量子计算在火电机组优化控制中的应用综述
发布时间：2020-12-25 20:05
量子计算及其衍生算法近年来快速发展,成为优化领域和人工智能领域的研究热点。随着我国电力行业清洁化和智能化的发展,量子计算逐渐应用于火电机组优化控制领域并取得了诸多成效。介绍了量子计算的基本理论,详细论述了众多量子衍生算法在火电机组优化控制领域中的应用研究进展。从量子群智能优化算法、量子遗传算法和量子机器学习算法等多个角度综述了量子计算在火电机组优化控制领域的机遇与挑战。最后总结并展望了量子计算未来在火电机组优化控制领域的发展趋势。
【文章来源】：华电技术. 2020年08期
【文章页数】：7 页
【部分图文】：
QPSO算法在PID控制器整定中的典型应用方式
目前，常见且有效的一种方式是联合使用量子优化算法和机器学习算法，用以解决机器学习算法在工程应用中的参数整定问题，从而大幅提高算法的建模精度，如图2所示。例如，径向基函数（RBF）神经网络可以有效辨识热工系统，但RBF网络具有隐含层参数较多的问题，可以采用QGA对RBF网络的参数进行估计，优化后的RBF网络可以实现对多种热工过程的有效辨识[34]。近期有学者[35]采用差分进化量子粒子群优化（DE-QPSO）算法对超限学习机（ELM）的网络参数进行优化，成功提高了ELM的泛化能力，实现了对超超临界机组NOx排放量的较高精度预测。另有学者[36]应用QPSO算法对最小二乘支持向量机（LSSVM）的核函数参数进行优化，对某机组主汽温控制系统的建模证明这一策略的预测精度可超过反向传播（BP）神经网络。
除以上常用的优化方式外，量子计算与机器学习算法正逐渐实现融合式发展，形成新型的量子机器学习算法，如图3所示。这类新型算法已在火电机组优化控制领域初步应用，并不断发展与完善。采用结合量子计算与深度学习技术的样本增量量子神经网络（SIQNN）建立锅炉NOx排放质量浓度和煤耗模型，并在此基础上通过量子人工蜂群（QABC）算法对锅炉运行参量进行优化，降低不同负荷下的NOx排放质量浓度和煤耗，该系统已成功应用于某330 MW煤粉炉机组[37]。另有结合量子力学与快速学习网络（FLN）提出的量子双并行前馈神经网络（QIDPFNN），可以建立精准度更高的CFB机组热效率与NOx排放模型，被证明具有比FLN和ELM等传统算法更强的泛化能力和稳定性[38]。
【参考文献】：
期刊论文
[1]基于改进量子粒子群算法的火电厂再热汽温调节系统PID参数自整定[J]. 刘锦廉. 机电信息. 2020(08)
[2]基于量子迭代混沌的涡流搜索算法预测锅炉飞灰含碳量[J]. 李霞,牛培峰,刘建平,李国强. 动力工程学报. 2019(07)
[3]基于人工智能技术的火电厂燃煤锅炉智能燃烧优化研究及应用[J]. 牛培峰,马云鹏,张欣欣,胡晓宾. 智能科学与技术学报. 2019(02)
[4]基于差分量子粒子群算法的锅炉NO_x排放模型优化[J]. 董泽,马宁,孟磊. 动力工程学报. 2019(03)
[5]1000MW二次再热机组汽温控制策略[J]. 胡尊民,于国强,殳建军,张天海. 华电技术. 2018(05)
[6]基于现场数据和主元分析的主汽温系统多变量建模[J]. 侯晓宁. 华电技术. 2018(05)
[7]混沌量子粒子群算法在火电厂中的应用[J]. 刘静,刘瑞敏. 电力科学与工程. 2018(03)
[8]基于量子自适应鸟群算法的锅炉NO_x排放特性研究[J]. 牛培峰,王丘亚,马云鹏,赵庆冲,陈科,赵振. 计量学报. 2017(06)
[9]基于改进的量子粒子群算法的脱硝系统线性参数变化模型辨识[J]. 袁世通. 热力发电. 2017(06)
[10]基于CQPSO算法的控制系统参数优化[J]. 韦根原,冯新强,韩璞. 系统仿真学报. 2015(07)
博士论文
[1]1000MW超超临界机组建模理论与方法的研究[D]. 袁世通.华北电力大学 2015
[2]量子行为粒子群优化算法研究[D]. 孙俊.江南大学 2009
[3]量子计算及其在智能优化与控制中的应用[D]. 李盼池.哈尔滨工业大学 2009
硕士论文
[1]基于自适应量子灰狼算法的循环流化床锅炉燃烧优化研究[D]. 史春见.燕山大学 2018
[2]1000MW火电机组燃烧系统的建模与控制方法研究[D]. 郑瑞祥.华北电力大学 2018
[3]量子粒子群算法的改进及其在认知无线电频谱分配中的应用[D]. 丁颖.南京邮电大学 2013
本文编号：2938306
【文章来源】：华电技术. 2020年08期
【文章页数】：7 页
【部分图文】：
QPSO算法在PID控制器整定中的典型应用方式
目前，常见且有效的一种方式是联合使用量子优化算法和机器学习算法，用以解决机器学习算法在工程应用中的参数整定问题，从而大幅提高算法的建模精度，如图2所示。例如，径向基函数（RBF）神经网络可以有效辨识热工系统，但RBF网络具有隐含层参数较多的问题，可以采用QGA对RBF网络的参数进行估计，优化后的RBF网络可以实现对多种热工过程的有效辨识[34]。近期有学者[35]采用差分进化量子粒子群优化（DE-QPSO）算法对超限学习机（ELM）的网络参数进行优化，成功提高了ELM的泛化能力，实现了对超超临界机组NOx排放量的较高精度预测。另有学者[36]应用QPSO算法对最小二乘支持向量机（LSSVM）的核函数参数进行优化，对某机组主汽温控制系统的建模证明这一策略的预测精度可超过反向传播（BP）神经网络。
除以上常用的优化方式外，量子计算与机器学习算法正逐渐实现融合式发展，形成新型的量子机器学习算法，如图3所示。这类新型算法已在火电机组优化控制领域初步应用，并不断发展与完善。采用结合量子计算与深度学习技术的样本增量量子神经网络（SIQNN）建立锅炉NOx排放质量浓度和煤耗模型，并在此基础上通过量子人工蜂群（QABC）算法对锅炉运行参量进行优化，降低不同负荷下的NOx排放质量浓度和煤耗，该系统已成功应用于某330 MW煤粉炉机组[37]。另有结合量子力学与快速学习网络（FLN）提出的量子双并行前馈神经网络（QIDPFNN），可以建立精准度更高的CFB机组热效率与NOx排放模型，被证明具有比FLN和ELM等传统算法更强的泛化能力和稳定性[38]。
【参考文献】：
期刊论文
[1]基于改进量子粒子群算法的火电厂再热汽温调节系统PID参数自整定[J]. 刘锦廉. 机电信息. 2020(08)
[2]基于量子迭代混沌的涡流搜索算法预测锅炉飞灰含碳量[J]. 李霞,牛培峰,刘建平,李国强. 动力工程学报. 2019(07)
[3]基于人工智能技术的火电厂燃煤锅炉智能燃烧优化研究及应用[J]. 牛培峰,马云鹏,张欣欣,胡晓宾. 智能科学与技术学报. 2019(02)
[4]基于差分量子粒子群算法的锅炉NO_x排放模型优化[J]. 董泽,马宁,孟磊. 动力工程学报. 2019(03)
[5]1000MW二次再热机组汽温控制策略[J]. 胡尊民,于国强,殳建军,张天海. 华电技术. 2018(05)
[6]基于现场数据和主元分析的主汽温系统多变量建模[J]. 侯晓宁. 华电技术. 2018(05)
[7]混沌量子粒子群算法在火电厂中的应用[J]. 刘静,刘瑞敏. 电力科学与工程. 2018(03)
[8]基于量子自适应鸟群算法的锅炉NO_x排放特性研究[J]. 牛培峰,王丘亚,马云鹏,赵庆冲,陈科,赵振. 计量学报. 2017(06)
[9]基于改进的量子粒子群算法的脱硝系统线性参数变化模型辨识[J]. 袁世通. 热力发电. 2017(06)
[10]基于CQPSO算法的控制系统参数优化[J]. 韦根原,冯新强,韩璞. 系统仿真学报. 2015(07)
博士论文
[1]1000MW超超临界机组建模理论与方法的研究[D]. 袁世通.华北电力大学 2015
[2]量子行为粒子群优化算法研究[D]. 孙俊.江南大学 2009
[3]量子计算及其在智能优化与控制中的应用[D]. 李盼池.哈尔滨工业大学 2009
硕士论文
[1]基于自适应量子灰狼算法的循环流化床锅炉燃烧优化研究[D]. 史春见.燕山大学 2018
[2]1000MW火电机组燃烧系统的建模与控制方法研究[D]. 郑瑞祥.华北电力大学 2018
[3]量子粒子群算法的改进及其在认知无线电频谱分配中的应用[D]. 丁颖.南京邮电大学 2013
本文编号：2938306
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/2938306.html
