锅炉烟气含氧量预测混合模型及应用

影响锅炉烟气含氧量的因素多而复杂,根据某电站锅炉特点选取煤种参数、煤量、风量、蒸汽流量、排烟温度、燃烧器摆角等15个影响燃烧的参数作为烟气含氧量的预测参数,将偏最小二乘回归与神经网络相耦合,利用偏最小二乘回归对数据提取主成分,建立了烟气含氧量预测混合模型。利用此模型进行了参数影响烟气含氧量的分析,并针对最优的风量、低位发热量这两个参数提出了锅炉运行优化目标值。     

基于数据融合的烟气含氧量软测量技术综述

软测量技术在过程控制领域中有重要的应用,对于关键的且难于检测的过程变量,研究如何对其建立软测量模型有着重要的意义.将数据融合技术应用到软测量的数据处理上,有效提高了软测量预测值可靠性和准确性.锅炉烟气含氧量是计算锅炉过量空气系数的关键参数.在实际生产过程中,用于测量此参数的氧化锆传感器可靠性不佳.针对这一问题,关于烟气含氧量的软测量建模研究硕果连连.在参考大量相关文献的基础上,对其研究现状及发展前景做了简单的归纳.然而糖厂锅炉有其自身的特殊性,其燃料有蔗渣和煤两种,而蔗渣燃烧时,过量空气系数通过CO2的检测更为简单,这就对软测量建模提出了新的要求.     

基于LS_SVM和单纯形的烟气含氧量软测量

烟气含氧量是影响火电厂燃烧经济性的一个重要因素。由于受到多个因素的影响,导致了火电厂烟气含氧量测量存在一定的困难性。软测量模型是以容易测得的二次变量为基础,利用二次变量和难测得的待测过程变量之间的数学关系,对待测过程变量进行测量而建立的模型。本研究选用合适的二次变量,提出了基于最小二乘支持向量机的火电厂烟气含氧量软测量模型。并把单纯形寻优算法应用在最小二乘支持向量机的两个必需确定的参数优化问题中,结合现场数据对模型进行预测检验。仿真结果表明,该方法能够比较准确地对火电厂烟气含氧量进行测量,对于实现火电厂经济燃烧有着重大的意义。     

一种改进烟气含氧量软测量建模方法与仿真

针对锅炉尾部烟气含氧量对提高锅炉燃烧效率的重要性,通过机理分析方法建立氧量软测量模型,并对该模型进行以下改进:使用历史数据拟合算法对炉膛总风量进行修正;使用幅值限制滤波器对热量信号中的汽包压力进行滤波以改善氧量软测量过程的动态响应;通过数据挖掘方法确定单位热量所消耗的标准状态下的最佳过量空气系数.利用某电厂历史数据进行仿真,根据方差、相关系数和最大偏差指标,证明了改进氧量软测量模型的有效性.     

基于最小二乘支持向量机的风力发电机组风速软测量

风力发电机组的有效风速无法直接测得.依据辅助变量与主导变量之间的数学关系,建立风力机有效风速最小二乘支持向量机软测量模型:通过对辅助变量的测量和计算,可得到风力机有效风速的估计值.实现风力发电机组的有效风速软测量.计算机仿真结果表明.最小二乘支持向量机软测量模型具有泛化能力强和计算效率高的优点:能够满足风速的大范围变化和风力发电机组控制实时性的要求.     

梭式窑烟气氧含量软测量技术的研究

烟气氧含量是实现窑炉气氛控制和降低能耗的一个重要参数。提出了一种梭式窑烟气氧含量的软测量方法,利用人工神经网络来逼近窑炉状态参数与烟气氧含量之间的关系,并采用模糊聚类算法处理训练数据．提高了网络对梭式窑系统的逼近能力．提供了梭式窑烟气氧含量检测的又一途径。     

基于LSTM的烟气NOx浓度动态软测量模型

针对SCR系统出口NO_x浓度测量准确性较差、CEMS测量存在较大延迟且吹扫过程中无法测量NO_x浓度的问题,依托某660 MW机组的实际运行数据,建立基于长短期记忆神经网络（LSTM）的烟囱入口NO_x浓度软测量模型。为了验证其对烟囱入口NO_x浓度的预测性能,将所建LSTM模型与RNN模型、BPNN模型和KPLS 3种模型进行对比分析。研究表明:LSTM模型的预测均方根误差为1.34 mg/m³,平均相对误差为3.51%,模型预测精度优于其他3种模型;LSTM模型的泛化能力较强,数据动态跟踪效果好,具有较高的预测稳定性。     

基于神经网络的游梁式抽油机示功图软测量研究

游梁式抽油机示功图是悬点载荷和悬点位移的关系图,示功图可以诊断油井的工作状况。至今没有一种有效方法实时测量示功图,主要原因是载荷传感器容易老化及使用寿命短。针对游梁式抽油机的示功图实时测量难问题,总结了现有的示功图间接测量方法后,提出了基于神经网络的示功图软测量方法。该方法的核心是实时测量游梁式抽油机的相关物理量,如电机功率、游梁摆动角度,利用神经网络的非线性逼近功能,预测抽油机悬点载荷。通过数据通信手段,把相关的现场数据传到数据中心,数据中心的示功图测量单元由神经网络预测抽油机悬点载荷,加上悬点位移,得到抽油机示功图。实验仿真表明基于神经网络的示功图软测量方法是可行的,有推广应用价值。     

基于LS_SVM的气液两相流含气率软测量

采用多圈环形管用于气液两相流参数的测量,对环形管上升段水平方向内外侧差压波动信号进行了分析,采用无因次分析方法获得与差压波动信号均方根相关的特征量,得到了此特征量与容积含气率的关系模型,并在此基础上进行了实验.利用支持向量机优良的非线性映射和强大的泛化能力,建立了一个基于最小二乘法支持向量机的含气率软测量模型,给出了相应的系统结构和算法,针对LS-SVM方法参数选取困难的特点,采用遗传算法进行优化,以提高软测量的精度.仿真和实际运行结果表明,基于LS-SVM的气液两相流含气率软测量模型具有较高的估算精度与泛化能力,为气液两相流舍气率的测量提供了一种简单、可靠的新方法.     

基于神经网络的风力发电系统风速软测量

对风力发电并网系统的有效风速测量问题进行研究.鉴于神经网络可应用于非线性系统的模型与辨识,不受非线性模型类的限制,且可给出工程上易于实现的学习算法,提出基于神经网络的有效风速软测量.对实时采集的风力发电机组的风速样本参数集进行分析、训练及拟合,获得相应的有效风速计算网络.仿真结果表明,有效风速软测量可代替风速仪的作用,是一种非常有效的风速估计方法.     

西北电网短期负荷预测软件系统的设计与实现

本文介绍了西北电网短期负荷预测软件系统。该系统包含相似日、时间序列、人工神经网络和偏最小二乘回归分析四种短期负荷预测方法。预测结果表明该系统能够满足西北电网短期负荷预测的需要,预测结果合理,界面友好、操作方便,在很大程度上提高了调度人员的劳动效率。     

白石水库泥沙淤积影响因子计算分析

为分析白石水库泥沙淤积影响因子并准确计算各因子的影响程度,定性分析了白石水库水沙情况,获取了泥沙淤积的主要影响因子;再依据2001～2008年白石水库水沙资料,采用偏最小二乘法建立模型,定量计算各影响因子对水库泥沙淤积的影响程度,采用灰色关联度法验证了计算结果。结果表明,影响白石水库泥沙淤积的主要因子及其影响程度为平均流量35.26%、汛期降水量30.66%、入库水量15.31%、出库水量12.52%、平均输沙率3.55%、最大流量2.65%和平均含沙量0.05%。     

一种评判煤灰结渣特性的新方法

针对煤灰结渣特性单一评判指标的预测精度普遍偏低的问题,基于偏最小二乘算法（PLS）和交叉验证理论建立了煤灰结渣特性预测模型,该模型有4个输入变量,即煤灰的软化温度、碱酸比、硅比和硅铝比,1个输出变量,即结渣程度．提出了指标的同向性和异向性的概念,依据所提出的概念对各单一指标对煤灰结渣特性的作用进行了定性分析与讨论,结合拟合方程,给出了煤灰结渣特性的评判依据．通过对测试样本进行检验,结果表明：所提出的PLS预测模型的预测精度远高于单一评判指标的预测精度,所建模型是合理可行的．     

基于XGBoost联合模型的光伏发电功率预测

提出一种考虑时间序列和多特征的光伏发电功率XGBoost联合预测模型.首先,基于偏最小二乘(PLS)提取影响光伏发电功率的多特征;然后,基于XGBoost算法分别建立发电功率的时间序列预测单模型和多特征预测单模型;最后,通过训练线性模型构建了光伏发电功率联合预测模型.使用某地区光伏电厂运行数据验证,结果证明,所提XGB...     

神经网络模糊多模型软测量在磨煤机存煤量测量方面的应用

基于钢球磨煤机的机理模型,采用神经网络模糊多模型软测量的方法解决球磨机存煤量测量问题,首先建立钢球磨煤机的机理模型,然后将FCM聚类与RBF神经网络多模型理论相结合深入探讨了神经网络模糊多模型软测量方法的实现,最后进行了球磨机存煤量测量的仿真试验,并与RBF神经网络单模型的仿真结果进行了比较.结果表明：神经网络模糊多模型软测量的预测输出的误差较小,训练速度更快,具有更好的泛化能力;将神经网络模糊多模型应用于球磨机存煤量的测量是可行的.     

基于改进的偏最小二乘法的防渗帷幕防渗预测模型研究

针对偏最小二乘回归法含有全部自变量引起的预测误差问题,对偏最小二乘回归法进行了改进,采用主元选择的GA-PLSR法,即引入逐步回归方法中挑选和剔除因子的思想来选择与因变量相关性较强的自变量主元,然后利用偏最小二乘回归法进行建模,再采用遗传算法对其回归系数建立目标函数进行优化,确立最后的拟合模型用于因变量的预测,并通过实例应用,将选择主元的偏最小二乘回归模型、常规的偏最小二乘回归模型及基于主元选择的GA-PLSR模型的预测结果进行比较。结果表明,基于主元选择的GA-PLSR模型的拟合效果较好,且预测精度更高。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

基于TLS的非线性GM-AR高边坡变形预测模型及应用

为提高传统GM-AR模型预测精度,提出一种基于整体最小二乘(TLS)的非线性GM-AR变形预测模型。首先利用TLS参数估计的GM(1,1)模型提取变形序列中具有确定性的趋势项,然后再对剔除趋势项后的随机部分建立TLS参数估计的AR预测模型,最后叠加两者的预测结果作为最终的变形预测结果,并以三峡库区某高边坡的变形数据为例对模型进行验证。结果表明,相对于传统最小二乘(LS)参数估计的非线性GM-AR模型及GM(1,1)、AR两个单一模型,基于TLS的非线性GM-AR模型的预测精度更高,可在变形预测中应用。