飛灰含碳量嚴(yán)重影響著火電廠鍋爐燃燒經(jīng)濟(jì)效益,含碳量過高會(huì)造成燃燒熱損失增大,燃燒效率下降,甚至造成鍋爐機(jī)組出現(xiàn)安全隱患。目前基于物理測量法的測碳儀均存在難以適應(yīng)工業(yè)現(xiàn)場、維護(hù)不易等問題,而軟測量技術(shù)的出現(xiàn)與發(fā)展為飛灰含碳量提供了新的測量途徑。本課題以鍋爐燃燒系統(tǒng)為背景,在分析鍋爐燃燒工藝的基礎(chǔ)上,進(jìn)行輔助變量選取及其特征矩陣提取,并對飛灰含碳量的軟測量模型及優(yōu)化算法進(jìn)行研究。主要研究內(nèi)容如下:（1）通過機(jī)理分析選取了煤種特性、鍋爐負(fù)荷、給煤機(jī)給煤量、燃燒器擺角等輔助變量,建立偏最小二乘回歸模型對輔助變量進(jìn)行特征提取,根據(jù)舍一交叉驗(yàn)證法確定特征矩陣的最佳主成分個(gè)數(shù),最終確定7維特征矩陣作為軟測量模型的輸入變量。（2）建立BP神經(jīng)網(wǎng)絡(luò)模型,并采用改進(jìn)PSO算法對網(wǎng)絡(luò)權(quán)值、閾值的初始值進(jìn)行優(yōu)化。在MATLAB環(huán)境下進(jìn)行模型建立及模型驗(yàn)證,結(jié)果表明改進(jìn)PSO-BP的飛灰含碳量模型精度較高、可靠性好,且能有效避免PSO算法陷入早熟收斂問題,測試樣本的均方誤差為0.0049。（3）建立LSSVM、改進(jìn)PSO-LSSVM的飛灰含碳量模型。結(jié)果表明,經(jīng)網(wǎng)格搜索法優(yōu)化正則化參數(shù)和核參數(shù)后的LSSVM模型... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本課題主要研究內(nèi)容
2 火電廠參數(shù)軟測量關(guān)鍵技術(shù)分析
    2.1 火電廠監(jiān)測對象與特點(diǎn)
        2.1.1 鍋爐燃燒系統(tǒng)工藝
        2.1.2 火電廠測量數(shù)據(jù)特點(diǎn)
    2.2 火電廠數(shù)據(jù)預(yù)處理
    2.3 輔助變量選取方法
        2.3.1 變量選擇的基本框架
        2.3.2 變量選擇方法
    2.4 火電廠參數(shù)建模方法概述
    2.5 模型矯正
    2.6 本章小結(jié)
3 飛灰含碳量軟測量模型中輔助變量特征提取
    3.1 飛灰含碳量軟測量模型的輔助變量選取
        3.1.1 飛灰含碳量影響因素分析
        3.1.2 輔助變量的選擇
        3.1.3 數(shù)據(jù)采集與預(yù)處理
    3.2 基于PLS的輔助變量特征提取
        3.2.1 偏最小二乘回歸簡介
        3.2.2 偏最小二乘回歸模型
        3.2.3 最佳主成分確定
        3.2.4 基于PLS的輔助變量特征提取結(jié)果分析
    3.3 本章小結(jié)
4 飛灰含碳量的BP神經(jīng)網(wǎng)絡(luò)模型及改進(jìn)PSO算法
    4.1 基于BP神經(jīng)網(wǎng)絡(luò)的飛灰含碳量模型
        4.1.1 BP神經(jīng)網(wǎng)絡(luò)簡述
        4.1.2 BP神經(jīng)網(wǎng)絡(luò)原理
        4.1.3 BP神經(jīng)網(wǎng)絡(luò)優(yōu)點(diǎn)及缺陷
        4.1.4 基于BP的飛灰含碳量模型結(jié)構(gòu)確定
        4.1.5 基于BP的飛灰含碳量模型仿真結(jié)果分析
    4.2 基于改進(jìn)PSO-BP的飛灰含碳量模型
        4.2.1 粒子群算法簡介
        4.2.2 粒子群算法參數(shù)選擇
        4.2.3 粒子群算法的改進(jìn)
        4.2.4 改進(jìn)PSO對BP神經(jīng)網(wǎng)絡(luò)優(yōu)化過程
        4.2.5 基于改進(jìn)PSO-BP的飛灰含碳量模型仿真結(jié)果分析
    4.3 BP神經(jīng)網(wǎng)絡(luò)及改進(jìn)PSO-BP模型對比
    4.4 本章小結(jié)
5 飛灰含碳量的LSSVM模型及改進(jìn)PSO算法
    5.1 基于LSSVM的飛灰含碳量模型
        5.1.1 最小二乘支持向量機(jī)模型
        5.1.2 核函數(shù)和正則化參數(shù)對LSSVM模型性能影響
        5.1.3 基于LSSVM的飛灰含碳量模型仿真分析結(jié)果
    5.2 基于改進(jìn)PSO-LSSVM的飛灰含碳量模型
        5.2.1 改進(jìn)的PSO優(yōu)化LSSVM過程
        5.2.2 基于改進(jìn)PSO-LSSVM的飛灰含碳量模型仿真結(jié)果分析
    5.3 模型結(jié)果對比分析
    5.4 基于OPC技術(shù)的飛灰含碳量在線軟測量
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]一種基于自適應(yīng)學(xué)習(xí)率的推薦優(yōu)化算法模型[J]. 熊彬,賀春林,周坤.  西華師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[2]探究變量選擇的常見方法[J]. 鄂琳.  通訊世界. 2019(03)
[3]基于最小二乘支持向量機(jī)的改進(jìn)型在線NO_x預(yù)測模型[J]. 丁續(xù)達(dá),金秀章,張揚(yáng).  熱力發(fā)電. 2019(01)
[4]基于最小二乘支持向量機(jī)的氧化鋁濃度預(yù)測[J]. 崔家瑞,張政偉,李擎,崔家山.  兵器裝備工程學(xué)報(bào). 2018(12)
[5]330MW鍋爐飛灰現(xiàn)狀及分析[J]. 李建和.  南方農(nóng)機(jī). 2018(18)
[6]CPSO-LSSVM算法在車載電池SOC預(yù)測中的應(yīng)用[J]. 談發(fā)明,王琪.  實(shí)驗(yàn)室研究與探索. 2018(08)
[7]一種改進(jìn)型LSSVM模型在電站鍋爐燃燒與優(yōu)化中的應(yīng)用[J]. 李應(yīng)保,王東風(fēng).  動(dòng)力工程學(xué)報(bào). 2018(04)
[8]基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的煤粉鍋爐飛灰含碳量建模[J]. 王月蘭,馬增益,尤海輝,唐義軍,沈躍良,倪明江,池涌,嚴(yán)建華.  熱力發(fā)電. 2018(01)
[9]基于組態(tài)王與MATLAB/Simulink的OPC實(shí)時(shí)通信構(gòu)建半實(shí)物仿真系統(tǒng)[J]. 鄭勇,彭皓林,盧冠達(dá).  工業(yè)控制計(jì)算機(jī). 2017(09)
[10]基于互信息的輔助變量篩選及在火電廠NO_x軟測量模型中的應(yīng)用[J]. 馬平,李珍,梁薇.  科學(xué)技術(shù)與工程. 2017(22)

博士論文
[1]火電廠熱工參數(shù)軟測量關(guān)鍵技術(shù)和方法研究[D]. 喬弘.華北電力大學(xué)（北京） 2009

碩士論文
[1]基于改進(jìn)最小二乘支持向量機(jī)的鍋爐煙氣氧含量軟測量研究[D]. 任錦.陜西科技大學(xué) 2018
[2]基于現(xiàn)場數(shù)據(jù)的飛灰含碳量分析及建模[D]. 李雪.華北電力大學(xué) 2018
[3]電站鍋爐燃燒系統(tǒng)優(yōu)化算法研究[D]. 胡毅.西安建筑科技大學(xué) 2017
[4]高維數(shù)據(jù)下變量選擇問題的研究[D]. 曾翠英.長沙理工大學(xué) 2017
[5]軟測量模型的變量選擇方法研究[D]. 簡葳玙.浙江大學(xué) 2017
[6]燃?xì)忮仩t燃燒控制系統(tǒng)應(yīng)用設(shè)計(jì)[D]. 李斌.天津理工大學(xué) 2017
[7]火電機(jī)組飛灰含碳量軟測量模型研究[D]. 劉蘋稷.華北電力大學(xué)(北京) 2016
[8]基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在電站鍋爐中的應(yīng)用研究[D]. 呂雪冬.安徽大學(xué) 2015
[9]軟測量技術(shù)研究及其工業(yè)應(yīng)用[D]. 胡羽.蘭州理工大學(xué) 2013
[10]基于SVM的火電廠鍋爐飛灰含碳量軟測量方法研究[D]. 李琳.華北電力大學(xué) 2013



本文編號：2943510