本文選題：煙氣含氧量　切入點：支持向量機　出處：《熱力發(fā)電》2017年04期 　論文類型：期刊論文

【摘要】：針對電廠煙氣含氧量測量存在的投資大、精度低等問題,在煙氣含氧量理論研究的基礎(chǔ)上,選擇合理的二次變量,引入支持向量機(SVM)建立二次變量與煙氣含氧量的軟測量模型。利用遺傳算法(GA)對模型中的懲罰系數(shù)和核函數(shù)參數(shù)進行尋優(yōu),進而利用最優(yōu)值構(gòu)建了GA-SVM煙氣含氧量軟測量模型,并對比利用粒子群算法及網(wǎng)格搜索法對參數(shù)的尋優(yōu)結(jié)果,對模型的準確性、泛化性進行測試。仿真結(jié)果表明:遺傳算法比粒子群算法和網(wǎng)格搜索法更易找到全局最優(yōu)解;GA-SVM軟測量模型誤差在±0.2%以內(nèi),相對誤差在±4%以內(nèi),能滿足不同負荷、不同時間段鍋爐煙氣含氧量的預測要求,其對煙氣含氧量的測量更準確。
[Abstract]:Aiming at the problems of large investment and low precision in the measurement of flue gas oxygen content in power plant, the reasonable secondary variable is selected on the basis of theoretical study of flue gas oxygen content. This paper introduces support vector machine (SVM) to establish a soft sensor model of secondary variable and oxygen content in flue gas. The penalty coefficient and kernel function parameter in the model are optimized by genetic algorithm (GA), and the soft sensing model of oxygen content in GA-SVM flue gas is constructed by using the optimum value. The accuracy of the model is compared by using particle swarm optimization algorithm and mesh search method. The simulation results show that the global optimal solution of GA-SVM is less than 鹵0.2%, and the relative error is less than 鹵4%. The simulation results show that the genetic algorithm is easier to find the global optimal solution than particle swarm optimization algorithm and grid search method, and the relative error is less than 鹵4%, which can satisfy different loads. The prediction of flue gas oxygen content in different time periods requires that the measurement of flue gas oxygen content is more accurate.
【作者單位】： 華北電力大學能源動力與機械工程學院;華北電力大學自動化系;國網(wǎng)北京市電力公司;
【分類號】：TP18;TM621.2

【相似文獻】

相關(guān)期刊論文 前10條

1 ;煙氣含氧量測量 火焰監(jiān)視[J];熱力發(fā)電;1978年06期

2 沈繼忱;趙德林;李小康;;支持向量回歸算法在電廠煙氣含氧量預測的研究[J];電子制作;2014年05期

3 蔡杰進;馬曉茜;廖艷芬;;鍋爐運行性能與煙氣含氧量優(yōu)化研究[J];熱力發(fā)電;2006年08期

4 劉闖;李素芬;陳貴軍;;鍋爐煙氣含氧量預測混合模型及應用[J];能源與環(huán)境;2008年02期

5 程啟明;郭瑞青;杜許峰;鄭勇;;火電廠煙氣含氧量測量的現(xiàn)狀與發(fā)展[J];電站系統(tǒng)工程;2008年06期

6 袁桂麗;張健;楊婷婷;秦士偉;;基于免疫關(guān)聯(lián)規(guī)則的煙氣含氧量優(yōu)化研究[J];華東電力;2012年11期

7 張炎欣;張航;王偉;;基于即時學習策略的火電廠煙氣含氧量軟測量[J];裝備制造技術(shù);2010年04期

8 付江永;常太華;朱紅路;;基于主元回歸的發(fā)電廠煙氣含氧量軟測量研究[J];陜西電力;2010年06期

9 王勇;劉吉臻;劉向杰;譚文;;基于最小二乘支持向量機的軟測量建模及在電廠煙氣含氧量測量中的應用[J];微計算機信息;2006年28期

10 付長勝;樊文生;張建功;;電站鍋爐燃燒在變工況下最佳煙氣含氧量的計算分析[J];科技信息(科學教研);2008年25期

相關(guān)會議論文 前2條

1 時汝佳;劉友寬;;鍋爐運行中煙氣含氧量的研究[A];2010年云南電力技術(shù)論壇論文集（優(yōu)秀論文部分）[C];2010年

2 程蓓;;采用O_2和CO信號控制燃燒的方案[A];安徽省電機工程學會優(yōu)秀學術(shù)論文集（2002-2003）[C];2005年

相關(guān)碩士學位論文 前9條

1 李銳;600MW火電機組煙氣含氧量軟測量應用研究[D];華北電力大學;2016年

2 張健;基于免疫關(guān)聯(lián)規(guī)則的煙氣含氧量優(yōu)化研究[D];華北電力大學;2013年

3 劉闖;基于人工智能方法的煙氣含氧量軟測量及優(yōu)化配煤研究[D];大連理工大學;2008年

4 張捷夫;電站鍋爐煙氣含氧量軟測量方法研究[D];華北電力大學;2014年

5 鄭永恒;超臨界鍋爐燃燒優(yōu)化方法研究及應用[D];吉林大學;2011年

6 卜麗軍;陳塘熱電1028t/h鍋爐燃燒系統(tǒng)優(yōu)化控制試驗研究[D];華北電力大學（河北）;2009年

7 張炎欣;基于即時學習策略的電廠熱工參數(shù)預測模型及應用研究[D];中南大學;2010年

8 張金龍;張家口熱電300MW鍋爐燃燒系統(tǒng)優(yōu)化控制試驗研究[D];華北電力大學;2011年

9 董偉鶴;火電鍋爐風機節(jié)能及氮氧化物減排研究[D];中國科學技術(shù)大學;2009年

，

本文編號：1615879