电站燃烧锅炉燃烧优化系统研究

摘要

电站燃煤锅炉既是巨大的动力源，又是巨大的污染源，对其燃烧运行进行优化具有重要意义。锅炉效率和NOx排放浓度的各种影响因素相互耦合，必须建立量化的燃烧系统预测模型。介绍BP神经网络的基本原理，并利用Adaboost算法优化BP神经网络得到BP_Adaboost模型，然后介绍支持向量机的基本原理，尤其对最小二乘支持向量机(LS-SVM)用于非线性回归的建模原理作重点介绍。以某电厂300MW机组燃煤锅炉的燃烧调整试验数据为样本集，分别使用BP_Adaboost模型和LS-SVM模型建立以锅炉效率和NOx排放浓度为输出、以各运行变量为输入的燃烧系统模型，并对两种模型在理论依据、建模耗费时间、泛化能力以及实际应用等方面比较分析，BP_Adaboost模型更适合于大样本集的在线训练与预测。在多输入、双输出的BP_Adaboost燃烧系统模型基础上，以锅炉运行可调整参数为优化变量，利用遗传算法优化搜索技术以锅炉效率和NOx排放浓度为目标进行全局寻优，并引进权重系数将双目标问题转化为单目标问题。根据实际运行中对锅炉效率和NOx排放浓度的不同要求，对各个工况进行变权重优化，追求低NOx排放浓度兼顾提高锅炉效率，找到锅炉效率与NOx排放浓度存在的“最佳”结合点，从而获得双目标综合最优的锅炉运行参数，为电厂锅炉优化运行提供指导。优化后，各工况主燃区均采用低氧燃烧，上部风门开度增大，符合空气分级燃烧理论。使用MATLAB语言开发电站燃煤锅炉燃烧优化系统软件，包括三大模块:数据采集子系统、混合建模子系统以及遗传算法优化子系统。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 论文研究内容

第2章 电站燃煤锅炉效率与NOx排放浓度混合建模

2．1 电站燃煤锅炉效率和NOx排放浓度影响因素分析

2．1．1 锅炉效率影响因素分析

2．1．2 NOx排放浓度影响因素分析

2．2 BP神经网络建模原理

2．2．1 BP神经网络拓扑结构

2．2．2 BP算法原理

2．2．3 基于Adaboost算法建立BP_Adaboost模型

2．3 支持向量机建模原理

2．3．1 支持向量机基本理论

2．3．2 最小二乘支持向量机模型

2．4 基于BP_Adaboost模型与LS-SVM模型建立燃烧系统模型

2．4．1 模型的输入与输出变量选择

2．4．2 模型输入数据归一化

2．4．3 模型的参数选取

2．4．4 模型预测结果分析

2．5 本章小结

第3章 电站燃煤锅炉效率与NOx排放浓度优化

3．1 遗传算法简介

3．2 电站燃煤锅炉燃烧优化数学模型

3．2．1 目标函数

3．2．2 优化参数选择

3．3 电站燃煤锅炉燃烧优化结果分析

3．3．1 遗传算法寻优过程

3．3．2 不同权重下各工况优化结果分析

3．3．3 单一工况变权重优化结果分析

3．4 本章小结

第4章 电站燃煤锅炉燃烧优化系统的开发

4．1 电站燃煤锅炉燃烧优化系统的开发工具

4．2 电站燃煤锅炉燃烧优化系统的总体设计

4．3 电站燃煤锅炉燃烧优化系统软件的功能实现

4．3．1 锅炉类型及容量选择

4．3．2 数据采集子系统的功能实现

4．3．3 混合建模子系统的功能实现

4．3．4 遗传算法优化子系统的功能实现

4．4 本章小结

第5章 结论与展望

5．1 结论

5．2 展望

参考文献

攻读硕士学位期间发表的学术论文及其它成果

致谢