神经网络在风烟系统含氧量软测量中的应用

风烟系统烟气含氧量是影响锅炉效率的一个重要因素,其测量结果对评价燃烧经济性指标有重要作用。由于炉内燃烧过程复杂且烟气含氧量影响因素多,现场含氧量的直接测量往往存在滞后且精度较差。近年来,基于相关参数建模的软测量方法在电厂逐渐得以应用。为此,针对某1 000 MW锅炉机组,考虑风烟系统的结构及影响锅炉含氧量的因素,以电厂采集的历史运行数据作为神经网络模型的训练样本和测试样本,建立了基于神经网络的风烟系统含氧量软测量模型。与基于梯度下降法的神经网络相比,采用性能更好的L-M算法作为神经网络训练算法。试验结果表明:基于L-M算法的神经网络模型能够更准确地预测烟气含氧量,为实现锅炉的燃烧优化调整、节煤降耗奠定基础。

基于改进PSO和双隐层BP网络的锅炉氧量优化

锅炉氧量是大型燃煤机组送风系统控制的重要参数,其设定值是否合理对锅炉效率和NOx排放浓度有直接影响。为更科学合理地确定锅炉氧量设定值,提出了一种基于改进PSO和双隐层BP网络的锅炉氧量优化策略。借助某1000MW火电机组历史运行数据,建立以机组主要参数及氧量为输入、锅炉效率和NOx排放为输出的双隐层BP网络模型。为更快的搜索到最优氧量,提出一种引入变异机制的混沌简化粒子群算法。采用Gauss/mouse混沌映射增加初始种群的多样性,在位置更新过程中引入非线性递增惯性权重和高斯变异机制,提高算法跳出局部最优的能力。以双隐层BP网络模型为基础构建适应度函数寻优得到最优氧量设定值,实验结果表明改进算法具有更好的收敛速度和精度,可以高效准确地预测当前工况下的氧量最佳值,为锅炉优化运行提供指导。

AI环境下军校任职培训教员应具备的四种能力

利用AI技术优化军队院校学员培训,是军校任职培训教员在数字化时代必须具备的能力。针对目前AI环境下军校任职培训中出现的一些问题,积极寻求提高任职培训水平的有效途径,提出军校教员必须具备四种核心能力,要充分意识到自身的多重身份,不断提高任职培训质量。

基于改进烟花算法优化极限学习机的过热汽温特性建模

为建立精确的过热汽温对象模型,以实现过热汽温的智能预测优化控制。借助某600 MW亚临界机组DCS历史运行数据,采用具有外部时延的极限学习机(extreme learning machine,ELM)建立了该锅炉过热汽温特性的预测模型,并采用引入自适应调整惯性权重的烟花算法(Improved Fireworks algorithm,IFWA)对模型参数进行优化,将IFWA-ELM模型与标准ELM模型的预测结果进行对比。结果表明:针对某600 MW亚临界机组,改进的烟花算法鲁棒性强、收敛结果更准确,优化后一、二级过热汽温特性预测模型的测试集平均相对误差分别为0.1919%和0.097%,具有更好的预测精度与泛化能力。