利用光纤双折射效应实现应变和温度同时测量

提出了用相位掩模技术在双折射光纤上刻制光纤Bragg光栅的方法。由于光纤Bragg光栅的双折射效应,当有温度和应变的影响时,可观察到分别对应于快轴和慢轴的光纤光栅反射波中心波长的分离,可得到的最大差值为0.66nm。中心波长的差值随着温度和应变的变化而变化。这种光纤Bragg光栅可实现温度和应变的同时测量。

基于DS1302的太阳能热水器智能控制器的设计

本文介绍了一种基于DS1302的太阳能热水器智能控制器的设计方法,给出了系统硬件设计及软件实现方法。

一种实用的太阳能热水器单片机控制器的设计

介绍了一种以89C51单片机为核心构成的太阳能热水器智能控制器的设计方法,给出了系统硬件设计及软件实现方法。

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.

基于万有引力搜索算法的电厂锅炉NO_x排放模型的参数优化

以某330MW煤粉汽包锅炉为测试对象,以支持向量回归机为基础,利用最小二乘支持向量机和一种新的寻优算法———万有引力搜索算法进行了综合建模及参数优化.结果表明:建立的模型较好地实现了对电厂锅炉NOx质量浓度排放量的预测;与遗传算法、蜂群算法和粒子群算法相比,万有引力搜索算法能更好地找到未知优化参数,使得所建模型具有更高的预测能力和泛化能力,从而有效控制燃煤电厂NOx的排放量.

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机(ELM)不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机(ASOS-ELM)综合建模的方法。该方法利用改进的共生生物搜索(ASOS)算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差(RMSE)作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归(SVR)模型、改进的粒子群算法(PSO)和基本的共生生物搜索算法(SOS)优化的ELM作对比。结果表明,ASOSELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。

基于相关向量机的电站锅炉NO_x燃烧优化

为了降低电站锅炉NOx排放量,采用一种新的机器学习方法——相关向量机对某330 MW煤粉汽包锅炉的一、二次风速以及含氧量等26个输入参数和NOx输出结果进行建模,并用万有引力算法对模型的参数进行优化,获得最优模型。与粒子群算法、遗传算法优化相关向量机以及万有引力算法优化支持向量机等进行了比较,选择锅炉输入参数中的可调变量为优化变量,以NOx低排放量为目标进行优化,获得低NOx排放的输入参数。结果证明：万有引力优化相关向量机算法建立的模型精确度比其它几种算法高,对模型进行低NOx优化后,NOx输出值由最初的的906.65 mg/m3变为550.600 mg/m3,下降幅度约为38.9%,实现了NOx排放量大幅度降低。

汽轮机热耗率多模型建模方法研究

针对汽轮机热耗率难以准确计算的问题，提出了核模糊C均值与混合蛙跳算法优化最小二乘支持向量机（LS—SVM）的汽轮机热耗率多模型建模方法，用来计算不同工况下的热耗率。该方法利用核模糊C均值算法对热耗率数据聚类，采用5折交叉验证平均误差作为LS—SVM参数选择的适应度值，利用混合蛙跳算法优化参数并建立局部模型，采用开关切换得到模型输出，以此实现热耗率的多模型建模。与单一的LS—SVM模型和BP网络热耗率预测模型比较，结果表明该多模型方法有更高的预测精确和更好的泛化能力，能更准确地计算汽轮机热耗率。

基于相关向量机的汽轮机最优运行初压的确定

为了有效计算最优初压,首先提出一种基于模拟退火和混合迁移的生物地理学优化算法(B-BBO-SA)优化相关向量机(RVM)的热耗率预测模型;然后在该模型的基础上利用B-BBO-SA算法寻找各个负荷下热耗率最小时所对应的主蒸汽压力。通过与B-BBO-SA-SVM进行比较,B-BBO-SA-RVM具有更好的泛化能力;另外,得到的最优初压与设计初压存在着一定的差别,它更能准确地指导汽轮机的安全、经济运行。

基于自由搜索算法和支持向量机的燃煤锅炉NOx 建模与优化

利用支持向量机（ SVM）建立锅炉NOx 排放模型，采用自由搜索（ FS）算法对支持向量机模型参数进行优化并对模型输入参数进行寻优。结果表明，FS-SVM模型能够较好地预测NOx 排放，且模型精度较高。通过优化输入参数，NOx 排放量有明显地降低，优化后的参数变化情况与有关文献中实验所得的结果一致。

基于混合鸡群算法和核极端学习机的锅炉NO_x排放的预测

以某300MW亚临界循环流化床锅炉为研究对象,对锅炉的NOx排放量进行预测。利用模拟退火混合鸡群算法(SACSO)和核极端学习机(KELM)对不同工况下NOx的排放量进行建模;对比了差分进化算法,粒子群算法和原始鸡群算法,证明了改进后算法的优越性;之后,又对传统BP算法,支持向量机,极端学习机和核极端学习机模型进行对比;最终确定的SACSO-KELM模型具有更高的预测精度和稳定性以及更好的泛化能力,可选择将此模型用于锅炉NOx排放的建模预测。

基于GSA—SVM的循环流化床锅炉NO_x排放特性模型

为了准确地预测循环流化床锅炉NO_x排放量，以某热电厂循环流化床锅炉燃烧数据为样本，提出了基于支持向量机（SVM）的循环流化床锅炉NO_x排放特性GSA—SVM模型。由于SVM精度及泛化能力依赖于参数选择，故将万有引力搜索算法（GSA）运用到模型参数寻优过程中，利用不同工况下的样本数据检验了模型的预测性能，并将该模型分别与BP神经网络、粒子群（PSO）和遗传算法（GA）优化的SVM模型进行比较，仿真实验证明GSA—SVM模型具有很好的辨识能力及良好的泛化能力。

基于共生生物搜索算法的汽轮机最优初压研究

为了找到汽轮机在不同负荷下的最优初压,利用改进的共生生物搜索(FSOS)算法和极限学习机(ELM)建立热耗率预测模型,并与BP神经网络、共生生物搜索(SOS)算法优化ELM和FSOS算法优化支持向量机(SVM)等进行了比较。然后,在该模型的基础上用FSOS算法对主蒸汽压力和主蒸汽流量进行优化,使其在各负荷下的热耗率最低。最后,通过优化后的主蒸汽压力拟合出一条最优初压曲线,并与厂家设计的滑压运行曲线进行对比。结果表明:按照最优初压曲线运行,热耗率平均下降约58. 51 k J·(k W·h)^(-1),提高了机组能量的转换效率,对汽轮机经济运行有着显著的效果。

聚类融合控制在电厂热工过程控制中的应用研究

电厂热工过程多数属于多容、多变量、大惯性、大滞后和参数缓变的系统,对这一类系统采用常规的控制方法,不能收到令人满意的控制效果。基于多传感器信息融合的聚类控制(简称聚类融合控制)是融合多个传感器的数据信息,并将其聚类成反映过程运行状况的类别,根据每一类别所描述的过程行为特点采取相应的控制策略,从而达到实现有效控制的目的。电厂循环流化床锅炉燃烧过程是一个典型的多容、多变量、大惯性、大滞后和参数缓变的热工过程,本文根据220t/h循环流化床锅炉燃烧过程的数学模型,设计了相应的聚类融合控制系统,仿真实验及现场运行证实了该系统的有效性。

基于GSA-PELM的锅炉NO_x预测模型

为了更加精确地实现对电厂循环流化床锅炉NOx排放量进行预测,提出了一类基于并行极端学习机的GSA-PELM模型。由于PELM的泛化能力及精度依赖于其权值的选择,因而利用万有引力算法优化PELM的权值,采用从某火电厂300 MW的循环流化床锅炉在不同工况下实时采集的数据来检验模型的预测性能,并将GSAPELM模型分别与PELM模型、ELM模型、万有引力算法优化的最小二乘支持向量机模型(GSA-LSSVM)、GSA-ELM模型进行比较,仿真结果表明GSA-PELM模型的精度相比其它所有模型提高了9个数量级以上,可以更加有效、准确地用于预测火电厂锅炉的NOx排放浓度。

基于混沌理论的涡流搜索算法

基于混沌变量遍历性、随机性和规律性的特点,提出一种混沌涡流搜索算法。混沌涡流搜索算法应用混沌映射机制更新涡流搜索算法的备选解,增加了种群多样性,增强了算法的搜索能力,提高了算法的收敛速度。为了验证混沌涡流搜索算法的性能,采用9个著名的测试函数进行测试,并与粒子群算法、人工蜂群算法和萤火虫算法对比,实验结果表明混沌涡流搜索算法具有良好的收敛精度、收敛速度和搜索能力。

基于改进樽海鞘算法的锅炉NOx排放模型优化研究

为了建立高效的NO x排放质量浓度预测模型,以某330 MW的煤粉锅炉为研究对象,利用自适应樽海鞘算法(ASSA)优化快速学习网(FLN)建立预测模型。首先用8个基准测试函数检测ASSA的性能并与其它3种算法进行对比,结果显示ASSA算法的收敛速度更快,寻优结果更好;将该模型与差分进化算法(DE)、粒子群算法(PSO)和樽海鞘算法(SSA)优化的快速学习网进行比较,结果表明ASSA-FLN模型具有更好的预测精度和泛化能力,可有效准确地预测煤粉炉的NO x排放质量浓度。

基于优化型K-means聚类算法的锅炉热效率研究

针对K-means聚类算法存在初始聚类中心影响聚类精度的问题,提出采用生物地理学算法优化K-means聚类中心,使其能提高聚类算法的准确率。在基准数据集中对本算法进行实验,其结果表明改进算法具有良好的性能。其次,采用改进的K-means聚类算法对不同工况下的锅炉燃烧工艺参数进行聚类,并挖掘出每一类中热效率最高时的燃烧工艺参数作为最佳工艺参数,使锅炉在最佳工艺参数下进行燃烧,达到提高热效率的目的。为了验证最佳工艺参数的有效性,采用贝叶斯最小二乘支持向量机辨识锅炉热效率模型,结果显示热效率明显提高,说明经过优化型K-means聚类算法挖掘的最佳工艺参数是有效的。

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。