基于混合智能算法的CFB-FGD脱硫系统建模与优化研究

发布时间：2020-05-18 19:27

【摘要】：目前我国电力行业依然以火力发电为主，但是其在生产过程中的排放物却严重污染了环境，尤其是二氧化硫对大气的污染，所以控制火电行业二氧化硫的排放量是我国目前治理环境污染的一项重要工作。而在生产过程中，影响二氧化硫排放的因素很多，如何对这些因素进行正确合理的分析以便从中找到有价值的信息是目前研究的重点和难点。通过对脱硫系统的分析和研究，可发现，采用智能算法来实现脱硫系统的仿真和优化比较方便，并且准确性高，还可以排除人为因素的影响。神经网络算法是模拟人脑的高复杂的神经元，并将神经元相互连接组建的网络系统。其自学习能力和大规模并行处理能力在工程仿真中的应用相当普遍。遗传算法的指导性搜索使得其在工程寻优方面比较迅速并且准确性高，不易出现局部最优的结果。神经网络主要采用梯度下降法来实现仿真过程中对权值和阈值的更改，梯度下降法有很多种，其中，动量梯度下降法是在梯度下降法的基础上增加一个动量来控制下降的速度和方向，共轭梯度下降法是增加一个共轭方向，使得在下降过程中始终沿着梯度的共轭方向下降迭代。本文基于以上两种算法提出了带动量的共轭梯度下降模型，该方法增加了下降速度，提高了仿真的精度。并利用遗传算法来对神经网络仿真函数进行寻优，但是由于神经网络的缺陷，使用遗传算法在训练过程中会出现寻优结果越界的问题，针对此问题本文提出了基于惩罚值的遗传算法优化模型，实现了对遗传算法的有效控制。
【图文】：

实际值,预测值,负梯度,下降法

图 3-2 实际值与预测值的比较.3 动量梯度下降法动量梯度下降法是经典 BP 算法的一种改进算法，其采用启发式学习算法，在原有P 算法的基础上，提高了效率[39,41,43]。根据动量的思想，对神经网络权值的调整做以下改进：w1 (k+ 1)=w1(k)+[(1 mc)g(k)+mc g(k 1)]jijiη （3.10）w2 (k+ 1)=w2(k)+[(1 mc)g(k)+mc g(k 1)]ljljη （3.11）其中， g (k)为第k 次迭代的负梯度， g ( k 1)为第 k 1次时的负梯度。η 为神经网的学习率，mc为动量因子，其取值范围为[0，1]。当 mc =0时，该梯度法就变为负梯法；若 mc =1，此时权值的修改值仅仅依赖于上一次的负梯度方向。动量梯度法可以减小神经网络在迭代过程中的震荡幅度，加快了神经网络的收敛速。

预测值,实际值,梯度法,热电厂

加快了神经网络的收敛速度。本文利用 MATLAB 编写动量梯度法，实现对热电厂实时数据的神经网络仿真，图3-3 为动量梯度法训练后的实际值与预测值的比较，，。
【学位授予单位】：河北大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：X701.3;TP18;N945.12

【参考文献】