搜索
燃烧优化论文：基于神经网络和遗传算法的锅炉燃烧优化【中文摘要】提高锅炉运行效率,降低烟气NO_X的排放是电站锅炉燃烧优化的主要目标,而燃烧特性模型是燃烧优化的核心。通过对BP神经网络的发展、特点、结构,以及神经网络模型的原理,结构和学习规则的分析,人工神经网络模型能够拟合任意非线性函数并具有良好的泛化能力,对复杂问题具有自适应和自学习能力,在非线性系统辨识方面得到了广泛地研究和应用。基于某电站锅炉燃烧系统的稳态试验数据,通过对锅炉系统模型结构的分析,应用人工神经网络建立了NO_x排放量和锅炉效率的预测模型,实现了其飞灰含碳量、排烟温度、炉膛温度、NO_x排放量等参数的软测量和锅炉效率的预测,为锅炉燃烧优化奠定了基础。遗传算法具有隐含并行性、全局解空间搜索和不受问题形式约束等特点,本文介绍了遗传算法的基本原理和操作,比较了二进制编码和实数编码的区别,对遗传算法的交叉、变异操作和初始种群的选取作了改进,以所建立的锅炉燃烧特性模型为基础,采用遗传算法,对锅炉燃烧运行工况进行优化。根据优化目标的不同,对锅炉稳态燃烧优化进行了效率约束下NO_x低排放的优化和NO_x排放约束下锅炉热效率的优化,为电站DCS基础控制层提供锅炉各操作参数的最佳设定值。算例表明,该优化方法可以实现锅炉高效、低污染排放运行。【英文摘要】ToimprovetheboilerefficiencyandreduceNO_Xemissionsisthemaingoalsofthepowerplantfluegasboilercombustionoptimization.Combustioncharacteristicsmodelisthecoreofcombustionoptimization.Throughtheanalysisofthedevelopment,characteristics,structureofBPneuralnetworkandthethetheoryoftheneuralnetworkmodel,structureandtherulesoflearning,artificialneuralnetworkmodelcanfitanynonlinearfunctionandhasgoodgeneralizationabilityandhastheself-learningofthecomplexissues.Ithasbeenwidelystudiedandappliedinnonlinearsystemidentification.Basedonthesteady-statetestdataofapowerplantboilercombustionsystemandthroughtheanalysisofboilersystemmodelstructure,thethesisapplystheartificialneuralnetworkmethodtobuildthepredictionmodelofNO_xemissionsandboilerefficiency.Themodelachievesthesoftsensorofitscarboncontentinflyash,fluegastemperature,furnacetemperature,NO_xemissionsandthepredictionandboilerefficiency,andthenlaysthefoundationfortheboilercombustionoptimization.Geneticalgorithmshasthecharacteristicsoftheimplicitparallelismglobalsearchofsolutionspace,anditdon’thasconstraintsofproblemsform.Thisarticledescribesthebasicprinciplesandoperationsofgeneticalgorithmsandcomparesthedifferencebetweenthebinarycodingandrealcoding.ItalsoimprovesthecrossoverandmutationoperationandselectionoftheinitialpopulationofGeneticalgorithm.Basedontheestablishedmodelofboilercombustioncharacteristics,geneticalgorithmisappliedtosolvethehighefficiencyandlowemissioncombustionoptimizationproblem.Accordingtothedifferenceofoptimizationgoals,itwasintroducedthattheoptimizationoflowNO_xemissionsunderefficiencyconstrainedandtheoptimizationofboilerefficiencyunderNO_xemissionsconstrained.ItprovidesthebestsettingoftheoperatingparametersofboilerforDCSbasedcontrollayerofthepowerstation.Theexampleshowsthatthealgorithmcanachievehighefficiencyandlowemissionoperation.【关键词】燃烧优化神经网络遗传算法锅炉效率NO_X排放【英文关键词】CombustionoptimizationNeuralnetworkGeneticalgorithmBoilerefficiencyNO_xemission【目录】基于神经网络和遗传算法的锅炉燃烧优化摘要5-6Abstract6第1章绪论9-121.1研究课题背景91.1.1电力行业高效低污染的需求91.1.2电站锅炉燃烧优化控制的发展概况和应用前景91.2国内外研究现状9-101.3本文的工作101.4结论10-12第2章电站锅炉燃烧优化控制概述12-152.1电站锅炉燃烧优化控制的发展概况12-132.2电站锅炉燃烧优化控制的应用前景13-142.3本章小结14-15第3章BP神经网络概述15-243.1神经网络的发展15-183.1.2人工神经网络的特点163.1.3人工神经网络的结构16-183.2BP神经网络模型18-233.2.1BP神经网络的原理和结构18-193.2.2误差反向传播神经网络的学习规则以及它的结构19-223.2.3BP网络结构设计22-233.3本章小结23-24第4章遗传算法概述24-334.1遗传算法简介244.2遗传算法基本原理24-324.2.1遗传算法基本概念24-254.2.2遗传算法的运行过程25-274.2.3遗传算法的基本原则27-284.2.4遗传算法的改进28-314.2.5遗传算法的基本执行过程31-324.3本章小结32-33第5章锅炉燃烧过程的建模和稳态优化33-455.1电站锅炉的燃烧试验33-345.1.1锅炉燃烧实验准备工作335.1.2试验设计33-345.2锅炉系统的神经网络模型结构34-355.3模型的建立35-405.3.1准备所需要的工况样本355.3.2锅炉燃烧效率的预测模型35-395.3.3锅炉NOx排放预测模型39-405.4锅炉燃烧优化的实现40-445.4.1优化问题描述41-445.5本章小结44-45第6章结论与展望45-476.1结论456.2展望45-47参考文献47-50攻读硕士学位期间发表的论文及其它成果50-51致谢51-52详细摘要52-61