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PLS回归的EGR柴油机NO_x排放模型

利用偏最小二乘(PLS)回归方法建立了一台EGR增压中冷柴油机NOx排放的预测模型.在采用一半试验样本作为标定样本的条件下,EGR阀开启时的PLS回归模型NOx交叉舍一预测偏差均方根值(Rh)和检验样本预测均方根值(Rt)分别为20.0×10-6和18.7×10-6,EGR阀关闭时的PLS回归模型NOx的Rh和Rt值分别为22.6×10-6和26.5×10-6.模型验证样本与标定样本的预测精度相当,所建模型稳定可靠,表明这种建模方法可以应用于柴油机NOx排放标定工作以降低工作量;在主变量PLS模型精度较低时,利用在主变量之外增加二次项和交叉项的方法,模型的Rh和Rt分别降低22.1%～38.5%和9.5%～23.0%;提出的PLS回归变量选择和模型优化方法实用、可靠,可用于PLS回归模型的优选.     

基于PLS的高压共轨柴油机NO_x排放和最高燃烧压力模型

利用偏最小二乘(PLS)回归方法建立了一台高压共轨增压中冷柴油机在1 600r/min时NOx排放和最高燃烧压力的预测模型,模型的物理意义明确。采用扭矩、轨压、喷油提前角、循环喷油量、燃油消耗率、过量空气系数及其二次项和交互项作为预测变量的模型,NOx回归模型标定样本交叉舍一预测偏差均方根值(Rh)和检验样本预测均方根值(Rt)分别达14.0×10-6和15.0×10-6,最高燃烧压力回归模型的Rh和Rt值分别为0.144MPa和0.173MPa,可以满足发动机NOx排放和最高燃烧压力标定要求,大幅降低标定工作量。该PLS回归变量选择和模型优化方法实用、可靠,可用于PLS回归模型的优选。     

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.     

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。     

基于改良的鸡群优化算法优化锅炉NO_x排放质量浓度

为达到锅炉NO_x排放质量浓度最优的目标,针对鸡群优化算法收敛速度慢、容易早熟等缺点,对算法中母鸡和小鸡的觅食行为分别进行了修改,得到改良的鸡群优化(A-CSO)算法,并通过测试函数验证了A-CSO算法性能优于粒子群算法、引力搜索算法、磷虾群算法和原鸡群优化算法.利用A-CSO算法以及快速学习网建立锅炉NO_x排放质量浓度预测模型,对锅炉运行时的可调参数进行优化,获得锅炉燃烧优化调整方式.结果表明:优化后所有工况的NO_x排放质量浓度明显下降,相对下降率优于文献[12]中的结果;由于锅炉燃烧中飞灰含碳量的影响,可适当调整优化后的氧量和一次风量,以达到锅炉高效低污染燃烧.     

电站煤粉炉NOx排放特性的最小二乘支持向量机模型

为获得电站煤粉炉NOx排放特性的在线预测模型,实现低NOx闭环运行控制,以某电厂300MW四角切圆燃烧煤粉炉为研究对象建立了NOx排放特性的最小二乘支持向量机模型.在建模过程中,进行了模型性能对核函数、惩罚因子γ和核函数参数σ2的敏感性分析,并运用遗传算法和交叉证实获得了γ和σ2的最佳值.最后利用不同试验工况下的样本数据检验了模型的预测性能,并将该模型的预测性能与BP神经网络模型相比较,结果说明该模型的建模特点和预测性能能够满足NOx排放的在线预测.     

基于风驱动算法的锅炉NO_x排放模型优化

为了准确地预测电站锅炉的NO_x排放量,以某300 MW亚临界循环流化床锅炉为研究对象,利用自适应风驱动优化(AWDO)算法和极端学习机(ELM)进行综合建模,并根据不同工况下现场收集的样本数据检验该模型的预测能力;将该模型的预测值与基本极端学习机、差分进化算法、粒子群算法和基本风驱动算法优化的极端学习机模型预测值进行比较.结果表明:AWDO算法可以更好地找到优化参数,该算法优化的极端学习机模型具有良好的预测精度和泛化能力,可以准确、有效地预测电站锅炉的NO_x排放量.     

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。     

基于改进GSA的电力系统无功优化

针对引力搜索算法(GSA)初始群体随机和易陷入局部最优的缺点,提出了一种改进引力搜索算法(CLGSA),该算法引入混沌运动优化初始群体,提高种群的多样性,并结合Levy飞行的随机游走策略更新粒子的位置,降低算法陷入局部最优的可能。将GSA和CLGSA对IEEE14节点测试系统进行电力系统无功优化仿真。仿真结果表明,CLGSA不仅具有良好的优化效果,且能有效降低系统的有功功率损耗。     

基于差分量子粒子群算法的锅炉NOx排放模型优化

提出一种基于改进的差分量子粒子群(DEQPSO)算法,将其与超限学习机(ELM)相结合,以某1 000 MW超超临界机组锅炉燃烧系统为研究对象,建立了NO_x排放模型,采用现场样本数据测试所建模型的预测能力,并将该模型的预测结果与基本超限学习机以及引力搜索算法(GSA)、粒子群算法(PSO)和量子粒子群算法(QPSO)优化的超限学习机模型的预测结果进行了对比。结果表明:DEQPSO算法具有更好的参数优化性能,DEQPSO-ELM模型具有较强的泛化能力和良好的预测精度,为电站锅炉NO_x排放质量浓度预测提供了一种有效方法。     

基于自适应量子灰狼算法的锅炉NO_x预测模型

为更加精确地建立火电厂循环流化床锅炉NO_x排放质量浓度的预测模型,提出了一种利用量子位Bloch坐标球面生成编码的自适应量子灰狼算法(AQGWO)来优化快速学习网(FLN)的模型。将AQGWO与差分、粒子群等算法的优化能力进行比较,进而验证该算法优化的精度和收敛速度。在不同工况下实时采集某火电厂300 MW循环流化床锅炉的实验数据,在相同条件下将AQGWO-FLN模型与利用其他算法优化的FLN模型、基本FLN模型的预测结果进行对比。结果表明:利用AQGWO-FLN的模型具有最好的预测精度和泛化能力,可有效准确地预测火电厂锅炉的NO_x排放质量浓度。     

基于智能算法的多机PSS参数协调优化

针对大规模电力多机系统考虑多种运行方式变化下的PSS参数协调优化问题,提出一种将遗传算法寻优和BP神经网络计算阻尼比结合的智能算法。该算法根据机组对振荡模态参与因子的大小选择需要优化的机组,采用遗传算法进行不同振荡模态及运行方式下最小阻尼比最大化的寻优,并以BP神经网络获得阻尼比的时域仿真过程。在经典的四机两区域系统上仿真表明,该算法寻优效果良好,具有较好的鲁棒性。     

燃煤电站锅炉低NO_x燃烧运行参数优化

针对某电厂300 MW机组低NO_x燃烧优化调整,结合NO_x生成规律与数据分析方法,筛选原始运行数据库,建立二次风软测量模型与氧量聚类挖掘模型,从而减少原始运行参数数量,并利用粒子群优化Apriori算法,挖掘精简后的数据库中符合机组NO_x减排要求的各个参数的最优参考工况.结果表明:寻优后的烟气含氧量、磨煤机组合方式、二次风门开度和分离燃尽风(SOFA)门开度等参数均符合燃烧调整试验结论,寻优结果在保证锅炉效率的前提下,有效地降低了SCR装置进口NO_x质量浓度.     

基于改进模糊聚类与IPSO-SVM的燃煤电站NOx排放多模型预测

通过挖掘大量脱硝系统现场运行数据,提出一种新的多模型选择性催化还原(SCR)脱硝系统建模方法:首先对SCR脱硝系统进行理论分析和实际运行研究,应用改进遗传模拟退火的模糊聚类算法对训练集进行聚类划分,得到最优聚类效果;然后建立相应的支持向量机子模型,并采用改进的粒子群算法对模型参数进行优化,所建立的子模型通过隶属度值加权融合得到最终的整体预测模型。以某电站锅炉脱硝系统为例,对所提出的方法进行验证,并与其他建模方法进行比较。结果表明:所建立的模型具有较高的泛化能力和预测精度。     

基于数据和神经网络的燃气轮机NOx排放预测与优化

基于大量运行数据,采用神经网络对燃气轮机NOx排放及燃烧稳定性参数进行建模,针对影响燃烧性能的参数进行了敏感性分析,确定其大小及正负相关性,并据此对实际工况点参数进行调整,将模型预测结果与物理规律定性分析结果进行对比.结果表明:模型的预测结果与基于机理的定性分析结果基本一致,即NOx质量浓度随燃料质量流量的增加而升高,...     

基于距离学习粒子群算法的NO_x减排优化

研究了燃烧优化降低NO_x排放量的方法,介绍了3类NO_x的生成机理,利用集成支持向量机建立NO_x排放预测模型,并利用粒子群算法优化NO_x排放.为了有效克服粒子群的早熟问题,提出了带系数的距离学习粒子群算法.将所提方法应用于某电厂的NO_x减排优化中,并与其他方法进行对比.结果表明:集成支持向量机可以有效提高预测结果的准确性,改进的优化算法可以使NO_x排放量更低,搜索结果也更加稳定.