论文部分内容阅读
电站燃煤锅炉既是巨大的动力源，又是巨大的污染源，对其燃烧运行进行优化具有重要意义。锅炉效率和NOx排放浓度的各种影响因素相互耦合，必须建立量化的燃烧系统预测模型。介绍BP神经网络的基本原理，并利用Adaboost算法优化BP神经网络得到BP_Adaboost模型，然后介绍支持向量机的基本原理，尤其对最小二乘支持向量机(LS-SVM)用于非线性回归的建模原理作重点介绍。以某电厂300MW机组燃煤锅炉的燃烧调整试验数据为样本集，分别使用BP_Adaboost模型和LS-SVM模型建立以锅炉效率和NOx排放浓度为输出、以各运行变量为输入的燃烧系统模型，并对两种模型在理论依据、建模耗费时间、泛化能力以及实际应用等方面比较分析，BP_Adaboost模型更适合于大样本集的在线训练与预测。在多输入、双输出的BP_Adaboost燃烧系统模型基础上，以锅炉运行可调整参数为优化变量，利用遗传算法优化搜索技术以锅炉效率和NOx排放浓度为目标进行全局寻优，并引进权重系数将双目标问题转化为单目标问题。根据实际运行中对锅炉效率和NOx排放浓度的不同要求，对各个工况进行变权重优化，追求低NOx排放浓度兼顾提高锅炉效率，找到锅炉效率与NOx排放浓度存在的“最佳”结合点，从而获得双目标综合最优的锅炉运行参数，为电厂锅炉优化运行提供指导。优化后，各工况主燃区均采用低氧燃烧，上部风门开度增大，符合空气分级燃烧理论。使用MATLAB语言开发电站燃煤锅炉燃烧优化系统软件，包括三大模块:数据采集子系统、混合建模子系统以及遗传算法优化子系统。