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) NOx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NOx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NOx浓度剧烈波动时也能够较好地预测NOx浓度,具有很好的动态特性。

基于蜣螂优化-集成加权融合的NO_(x)浓度动态预测

针对SCR入口NO_(x)浓度单一预测模型无法满足在不同工况下保持预测精度的问题,提出了一种基于蜣螂优化(dung beetle optimizer,DBO)集成模型加权融合的预测SCR入口NO_(x)浓度的动态模型。首先使用CatBoost与LightGBM的混合模型在筛选辅助变量的同时,求取辅助变量的迟延时间和阶次信息,并根据以上信息确定预测模型的输入变量;然后建立由LightGBM,XGBoost与CatBoost组成的集成模型,并使用蜣螂优化算法对预测结果进行加权融合;最后将DBO-集成加权融合动态预测模型与3种单模型和蜣螂算法优化2种模型加权融合的预测模型进行对比。结果证明DBO综合加权融合动态预测模型的评价指标优于其他模型,具有更高的预测精度、实时性和适应性,能够更好地满足不同工况下的NO_(x)浓度预测要求。

自适应内模控制在主蒸汽温度控制系统中的应用研究

主汽温被控对象是一个典型的变时滞、变参数对象,该文提出了对象时滞与蒸汽流量之间的关系,并以火电厂主汽温被控对象为参考模型设计自适应控制律,使控制器内部模型的参数逐步逼近被控对象的参数直至相等,同时根据内部模型参数的变化随时整定控制器的参数。控制器采用内模控制结构,并在集散控制系统上实施。应用结果表明,在参数不匹配和出现负荷扰动的情况下,控制系统均有满意的控制能力。

加权多模型自适应控制在脱硝系统中的应用

针对火电厂变负荷运行时SCR脱硝系统出口NOx浓度波动较大的问题,采用加权多模型自适应控制(WMMAC)策略对出口NOx浓度进行控制,建立了能够覆盖不同负荷下被控对象动态特性的模型集。针对每个模型设计相应的PID控制器,给出计算各控制器控制作用权值的指标函数。在脱硝系统出口NOx浓度控制中,通过Matlab仿真,对比变负荷工况下单一PID控制策略和WMMAC控制策略的控制效果,验证了采用WMMAC控制策略能有效提高系统的动态品质。

时序-神经网络模型在磨煤机一次风量测量中的应用

针对制粉系统存在的大惯性和大迟延等特点,提出了一种基于时序-神经网络的一次风量软测量模型。在建模过程中,考虑了生产过程输入变量和输出变量的时序,给出了辅助变量选取和数据预处理方法。某电厂实际运行结果表明,该模型的准确性较目前广泛应用的静态神经网络软测量模型有显著提高。该研究为磨煤机一次风量的测量提供了一定的理论基础。

KPCA-LSSVM在磨煤机一次风量预测中的应用

针对建立热电厂磨煤机一次风量软测量模型训练样本多、样本特征维数大等特点,考虑到现场测量所需的实时性和准确性,提出了基于样本优化、核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)相结合的方法进行建模。运用某电厂历史运行数据对模型进行仿真验证,结果表明:基于样本优化的KPCA-LSSVM软测量模型在精确性、跟踪能力和运行速度上均要优于LSSVM、BP和KPCA-BP模型,这为现场磨煤机一次风量的准确、实时测量提供了一定的理论依据。

基于mRMR和MA-RELM的火电厂出口SO_(2)质量浓度预测

提出一种基于最大相关最小冗余(mRMR)算法和蜉蝣算法优化正则化极限学习机(MA-RELM)的出口SO_(2)质量浓度预测模型。通过机理分析确定初始输入变量,利用改进的时延分析方法对初始输入变量进行时延补偿,采用mRMR算法对各个初始输入变量进行重要性排序,搭建正则化极限学习机(RELM)预测模型,并利用蜉蝣算法确定模型参数。结果表明:与最小二乘支持向量机(LSSVM)、长短期记忆网络(LSTM)和极限学习机(ELM)相比,RELM预测模型的均方根误差分别降低了36%、38%和26%;与粒子群算法(PSO)和灰狼算法(GWO)寻优后的模型相比,MA-RELM预测模型误差最低,该模型能够对出口SO_(2)质量浓度进行准确预测。

应用数据融合改善压力传感器的静态特性

提出了一种基于RBF神经网络的数据融合方法,并用此方法对电阻应变式压力传感器进行了温度补偿。通过一个实例说明了该方法的应用,并与利用BP神经网络进行补偿的方法进行了比较,进一步说明了该方法的优越性。结果表明当环境温度变化较大时,在不同的压力下该方法能对传感器进行有效的温度补偿。

基于神经网络在线学习的脱硝系统入口氮氧化物预测

针对脱硝系统入口氮氧化物静态软测量预测模型不能满足变负荷时需求的问题,建立了一种基于神经网络在线学习的软测量模型.利用粒子群算法对静态神经网络的参数进行寻优,结合预报误差和当前预测误差的大小在线更新网络的权值、阈值和学习速率,可以满足不同负荷下的需求,利用电厂的实际运行数据对模型进行了验证.结果表明:在不同负荷下,建立的神经网络在线学习模型的准确性高,实时性好,泛化能力强,可以很好地对入口氮氧化物进行预测,为脱硝系统入口氮氧化物在线测量和监测提供了一种有效的方法.

300MW机组空冷岛温度监测系统的设计

针对300 MW空冷系统规模庞大,难于实施大规模温度监测的难题,研发出一种以iFIX为支撑平台的空冷岛在线温度监测系统,并详细阐述了硬件系统和软件系统。通过采用无线测温技术,即在空冷系统散热器上安装无线测温传感器,来实现现场温度数据的实时采集和传输。上述系统对空冷岛温度场进行实时监测,为直接空冷系统防冻预警、运行调整提供数据依据。

模糊自整定PID在脱硝控制系统中的应用

针对火电厂脱硝控制系统的大迟延、非线性、时变等特点,提出了一种模糊自整定PID控制策略。对脱硝控制系统中选择性催化还原(SCR)烟气脱硝原理和传统的出口NOx控制策略进行了研究。根据系统的性能指标,确定了PID参数的模糊规则整定表。分析了初始论域对系统控制性能的影响,根据遗传算法得到初始的PID参数,利用模糊推理原则修改PID参数,以满足被控对象变化时的需求。通过Matlab对不同负荷下的被控对象进行了仿真。其结果表明:与传统PID控制策略相比,模糊自整定PID控制策略在快速性、准确性、鲁棒性方面有了明显的提升。该控制策略可有效应用于脱硝控制系统。

基于气固两相流体理论求解风粉浓度

风粉浓度作为锅炉燃烧中重要参数之一,对其测量的准确程度直接影响到锅炉运行的安全性和经济性,目前的研究方法大多针对直吹式锅炉,通用性差。将基于气固两相流体理论基础,经过严谨地理论推导,从而得出混合后的等截面直管内气固两相均匀流的压降与固相浓度的数学模型,最终间接求得了电厂风粉浓度参数。通过仿真进一步验证,压降与浓度间线性相关。其优点在于通用于直吹式和储仓式锅炉,且所需变量容易测得,方法简单可靠。

基于在线自适应的鲁棒最小二乘支持向量机及其应用

针对最小二乘支持向量机(LSSVM)在利用现场数据建模时难以适应不同工况,鲁棒性较差的问题,提出了一种基于在线自适应修正的鲁棒LSSVM模型。该方法以总的预报误差大小作为阈值,根据不同工况自适应更新参数,从而提高模型对数据的适应性;同时采用模糊隶属度对向量机优化问题中的误差平方项赋予动态权值,增强模型的抗噪声能力。将该方法应用于电厂实际数据对一次风量的预测,并与普通LSSVM模型相比,结果表明该算法所建立的模型鲁棒性强、预测精度高。该模型可满足不同工况下数据的实时预测和估计,为各种在线监测系统提供了良好的数据支持。

基于改进云自适应粒子群优化算法的NO_X含量测量

脱硝反应器入口NO_X浓度的及时、准确测量,对精确调节喷氨量、控制氮氧化物的排放至关重要。针对NO_X气体分析仪测量存在的精度差、滞后性等问题,基于传统云理论,并结合径向基函数(RBF)神经网络,提出了改进的云自适应粒子算法(CPSO)-RBF神经网络的测量模型。利用云模型理论中云滴具有随机性、稳定倾向性等特点,提出了一种新型分段式自适应调整粒子群惯性权重算法。利用此优化算法,对神经网络参数进行优化,提高了测量模型的精度。将该模型应用于SCR反应器入口的NO_X含量测量中,实例仿真表明,改进算法优化的神经网络模型具有较高的精度,为反应器入口NO_X含量的实时、准确测量提供了一定的理论依据,也为实际生产过程中NO_X的测量与控制提供了一定的参考。

基于变量选择和EMD-LSTM网络的出口SO_(2)浓度预测

针对燃煤电厂脱硫系统出口SO_(2)浓度难以稳定控制的问题,该文提出一种基于变量选择和经验模态分解(empirical mode decomposition,EMD)–长短期记忆网络(long short-term memory,LSTM)的预测模型。首先,通过机理分析确定与出口SO_(2)有关的相关变量,利用套索(least absolute shrinkage and selection operator,LASSO)算法去除冗余变量。利用互信息确定各输入变量与输出变量之间的时间延迟,并进行时延补偿。对补偿后的数据通过EMD算法进行分解,并作为最终的输入变量。利用LSTM建立出口SO_(2)浓度的预测模型。仿真实验表明,LASSO算法去除了冗余变量,提高了模型泛化能力;EMD分解能够提取数据中的有效信息,降低了模型预测误差;利用LSTM建立的模型其预测精度最高,能够准确预测出口SO_(2)浓度变化。所得结果对实现脱硫系统稳定运行具有重要意义。

传递熵变量选择的非线性系统时序预测模型

对于复杂非线性系统,难以准确分析其中各变量之间相互影响关系,且其原始数据时序不统一。因此对于时序预测模型,上述情况会产生辅助变量冗余和时序混乱进而影响预测效果。提出了一种基于传递熵变量选择的非线性系统时序预测模型,利用因果关系进行辅助变量的筛选;检测变量之间的迟滞,据此进行时序统一。通过一个简单的非线性模型对算法进行验证,得到了和理论分析相吻合的结果,并利用不同模型分别验证了算法的有效性。最后,使用某600MW燃煤机组的实际数据对模型进行验证。实验结果证明:该预测模型与之前的方法相比,不依靠机理分析,通过较少的辅助变量得到准确的预测结果和更好的泛化能力,节约了运行时间,可以满足现场运行要求。

基于最小二乘支持向量机的锅炉炉膛温度在线预测

针对火电厂锅炉炉膛温度具有非线性、耦合性的特点,提出一种基于最小二乘支持向量机的炉膛温度在线软测量模型。依据替代思想及矩阵理论对炉膛温度离线软测量模型进行校正,在线预测时无需重新训练,既提高了预测精度,又降低了计算复杂度。应用该方法对某300 MW机组锅炉炉膛折焰角截面中心温度进行在线预测,其在线预测结果与实际值相符,预测相对误差小于0.02%,预测效果较好。该方法为屏式过热器入口温度的预测及各受热面的安全性提供了依据。

汽包锅炉蓄热在协调控制系统中的应用研究

汽包锅炉蓄热系数是衡量机组蓄能的主要参数,推导出锅炉蓄热系数及蓄热能力随汽包压力变化的关系。根据能量守恒的原理,单元机组响应负荷变化时,控制量(锅炉燃烧率)一方面在静态前馈的作用下满足了负荷的变化,同时还要根据产生的汽包压力偏差计算出需要补偿的锅炉蓄热作为炉主控的一个动态前馈,及时满足系统改变汽压(调整锅炉蓄能)的需要,并分析了此方案的可行性,现场投运效果表明将锅炉蓄热直接应用在协调控制系统中的控制方案可行。

基于人工鱼群-径向基神经网络的NO_(x)预测模型

针对燃煤电厂脱硝系统入口NO_(x)质量浓度迟延较大、难以测量的问题,提出了人工鱼群算法(AFSA)优化径向基神经网络(RBFNN)预测模型。利用互信息确定模型输入变量,运用K-近邻互信息算法预估迟延时间;采用具有强泛化能力的RBFNN建立相空间重构的辅助变量和主导变量的预测模型,并运用AFSA确定RBFNN的最优参数组合,克服输入规律不明和参数随机性的影响。最后将AFSA-RBFNN预测模型与RBFNN、PSO-RBFNN预测模型进行对比验证。结果表明:AFSA-RBFNN预测模型的均方根误差、平均绝对百分比误差最小,运行时间最短,表明该模型的泛化能力、预测精度明显优于其他模型,并能够解决粒子群算法的局部收敛和运行时间长的问题。

基于互信息PSO-LSSVM的SO_(2)浓度预测

针对火电厂SO_(2)污染物排放问题,提出了一种基于互信息的粒子群寻优(PSO)最小二乘支持向量机(LSSVM)模型预测方法,通过筛选出与SO_(2)实测入口浓度相关性较高的辅助变量,将其作为模型的输入,实现对主导变量SO_(2)浓度的预测。利用互信息筛选出的辅助变量相比于机理分析、皮尔逊相关性筛选出的辅助变量具有更高的相关性。利用互信息筛选出的辅助变量作为LSSVM模型的输入以及粒子群法确定LSSVM的参数,不仅缩短了计算时间,还提高了预测精度。将该方法应用到某火电厂的SO_(2)浓度软测量中,利用现场数据进行仿真,结果表明预测精度较高,相对误差较低,预测趋势更贴近实际值,减小了实际值与预测值的误差(均方根误差为2.485,平均相对误差为0.2603%),为现场的SO_(2)浓度提前控制提供了软件技术支持。