基于量子迭代混沌的涡流搜索算法预测锅炉飞灰含碳量

发布时间：2021-03-07 02:41

　　为了准确建立锅炉飞灰含碳量预测模型,首先提出了基于量子比特的Bloch球面坐标编码和迭代混沌映射的改进涡流搜索（I-VS）算法,然后对I-VS算法、涡流搜索（VS）算法、粒子群优化（PSO）算法、正余弦（SCA）算法和樽海鞘群（SSA）算法的性能进行比较。基于某热电厂300 MW循环流化床锅炉现场运行数据,采用I-VS算法优化并行感知机的极端学习机（PELM）,得到飞灰含碳量的综合预测模型（即I-VS-PELM模型）。最后将I-VS-PELM模型的预测结果与PELM、PSO-PELM、SCA-PELM、SSA-PELM和VS-PELM模型的预测结果进行比较。结果表明:与其他模型相比,I-VS-PELM模型具有更高的预测精度和更好的泛化性能,能更准确地预测锅炉飞灰含碳量。 

【文章来源】：动力工程学报. 2019,39(07)北大核心

【文章页数】：10 页

【文章目录】：
1 PELM网络
2 涡流搜索算法的基本原理
    2.1 产生初始解
    2.2 产生候选解
    2.3 当前解的更新
3 量子混沌涡流搜索算法
    3.1 基于量子比特的Bloch球面坐标生成初始候选解
    3.2 迭代混沌映射替代高斯分布产生候选解
4 I-VS算法在基准测试函数上的性能测试
5 基于I-VS-PELM模型预测锅炉飞灰含碳量
    5.1 I-VS-PELM模型的建立
    5.2 仿真结果
6 结 论


【参考文献】：
期刊论文
[1]基于自适应神经模糊推理系统的煤粉锅炉飞灰含碳量建模[J]. 王月兰,马增益,尤海辉,唐义军,沈跃良,倪明江,池涌,严建华.  热力发电. 2018(01)
[2]基于蚁群神经网络的飞灰含碳量测量方法[J]. 张正友,钱家俊,冯旭刚.  计测技术. 2017(01)
[3]燃煤锅炉飞灰含碳量的BP神经网络模型[J]. 赵健,袁瀚,梅宁.  热科学与技术. 2016(06)
[4]基于GSA-LSSVM的循环流化床锅炉飞灰含碳量预测[J]. 麻红波,余瑞锋,倪艳红,张彬.  锅炉技术. 2016(02)
[5]神经网络学习算法的过拟合问题及解决方法[J]. 李俭川,秦国军,温熙森,胡茑庆.  振动、测试与诊断. 2002(04)
[6]前馈神经网络泛化性能力的系统分析[J]. 江学军,唐焕文.  系统工程理论与实践. 2000(08)

博士论文
[1]人工神经网络的泛化性能与降水预报的应用研究[D]. 林开平.南京信息工程大学 2007



本文编号：3068259