基于反向建模的锅炉排烟粉尘浓度在线监测方法研究

发布时间：2017-09-09 16:41

  本文关键词：基于反向建模的锅炉排烟粉尘浓度在线监测方法研究

  更多相关文章： 反向建模 粉尘浓度 平均影响值 神经网络 支持向量机 在线监测

【摘要】：受能源结构的影响,煤炭一直是我国主要的一次能源。在我国煤的主要利用方式是燃烧,由于煤的化学成份特性,煤在燃烧时,大量的二氧化碳被释放出来,同时产生一些硫化物、一氧化碳、氮氧化物、重金属和一些微小的有机和无机颗粒物。长久以来燃煤发电一直是我国电力供应的主要来源,目前燃煤火电厂污染物的排放控制越来越受关注。随着国家对于环保投入的加大,对粉尘浓度在线监测提出了更高的要求。粉尘浓度在线监测仪的在线校准及自动化完善校准,将成为粉尘浓度在线监测系统的重要支持技术。因此,本课题通过对粉尘浓度的影响因素进行分析研究,提出了粉尘浓度在线监测仪的在线校准方法。结合DCS系统中的在线监测点参数,论文引入平均影响值方法实现建模输入变量的选取,有利于减少模型输入参数,降低了模型复杂度,提高了模型训练速度,同时保证了模型的精度。基于特征选取得到的粉尘浓度影响参数,论文对比分析了反向建模方法如人工神经网络和支持向量机方法在非线性问题处理中的优势,建立了粉尘排放浓度在线监测模型,为粉尘浓度在线测量提供了理论基础。论文最后以支持向量机方法为在线监测系统的模型算法,设计了在线监测系统框架,以实现粉尘浓度的在线监测与分析,为粉尘浓度在线监测仪的在线校准及为运行人员提供指导和参考奠定了重要的基础。
【关键词】：反向建模 粉尘浓度 平均影响值 神经网络 支持向量机 在线监测
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM621
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-18
• 1.1 课题背景及意义9-10
• 1.2 国内外研究现状10-17
• 1.2.1 国内外粉尘浓度技术测量方法10-13
• 1.2.2 国内外粉尘浓度在线监测技术的现状13-14
• 1.2.3 软测量方法在燃煤机组中的应用现状及趋势14-15
• 1.2.4 粉尘浓度在线监测技术存在问题及发展趋势15-17
• 1.3 本文的主要工作17-18
• 第2章 电站锅炉粉尘浓度排放特性反向建模方法介绍18-27
• 2.1 支持向量机方法介绍19-21
• 2.1.1 支持向量机19-21
• 2.2 神经网络介绍21-24
• 2.2.1 BP神经网络结构22-23
• 2.2.2 BP神经网络训练过程23-24
• 2.3 遗传算法24-26
• 2.3.1 遗传算法对支持向量机的优化25
• 2.3.2 遗传算法对BP神经网络的优化25-26
• 2.4 本章小结26-27
• 第3章 基于平均影响值的粉尘浓度特性参数选取27-33
• 3.1 特征选择的目标和优点27
• 3.2 特征选择的常用方法27-28
• 3.3 平均影响值方法介绍28-30
• 3.4 基于平均影响值的粉尘浓度特性参数选取30-31
• 3.5 本章小结31-33
• 第4章 锅炉粉尘排放浓度在线监测模型研究33-46
• 4.1 粉尘排放浓度在线监测模型输入变量的确定及建模数据的选取33-34
• 4.2 基于支持向量机的粉尘排放浓度模型34-40
• 4.2.1 特征选择前建模结果分析34-36
• 4.2.2 特征选择后建模结果分析36-39
• 4.2.3 结果对比分析39-40
• 4.3 基于神经网络方法的粉尘浓度模型40-45
• 4.3.1 特征选择前建模结果分析40-42
• 4.3.2 特征选择后建模结果分析42-44
• 4.3.3 结果对比分析44-45
• 4.4 本章小结45-46
• 第5章 粉尘浓度在线监测系统软测量校准46-51
• 5.1 现有粉尘浓度监测系统介绍46-50
• 5.1.1 现场条件46-48
• 5.1.2 LMS181颗粒物排放连续监测系统48-49
• 5.1.3 粉尘浓度在线监测系统软测量校准技术实现49-50
• 5.2 本章小结50-51
• 第6章 结论与展望51-53
• 6.1 全文总结51
• 6.2 展望51-53
• 参考文献53-57
• 攻读硕士学位期间发表的论文57-58
• 致谢58

【参考文献】

中国期刊全文数据库 前4条

1 张倩;杨耀权;;基于支持向量机核函数的研究[J];电力科学与工程;2012年05期

2 刘吉臻,赵征,刘锦康,曾德良;利用数据融合方法实现通风机流量软测量[J];华北电力大学学报;2005年03期

3 王娟,慈林林,姚康泽;特征选择方法综述[J];计算机工程与科学;2005年12期

4 段中兴;嵇启春;;催化剂粉尘浓度软测量建模研究与应用[J];系统仿真学报;2008年14期

，

本文编号：821594