基于SVR的电站锅炉一次风管煤粉含碳量预测建模与优化研究

发布时间：2017-09-06 00:35

  本文关键词：基于SVR的电站锅炉一次风管煤粉含碳量预测建模与优化研究

  更多相关文章： 电站锅炉 煤粉含碳量 支持向量回归机 辅助变量 预测建模 仿真实验

【摘要】：以煤为主的能源结构决定了燃煤发电在我国占据着主导地位。燃煤发电所需要的主要能源是煤炭,而煤炭市场经常发生变化,造成电厂所需的煤种来源很不稳定,导致电站锅炉燃用的煤种与锅炉设计的煤种经常出现不一致,严重影响电站锅炉的安全运行和经济运行。煤粉的含碳量在一定程度上可以反映出煤种情况,因此,本文将针对电站锅炉燃烧煤种的不稳定性,对一次风管煤粉含碳量进行预测建模研究,为煤种的实时在线分析提供参考。论文主要工作如下:首先,对煤粉含碳量测量过程的主要影响因素进行深入分析,为构建煤粉含碳量预测模型奠定基础。煤粉颗粒在气力输送过程中经摩擦碰撞产生静电,而荷电的煤粉颗粒包含煤粉含碳量信息。因而可利用静电技术采集煤粉颗粒的静电信号,在此基础上对煤粉含碳量和静电信号之间的关系进行了理论分析和试验数据分析。同时结合相关系数法和试验数据深入分析了煤粉含碳量测量过程的主要影响因素,从而确定了构建模型的主要辅助变量。其次,采用了支持向量回归机(SVR)算法对煤粉含碳量进行建模研究。通过对不同归一化方式和核函数的比较分析,确定了最佳归一化方式和最佳核函数。利用现场试验数据对SVR模型进行了训练和测试,并与BP神经网络模型(BP-ANN)实验结果做比较分析。仿真结果表明,SVR模型预测精度更高,推广性能更好,可以更好地预测锅炉一次风管煤粉含碳量。最后,采用改进的遗传算法对煤粉含碳量预测模型进行优化研究。结合交叉验证法,探索建立基于GA-SVR煤粉含碳量的优化模型。通过仿真实验分析,获得了训练和测试误差结果图、实际值和预测值对比结果图以及三种模型的各类性能指标对比结果。结果表明,改进的GA-SVR优化模型比SVR模型和BP-ANN模型具有更好的预测效果。
【关键词】：电站锅炉 煤粉含碳量 支持向量回归机 辅助变量 预测建模 仿真实验
【学位授予单位】：长沙理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM621.2
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-15
• 1.1 课题研究背景及意义10-11
• 1.2 国内外研究现状11-13
• 1.2.1 煤粉含碳量在线测量研究现状11-12
• 1.2.2 支持向量机在电厂热工参数检测应用现状12-13
• 1.3 本文主要研究内容及论文结构13-15
• 1.3.1 本文主要研究内容13
• 1.3.2 论文结构安排13-15
• 第二章 支持向量回归机理论基础15-26
• 2.1 统计学习理论15-18
• 2.1.1 VC维概念15-16
• 2.1.2 推广性的界理论16-17
• 2.1.3 结构风险最小化17-18
• 2.2 支持向量回归机理论18-25
• 2.2.1 最优分类超平面18-20
• 2.2.2 线性支持向量回归机20-22
• 2.2.3 非线性支持向量回归机22-24
• 2.2.4 核函数24-25
• 2.3 本章小结25-26
• 第三章 煤粉含碳量测量过程辅助变量选取26-38
• 3.1 煤粉含碳量测量系统26-27
• 3.2 煤粉含碳量的静电测量原理27-30
• 3.2.1 粉体介质的起电过程分析28-29
• 3.2.2 煤粉含碳量与静电信号的关系29-30
• 3.3 煤粉颗粒静电测量过程影响变量选取30-37
• 3.3.1 影响变量分析31-35
• 3.3.2 辅助变量选取35-37
• 3.4 本章小结37-38
• 第四章 一次风管煤粉含碳量SVR预测建模38-50
• 4.1 数据采集及预处理38-39
• 4.1.1 数据样本划分38
• 4.1.2 数据预处理38-39
• 4.2 核函数及模型参数的选取39-43
• 4.2.1 核函数的选取39-40
• 4.2.2 模型参数选取分析40-41
• 4.2.3 模型参数选择方法41-43
• 4.3 基于SVR煤粉含碳量预测模型的建立与训练43-46
• 4.3.1 SVR模型的建立43-44
• 4.3.2 模型的训练结果分析44-46
• 4.4 仿真实验结果与分析46-49
• 4.4.1 预测结果的性能评价指标46-47
• 4.4.2 基于SVR模型的测试结果分析47-48
• 4.4.3 基于SVR模型与BP-ANN模型实验结果的比较分析48-49
• 4.5 本章小结49-50
• 第五章 一次风管煤粉含碳量预测模型的GA-SVR优化50-60
• 5.1 遗传算法50-51
• 5.1.1 遗传算法基本概念50
• 5.1.2 遗传算子和算法步骤50-51
• 5.2 基于GA-SVR的煤粉含碳量优化模型51-55
• 5.2.1 基于GA-CV的SVR参数优化52-54
• 5.2.2 GA-SVR煤粉含碳量优化模型构建54-55
• 5.3 仿真实验结果与分析55-59
• 5.3.1 基于GA-CV的模型参数优化结果分析55
• 5.3.2 GA-SVR优化模型训练结果分析55-57
• 5.3.3 GA-SVR优化模型测试结果分析57-58
• 5.3.4 GA-SVR模型与SVR、BP-ANN模型的实验结果比较58-59
• 5.4 本章小结59-60
• 总结与展望60-62
• 参考文献62-66
• 致谢66-67
• 附录A67

【参考文献】

中国期刊全文数据库 前10条

1 卢洪波;王金龙;;基于LIBSVM和智能算法的电站锅炉飞灰含碳量优化[J];东北电力大学学报;2014年01期

2 张倩;杨耀权;;基于支持向量机回归的火电厂烟气含氧量软测量[J];信息与控制;2013年02期

3 贺瑶;方彦军;;基于PSO-SVR的飞灰含碳量软测量研究[J];自动化与仪表;2013年04期

4 王雅彬;李晓敏;边泽楠;赵文杰;;基于支持向量机的电站锅炉NO_x排放软测量模型[J];电力科学与工程;2012年04期

5 江文豪;韦红旗;屈天章;朱锋;;基于遗传算法优化参数的支持向量机燃煤发热量预测[J];热力发电;2011年03期

6 刘小飞;王建东;;融合先验知识的支持向量机回归方法[J];信息化研究;2011年01期

7 金锋;付海涛;;静电传感器微弱信号检测电路的研究[J];北京理工大学学报;2010年11期

8 闫国华;朱永生;;支持向量机回归的参数选择方法[J];计算机工程;2009年14期

9 周辉仁;郑丕谔;安小会;宗蕴;;基于遗传算法求解Job Shop调度优化的新方法[J];系统仿真学报;2009年11期

10 王建国;姜忠;;燃煤含碳量在线测量装置的研究[J];湖南电力;2009年02期

中国博士学位论文全文数据库 前1条

1 何熠;基于支持向量机的非线性系统辨识建模与控制[D];天津大学;2007年

中国硕士学位论文全文数据库 前7条

1 林煈灏;基于支持向量机的炉膛火焰温度场测量研究[D];合肥工业大学;2012年

2 赵凯;基于支持向量机的磨煤机一次风量软测量方法研究[D];华北电力大学;2012年

3 丁宏飞;基于智能优化算法的支持向量机回归及其应用[D];西南交通大学;2011年

4 王仑武;基于支持向量机与神经网络的图像分类技术研究[D];哈尔滨工业大学;2009年

5 温玉锋;材料实验数据的支持向量回归分析及应用[D];重庆大学;2009年

6 王华;气路静电传感器传感分析及应用研究[D];南京航空航天大学;2009年

7 张楠;关于支持向量机中的参数优化的研究[D];西北大学;2008年

，

本文编号：801164