【摘要】：目前環(huán)境污染問題已經(jīng)成為全世界的焦點�；鹆Πl(fā)電廠在保障電力充足供應的同時,也成為了重要的污染源。如何采取有效的控制措施來限制污染物的排放已經(jīng)成為了當前亟待解決的問題,特別是"超低排放"的概念提出之后,針對火電廠污染物排放量的先進控制策略也相繼出現(xiàn)。但是對于污染物排放量的預測研究還為數(shù)不多,一些先進的智能預測方法還未能應用到該領域。比如說在其他領域都有著很好的應用效果的神經(jīng)網(wǎng)絡預測方法,如果能將神經(jīng)網(wǎng)絡的預測能力應用于實際生產(chǎn)過程當中,對污染物排放量的控制將大有裨益。Elman神經(jīng)網(wǎng)絡本身具有動態(tài)建模的功能,非常適合對未知模型的預測估計。本文應用遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡權重和閾值,對污染物排放量進行預測。證明了改進的Elman神經(jīng)網(wǎng)絡相比于傳統(tǒng)的Elman神經(jīng)網(wǎng)絡可以更好的預測污染物排放量,預測誤差更小,預測模型更加精確。小波神經(jīng)網(wǎng)絡是神經(jīng)網(wǎng)絡學習的一種,網(wǎng)絡結(jié)構(gòu)與典型的BP神經(jīng)網(wǎng)絡類似,隱含層所用激活函數(shù)為小波基函數(shù)。在既要加快學習速度又要保持系統(tǒng)穩(wěn)定的前提下,可以在權重和參數(shù)修的學習規(guī)則中添加一項動量項,起到保證系統(tǒng)穩(wěn)定性和避免局部最小化的作用。學習規(guī)則修改后相比于之前在數(shù)據(jù)預測的精度方面有了明顯的提高。如何在兼顧企業(yè)經(jīng)濟效益的同時,又不對環(huán)境造成污染,這是在完成污染物排放量預測之后要解決的問題。本文先將非線性規(guī)劃法與遺傳算法相結(jié)合,改善了遺傳算法局部尋優(yōu)效果差的問題。再將遺傳非線性規(guī)劃法與理想點法搭配使用,用于優(yōu)化多目標函數(shù)。并針對目前火電行業(yè)要減少污染與降低發(fā)電成本之間的矛盾,將改進的理想點法應用于對火電廠污染物排放的優(yōu)化上。盡量做到在不影響發(fā)電負荷,并減少一次性投資的前提下,同時減少污染物的排放。并且通過現(xiàn)場采集數(shù)據(jù),在Matlab軟件上進行仿真,針對傳統(tǒng)方法與改進方法的效果進行了對比,結(jié)果表明改進后的辦法能夠明顯的降低污染物排放量。能應用到實際當中的話,每年可減少的污染物排放量相當可觀。
[Abstract]:At present, the problem of environmental pollution has become the focus of the world. Thermal power plant has become an important source of pollution while ensuring sufficient power supply. How to take effective control measures to limit the emission of pollutants has become an urgent problem, especially after the concept of "ultra-low emission" was put forward, advanced control strategies for pollutant emissions from thermal power plants have emerged one after another. However, there are few researches on pollutant emission prediction, and some advanced intelligent forecasting methods have not been applied to this field. For example, the neural network prediction method, which has good application effect in other fields, if the prediction ability of the neural network can be applied to the actual production process, The control of pollutant emissions will be of great benefit. Elman neural network itself has the function of dynamic modeling, which is very suitable for the prediction and estimation of unknown models. In this paper, genetic algorithm is used to optimize the weight and threshold of Elman neural network to predict pollutant emissions. It is proved that the improved Elman neural network can predict pollutant emission better than the traditional Elman neural network, the prediction error is smaller, and the prediction model is more accurate. Wavelet neural network is a kind of neural network learning. The network structure is similar to the typical BP neural network. The activation function of the hidden layer is wavelet basis function. On the premise of speeding up the learning speed and maintaining the stability of the system, a momentum term can be added to the learning rules of weight and parameter revision, which can guarantee the stability of the system and avoid the local minimization. The accuracy of data prediction is improved obviously after the modification of the learning rules. How to take into account the economic benefits of enterprises without causing pollution to the environment is a problem to be solved after the discharge forecast of pollutants is completed. In this paper, the nonlinear programming method and genetic algorithm are combined to improve the problem of poor local optimization of genetic algorithm. Then the genetic nonlinear programming method and the ideal point method are used to optimize the multiobjective function. In view of the contradiction between reducing pollution and reducing the cost of power generation in thermal power industry, the improved ideal point method is applied to the optimization of pollutant emission from thermal power plants. At the same time, reduce the emission of pollutants without affecting the generation load and reducing the one-time investment. The results show that the improved method can obviously reduce the emission of pollutants by comparing the effect of the traditional method with the improved method through the field data collection and simulation on the Matlab software. The amount of pollutant emissions that can be reduced each year is considerable if it can be applied in practice.
【學位授予單位】：山西大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP183;X773

【相似文獻】

相關期刊論文 前10條

1 雷明,李作清,陳志祥,吳雅,楊叔子;神經(jīng)網(wǎng)絡在預報控制中的應用[J];機床;1993年11期

2 楊自厚;神經(jīng)網(wǎng)絡技術及其在鋼鐵工業(yè)中的應用第8講人工神經(jīng)網(wǎng)絡在鋼鐵工業(yè)中的應用(下)[J];冶金自動化;1997年05期

3 李潤生,李延輝,胡學軍,劉壯,王守儉;神經(jīng)網(wǎng)絡在冶金中的應用[J];鋼鐵研究;1998年02期

4 劉海玲,劉樹深,尹情勝,夏之寧,易忠勝;線性神經(jīng)網(wǎng)絡及在多組分分析中的初步應用[J];計算機與應用化學;2000年Z1期

5 王繼宗,王西娟;用神經(jīng)網(wǎng)絡確定梁上裂紋位置的研究[J];煤炭學報;2000年S1期

6 趙學慶,袁景淇,周又玲,賀松;生物發(fā)酵過程神經(jīng)網(wǎng)絡狀態(tài)預報器的驗證[J];無錫輕工大學學報;2000年06期

7 李智,姚駐斌,張望興,賀超武;基于神經(jīng)網(wǎng)絡的混勻配料優(yōu)化方法[J];鋼鐵研究;2000年04期

8 胡敏藝,馬榮駿;神經(jīng)網(wǎng)絡在冶金工業(yè)中的應用[J];湖南有色金屬;2000年05期

9 倪建軍,邵琳;利用神經(jīng)網(wǎng)絡進行觀測數(shù)據(jù)的分析與處理[J];連云港化工高等�？茖W校學報;2000年04期

10 裴浩東,蘇宏業(yè),褚健;材料工程中基于神經(jīng)網(wǎng)絡的穩(wěn)態(tài)優(yōu)化策略[J];材料科學與工程;2001年02期

相關會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡的新機遇——紀念中國神經(jīng)網(wǎng)絡10周年[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡與圖論[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預報產(chǎn)品的神經(jīng)網(wǎng)絡釋用預報應用[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡[N];健康時報;2006年

8 劉力;我半導體神經(jīng)網(wǎng)絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡應用研究通過鑒定[N];中國船舶報;2006年

相關博士學位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經(jīng)網(wǎng)絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡的混沌性及幾類時滯神經(jīng)網(wǎng)絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學;2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網(wǎng)絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關鍵技術研究[D];東南大學;2015年

相關碩士學位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡與高校效益預測的研究[D];華南理工大學;2015年

2 賈文靜;基于改進型神經(jīng)網(wǎng)絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

4 陳彥至;神經(jīng)網(wǎng)絡降維算法研究與應用[D];華南理工大學;2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡研究[D];西南大學;2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡的遙感圖像分類研究[D];昆明理工大學;2015年

7 李志杰;基于神經(jīng)網(wǎng)絡的上證指數(shù)預測研究[D];華南理工大學;2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

9 張韜;幾類時滯神經(jīng)網(wǎng)絡穩(wěn)定性分析[D];渤海大學;2015年

10 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡的穩(wěn)定性分析[D];渤海大學;2015年

，

本文編號：2154432