基于聚类分析与粒子群算法优化神经网络的灰熔点预测

针对解决燃煤锅炉或气化炉的结渣现象,影响锅炉安全性问题,以灰成分金属氧化物为自变量,灰熔点流动温度为因变量,建立了K-Means-PSO-BPNN的灰熔点预测模型,误差分析结果表明,经过粒子群算法优化,BP神经网络模型在聚类分析后的预测效果得到了显著提高,表现出更好的相关性,相关系数为0.967,高于未优化的0.917,平均绝对误差为5.81,小于未聚类的26.98,并且模型的准确性提高到98.89%。因此,聚类分析以及粒子群算法优化后的神经网络模型能够更准确预测煤灰的流动温度(FT)。

灰熔点预测模型适应性研究

针对鄂尔多斯地区煤样,对其做灰成分分析,并测得其灰熔融温度,将煤的灰熔点与煤灰中的化学组成含量建立数学关系,采用统计学的方法运用曲线拟合建立3种灰熔点预测模型,将通过预测模型得到的灰熔融点流动温度的预测值与实测值进行对比分析,通过对比分析发现,在计算过程中运用曲线拟合建立的灰熔点预测模型的预测值与实测值一致性较好,ΔFT基本满足国际允许标准值。

基于支持向量机的电站锅炉煤灰熔点预测

为解决结渣问题对电站锅炉高效稳定运行的影响,探讨了一种煤灰熔点预测模型。首先分析锅炉混煤燃烧时的煤灰结渣特性,介绍了支持向量机(support vector machine,SVM)回归方法,将煤灰中的8种氧化物成分作为输入量,以煤灰熔点作为输出量,建立煤灰熔点的SVM回归预测模型,并采用遗传算法对模型参数进行寻优。经过仿真实验,将模型的预测结果与广义回归神经网络模型的预测结果进行比较,结果表明本预测模型预测精度高、泛化能力强,有助解决电站锅炉的动力配煤技术中的结渣问题。