量子計(jì)算及其衍生算法近年來快速發(fā)展,成為優(yōu)化領(lǐng)域和人工智能領(lǐng)域的研究熱點(diǎn)。隨著我國電力行業(yè)清潔化和智能化的發(fā)展,量子計(jì)算逐漸應(yīng)用于火電機(jī)組優(yōu)化控制領(lǐng)域并取得了諸多成效。介紹了量子計(jì)算的基本理論,詳細(xì)論述了眾多量子衍生算法在火電機(jī)組優(yōu)化控制領(lǐng)域中的應(yīng)用研究進(jìn)展。從量子群智能優(yōu)化算法、量子遺傳算法和量子機(jī)器學(xué)習(xí)算法等多個角度綜述了量子計(jì)算在火電機(jī)組優(yōu)化控制領(lǐng)域的機(jī)遇與挑戰(zhàn)。最后總結(jié)并展望了量子計(jì)算未來在火電機(jī)組優(yōu)化控制領(lǐng)域的發(fā)展趨勢。 

【文章來源】：華電技術(shù). 2020年08期

【文章頁數(shù)】：7 頁

【部分圖文】：

QPSO算法在PID控制器整定中的典型應(yīng)用方式

目前，常見且有效的一種方式是聯(lián)合使用量子優(yōu)化算法和機(jī)器學(xué)習(xí)算法，用以解決機(jī)器學(xué)習(xí)算法在工程應(yīng)用中的參數(shù)整定問題，從而大幅提高算法的建模精度，如圖2所示。例如，徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)可以有效辨識熱工系統(tǒng)，但RBF網(wǎng)絡(luò)具有隱含層參數(shù)較多的問題，可以采用QGA對RBF網(wǎng)絡(luò)的參數(shù)進(jìn)行估計(jì)，優(yōu)化后的RBF網(wǎng)絡(luò)可以實(shí)現(xiàn)對多種熱工過程的有效辨識[34]。近期有學(xué)者[35]采用差分進(jìn)化量子粒子群優(yōu)化（DE-QPSO）算法對超限學(xué)習(xí)機(jī)（ELM）的網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，成功提高了ELM的泛化能力，實(shí)現(xiàn)了對超超臨界機(jī)組NOx排放量的較高精度預(yù)測。另有學(xué)者[36]應(yīng)用QPSO算法對最小二乘支持向量機(jī)（LSSVM）的核函數(shù)參數(shù)進(jìn)行優(yōu)化，對某機(jī)組主汽溫控制系統(tǒng)的建模證明這一策略的預(yù)測精度可超過反向傳播（BP）神經(jīng)網(wǎng)絡(luò)。

除以上常用的優(yōu)化方式外，量子計(jì)算與機(jī)器學(xué)習(xí)算法正逐漸實(shí)現(xiàn)融合式發(fā)展，形成新型的量子機(jī)器學(xué)習(xí)算法，如圖3所示。這類新型算法已在火電機(jī)組優(yōu)化控制領(lǐng)域初步應(yīng)用，并不斷發(fā)展與完善。采用結(jié)合量子計(jì)算與深度學(xué)習(xí)技術(shù)的樣本增量量子神經(jīng)網(wǎng)絡(luò)（SIQNN）建立鍋爐NOx排放質(zhì)量濃度和煤耗模型，并在此基礎(chǔ)上通過量子人工蜂群（QABC）算法對鍋爐運(yùn)行參量進(jìn)行優(yōu)化，降低不同負(fù)荷下的NOx排放質(zhì)量濃度和煤耗，該系統(tǒng)已成功應(yīng)用于某330 MW煤粉爐機(jī)組[37]。另有結(jié)合量子力學(xué)與快速學(xué)習(xí)網(wǎng)絡(luò)（FLN）提出的量子雙并行前饋神經(jīng)網(wǎng)絡(luò)（QIDPFNN），可以建立精準(zhǔn)度更高的CFB機(jī)組熱效率與NOx排放模型，被證明具有比FLN和ELM等傳統(tǒng)算法更強(qiáng)的泛化能力和穩(wěn)定性[38]。

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)量子粒子群算法的火電廠再熱汽溫調(diào)節(jié)系統(tǒng)PID參數(shù)自整定[J]. 劉錦廉.  機(jī)電信息. 2020(08)
[2]基于量子迭代混沌的渦流搜索算法預(yù)測鍋爐飛灰含碳量[J]. 李霞,牛培峰,劉建平,李國強(qiáng).  動力工程學(xué)報. 2019(07)
[3]基于人工智能技術(shù)的火電廠燃煤鍋爐智能燃燒優(yōu)化研究及應(yīng)用[J]. 牛培峰,馬云鵬,張欣欣,胡曉賓.  智能科學(xué)與技術(shù)學(xué)報. 2019(02)
[4]基于差分量子粒子群算法的鍋爐NO_x排放模型優(yōu)化[J]. 董澤,馬寧,孟磊.  動力工程學(xué)報. 2019(03)
[5]1000MW二次再熱機(jī)組汽溫控制策略[J]. 胡尊民,于國強(qiáng),殳建軍,張?zhí)旌?  華電技術(shù). 2018(05)
[6]基于現(xiàn)場數(shù)據(jù)和主元分析的主汽溫系統(tǒng)多變量建模[J]. 侯曉寧.  華電技術(shù). 2018(05)
[7]混沌量子粒子群算法在火電廠中的應(yīng)用[J]. 劉靜,劉瑞敏.  電力科學(xué)與工程. 2018(03)
[8]基于量子自適應(yīng)鳥群算法的鍋爐NO_x排放特性研究[J]. 牛培峰,王丘亞,馬云鵬,趙慶沖,陳科,趙振.  計(jì)量學(xué)報. 2017(06)
[9]基于改進(jìn)的量子粒子群算法的脫硝系統(tǒng)線性參數(shù)變化模型辨識[J]. 袁世通.  熱力發(fā)電. 2017(06)
[10]基于CQPSO算法的控制系統(tǒng)參數(shù)優(yōu)化[J]. 韋根原,馮新強(qiáng),韓璞.  系統(tǒng)仿真學(xué)報. 2015(07)

博士論文
[1]1000MW超超臨界機(jī)組建模理論與方法的研究[D]. 袁世通.華北電力大學(xué) 2015
[2]量子行為粒子群優(yōu)化算法研究[D]. 孫俊.江南大學(xué) 2009
[3]量子計(jì)算及其在智能優(yōu)化與控制中的應(yīng)用[D]. 李盼池.哈爾濱工業(yè)大學(xué) 2009

碩士論文
[1]基于自適應(yīng)量子灰狼算法的循環(huán)流化床鍋爐燃燒優(yōu)化研究[D]. 史春見.燕山大學(xué) 2018
[2]1000MW火電機(jī)組燃燒系統(tǒng)的建模與控制方法研究[D]. 鄭瑞祥.華北電力大學(xué) 2018
[3]量子粒子群算法的改進(jìn)及其在認(rèn)知無線電頻譜分配中的應(yīng)用[D]. 丁穎.南京郵電大學(xué) 2013



本文編號：2938306