目前,我國(guó)的發(fā)電方式仍然以燃煤火力發(fā)電為主。隨著能源危機(jī)的日益凸顯和環(huán)保意識(shí)的深入人心,電站燃煤鍋爐的節(jié)能環(huán)保問題成為亟待解決的要?jiǎng)?wù)之一。要想實(shí)現(xiàn)電廠鍋爐節(jié)能環(huán)保的燃燒,一要依賴建立的精確鍋爐燃燒特性模型,二要取決于高效的優(yōu)化技術(shù)。然而,鍋爐的燃燒過程涉及到復(fù)雜的湍流、傳熱傳質(zhì)等多個(gè)化學(xué)反應(yīng),且多個(gè)運(yùn)行參量高度耦合,導(dǎo)致傳統(tǒng)機(jī)理式建模方法和經(jīng)典優(yōu)化算法難以解決鍋爐燃燒優(yōu)化問題。因此,本文對(duì)計(jì)算智能技術(shù)中的超限學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）和渦流搜索（Vortex Search,VS）算法進(jìn)行深入研究,將其改進(jìn)應(yīng)用到鍋爐燃燒特性建模和可調(diào)運(yùn)行參量?jī)?yōu)化中,以此來實(shí)現(xiàn)鍋爐高效和低氮氧化物排放的燃燒。該研究工作不僅具有很強(qiáng)的理論意義,而且還有很廣闊的應(yīng)用前景。主要研究?jī)?nèi)容如下:首先,針對(duì)渦流搜索算法后期收斂速度慢,易陷入局部最優(yōu)的不足,提出兩種改進(jìn)的VS算法。第一種是利用邏輯自映射混沌增加其局部開發(fā)性能和利用Lévy飛行策略增加其全局探索能力;第二種是利用Bloch球面坐標(biāo)改善初始候選解質(zhì)量和利用廣義反向?qū)W習(xí)加快收斂速度。然后,采用13個(gè)著名經(jīng)典基準(zhǔn)函數(shù)進(jìn)行... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：149 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 鍋爐燃燒優(yōu)化研究
        1.2.1 鍋爐燃燒優(yōu)化概述
        1.2.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 計(jì)算智能技術(shù)
        1.3.1 人工神經(jīng)網(wǎng)絡(luò)
        1.3.2 智能優(yōu)化算法
    1.4 本文結(jié)構(gòu)安排及主要研究?jī)?nèi)容
第2章 渦流搜索算法的改進(jìn)
    2.1 引言
    2.2 渦流搜索算法基本原理
        2.2.1 生成初始圓心
        2.2.2 產(chǎn)生候選解
        2.2.3 更新當(dāng)前解
    2.3 基于邏輯自映射混沌和列維飛行的渦流搜索算法（VS1）
        2.3.1 基于邏輯自映射混沌產(chǎn)生候選解
        2.3.2 列維飛行策略
        2.3.3 VS1 算法實(shí)施過程
        2.3.4 VS1 算法性能測(cè)試
    2.4 基于Bloch球面坐標(biāo)與廣義反向?qū)W習(xí)的渦流搜索算法（VS2）
        2.4.1 基于Bloch球面坐標(biāo)生成初始候選解
        2.4.2 高斯分布和廣義反向?qū)W習(xí)共同產(chǎn)生迭代過程的中候選解
        2.4.3 VS2 算法實(shí)施過程
        2.4.4 VS2 算法性能測(cè)試
    2.5 本章小結(jié)
第3章 自適應(yīng)超限學(xué)習(xí)機(jī)
    3.1 引言
    3.2 超限學(xué)習(xí)機(jī)模型
    3.3 自適應(yīng)超限學(xué)習(xí)機(jī)（AELM）
        3.3.1 自適應(yīng)超限學(xué)習(xí)機(jī)數(shù)學(xué)模型
        3.3.2 自適應(yīng)超限學(xué)習(xí)機(jī)收斂性分析
        3.3.3 自適應(yīng)超限學(xué)習(xí)機(jī)最小范數(shù)的最小二乘解
        3.3.4 基于VS2 算法的AELM學(xué)習(xí)過程
    3.4 VS2-AELM性能測(cè)試
    3.5 自適應(yīng)超限學(xué)習(xí)機(jī)在線學(xué)習(xí)算法
    3.6 本章小結(jié)
第4章 雙線性并行感知超限學(xué)習(xí)機(jī)
    4.1 引言
    4.2 并行感知超限學(xué)習(xí)機(jī)訓(xùn)練方法
    4.3 雙線性并行感知超限學(xué)習(xí)機(jī)訓(xùn)練方法
        4.3.1 確定下層網(wǎng)絡(luò)的輸入權(quán)值和閾值矩陣
        4.3.2 確定上層網(wǎng)絡(luò)的輸入權(quán)值和閾值矩陣以及輸出層閾值
        4.3.3 雙線性并行感知超限學(xué)習(xí)機(jī)訓(xùn)練過程
        4.3.4 雙線性并行感知超限學(xué)習(xí)機(jī)性能測(cè)試
    4.4 雙線性并行感知超限學(xué)習(xí)機(jī)的在線學(xué)習(xí)算法（OTPELM）
        4.4.1 OTPELM學(xué)習(xí)過程
        4.4.2 OTPELM學(xué)習(xí)步驟
    4.5 本章小結(jié)
第5章 循環(huán)流化床鍋爐燃燒特性智能建模
    5.1 引言
    5.2 循環(huán)流化床鍋爐相關(guān)知識(shí)
        5.2.1 循環(huán)流化床鍋爐工作原理
        5.2.2 氮氧化物生成機(jī)理
        5.2.3 熱效率計(jì)算
    5.3 實(shí)驗(yàn)數(shù)據(jù)與運(yùn)行參量選擇
    5.4 雙線性并行感知超限學(xué)習(xí)機(jī)離線建模
        5.4.1 雙線性并行感知超限學(xué)習(xí)機(jī)建模氮氧化物排放濃度
        5.4.2 雙線性并行感知超限學(xué)習(xí)機(jī)建模熱效率
    5.5 自適應(yīng)超限學(xué)習(xí)機(jī)離線建模
        5.5.1 自適應(yīng)超限學(xué)習(xí)機(jī)建模氮氧化物排放濃度
        5.5.2 自適應(yīng)超限學(xué)習(xí)機(jī)建模熱效率
    5.6 在線建模鍋爐燃燒特性
        5.6.1 在線建模氮氧化物排放濃度
        5.6.2 在線建模熱效率
    5.7 本章小結(jié)
第6章 循環(huán)流化床鍋爐高效低氮燃燒優(yōu)化
    6.1 引言
    6.2 優(yōu)化原理
    6.3 優(yōu)化熱效率
        6.3.1 基于VS1-AELM模型離線優(yōu)化熱效率
        6.3.2 基于OTPELM模型在線優(yōu)化熱效率
    6.4 優(yōu)化氮氧化物排放濃度
        6.4.1 基于VS2-AELM模型離線優(yōu)化氮氧化物排放濃度
        6.4.2 基于OTPELM模型在線優(yōu)化氮氧化物排放濃度
    6.5 多目標(biāo)鍋爐燃燒優(yōu)化
    6.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀博士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于PSO算法的船舶橫搖阻尼與回復(fù)力矩系數(shù)估算[J]. 曾智華,姜宜辰,鄒早建.  中國(guó)造船. 2018(03)
[2]基于正弦余弦算法的汽輪機(jī)熱耗率預(yù)測(cè)[J]. 牛培峰,吳志良,馬云鵬,史春見,李進(jìn)柏.  動(dòng)力工程學(xué)報(bào). 2018(02)
[3]基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的分類器模型財(cái)務(wù)分析領(lǐng)域的應(yīng)用[J]. 程書強(qiáng),羅娟,王念東.  自動(dòng)化與儀器儀表. 2018(01)
[4]基于MFOA的鍋爐熱效率及NOX排放建模與優(yōu)化[J]. 宋清昆,侯玉杰.  計(jì)算機(jī)仿真. 2018(01)
[5]基于極限學(xué)習(xí)機(jī)的非平穩(wěn)下?lián)舯┝黠L(fēng)速預(yù)測(cè)[J]. 鐘旺,李春祥.  上海大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[6]熒光光譜法和ABC-RBF神經(jīng)網(wǎng)絡(luò)在多環(huán)芳烴濃度檢測(cè)中的應(yīng)用[J]. 王書濤,鄭亞南,王志芳,苑媛媛,馬曉晴,楊雪瑩.  發(fā)光學(xué)報(bào). 2017(06)
[7]基于人工神經(jīng)網(wǎng)絡(luò)對(duì)sEMG信號(hào)的手勢(shì)動(dòng)作識(shí)別[J]. 王景芳,施霖.  傳感器與微系統(tǒng). 2017(06)
[8]基于渦流搜索算法的過程支持向量回歸機(jī)模型[J]. 李學(xué)貴,許少華,李娜,趙恩濤,郭昊.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2017(03)
[9]1000MW超超臨界鍋爐燃燒優(yōu)化調(diào)整對(duì)NOx排放及鍋爐熱效率的影響[J]. 尚達(dá),李寶寬,李永福,宋志宇.  熱能動(dòng)力工程. 2017(03)
[10]基于雞群算法的微網(wǎng)經(jīng)濟(jì)運(yùn)行優(yōu)化[J]. 胡漢梅,李靜雅,黃景光.  高壓電器. 2017(01)

碩士論文
[1]量子自適應(yīng)BSA算法在鍋爐參數(shù)整定與優(yōu)化中的應(yīng)用研究[D]. 王丘亞.燕山大學(xué) 2017
[2]基于改進(jìn)風(fēng)驅(qū)動(dòng)算法的循環(huán)流化床鍋爐燃燒優(yōu)化研究[D]. 趙振.燕山大學(xué) 2017
[3]基于智能算法的火電廠鍋爐燃燒優(yōu)化技術(shù)的研究[D]. 潘云.華北電力大學(xué) 2015
[4]基于人工蜂群算法的循環(huán)流化床鍋爐燃燒過程優(yōu)化研究[D]. 劉永超.燕山大學(xué) 2014



本文編號(hào)：2963140