大型锅炉燃烧系统的支持向量机建模方法的研究

摘要

在未来较长时期内，我国电力工业发展的主力仍然是火力发电。因此，火电机组成为节能减排的重点对象。随着火电机组容量和参数的不断提高以及系统本体特性越加复杂的情况下，机理分析方法建立精确的数学模型难上加难。与传统的建模方法相比，基于智能算法的锅炉燃烧系统建模方法占据很大的优势。因此，深入研究基于智能算法的大型锅炉燃烧系统建模方法对火力发电机组实现高效率、低排放的运行目标具有重要意义。 本文对大型锅炉燃烧系统的支持向量机建模方法进行研究，对某1000MW超超临界锅炉 xNO 排放影响因素进行深入分析，建立了锅炉 xNO 排放特性预测模型。支持向量机(support vector machine，SVM)算法具有全局最优、避免“过学习”和“维数灾难”的优点。为弥补支持向量机基于小样本数据建模的不足，研究采用一种基于大样本数据的建模方法——核心向量机(core vector machine，CVM)。同时针对支持向量机和核心向量机预测模型参数选取问题，提出一种改进粒子群算法对模型核函数参数进行优化以提高其预测性能。本文建立了大型锅炉 xNO 排放特性 SVM预测模型与CVM预测模型并对比二者的预测性能。结果证明，大型锅炉 xNO 排放特性支持向量机和核心向量机建模方法的可行性，且CVM预测模型具有较快的收敛速度和更好的泛化能力，同时验证了 CVM 算法对于大样本数据建模比 SVM 算法具有更大优势。

目录

第一个书签之前

摘要

Abstract

第1章 绪论

1.1 课题研究背景及意义

1.1.1 引言

1.1.2 大型锅炉运行现状

1.1.3 锅炉燃烧系统建模研究现状

1.2 论文主要工作

第2章 大型锅炉燃烧系统

2.1 锅炉工作过程

2.2 锅炉结构

2.3 锅炉燃烧过程介绍

2.3.1 煤粉燃烧过程

2.3.2 过量空气系数

2.3.3 分级燃烧

2.4 本章小结

第3章 支持向量机和核心向量机建模方法研究

3.1 引言

3.2 统计学理论

3.2.1 机器学习

3.2.2 经验风险最小化

3.2.3 结构风险最小化

3.3 支持向量机

3.4 核函数

3.5 核心向量机

3.6 本章小结

第4章 粒子群优化算法的研究

4.1 引言

4.2 基本粒子群优化算法

4.3 一种改进的粒子群优化算法

4.3.1 惯性权重的动态调整

4.3.2 二阶振荡粒子

4.3.3 斥力因子

4.3.4 算法性能测试

4.4 本章小结

第5章 大型锅炉燃烧系统建模

5.1 引言

5.2 锅炉排放影响因素

5.3 模型结构

5.4 实验设计

5.4.1 建模步骤

5.4.2 模型评价指标

5.4.3 模型参数优化

5.4.4 实验仿真

5.4.5 模型性能对比

5.5 本章小结

第6章 总结与展望

6.1 主要研究内容和创新点

6.2 未来研究展望

参考文献

攻读硕士学位期间发表的论文和其他成果

致谢