基于支持向量机的电站锅炉燃烧稳定性研究

论文摘要

锅炉是火电厂重要的燃烧设备,它内部的燃烧状况直接影响着整个机组运行的安全性、经济性和环保性,因此对锅炉的燃烧稳定性的研究历来都是研究的热点。本文首先对燃烧稳定性的影响因素和反映因素进行了归纳总结。然后介绍了有关统计学习理论和支持向量机算法,该方法与传统方法相比,克服了固有的模型选择与过学习问题、非线性与维数灾难问题、局部极小问题。最后从火检强度和影响因素着手,利用支持向量机(SVM)对燃烧状态识别分类。测试结果表明,支持向量机方法用于锅炉燃烧稳定性的判别,具有很好的分类和泛化能力。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 前言
• 1.2 相关研究
• 1.2.1 煤粉燃烧稳定性理论研究
• 1.2.2 电站锅炉燃烧状态检测技术发展状况
• 1.2.2.1 基于自组织神经网络的火焰燃烧诊断技术
• 1.2.2.2 基于模糊理论的燃烧诊断技术
• 1.2.2.3 基于主元分析方法的燃烧诊断技术
• 1.2.2.4 基于火焰颜色定量分析的燃烧诊断技术
• 1.2.2.5 基于频谱分析的燃烧诊断技术
• 1.3 研究内容及意义
• 1.4 本章小结
• 第二章 燃烧稳定性因素分析
• 2.1 影响因素分析
• 2.1.1 煤质变化
• 2.1.2 锅炉负荷
• 2.1.3 煤粉浓度
• 2.1.4 一次风温与风速
• 2.1.5 煤粉细度
• 2.1.6 煤粉气流的初温
• 2.1.7 二次风风速和风温
• 2.1.8 其它因素
• 2.2 反映燃烧稳定性的因素
• 2.2.1 炉膛压力
• 2.2.2 火检信号
• 2.3 本章小结
• 第三章支持向量机模型参数选择算法研究
• 3.1 支持向量机简介
• 3.1.1 机器学习理论概述
• 3.1.2 统计学习基本理论
• 3.1.3 支持向量机算法的发展历史和现状
• 3.2 支持向量机基本算法
• 3.2.1 支持向量分类
• 3.2.2 支持向量回归
• 3.3 支持向量机模型参数的选择
• 3.3.1 模型参数对SVM 分类性能的影响
• 3.3.2 模型参数选择方法
• 3.4 本章小结
• 第四章 算法验证
• 4.1 研究对象
• 4.2 数据准备
• 4.3 样本输入量的选择
• 4.4 数据分析工具
• 4.5 基于炉膛火检信号的燃烧状态判断
• 4.5.1 训练与测试
• 4.5.2 模型参数的选择
• 4.6 基于影响因素的燃烧诊断
• 4.6.1 特征数据的提取
• 4.6.2 训练与测试
• 4.7 本章小结
• 第五章结论与展望
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况