明:PLS-DBN模型训练集和测试集的预测误差均较小,且在训练集和测试集上均方根误差不大于2%的预测准确率分别为0.940和0.714,预测准确率最高;表明PLS-DBN模型比其他3种NOx预测模型具有更高的预测精度和模型泛化能力。     

抽水蓄能-火电调峰优化对污染物处理成本影响分析

受经济下行影响,火电平均负荷率不断刷低,调峰能耗随之陡增。对抽水蓄能与火电机组联合调峰对污染物处理成本影响定性分析,建立了考虑污染物处理成本的抽水蓄能与火电机组联合调峰优化模型,依据混合整数规划原理,对仿真计算模型进行了求解。结果表明：一个日调峰周期内,抽水蓄能与火电机组两班制联合调峰运行可有效降低脱硝、脱硫、烟尘处理成本以及碳排放成本和发电总成本,与低负荷调峰方式相比,可有效解决因脱硝系统入口温度过低而退出运行的问题,故对其成本影响更加明显,证明了在充分考虑污染物处理成本的前提下,抽水蓄能与火电两班制联合调峰方式可有效解决当前火电机组调峰能耗较高的问题,验证了所建模型及方法的合理性和实用性以及区域系统调峰期污染物超低排放的可达性。     

基于KPCA和BP神经网络的短期负荷预测

为了提高电力系统短期负荷预测的精度,文中提出了一种基于核主成分分析(KPCA)和BP神经网络的负荷预测方法。影响负荷的因素作为神经网络的输入变量,太多输入变量会加大神经网络的训练负担,运用核主成分分析的方法对初始神经网络输入变量进行非线性降维,将降维后的数据作为神经网络新的输入变量,并对神经网络的训练算法进行改进,以加快收敛速度,最后在每一个时刻点上建立模型进行预测。采用文中提出的方法对甘肃某地区2014年的负荷进行预测,并与已有的BP神经网络方法和PCA-BP神经网络方法进行对比,结果表明该方法可提高负荷预测的精度。     

基于灰色关联分析法及GSA-LSSVM的汽轮机排汽焓预测模型

排汽焓是汽轮发电机组热经济性诊断必不可少的一个参数。通过汽轮机功率方程与灰色关联分析(grey correlation analysis,GCA)理论确定了模型的输入变量,利用万有引力搜索算法(gravitational search algorithm,GSA)优化了最小二乘支持向量机(least squares support vector machine,LSSVM)的惩罚因子μ以及核径向范围σ2个参数。通过比较分析,选用RBF_kernel为LSSVM的核函数。以GCA-GSA-LSSVM为基础,建立了预测汽轮机排汽焓的数学模型,并将其与BP神经网络、RBF神经网络进行对比,同时分析了该数学模型的鲁棒性。结果表明基于GCA-GSA-LSSVM的汽轮机排汽焓预测模型具有精度高、泛化能力强、鲁棒性强等优点,该方法为精确预测机组节能潜力提供了一种有力的工具。     

考虑经济发展趋势的中长期电力负荷SALSSVM预测

准确的中长期电力负荷预测对电力系统的合理规划具有重要作用.考虑了经济发展趋势,提出了一种应用模拟退火算法(sA)优化最小二乘支持向量机(LSSVM)的中长期负荷预测新方法(SALSSVM).首先将反映经济发展趋势的指标和历史负荷数据作为输入变量;其次运用SA优化选择用于负荷预测的LSSVM模型最优参数值;最后将该方法与未考虑经济发展趋势或未经SA优化的LSSVM预测方法进行对比.实例验证结果表明,考虑经济发展趋势并经SA优化的LSSVM模型具有更高的预测精度.该方法是有效可行的.     

电力市场环境下基于FOALSSVM的电价预测

提出了一种基于果蝇优化算法(FOA)和最小二乘支持向量机(LSSVM)模型的日均电价混合预测模型。将日均电价的历史数据和负荷数据作为输入变量,利用FOA优化选择用于电价预测的LSSVM模型最优参数值,进而对日均电价进行预测。以澳大利亚NSW电力市场的实际数据为例对该模型进行了仿真测试,其结果表明:与自适应LSSVM、模拟退火LSSVM和ARIMA-GARCH模型相比,本文提出的预测模型的预测性能最好,其收敛速度快,预测精度高。     

SCR脱硝系统多目标优化控制研究

燃煤机组面临着灵活运行和超低排放的双重压力,机组快速深度变负荷对选择性催化还原(selective catalytic reduction,SCR)脱硝系统的控制提出了更高要求。提出一种兼顾超低排放和经济成本的多目标优化控制方法,将脱硝成本加入优化目标函数,采用预测控制结构,结合神经网络和遗传算法进行模型建立和控制量寻优,实现了喷氨量的优化控制。仿真结果表明,该方法在满足排放标准的同时降低了脱硝成本,并能适应锅炉大范围变工况运行。     

基于灰色关联分析和黑洞粒子群优化算法的短期风电功率预测

短期风电功率的预测是保障风电场持续稳定运行以及电网调度的重要因素。选择最小二乘支持向量机（LSSVM）作为预测模型,使用灰色关联分析法对影响风电功率的因素进行权重比较,并使用黑洞粒子群算法（BHPSO）对 LSSVM的回归性能参数进行优化,建立了基于灰色关联分析和 BHPSO 的 LSSVM短期风电功率预测模型。对山东某风电场提供的数据进行仿真研究,并与 LSSVM模型和 BP 神经网络模型进行对比分析。验证结果表明,基于灰色关联分析和 BHPSO 的 LSSVM模型的预测效果最好。     

基于变量选择的锅炉NO_x排放的最小二乘支持向量机建模

电站燃煤锅炉是大气NOx污染的主要来源之一,建立有效的NOx排放模型是锅炉优化降低NOx的基础。针对热工过程变量之间的强相关和耦合性,利用偏最小二乘方法(partial least squares,PLS)对多工况实炉热态测试数据进行重要变量(variable importance in projection,VIP)信息提取和变量选择(variable selection,VS),把最优的变量子集作为最小二乘支持向量机(least squares support vector machine,LSSVM)的输入,最终得到NOx排放的VS-LSSVM模型。最优的输入变量个数通过留一交叉验证法获取。并将该模型与其他建模方法进行对比,结果表明通过变量选择后建模可以降低模型的复杂度,提高模型的泛化能力。     

基于先进控制技术的660MW超超临界机组SCR脱硝控制方案

目前国内大型火电机组的SCR脱硝控制系统由于控制策略设计不完善、控制目标不明确、现场测量条件等问题,系统的自动投入率和投入效果均较差,使得整个脱硝系统的运行性能受到明显影响。针对上述问题,我们提出了基于预测控制技术、神经网络学习技术及自适应控制技术的现代火电机组SCR脱硝控制的先进解决方案。并将该方案成功实现在＂INFIT＂实时优化控制系统中,使得系统能获得更好的NOx环保考核指标,氨气消耗更小,降低运行成本,并使得控制系统在部分测量参数失真时也能有效投入。     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。