本文關(guān)鍵詞：基于智能算法的燃煤電站鍋爐經(jīng)濟(jì)運(yùn)行與NO_x排放多目標(biāo)優(yōu)化研究

  更多相關(guān)文章： 燃煤鍋爐 鍋爐熱效率 NO_x排放 智能算法 多目標(biāo)優(yōu)化

【摘要】：將智能算法應(yīng)用于鍋爐燃燒多目標(biāo)優(yōu)化是節(jié)能減排的重要措施,本文基于多種智能算法,對鍋爐燃燒進(jìn)行多目標(biāo)優(yōu)化。首先,以某660MW燃煤鍋爐為研究對象,利用BP人工神經(jīng)網(wǎng)絡(luò)建立該鍋爐660MW負(fù)荷下的燃燒特性預(yù)測模型,以23維鍋爐燃燒運(yùn)行參數(shù)為輸入,鍋爐熱效率和NO_x排放量為輸出。所建模型訓(xùn)練誤差在-1.1′10-9~1.33′10-9之間,NO_x排放校驗(yàn)樣本的絕對值平均誤差為3.0398%,鍋爐熱效率的校驗(yàn)樣本的絕對值平均誤差為0.1129%,該預(yù)測模型具有較高的精確性和良好的泛化性�；谠撊紵A(yù)測模型,建立鍋爐燃燒優(yōu)化模型,優(yōu)化算法采用遺傳算法,其中,利用權(quán)重系數(shù)法將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題,并且在不同的權(quán)重比例系數(shù)(0.1-0.9、0.2-0.8、0.3-0.7、0.4-0.6、0.5-0.5、0.6-0.4、0.7-0.3、0.8-0.2)下分別進(jìn)行優(yōu)化,不同權(quán)重比例下的優(yōu)化結(jié)果不同,隨著NO_x排放量與鍋爐熱效率的權(quán)重比例由1-9逐步增加到8-2,NO_x排放量的值由176mg/m3逐步下降到111 mg/m3,鍋爐燃燒的熱損失由4.24%(鍋爐熱效率95.76%)逐步上升到6.05%(鍋爐熱效率93.95%),其所有解集合構(gòu)成了Pareto解集,并且呈現(xiàn)出凹形Pareto前沿。文章第四章將基于分解的多目標(biāo)進(jìn)化算法引進(jìn)到鍋爐燃燒多目標(biāo)優(yōu)化中,采用切比雪夫的分解策略進(jìn)行優(yōu)化,優(yōu)化后的NO_x排放量范圍為112 mg/m3~183mg/m3,鍋爐熱損失為4.3%~5.8%,與傳統(tǒng)的遺傳算法相比,優(yōu)化效果稍差,兩種算法各有優(yōu)缺點(diǎn)。本文同時(shí)采用另外某330MW鍋爐為研究對象,首先針對該鍋爐滿負(fù)荷運(yùn)行工況,對原有遺傳算法進(jìn)行改進(jìn),得到了改進(jìn)的BP-GA優(yōu)化模型,該模型以在鍋爐熱效率某個(gè)可接受范圍內(nèi)尋求NO_x排放的最優(yōu)化為目的。取鍋爐熱效率的量化約束為93.5%、93%、92.5%、92%時(shí),NO_x的值經(jīng)過優(yōu)化后分別降低到380mg/m3、350 mg/m3、320mg/m3、310 mg/m3左右,優(yōu)化效果比較明顯。針對該鍋爐,基于其300MW和270MW負(fù)荷下的運(yùn)行數(shù)據(jù),借助于向量評價(jià)的遺傳算法建立了兩個(gè)負(fù)荷下的優(yōu)化模型,300 MW工況下鍋爐熱效率和NO_x排放優(yōu)質(zhì)解集合分別為92.93%~93.64%與367 mg/m3~413 mg/m3,270 MW負(fù)荷鍋爐熱效率和NO_x排放優(yōu)質(zhì)解集合的范圍分別為92.26%~93.56%和360 mg/m3~416 mg/m3,都取得了較好的優(yōu)化值集合。
【關(guān)鍵詞】：燃煤鍋爐 鍋爐熱效率 NO_x排放 智能算法 多目標(biāo)優(yōu)化
【學(xué)位授予單位】：南昌大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TM621.2;X773
【目錄】：

• 摘要3-5
• ABSTRACT5-9
• 第1章 緒論9-17
• 1.1 課題研究的背景及意義9-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-12
• 1.3 NOx生成機(jī)理12-16
• 1.4 課題來源16
• 1.5 課題研究內(nèi)容16-17
• 第2章 鍋爐燃燒模型的建立17-28
• 2.1 研究對象介紹17
• 2.2 建模數(shù)據(jù)處理17-19
• 2.3 基于BP神經(jīng)網(wǎng)絡(luò)的鍋爐燃燒建模19-23
• 2.3.1 BP人工神經(jīng)網(wǎng)絡(luò)19-21
• 2.3.2 鍋爐燃燒特性建模21-23
• 2.4 鍋爐燃燒模型的建模效果評估23-27
• 2.5 本章小結(jié)27-28
• 第3章 基于遺傳算法的優(yōu)化實(shí)驗(yàn)分析28-42
• 3.1 鍋爐燃燒優(yōu)化介紹28
• 3.2 基于遺傳算法的鍋爐燃燒優(yōu)化模型的建立28-32
• 3.3 基于BP-GA算法的鍋爐燃燒優(yōu)化32-40
• 3.3.1 鍋爐燃燒優(yōu)化模型相關(guān)參數(shù)的設(shè)置32
• 3.3.2 鍋爐燃燒優(yōu)化模型優(yōu)化結(jié)果32-33
• 3.3.3 鍋爐燃燒優(yōu)化分權(quán)重比例系數(shù)分析33-40
• 3.4 本章小結(jié)40-42
• 第4章 基于MOEA/D算法的鍋爐燃燒多目標(biāo)優(yōu)化分析42-54
• 4.1 多目標(biāo)優(yōu)化相關(guān)定義42-44
• 4.2 基于分解的多目標(biāo)進(jìn)化算法44-46
• 4.3 鍋爐燃燒多目標(biāo)優(yōu)化建模46-50
• 4.4 鍋爐燃燒優(yōu)化算法對比分析50-52
• 4.5 本章小結(jié)52-54
• 第5章 300MW燃煤鍋爐的燃燒優(yōu)化54-69
• 5.1 基于改進(jìn)BP-GA算法的 300MW負(fù)荷燃燒優(yōu)化54-62
• 5.1.1 研究對象介紹54
• 5.1.2 BP神經(jīng)網(wǎng)絡(luò)模型54-57
• 5.1.3 基于改進(jìn)遺傳算法的鍋爐燃燒優(yōu)化模型57-62
• 5.2 基于VEGA算法的 300MW和 270MW負(fù)荷下的燃燒優(yōu)化62-68
• 5.2.1 BP神經(jīng)網(wǎng)絡(luò)模型62-65
• 5.2.2 基于BP-VEGA的鍋爐燃燒優(yōu)化模型65-68
• 5.3 本章小結(jié)68-69
• 第6章 結(jié)論與展望69-71
• 6.1 結(jié)論69-70
• 6.2 展望70-71
• 致謝71-72
• 參考文獻(xiàn)72-76
• 攻讀學(xué)位期間的研究成果76

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 姜斌;梁士鋒;馮佳佳;;催化吸收穩(wěn)定系統(tǒng)的多目標(biāo)優(yōu)化[J];計(jì)算機(jī)與應(yīng)用化學(xué);2008年01期

2 劉揚(yáng);模糊優(yōu)化與多目標(biāo)優(yōu)化的類同性[J];大慶石油學(xué)院學(xué)報(bào);1990年01期

3 覃孟揚(yáng);劉大維;羅永順;李玉忠;;基于灰色系統(tǒng)理論的車削參數(shù)多目標(biāo)優(yōu)化(英文)[J];機(jī)床與液壓;2013年24期

4 厲小軍,俞歡軍,李紹軍,胡上序;進(jìn)化多智能體技術(shù)在多目標(biāo)優(yōu)化中的應(yīng)用[J];化工學(xué)報(bào);2004年03期

5 韓方煜,賈小平;環(huán)境友好過程的建模和多目標(biāo)優(yōu)化[J];計(jì)算機(jī)與應(yīng)用化學(xué);2004年01期

6 吳華武;胡鑫堯;;鋯鉿萃取分離系統(tǒng)參數(shù)的多目標(biāo)優(yōu)化決策[J];計(jì)算機(jī)與應(yīng)用化學(xué);1991年04期

7 江沛;曹柳林;;聚酯工業(yè)生產(chǎn)縮聚過程的多目標(biāo)優(yōu)化[J];計(jì)算機(jī)與應(yīng)用化學(xué);2007年11期

8 岳金彩;程華農(nóng);楊霞;鄭世清;韓方煜;;連續(xù)過程的多目標(biāo)優(yōu)化[J];計(jì)算機(jī)與應(yīng)用化學(xué);2009年11期

9 邵輝;李晶;楊麗丹;;基于多目標(biāo)優(yōu)化的危險(xiǎn)化學(xué)品運(yùn)輸模式探討[J];中國安全生產(chǎn)科學(xué)技術(shù);2010年02期

10 李云玲;;提升運(yùn)輸多目標(biāo)優(yōu)化控制系統(tǒng)設(shè)計(jì)[J];科技經(jīng)濟(jì)市場;2013年03期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 張翔;;一種無歧義性的多目標(biāo)優(yōu)化數(shù)值解法[A];中國農(nóng)業(yè)機(jī)械學(xué)會(huì)成立40周年慶典暨2003年學(xué)術(shù)年會(huì)論文集[C];2003年

2 羅亞中;;航天器軌跡多目標(biāo)優(yōu)化研究評述[A];The 5th 全國動(dòng)力學(xué)與控制青年學(xué)者研討會(huì)論文摘要集[C];2011年

3 耿玉磊;張翔;;多目標(biāo)優(yōu)化的求解方法與發(fā)展[A];福建省科協(xié)第四屆學(xué)術(shù)年會(huì)——提升福建制造業(yè)競爭力的戰(zhàn)略思考專題學(xué)術(shù)年會(huì)論文集[C];2004年

4 耿玉磊;張翔;;多目標(biāo)優(yōu)化的求解方法與發(fā)展[A];福建省科協(xié)第四屆學(xué)術(shù)年會(huì)提升福建制造業(yè)競爭力的戰(zhàn)略思考專題學(xué)術(shù)年會(huì)論文集[C];2004年

5 程鵬;唐雁;鄒顯春;;約束多目標(biāo)優(yōu)化試驗(yàn)函數(shù)產(chǎn)生器[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)論文集[C];2008年

6 賈小平;韓方煜;;多目標(biāo)優(yōu)化及其在過程工程中的應(yīng)用[A];過程系統(tǒng)工程2001年會(huì)論文集[C];2001年

7 邢志祥;;滅火救援力量調(diào)集的多目標(biāo)優(yōu)化[A];第一屆全國安全科學(xué)理論研討會(huì)論文集[C];2007年

8 孫力;樊希山;姚平經(jīng);;化工過程多目標(biāo)優(yōu)化適宜解的模糊確定[A];第二屆全國傳遞過程學(xué)術(shù)研討會(huì)論文集[C];2003年

9 李穎t;昝建明;周建文;;多目標(biāo)形貌優(yōu)化方法研究[A];結(jié)構(gòu)及多學(xué)科優(yōu)化工程應(yīng)用與理論研討會(huì)’2009（CSMO-2009）論文集[C];2009年

10 許碧霞;李兆江;;基于循環(huán)經(jīng)濟(jì)的城市污水多目標(biāo)優(yōu)化配置分析[A];中國地理學(xué)會(huì)2007年學(xué)術(shù)年會(huì)論文摘要集[C];2007年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王晗丁;復(fù)雜問題的多目標(biāo)進(jìn)化優(yōu)化算法研究[D];西安電子科技大學(xué);2015年

2 董寧;求解約束優(yōu)化和多目標(biāo)優(yōu)化問題的進(jìn)化算法研究[D];西安電子科技大學(xué);2015年

3 鄒娟;高維多目標(biāo)進(jìn)化優(yōu)化及降維評價(jià)的方法研究[D];湘潭大學(xué);2014年

4 楊光;求解多目標(biāo)優(yōu)化問題的NWSA研究及其工程應(yīng)用[D];吉林大學(xué);2015年

5 王超;裝載與車輛路徑聯(lián)合多目標(biāo)優(yōu)化問題研究[D];大連理工大學(xué);2016年

6 葉承晉;計(jì)算智能在電力系統(tǒng)多目標(biāo)優(yōu)化中的應(yīng)用研究[D];浙江大學(xué);2015年

7 過曉芳;超多目標(biāo)優(yōu)化問題的幾種進(jìn)化算法研究[D];西安電子科技大學(xué);2015年

8 左益;基于全局優(yōu)化和局部學(xué)習(xí)的進(jìn)化多目標(biāo)優(yōu)化算法[D];西安電子科技大學(xué);2016年

9 盧芳;多目標(biāo)優(yōu)化及隨機(jī)變分不等式問題的若干研究[D];重慶大學(xué);2016年

10 徐志丹;基于生物地理算法的多目標(biāo)優(yōu)化理論與應(yīng)用研究[D];哈爾濱工程大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 何素素;基于改進(jìn)的粒子群算法的鉆進(jìn)參數(shù)多目標(biāo)優(yōu)化研究[D];西安石油大學(xué);2015年

2 黃怡;基于藥效綜合評價(jià)的中藥組分配伍優(yōu)化方法研究[D];浙江大學(xué);2015年

3 韓偉;基于混合智能算法在造紙廢水厭氧消化處理過程多目標(biāo)優(yōu)化中的研究[D];華南理工大學(xué);2015年

4 彭清風(fēng);基于魯棒性的船體中橫剖面多目標(biāo)優(yōu)化[D];上海交通大學(xué);2015年

5 崔華;面向個(gè)性化需求的服務(wù)組合優(yōu)化方法[D];哈爾濱工業(yè)大學(xué);2015年

6 章姍捷;基于遺傳算法的電力工程多目標(biāo)優(yōu)化研究[D];華北電力大學(xué);2015年

7 高敏;基于協(xié)同論的風(fēng)電建設(shè)項(xiàng)目多目標(biāo)優(yōu)化模型研究[D];華北電力大學(xué);2015年

8 劉培根;基于多目標(biāo)優(yōu)化和壓縮感知的航拍目標(biāo)檢測[D];電子科技大學(xué);2015年

9 楊凱;基于多目標(biāo)優(yōu)化的貴州工業(yè)結(jié)構(gòu)調(diào)整研究[D];貴州師范大學(xué);2015年

10 陳振興;基于空間擁擠控制策略的進(jìn)化多目標(biāo)優(yōu)化[D];福建師范大學(xué);2015年

，

本文編號：812741