木屑气化过程LS-SVM模型改进及优化

用Sigmoid核函数替换了文献[1]模型中的高斯径向基(RBF)核函数,对文献[1]中的木屑气化过程LS-SVM模型做了改进。在建模基础上,分别用遗传算法(GA)和粒子群算法(PSO)对木屑气化过程进行优化计算。优化结果表明,以Sigmoid核函数建立的模型对分别采用K2CO3和Na2CO3催化剂时木屑气化过程拟合的平均相对误差(1.099 7%和1.094 3%)小于文献[1]模型拟合的平均相对误差(1.788 3%和1.38%);当木屑气化温度和催化剂添加量取优化值时,气体产率、气体热值、气化效率均达到最大值。

木块气化过程建模及控制参数的优化

综合分析生物质木块气化过程的特点,并考虑气化温度和气化剂当量比对气化气体热值、气化效率及产气率的影响,基于最小二乘支持向量机,建立了木块气化过程模型。在此基础上,提出了一种控制参数与气化性能指标间的多目标优化目标函数,对控制参数目标值做了寻优计算。经仿真验证表明,该寻优计算方法满足了工程需求,实现了气化过程优化控制。

基于生成对抗网络的无人机航拍输电线路图像关键信息提取

基于Py Torch开发平台,搭建生成对抗网络模型,通过对无人机航拍图像进行预处理、标签制作、网络训练和算法改进,完成对输电线路特征信息的深度学习,固化生成网络参数,实现从无人机航拍输电线路关键信息的自动提取。在深度卷积神经网络的基础上,提出一种多生成器生成对抗网络模型,在生成网络间引入联同工作机制,以加快模型获取信息并减少参数量,并将Wasserstein距离引入模型的损失函数,避免生成对抗网络在训练过程中出现梯度消失、训练不稳定等问题。通过实验分析,证明该方法对利用高分辨率无人机图像提取输电线路信息具有较好作用。

超超临界机组协调控制系统及AGC响应特性分析

对南方某电厂超超临界机组协调控制系统的控制策略进行了分析,指出采用主蒸汽压力偏差限制回路、在机组负荷设定值上增加惯性环节及变负荷、变压力过程加入燃料动态加速环节的协调控制策略,可提高机组对外界负荷的适应性。试验结果表明:该机组采用的协调控制策略达到了协调控制系统快速性和稳定性的要求,能够满足AGC试验指标的要求。