飞灰含碳量软测量方法研究
发布时间：2020-12-28 09:23
飞灰含碳量严重影响着火电厂锅炉燃烧经济效益,含碳量过高会造成燃烧热损失增大,燃烧效率下降,甚至造成锅炉机组出现安全隐患。目前基于物理测量法的测碳仪均存在难以适应工业现场、维护不易等问题,而软测量技术的出现与发展为飞灰含碳量提供了新的测量途径。本课题以锅炉燃烧系统为背景,在分析锅炉燃烧工艺的基础上,进行辅助变量选取及其特征矩阵提取,并对飞灰含碳量的软测量模型及优化算法进行研究。主要研究内容如下:（1）通过机理分析选取了煤种特性、锅炉负荷、给煤机给煤量、燃烧器摆角等辅助变量,建立偏最小二乘回归模型对辅助变量进行特征提取,根据舍一交叉验证法确定特征矩阵的最佳主成分个数,最终确定7维特征矩阵作为软测量模型的输入变量。（2）建立BP神经网络模型,并采用改进PSO算法对网络权值、阈值的初始值进行优化。在MATLAB环境下进行模型建立及模型验证,结果表明改进PSO-BP的飞灰含碳量模型精度较高、可靠性好,且能有效避免PSO算法陷入早熟收敛问题,测试样本的均方误差为0.0049。（3）建立LSSVM、改进PSO-LSSVM的飞灰含碳量模型。结果表明,经网格搜索法优化正则化参数和核参数后的LSSVM模型...
【文章来源】：西安理工大学陕西省
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.3 本课题主要研究内容
2 火电厂参数软测量关键技术分析
2.1 火电厂监测对象与特点
2.1.1 锅炉燃烧系统工艺
2.1.2 火电厂测量数据特点
2.2 火电厂数据预处理
2.3 辅助变量选取方法
2.3.1 变量选择的基本框架
2.3.2 变量选择方法
2.4 火电厂参数建模方法概述
2.5 模型矫正
2.6 本章小结
3 飞灰含碳量软测量模型中辅助变量特征提取
3.1 飞灰含碳量软测量模型的辅助变量选取
3.1.1 飞灰含碳量影响因素分析
3.1.2 辅助变量的选择
3.1.3 数据采集与预处理
3.2 基于PLS的辅助变量特征提取
3.2.1 偏最小二乘回归简介
3.2.2 偏最小二乘回归模型
3.2.3 最佳主成分确定
3.2.4 基于PLS的辅助变量特征提取结果分析
3.3 本章小结
4 飞灰含碳量的BP神经网络模型及改进PSO算法
4.1 基于BP神经网络的飞灰含碳量模型
4.1.1 BP神经网络简述
4.1.2 BP神经网络原理
4.1.3 BP神经网络优点及缺陷
4.1.4 基于BP的飞灰含碳量模型结构确定
4.1.5 基于BP的飞灰含碳量模型仿真结果分析
4.2 基于改进PSO-BP的飞灰含碳量模型
4.2.1 粒子群算法简介
4.2.2 粒子群算法参数选择
4.2.3 粒子群算法的改进
4.2.4 改进PSO对BP神经网络优化过程
4.2.5 基于改进PSO-BP的飞灰含碳量模型仿真结果分析
4.3 BP神经网络及改进PSO-BP模型对比
4.4 本章小结
5 飞灰含碳量的LSSVM模型及改进PSO算法
5.1 基于LSSVM的飞灰含碳量模型
5.1.1 最小二乘支持向量机模型
5.1.2 核函数和正则化参数对LSSVM模型性能影响
5.1.3 基于LSSVM的飞灰含碳量模型仿真分析结果
5.2 基于改进PSO-LSSVM的飞灰含碳量模型
5.2.1 改进的PSO优化LSSVM过程
5.2.2 基于改进PSO-LSSVM的飞灰含碳量模型仿真结果分析
5.3 模型结果对比分析
5.4 基于OPC技术的飞灰含碳量在线软测量
5.5 本章小结
6 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读硕士学位期间的研究成果
【参考文献】：
期刊论文
[1]一种基于自适应学习率的推荐优化算法模型[J]. 熊彬,贺春林,周坤. 西华师范大学学报(自然科学版). 2019(02)
[2]探究变量选择的常见方法[J]. 鄂琳. 通讯世界. 2019(03)
[3]基于最小二乘支持向量机的改进型在线NO_x预测模型[J]. 丁续达,金秀章,张扬. 热力发电. 2019(01)
[4]基于最小二乘支持向量机的氧化铝浓度预测[J]. 崔家瑞,张政伟,李擎,崔家山. 兵器装备工程学报. 2018(12)
[5]330MW锅炉飞灰现状及分析[J]. 李建和. 南方农机. 2018(18)
[6]CPSO-LSSVM算法在车载电池SOC预测中的应用[J]. 谈发明,王琪. 实验室研究与探索. 2018(08)
[7]一种改进型LSSVM模型在电站锅炉燃烧与优化中的应用[J]. 李应保,王东风. 动力工程学报. 2018(04)
[8]基于自适应神经模糊推理系统的煤粉锅炉飞灰含碳量建模[J]. 王月兰,马增益,尤海辉,唐义军,沈跃良,倪明江,池涌,严建华. 热力发电. 2018(01)
[9]基于组态王与MATLAB/Simulink的OPC实时通信构建半实物仿真系统[J]. 郑勇,彭皓林,卢冠达. 工业控制计算机. 2017(09)
[10]基于互信息的辅助变量筛选及在火电厂NO_x软测量模型中的应用[J]. 马平,李珍,梁薇. 科学技术与工程. 2017(22)
博士论文
[1]火电厂热工参数软测量关键技术和方法研究[D]. 乔弘.华北电力大学（北京） 2009
硕士论文
[1]基于改进最小二乘支持向量机的锅炉烟气氧含量软测量研究[D]. 任锦.陕西科技大学 2018
[2]基于现场数据的飞灰含碳量分析及建模[D]. 李雪.华北电力大学 2018
[3]电站锅炉燃烧系统优化算法研究[D]. 胡毅.西安建筑科技大学 2017
[4]高维数据下变量选择问题的研究[D]. 曾翠英.长沙理工大学 2017
[5]软测量模型的变量选择方法研究[D]. 简葳玙.浙江大学 2017
[6]燃气锅炉燃烧控制系统应用设计[D]. 李斌.天津理工大学 2017
[7]火电机组飞灰含碳量软测量模型研究[D]. 刘苹稷.华北电力大学(北京) 2016
[8]基于粒子群优化BP神经网络在电站锅炉中的应用研究[D]. 吕雪冬.安徽大学 2015
[9]软测量技术研究及其工业应用[D]. 胡羽.兰州理工大学 2013
[10]基于SVM的火电厂锅炉飞灰含碳量软测量方法研究[D]. 李琳.华北电力大学 2013
本文编号：2943510
【文章来源】：西安理工大学陕西省
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.3 本课题主要研究内容
2 火电厂参数软测量关键技术分析
2.1 火电厂监测对象与特点
2.1.1 锅炉燃烧系统工艺
2.1.2 火电厂测量数据特点
2.2 火电厂数据预处理
2.3 辅助变量选取方法
2.3.1 变量选择的基本框架
2.3.2 变量选择方法
2.4 火电厂参数建模方法概述
2.5 模型矫正
2.6 本章小结
3 飞灰含碳量软测量模型中辅助变量特征提取
3.1 飞灰含碳量软测量模型的辅助变量选取
3.1.1 飞灰含碳量影响因素分析
3.1.2 辅助变量的选择
3.1.3 数据采集与预处理
3.2 基于PLS的辅助变量特征提取
3.2.1 偏最小二乘回归简介
3.2.2 偏最小二乘回归模型
3.2.3 最佳主成分确定
3.2.4 基于PLS的辅助变量特征提取结果分析
3.3 本章小结
4 飞灰含碳量的BP神经网络模型及改进PSO算法
4.1 基于BP神经网络的飞灰含碳量模型
4.1.1 BP神经网络简述
4.1.2 BP神经网络原理
4.1.3 BP神经网络优点及缺陷
4.1.4 基于BP的飞灰含碳量模型结构确定
4.1.5 基于BP的飞灰含碳量模型仿真结果分析
4.2 基于改进PSO-BP的飞灰含碳量模型
4.2.1 粒子群算法简介
4.2.2 粒子群算法参数选择
4.2.3 粒子群算法的改进
4.2.4 改进PSO对BP神经网络优化过程
4.2.5 基于改进PSO-BP的飞灰含碳量模型仿真结果分析
4.3 BP神经网络及改进PSO-BP模型对比
4.4 本章小结
5 飞灰含碳量的LSSVM模型及改进PSO算法
5.1 基于LSSVM的飞灰含碳量模型
5.1.1 最小二乘支持向量机模型
5.1.2 核函数和正则化参数对LSSVM模型性能影响
5.1.3 基于LSSVM的飞灰含碳量模型仿真分析结果
5.2 基于改进PSO-LSSVM的飞灰含碳量模型
5.2.1 改进的PSO优化LSSVM过程
5.2.2 基于改进PSO-LSSVM的飞灰含碳量模型仿真结果分析
5.3 模型结果对比分析
5.4 基于OPC技术的飞灰含碳量在线软测量
5.5 本章小结
6 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读硕士学位期间的研究成果
【参考文献】：
期刊论文
[1]一种基于自适应学习率的推荐优化算法模型[J]. 熊彬,贺春林,周坤. 西华师范大学学报(自然科学版). 2019(02)
[2]探究变量选择的常见方法[J]. 鄂琳. 通讯世界. 2019(03)
[3]基于最小二乘支持向量机的改进型在线NO_x预测模型[J]. 丁续达,金秀章,张扬. 热力发电. 2019(01)
[4]基于最小二乘支持向量机的氧化铝浓度预测[J]. 崔家瑞,张政伟,李擎,崔家山. 兵器装备工程学报. 2018(12)
[5]330MW锅炉飞灰现状及分析[J]. 李建和. 南方农机. 2018(18)
[6]CPSO-LSSVM算法在车载电池SOC预测中的应用[J]. 谈发明,王琪. 实验室研究与探索. 2018(08)
[7]一种改进型LSSVM模型在电站锅炉燃烧与优化中的应用[J]. 李应保,王东风. 动力工程学报. 2018(04)
[8]基于自适应神经模糊推理系统的煤粉锅炉飞灰含碳量建模[J]. 王月兰,马增益,尤海辉,唐义军,沈跃良,倪明江,池涌,严建华. 热力发电. 2018(01)
[9]基于组态王与MATLAB/Simulink的OPC实时通信构建半实物仿真系统[J]. 郑勇,彭皓林,卢冠达. 工业控制计算机. 2017(09)
[10]基于互信息的辅助变量筛选及在火电厂NO_x软测量模型中的应用[J]. 马平,李珍,梁薇. 科学技术与工程. 2017(22)
博士论文
[1]火电厂热工参数软测量关键技术和方法研究[D]. 乔弘.华北电力大学（北京） 2009
硕士论文
[1]基于改进最小二乘支持向量机的锅炉烟气氧含量软测量研究[D]. 任锦.陕西科技大学 2018
[2]基于现场数据的飞灰含碳量分析及建模[D]. 李雪.华北电力大学 2018
[3]电站锅炉燃烧系统优化算法研究[D]. 胡毅.西安建筑科技大学 2017
[4]高维数据下变量选择问题的研究[D]. 曾翠英.长沙理工大学 2017
[5]软测量模型的变量选择方法研究[D]. 简葳玙.浙江大学 2017
[6]燃气锅炉燃烧控制系统应用设计[D]. 李斌.天津理工大学 2017
[7]火电机组飞灰含碳量软测量模型研究[D]. 刘苹稷.华北电力大学(北京) 2016
[8]基于粒子群优化BP神经网络在电站锅炉中的应用研究[D]. 吕雪冬.安徽大学 2015
[9]软测量技术研究及其工业应用[D]. 胡羽.兰州理工大学 2013
[10]基于SVM的火电厂锅炉飞灰含碳量软测量方法研究[D]. 李琳.华北电力大学 2013
本文编号：2943510
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2943510.html
