基于混合鸡群算法的循环流化床锅炉燃烧优化研究

发布时间：2021-02-25 12:01

　　近年来,虽然我国的新能源技术不断发展,但是煤炭发电仍然是我国电力来源的主要方式。自1980年以来,中国的循环流化床锅炉（Circulating Fluidized Bed Boiler,CFBB）燃烧技术经过30多年的发展已经变得不断成熟起来。CFBB技术成本低廉,燃烧过程清洁,几乎能够满足所有国家的要求。但是中国仍然遵循全世界最高的污染排放标准,这将成为CFBB技术更新换代的又一个挑战。因此本文使用近年来兴起的人工神经网络（Artificial neural networks,ANN）的建模方法和智能优化算法来优化CFBB的燃烧模型。首先对鸡群优化算法（CSO）寻优精度不够高,容易陷入局部最优的缺点进行改进。将模拟退火算法（SA）与鸡群算法进行结合,提出混合鸡群算法（SACSO）。紧接着将此算法与差分进化算法（DE）,粒子群算法（PSO）,鸡群算法（CSO）进行比较。然后使用另一种新型的核极端学习机（Kernel extreme learning machine,KELM）的方法进行建模,KELM能够克服极端学习机（Extreme learning machine,ELM）隐层结点需... 

【文章来源】：燕山大学河北省

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 人工智能技术简介
    1.4 本文研究的主要内容及结构
第2章 循环流化床燃烧系统
    2.1 CFBB简介
    2.2 CFBB的结构和工作过程
        2.2.1 CFBB的结构
        2.2.2 工作过程
    2.3 CFBB的优势
    2.4 CFBB的 NOX生成机理
        2.4.1 燃料型NOX的生成过程
        2.4.2 热力型NOX的生成过程
    2.5 CFBB的热效率计算
        2.5.1 热效率的计算方法
        2.5.2 使用热效率反平衡法计算锅炉热效率
        2.5.3 各项热损失的计算方法
    2.6 循环流化床锅炉燃烧优化要求
    2.7 本章小结
第3章 鸡群优化算法及其改进
    3.1 智能优化算法简介
    3.2 鸡群优化算法
        3.2.1 算法原理
        3.2.2 算法实现
    3.3 算法的改进
    3.4 模拟退火算法（SA）
        3.4.1 算法原理
        3.4.2 状态解接收的原理
        3.4.3 算法的实现
    3.5 算法的结合
    3.6 算法性能分析
    3.7 本章小结
第4章 循环流化床锅炉的燃烧建模
    4.1 使用神经网络建模的要求
    4.2 极端学习机
    4.3 核极端学习机（KELM）
    4.4 实验对象及实验数据介绍
    4.5 建立锅炉燃烧模型
        4.5.1 建立NOx排放量预测模型
        4.5.2 建立锅炉热效率预测模型
    4.6 本章小结
第5章 循环流化床锅炉的燃烧优化
    5.1 优化目标分析
    5.2 优化流程
    5.3 单目标优化
        5.3.1 降低NOX排放量的优化
        5.3.2 以提高热效率为目的的优化
    5.4 NOX的排放量和热效率的综合优化
        5.4.1 综合建模
        5.4.2 综合优化
    5.5 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢


【参考文献】：
期刊论文
[1]循环流化床锅炉的优点和技术发展方向[J]. 张炳伟.  中小企业管理与科技(中旬刊). 2018(09)
[2]新型660MW超超临界环形炉膛循环流化床锅炉技术研究[J]. 吕清刚,宋国良,王东宇,王小芳,王海刚.  中国电机工程学报. 2018(10)
[3]“十三五”电力规划环境影响评价实践与思考[J]. 王圣.  环境保护. 2017(19)
[4]循环流化床锅炉技术的现状及发展前景[J]. 杨永恒.  机械管理开发. 2017(07)
[5]火力发电产业发展与前沿技术路线[J]. 杨倩鹏,林伟杰,王月明,何雅玲.  中国电机工程学报. 2017(13)
[6]中国人工智能发展简史[J]. 张洪国,陆平,邵立国,念沛豪.  互联网经济. 2017(06)
[7]煤炭资源循环经济研究综述[J]. 马宁.  中国矿业. 2017(S1)
[8]人工神经网络的发展及现状[J]. 徐学良.  微电子学. 2017(02)
[9]基于递归神经网络的语音识别快速解码算法[J]. 张舸,张鹏远,潘接林,颜永红.  电子与信息学报. 2017(04)
[10]基于迭代决策树（GBDT）短期负荷预测研究[J]. 郑凯文,杨超.  贵州电力技术. 2017(02)



本文编号：3050939