|
OALib Journal期刊
ISSN: 2333-9721
费用：99美元
|
|
|
|
基于燃煤特性的电站锅炉排烟温度预测模型研究
, PP. 19-23
Keywords: 锅炉,燃煤特性,排烟温度,煤质,燃烧优化,预测模型
Abstract:
排烟温度是影响锅炉热损失的重要指标，其受到机组负荷、煤种(煤质)、燃烧系统控制参数等多种因素的综合影响，难以用1个线性的数学式来描述它们之间的关系。利用锅炉的历史运行数据和入炉煤种数据，分别采用3种非线性工具即支持向量机、最小二乘支持向量机和神经网络对锅炉排烟温度进行建模，同时采用交叉验证方法并结合遗传算法对前2种算法的模型参数进行优化选择。对3种预测模型的预测结果进行的比较分析表明，支持向量机法的泛化能力较高且收敛速度快。鉴于煤质对锅炉燃烧工况的影响，利用支持向量机法在考虑煤质因素情况下对排烟温度进行建模预测，结果表明考虑煤质后排烟温度建模预测具有更高的精确性。
| [1] | 王培红，李磊磊，陈强，等．人工智能技术在电站锅炉燃烧优化中应用研究[j]．中国电机工程学报，2004,24(4):184188．[2]jizhenchu,shushyanshushieh,shishangjang,etal.constrainedoptimizationofcombustioninasimulatedcoal-firedboilerusingartificialneuralnetworkmodelandinformationanlysis[j].fuel,2003,82(6):693-703.[3]吴智群，黄廷辉，胡洪华，等．电站锅炉智能燃烧优化技术的应用研究[j]．热力发电2008,38(9):2331．[4]魏辉，陆方，罗永浩，等．燃煤锅炉高效、低nox运行策略的研究[j]．动力工程，2008,28(3):361366．[5]周昊，朱洪波，岑可法．基于internet/intranet火电厂锅炉低nox燃烧优化指导系统[j]．热力发电，2003,32(2):811．[6]张盘石．基于神经网络的电站锅炉燃烧优化系统研究[d]．华北电力大学，2007．[7]周永强．基于智能技术的煤粉锅炉燃烧系统建模与优化运行的研究[d]．中南大学，2007．[8]王春林，周昊，周樟华，等．基于支持向量机的大型电厂锅炉飞灰含碳量建模[j]．中国电机工程学报，2005,25(20):7276．[9]jsmrekar,massadi,mfast,etal.developmentofartificialneuralnetworkmodelforacoal-firedboilerusingrealplantdata[j].energy,2009,34(2):144-152.[10]徐书德．火电厂锅炉燃烧优化关键技术研究[d]．浙江大学，2006．[11]阎威武，朱宏栋，邵惠鹤．基于最小二乘支持向量机的软测量建模[j]．系统仿真学报，2003,15(10):14941496．[12]邵信光，杨慧中，陈刚．基于粒子群优化算法的支持向量机参数选择及其应用[j]．控制理论与应用，2006,23(5):740748．[13]蔡进杰，马晓茜．基于svm燃煤电站锅炉飞灰含碳量预测[j]．燃烧科学与技术，2006,12(4):312317．[14]陈帅，朱建宁，潘俊，等．最小二乘支持向量机的参数优化及其应用[j]．华东理工大学学报(自然科学版)，2008,34(2):278282．[15]张德丰，等．matlab神经网络应用设计[m]．北京：机械工业出版社，2009．[16]chihchungchang,chihjenlin.libsvm:alibraryforsupportvectormachines[cp/ol].http://www.csie.ntu.edu.tw/～cjlin/libsvm/.[17]kristiaanpelckmans,johansuykens.leastsquaressupportvectormachines[cp/ol].http://www.esat.kuleuven.ac.be/sista/lassvmlab/.[18]靳涛，付忠广，刘刚，等．反向建模方法在火电厂关键参数建模中的应用[j]．动力工程，2009,29(11):10081012．[19]陈敏生，刘定平．基于lssvm和spea2电站锅炉燃烧多目标优化研究[j]．华东电力，2006,34(3):5054．
|
Full-Text
|
|
Contact Us
service@oalib.com QQ:3279437679 
WhatsApp +8615387084133
|
|
