基于人工智能燃煤電站鍋爐NOx排放及經(jīng)濟(jì)運(yùn)行研究.pdf

1、本研究基于某超超臨界660MW燃煤電站鍋爐現(xiàn)場(chǎng)熱態(tài)實(shí)驗(yàn)數(shù)據(jù)樣本，利用MATLAB智能工具箱，分別采用BP神經(jīng)網(wǎng)絡(luò)方法、徑向基（RBF）神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)（SVM）神經(jīng)網(wǎng)絡(luò)方法和Elman神經(jīng)網(wǎng)絡(luò)方法對(duì)某燃煤電站鍋爐NOx排放特性進(jìn)行建模，傳統(tǒng)的BP算法還不夠完善，有一些問(wèn)題需要解決，采用動(dòng)量法對(duì)其進(jìn)行改進(jìn)；在RBF神經(jīng)網(wǎng)絡(luò)模型構(gòu)建過(guò)程中，進(jìn)行輸出層權(quán)值及RBF基函數(shù)的中心與標(biāo)準(zhǔn)偏差值的優(yōu)化；Elman網(wǎng)絡(luò)模型是本文采用的唯一一個(gè)反

2、饋模型，對(duì)它的相應(yīng)參數(shù)進(jìn)行了很多了選優(yōu)；對(duì)SVM網(wǎng)絡(luò)模型進(jìn)行了核函數(shù)及相應(yīng)參數(shù)c和g進(jìn)行了選優(yōu)。同時(shí)對(duì)四種建模方法的結(jié)果進(jìn)行了分析,表明它們都有較好的準(zhǔn)確性和泛化能力。從這四種模型中，選出BP網(wǎng)絡(luò)模型、RBF（徑向基）網(wǎng)絡(luò)模型和SVM（支持向量機(jī)）網(wǎng)絡(luò)模型這三種最常用的模型，將BP模型與其它兩種模型的仿真和預(yù)測(cè)結(jié)果進(jìn)行量化對(duì)比分析，得出的結(jié)果是，對(duì)鍋爐熱態(tài)數(shù)據(jù)這種樣本較少的情況，SVM（支持向量機(jī)）網(wǎng)絡(luò)模和RBF網(wǎng)絡(luò)模型比BP網(wǎng)絡(luò)模型的

3、計(jì)算速度快，擬合和泛化能力強(qiáng)的優(yōu)點(diǎn)，其中SVM（支持向量機(jī)）網(wǎng)絡(luò)模的性能最佳。針對(duì)神經(jīng)網(wǎng)絡(luò)算法在應(yīng)用中存在很多缺陷，如在全局搜索過(guò)程中，容易陷入局部極小問(wèn)題，在結(jié)構(gòu)設(shè)計(jì)上也存在一定的缺陷，網(wǎng)絡(luò)收斂速度慢等問(wèn)題。使用遺傳算法優(yōu)化BP網(wǎng)絡(luò)模型的權(quán)值和閥值，能夠很好實(shí)現(xiàn)對(duì)模型的優(yōu)化，優(yōu)化后模型的預(yù)測(cè)精度和泛化能力都得到了提高。在BP網(wǎng)絡(luò)模型基礎(chǔ)上，采用遺傳算法對(duì)磨煤機(jī)給煤量、二次風(fēng)風(fēng)門(mén)開(kāi)度、燃盡風(fēng)風(fēng)門(mén)開(kāi)度、爐膛出口含氧量等參數(shù)進(jìn)行優(yōu)化。本文采