本文關(guān)鍵詞：基于人工智能方法的煙氣含氧量軟測(cè)量及優(yōu)化配煤研究，由筆耕文化傳播整理發(fā)布。

基于人工智能方法的煙氣含氧量軟測(cè)量及優(yōu)化配煤研究(pdf71頁(yè))

基于人工智能方法的煙氣含氧量軟測(cè)量及優(yōu)化配煤研究(pdf71頁(yè))

人工智能方法在煙氣含氧量軟測(cè)量及優(yōu)化配煤中的應(yīng)用蒸發(fā)量等參數(shù)不變，三種動(dòng)力煤的配比比例為待優(yōu)化變量，以發(fā)電燃料成本％合最低作為遺傳算法的適應(yīng)值函數(shù)，得到多個(gè)負(fù)荷狀態(tài)下三種動(dòng)力煤配比優(yōu)化結(jié)果如圖5．7，表5．3。圖5．7給出了利用遺傳算法針對(duì)5種不同鍋爐負(fù)荷下混煤配比的優(yōu)化結(jié)果，其中，上圖表示每一代適應(yīng)度函數(shù)的最佳值和平均值；下圖為最終混煤配比的最優(yōu)值。鍋爐60％負(fù)荷鍋爐70％負(fù)荷...

大連理工大學(xué)碩士學(xué)位論文表現(xiàn)型(Phenotype)：由染色體決定性狀的外部表現(xiàn)。基因座(Locus)：遺傳因子在染色體中占據(jù)的位置。等位基因(Ailele)：統(tǒng)一基因座它可能有的全部基因稱為等位基因。個(gè)體(Individual)：指染色體帶有特征的實(shí)體。種群(Population)：染色體帶有特征的個(gè)體組成了種群。群體中個(gè)體數(shù)目大小稱為群體大小(Populationsize)，也叫群體規(guī)模。適應(yīng)度(Fimess)：個(gè)體對(duì)環(huán)境適應(yīng)程度。選擇(Selection)：指決定以一定概率從種群中選擇若干個(gè)體的操作。一般而言，是一種基于適應(yīng)度的優(yōu)勝劣汰的過(guò)程。交叉(Crossover)：兩個(gè)染色體之間通過(guò)交叉而重組形成新的染色體．變異(Mutation)：染色體的某一基因發(fā)生變化，產(chǎn)生新的染色體，表現(xiàn)出新的性狀。編碼(Coding)：遺傳編碼可看成是從表現(xiàn)型向基因型的映射。解碼(Decoding)：基因型向表現(xiàn)型的映射。引用了這些術(shù)語(yǔ)，可以更好的描述遺傳算法，遺傳算法也就是從代表問(wèn)題的可能的潛在解集的一個(gè)種群(Population),m,發(fā)，而一個(gè)種群則由基因(Oene)編碼(Coding)雕J--定數(shù)目個(gè)體(Individual)組成。每個(gè)個(gè)體其實(shí)是染色體(Chromosome)帶有特征的實(shí)體。染色體作為遺傳物質(zhì)的主要載體，即多個(gè)基因的集合，其內(nèi)部表現(xiàn)是某種基因的組合，它決定了個(gè)體的外部表...

大連理工大學(xué)碩士學(xué)位論文充分利用高熱值煤，保證灰含量和發(fā)熱量等等【l川，而美國(guó)、德國(guó)、日本、英國(guó)、西班牙、荷蘭和加拿大等是從事動(dòng)力配煤研究較早的國(guó)家。其研究?jī)?nèi)容涉及到混合系統(tǒng)和混合方法的研究、配煤著火性能的研究、配煤對(duì)結(jié)渣性能影響的研究、采用混燒方法以降低N0x及S0x排放的研究等等…叫4】。目前以神經(jīng)網(wǎng)絡(luò)、進(jìn)化類優(yōu)化算法為代表的人工智能在各領(lǐng)域應(yīng)用研究的迅速發(fā)展為火電廠運(yùn)行優(yōu)化系統(tǒng)建模提供了新的建模思想，開(kāi)辟了一條新的可行途徑。神經(jīng)網(wǎng)絡(luò)中BP三層網(wǎng)絡(luò)模型具有良好的非線性映射能力，以及遺傳算法優(yōu)秀的全局優(yōu)化搜尋功能及各人工智能方法的相互配合下可充分利用火電廠DCS系統(tǒng)及其他現(xiàn)有系統(tǒng)豐富的數(shù)據(jù)資源，具有傳統(tǒng)建模方法所沒(méi)有的針對(duì)性強(qiáng)、通用性好的特點(diǎn)，可建立通用、精確、可靠的模型。人工智能的優(yōu)化方法如遺傳算法也具有傳統(tǒng)優(yōu)化算法所沒(méi)有的優(yōu)點(diǎn)，因此在優(yōu)化配煤領(lǐng)域具有重要的意義和廣闊的前景。1．3本文主要工作采用華能某電廠2006年度DCS系統(tǒng)采集的實(shí)時(shí)運(yùn)行數(shù)據(jù)，利用統(tǒng)計(jì)分析中的因子分析方法及偏最小二乘回歸分析方法分別建立了鍋爐煙氣含氧量的預(yù)測(cè)模型，并與BP神經(jīng)網(wǎng)絡(luò)所建立的預(yù)測(cè)模型進(jìn)行對(duì)比。在綜合考慮了各個(gè)模型的優(yōu)缺點(diǎn)之后，建立了基于偏最小二乘與BP神經(jīng)網(wǎng)絡(luò)的煙氣含氧量預(yù)測(cè)的混合模型，并與之前建立的模型進(jìn)行對(duì)比。通過(guò)建立的煙氣含氧量預(yù)測(cè)混合模型分析了可控參數(shù)中的煤量、風(fēng)量和燃燒器擺角及煤質(zhì)參數(shù)...

上一篇：煙草商業(yè)企業(yè)實(shí)施全面預(yù)算管理的幾點(diǎn)思考 下一篇：煙臺(tái)市教育局關(guān)于舉辦煙臺(tái)市唱好歌提精神第二屆中小學(xué)生合

煙草行業(yè)專輯

煙草行業(yè)熱門(mén)

  本文關(guān)鍵詞：基于人工智能方法的煙氣含氧量軟測(cè)量及優(yōu)化配煤研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：72736