大型火电机组对流受热面积灰建模

发布时间：2017-09-25 11:06

  本文关键词：大型火电机组对流受热面积灰建模

  更多相关文章： 燃煤锅炉 积灰结渣 吹灰优化 神经网络 粒子群算法 建模

【摘要】：燃煤电站锅炉对流受热面积灰结渣对电厂的经济安全运行有很大影响。目前大多电厂采用的是“按时吹灰”的方法来清除受热面灰污,这种基于运行经验或者锅炉设计说明书中推荐方案的吹灰方法一般是对各受热面进行顺序吹灰,并没有充分考虑到各受热面的积灰程度的不同,经济性较差。本文将通过研究锅炉对流受热面在线监测的理论与方法,对对流受热面灰污问题进行建模。本文首先详细介绍了基于机理模型的锅炉对流受热面监测原理,并阐述了它的局限性。在此基础上,结合工况及煤质等因素对灰污状况的影响分析,利用人工神经网络(ANN)方法对锅炉对流受热面污染监测问题进行建模。通过对建模过程中样本的选取和处理、输入输出量的选择、人工神经网络结构法的设计和模型的敏感性测试等问题进行深入探讨,实现了模型的优化。在人工神经网络的基础上,又进一步采用遗传算法(GA)和粒子群算法(PSO)优化网络的权值,用以克服BP神经网络易陷入局部极值和泛化能力差的缺陷,并比较了不同的优化方法的优化效果,确立了粒子群算法(PSO)优化BP神经网络的监测模型。本文以塔山电厂600MW机组为研究对象,通过大量的吹灰实验获得了神经网络建模的所需要的准确样本数据。现场实验验证了机理模型的在稳态负荷下的适用性和变负荷状态下的局限性。利用获得的样本数据和所编写的程序在MATLAB平台上做仿真实验,验证PSO-BP神经网络模型的准确性及现场适用性。结果表明,所建模型具有良好的泛化能力,在不同工况下都有较高的准确性和可信度,可以满足实际监测的需求。
【关键词】：燃煤锅炉 积灰结渣 吹灰优化 神经网络 粒子群算法 建模
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM621
【目录】：

• 摘要4-5
• Abstract5-8
• 第一章 绪论8-14
• 1.1 研究背景及意义8-9
• 1.1.1 对流受热面结渣积灰的原理及对锅炉运行的影响8-9
• 1.1.2 我国大型燃煤机组锅炉受热面的吹灰现状及问题9
• 1.2 燃煤锅炉受热面污染监测及优化吹灰研究现状9-12
• 1.2.1 燃煤锅炉受热面灰污形成机理和模型的研究9-10
• 1.2.2 对流受热面污染在线监测的研究10-12
• 1.2.3 人工智能方法在吹灰系统中的应用12
• 1.3 本文研究内容12-14
• 第二章 人工神经网络、遗传算法及粒子群算法简介14-27
• 2.1 人工神经网络14-16
• 2.1.1 人工神经网络概述14
• 2.1.2 人工神经元数学模型14-15
• 2.1.3 人工神经网络的拓扑结构15
• 2.1.4 神经网络的学习方式分类15-16
• 2.2 BP神经网络16-21
• 2.2.1 BP算法的定义、特点及应用16
• 2.2.2 BP神经网络拓扑结构16-17
• 2.2.3 BP算法数学推导过程17-20
• 2.2.4 BP算法的不足20-21
• 2.2.5 L-M型BP神经网络模型21
• 2.3 遗传算法21-23
• 2.3.1 遗传算法概述21
• 2.3.2 遗传算法的基本要素及运算流程21-23
• 2.4 粒子群算法23-24
• 2 4.1 粒子群算法概述23
• 2.4.2 粒子群算法的基本原理23
• 2.4.3 粒子群算法的一般流程23-24
• 2.5 遗传算法与粒子群算法在BP神经网络方面的优化24-26
• 2.6 本章小结26-27
• 第三章 锅炉对流受热面污染监测的建模方法27-43
• 3.1 对流受热面污染监测机理模型27-31
• 3.1.1 一般对流受热面基本传热模型27-30
• 3.1.2 空预器污染监测模型30-31
• 3.2 对流受热面积灰特性分析31-32
• 3.3 受热面灰污监测BP神经网络模型32-38
• 3.3.1 样本的选取和处理32-34
• 3.3.2 输入层和输出层节点的选择34
• 3.3.3 隐层数目及隐层节点的确定34-35
• 3.3.4 输入参数敏感性测试35-38
• 3.4 用遗传算法和粒子群算法优化神经网络38-42
• 3.4.1 BP神经网络各项参数的确定38-39
• 3.4.2 遗传算法优化BP神经网络39-40
• 3.4.3 粒子群算法优化BP神经网络40-41
• 3.4.4 三种神经网络的训练结果的比较41-42
• 3.5 本章小结42-43
• 第四章 现场试验及模型验证43-58
• 4.1 试验对象简介43-44
• 4.1.1 锅炉结构介绍43-44
• 4.1.2 试验数据采集和处理44
• 4.2 试验目的及内容44-45
• 4.3 试验要求及安排45-46
• 4.4 现场试验结果46-54
• 4.4.1 吹灰敏感性试验46-53
• 4.4.2 灰污因子上下限试验53-54
• 4.5 PSO-BP神级网络模型仿真结果分析54-57
• 4.5.1 模型训练样本和验证样本的选取及处理54-55
• 4.5.2 模型的训练55-56
• 4.5.3 模型仿真结果分析56-57
• 4.6 本章小结57-58
• 第五章 结论与展望58-60
• 5.1 结论58-59
• 5.2 展望59-60
• 致谢60-61
• 参考文献61-64
• 攻读硕士学位期间发表的论文及参与的项目64-65
• 附录65-73

【相似文献】

中国期刊全文数据库 前10条

1 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

2 常国任;李仁松;沈医文;刘钢;;基于神经网络的直升机舰面系统效能评估[J];舰船电子工程;2007年03期

3 陈俊;;神经网络的应用与展望[J];佛山科学技术学院学报(自然科学版);2009年05期

4 许万增;;神经网络的研究及其应用[J];国际技术经济研究学报;1990年01期

5 张军华;神经网络技术及其在军用系统中的应用[J];现代防御技术;1992年04期

6 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

7 靳蕃;神经网络及其在铁道科技中应用的探讨[J];铁道学报;1993年02期

8 宋玉华，，王启霞;神经网络诊断──神经网络在自动化领域里的应用[J];中国仪器仪表;1994年03期

9 魏铭炎;国内外神经网络技术的研究与应用概况[J];电机电器技术;1995年04期

10 王中贤，钱颂迪;神经网络法在经济管理中的应用[J];航天工业管理;1995年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

2 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

3 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

4 胡婷;改进QGA-BP模型及其在弥苴河总氮量预测中的应用[D];昆明理工大学;2015年

5 刘俊辉;基于数据清洗方法的河道水位预测研究[D];昆明理工大学;2015年

6 刘波;短期风电功率预测方法研究[D];南京信息工程大学;2015年

7 蔡邦宇;人脸识别中单次ERP时空特征分析及其快速检索的应用[D];浙江大学;2015年

8 郑川;垃圾评论检测算法的研究[D];西南交通大学;2015年

9 李菊;BP神经网络在房地产批量评估中的应用研究[D];昆明理工大学;2015年

10 马亮;降水点分类预测方法研究[D];中国地质大学(北京);2015年

本文编号：917023