燃煤机组深度调峰运行下SCR入口烟温预测方法研究

发布时间：2021-06-05 04:29

　　提出一种基于模糊聚美-最小二乘向量机-神经网络（FCM-LSSVM-ANN）的多模型融合方法,对全工况下选择性催化还原（SCR）入口温度进行提前预测。采用模糊聚类对不同工况下的锅炉系统运行数据进行分解,并建立若干个基于最小二乘支持向量机的预测模型,最后采用神经网络对预测结果进行非线性融合得到最终预测结果。多模型融合的方法可以对锅炉系统全工况的运行特性进行学习,能更准确地完成负荷大范围波动条件下SCR入口温度预测。同时本文采用某600 MW机组实际运行数据对所提方法进行对比验证,结果表明本文方法能够实现该机组30%～100%负荷范围SCR入口温度的准确预测,平均预测偏差控制在±4℃以内,相对误差大多数情况下小于1%。本模型可以为燃煤机组深度调峰下脱销系统入口温度进行提前预警。 

【文章来源】：热能动力工程. 2020,35(08)北大核心CSCD

【文章页数】：8 页

【部分图文】：

模型结构示意图

通常情况下,每个样本按照最大隶属度被划分到不同的类,但在实际情况下,不同的子集之间存在一定的重叠度,并不存在明显的分界线,部分数据是可以属于多个子集,如图2所示。为此LYU[13]采用一种软聚类的方式,当μik>1/(T+δ)时,xj属于第k子集,其中δ是一个很小的常数,反映子集之间的重叠程度。1.2 基于线性最小二乘支持向量机的预测模型

融合结构如图3所示,本次建模除了考虑将每个模型的预测值作为ANN的输入的同时,还将每个样本通过模糊聚类得到相对于所有子集的隶属度作为输入的一部分,提高模型的预测精度。2 深度调峰运行条件下SCR入口温度预测


本文编号：3211437