基于量子迭代混沌的涡流搜索算法预测锅炉飞灰含碳量

为了准确建立锅炉飞灰含碳量预测模型,首先提出了基于量子比特的Bloch球面坐标编码和迭代混沌映射的改进涡流搜索(I-VS)算法,然后对I-VS算法、涡流搜索(VS)算法、粒子群优化(PSO)算法、正余弦(SCA)算法和樽海鞘群(SSA)算法的性能进行比较。基于某热电厂300 MW循环流化床锅炉现场运行数据,采用I-VS算法优化并行感知机的极端学习机(PELM),得到飞灰含碳量的综合预测模型(即I-VS-PELM模型)。最后将I-VS-PELM模型的预测结果与PELM、PSO-PELM、SCA-PELM、SSA-PELM和VS-PELM模型的预测结果进行比较。结果表明:与其他模型相比,I-VS-PELM模型具有更高的预测精度和更好的泛化性能,能更准确地预测锅炉飞灰含碳量。

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。