基于遗传算法优化反向传播神经网络的锅炉NO_(x)排放研究及应用

为了降低NO_(x)排放浓度,提高机组运行效率,建立了锅炉燃烧系统遗传算法一反向传播模型,并利用该模型通过反向传播神经网络对锅炉燃烧系统中NO_(x)排放浓度进行建模,利用遗传算法对限定范围内的对象输入进行参数全局寻优。以内蒙古某330 MW超临界机组为研究对象,利用该模型对运行参数进行实时优化,结果表明该模型能够有效降低NO_(x)排放浓度,具有一定的推广价值。

与DCS深度融合的火电厂智能监盘系统的研究与开发

本文以火电厂智能监盘系统为研究对象,综合运用大数据、人工智能、机器学习等先进技术,提出了一种机理与数据驱动相融合的智能预警框架方法,给出了与DCS深度融合的火电厂智能监盘系统的架构,详细阐述了其中最关键的模型管理运行平台的设计与实现,并完成了整个系统的开发。以泵电流短路异常预警和定冷水箱泄露异常预警为例,说明了采用本文提出的方法建模的过程,证明了本文所提出的预警方法的有效性,系统在某电厂的实际上线应用效果说明了本文相关研究成果的可行性和先进性。

一种遗传算法优化BP神经网络的锅炉NOx减排研究应用

为了控制NOx排放浓度,提高设备运行效率,建立针对锅炉燃烧系统的GA-BP模型,利用BP神经网络对NOx排放浓度进行建模,并利用GA算法对限定范围内的对象输入进行参数全局寻优。以内蒙某330MV超临界旋流燃烧器机组为研究对象,利用该模型进行实时优化调节,结果表明该模型能够有效降低NOx排放浓度,带来一定的经济效益值。