- 1、本文档共65页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
摘要
利用燃烧优化技术提高锅炉燃烧经济性、降低污染物排放,对于实现“双碳”目标
具有重要意义。人工智能算法在电站锅炉燃烧优化的应用,能够有效保留参数之间的复
杂非线性关系,实现高精度、强泛化的建模预测,同时智能优化算法能够为锅炉燃烧系
统实现高效率、低污染物排放运行提供有效的解决方案。
本文以某电站负荷为1000MW的超超临界锅炉作为研究对象,研究了最小二乘支
持向量机(LSSVM)在电站锅炉的应用状况,着眼于粒子群优化算法(PSO)的改进。首先,
针对影响锅炉效率和NOx排放的不同因素,开展了锅炉燃烧调整试验,并得到调整试验
样本数据。其次,以燃烧调整试验数据为样本工况,通过结合蚁群算法(ACO)和PSO算
法,提出了一种改进型的蚂蚁-粒子群算法(MAPSO)对LSSVM模型参数进行优化,建立
了锅炉燃烧系统的MAPSO-LSSVM预测模型。最后,在所建立的MAPSO-LSSVM模型
的基础上,分别利用加权-粒子群算法和多目标粒子群算法对燃烧运行参数进行优化,得
到Pareto最优解集,为电站运行提供参考建议。
结果表明,本文提出的MAPSO算法通过与ACO算法移动规则的结合改进PSO算
法,增加了PSO算法的小步长局部搜索过程,有效地克服了PSO算法对LSSVM模型
参数进行优化时容易陷于局部最优解的缺点。MAPSO算法不仅保留了PSO算法的全局
寻优性能,并增强了局部寻优性能,在建立锅炉燃烧系统模型过程中能有效避免陷入局
部极小值,寻找到全局最优解。所建立的MAPSO-LSSVM模型与标准PSO-LSSVM模
型相比,具有更快的收敛速度,更高的预测精度,更强的拟合能力和泛化能力。
在MAPSO-LSSVM的基础上,分别采用加权-粒子群算法和多目标粒子群算法优化
锅炉的可调整运行参数,以实现锅炉高效率低NOx排放。分析表明,两种优化算法所得
的运行参数相近,趋势与燃烧特性分析和燃烧调整试验结果相符合,说明智能算法优化
电站锅炉燃烧系统有效可行。但是加权-粒子群优化算法主观依赖性严重,难以选取合适
的权重值,优化时间长且结果少;而MOPSO算法优化时间远远小于加权-粒子群算法优
化时间,并且优化结果更多,优化效率更高,更有利于指导锅炉的实际运行。
关键词:电站锅炉;燃烧调整试验;最小二乘支持向量机;改进型粒子群算法;多目标
优化
I
Abstract
Usingcombustionoptimizationtechnologytoimproveboilercombustionefficiencyand
reducepollutantemissionsisofgreatsignificanceforachievingthecarbonpeakingandcarbon
neutralitygoals.Theapplicationofartificialintelligencealgorithmsinpowerplantboiler
combustionoptimizationcaneffectivelypreservethecomplexnonlinearrelationshipbetween
parameters,whichisconducivetotherealizationofmodelpredictionwithhighprecisionand
stronggeneralization.Atthesametime,theintelligentoptimizationalgorithmcanprovidean
effectivesolutionfortheboilercombustionsystemtoachievehighefficiencyandlowpollutant
emission.
Takingtheultra-supercriticalboilerwithaloadof1000MWinapowerstationasthe
researchobject,
文档评论(0)