基于改进快速学习网的锅炉燃烧优化研究与应用

发布时间：2020-08-14 20:12

【摘要】：随着经济的不断发展,人们对电力的需求也在不断加大。我国作为人口大国,对电力资源的需求更大,能源的损耗和造成的环境污染是火力发电方式不可避免的难题。因此对热电厂燃烧系统进行优化成为国内外学者的重要研究课题。传统建模方式在处理锅炉燃烧这一复杂工程建模时,通常面临着非线性和强耦合的问题。针对传统方式的不足,快速学习网具有的优良的学习能力,使得该网络具备应对复杂建模的基础。针对快速学习网在实际工程中遇到的泛化性不足问题,本文在快速学习网的基础上做了研究与改进,通过量子计算的方式对网络的Dropout处理,实现了并将改进算法应用于UCI数据集和实际工程建模。实现电厂锅炉燃烧系统的构建,同样需要高效的优化算法对所建立的网络模型进行优化。本文通过改进多目标狼群算法,提出一种高效的多目标优化算法(r-MOWAP)。通过7种多目标测试函数的测试,验证了r-MOWAP算法的有效性,支持了锅炉燃烧优化模型在实际上的应用。为了验证本文提出的优化模型,以某热电厂300MW锅炉燃烧系统作为研究对象进行研究。采用了量子Dropout快速学习网(Quantum Dropout Fast Learning Network,QDFLN)对燃烧参数进行精确预测,通过r-MOWAP算法,对锅炉燃烧过程中的可调参数进行寻优。通过调整锅炉参数,使锅炉尽可能的运行在最优运行状态下。实验结果表明,应用QDFLN和多目标的狼群算法建立的锅炉燃烧系统模型预测精度高,泛化能力强,优化效果明显,达到了降低污染物排放量,提高锅炉热效率的目的。同时在最后实现了锅炉燃烧优化模型的可视化,为热电厂实现节煤减排提供了支持。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM621.2
【图文】：

炉的工作过程是一种非常复杂的非线性系统，其具有的多干扰、得传统的建模方式面临着计算复杂，无法建立精准的数学模型等经网络根据历史数据建立准确模型的能力，给煤粉锅炉建立有效思路和新的研究方向。为了保障锅炉建模的有效性和精确性，有高精度和高运算速度的神经网络。故本章的研究内容重点是针对在的部分问题，对快速学习网的相关特性进行提升。神经网络神经元结构经网络是模拟生物大脑中的神经结构而构成的，人工神经元构成基础。人工神经网络并不是人工神经元简单的线性堆叠，人工神弧实现多种多样的神经元排列组合。而这些多种多样的结构，就功能的人工神经网络模型。一个基础的人工神经元对应的输入可以间环节后，它的输出无论如何也只有一个，人工神经元具体结构如

图 2-2 极端学习机原理图( j 1,2, , N) 。 T1 2 [ , , , ]i i i in为第i个隐层节点与输入节节点阈值为ib ，输出层节点与第 i 个隐层节点的连T ]im。可以简写为：H T 1 1 1 11 1( ) ( )( ) ( ) m mN m N mN mg x b g x bHg x b g x b1 2 [ , , , ] Tk k m1 2[ , , , ] TN k NT t t t 层输出矩阵， 是输出层权值矩阵，T 是期望输出，k 是输方程的最小范数二乘解的求法可得：

图 2-3 快速学习网结构图2-14)用矩阵形式表达为：oi oh oi oh X XY W X W G W W WG G 1 1 11 1 1 1 11, , , , , , , ,in inm m Nin inNin inm m m N mm Nb bg b g bg b g b G W W x xW x W xW x W x oi ohl n m W W W示隐藏层输出矩阵。输出权值矩阵oi oh W W W 可通过式(2-3 min X XW Y W YG G

【相似文献】

相关期刊论文 前10条

1 赵秦杰;;电厂锅炉燃烧运行优化策略分析[J];低碳世界;2017年27期

2 邱子龙;谢建兵;;对于电站锅炉燃烧经济性诊断模型的研究[J];科技经济市场;2014年05期

3 张祖前;;小议锅炉燃烧控制[J];广东化工;2013年16期

4 崔毅;乔宁宁;;浅谈锅炉燃烧方式的选择[J];山西煤炭管理干部学院学报;2009年01期

5 李绍雄;马孝聪;王昌贵;;工业锅炉燃烧型煤的炉前成型[J];工业锅炉;1987年01期

6 熊仁森;高孝运;;TSH-Ⅰ型低能r射线测灰仪的应用[J];西南电力;1987年Z2期

7 蒋耀祖;徐谦;;工业锅炉燃烧优化控制研究[J];能源;1987年06期

8 谢朝泉;;日本在钢铁企业中利用燃气轮机节能[J];节能;1987年09期

9 言电;上海福克斯波罗销售服务公司开业来的业务概况[J];发电设备;1989年05期

10 朱杰;谈谈小型锅炉燃烧褐煤存在的问题和改进措施[J];节能技术;1989年01期

相关会议论文 前10条

1 张巍;张君颖;;基于现场数据的锅炉燃烧优化模型建模与寻优[A];2014年中国发电厂热工自动化技术论坛论文集（上册）[C];2014年

2 李广建;鲍学根;;浅议锅炉燃烧运行调整的方法和措施[A];科技、工程与经济社会协调发展——河南省第四届青年学术年会论文集（上册）[C];2004年

3 郑安平;;浅析间断捞渣方式对稳定锅炉燃烧的作用[A];全国火电100MW级机组技术交流协作网第一届年会论文集[C];2002年

4 马晖;王飞;崔巍;严建华;马增益;沈佩华;岑可法;;300MW电站锅炉燃烧诊断和运行指导系统[A];首届长三角科技论坛——能源科技分论坛论文集[C];2004年

5 张强;;锅炉燃烧的运行调整[A];第二届电站锅炉优化运行与环保技术研讨会论文集[C];2014年

6 尚文祥;杨海中;孟滢;徐疆峰;;锅炉燃烧劣质煤的技术措施[A];全国火电大机组（600MW级）竞赛第11届年会论文集（上册）[C];2007年

7 王志成;李文学;焦慧;曹文亮;陈忠;郭滔;苏国新;田福明;李燕琪;;电站锅炉燃烧状态检测及综合优化控制系统[A];电力行业信息化优秀成果集2013[C];2013年

8 安恩科;陈卓;张伟;;电站锅炉燃烧系统建模与多目标优化研究[A];2010年全国能源环保生产技术会议文集[C];2010年

9 朱玉璧;程相利;陶新建;李琢;王志军;;智能控制在锅炉燃烧优化中的应用[A];全国火电大机组（600MW级）竞赛第十二届年会论文集（下册）[C];2008年

10 胡中庆;;锅炉燃烧优化闭环控制的效果评估[A];推进能源生产和消费革命——第十届长三角能源论坛论文集[C];2013年

相关重要报纸文章 前10条

1 张妍　记者 赵宇清;哈工大一锅炉燃烧技术填补国内空白[N];黑龙江日报;2011年

2 相子瑞　叶景禄;30亿催生25个亿元项目[N];德州日报;2010年

3 江岚;GE能源集团锅炉燃烧优化解决方案在中电投闵行电厂成功应用[N];机电商报;2009年

4 王德国　刘国红;山铝“粗粮”细做巧成“炊”[N];淄博日报;2010年

5 本报记者;维群公司投资1800万元抓环保[N];山西日报;2007年

6 记者 张兴刚 张建民;金江公司痛将资金投环保[N];中国化工报;2007年

7 通讯员 郑辉;辽河油田“莫尔技术”促进降耗增效[N];中国石油报;2010年

8 记者 贾永强　通讯员 海珍;阜丰公司 将废渣污水变成宝[N];内蒙古日报(汉);2009年

9 冯洋;“土专家”的秘密[N];大众科技报;2009年

10 王希财邋玉月;永荣电厂环保受奖[N];经理日报;2007年

相关博士学位论文 前9条

1 李霞;超限学习机与涡流搜索算法及其在锅炉燃烧优化中应用[D];燕山大学;2019年

2 马云鹏;极端学习机和教与学优化算法改进及其在锅炉燃烧优化中的应用研究[D];燕山大学;2018年

3 郝祖龙;电站锅炉燃烧状态识别与诊断研究[D];华北电力大学（北京）;2010年

4 李国强;新型人工智能技术研究及其在锅炉燃烧优化中的应用[D];燕山大学;2013年

5 谭鹏;电站锅炉混煤低NO_x燃烧建模与运行优化研究[D];华中科技大学;2017年

6 罗自学;引入辐射能信号的锅炉燃烧检测及优化控制[D];华中科技大学;2007年

7 高明明;大型循环流化床锅炉燃烧状态监测研究[D];华北电力大学;2013年

8 张欣;火电厂煤粉锅炉燃烧状态智能监测与评判研究[D];华北电力大学（河北）;2009年

9 李勤道;基于炉内参数测量的燃烧系统优化运行理论与技术的研究[D];华北电力大学;2013年

相关硕士学位论文 前10条

1 胡振强;墙式SOFA风对660MW锅炉燃烧特性影响的数值模拟[D];华中科技大学;2019年

2 黄达;基于改进快速学习网的锅炉燃烧优化研究与应用[D];燕山大学;2019年

3 张义卓;基于群智能算法的锅炉燃烧优化[D];上海交通大学;2016年

4 朱峗;基于数据分析与挖掘的锅炉燃烧层温度建模[D];华北电力大学(北京);2019年

5 陈琪;基于极限学习机的电站锅炉燃烧系统建模及多目标优化[D];太原理工大学;2019年

6 王英杰;基于计算机视觉的锅炉燃烧状态检测方法研究[D];沈阳建筑大学;2016年

7 张思齐;基于多信息融合的锅炉燃烧稳定性建模研究[D];华北电力大学(北京);2018年

8 贺曦;重庆某氧化铝厂75-130t/h CFB锅炉燃烧优化试验研究[D];重庆大学;2018年

9 徐晨晨;基于Hadoop大数据平台的电站锅炉燃烧系统建模及优化[D];太原理工大学;2017年

10 王丰;生物质发电锅炉燃烧控制系统设计与应用[D];燕山大学;2017年

本文编号：2793494