基于神经网络和遗传算法的锅炉燃烧优化

论文摘要

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。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究课题背景
• 1.1.1 电力行业高效低污染的需求
• 1.1.2 电站锅炉燃烧优化控制的发展概况和应用前景
• 1.2 国内外研究现状
• 1.3 本文的工作
• 1.4 结论
• 第2章 电站锅炉燃烧优化控制概述
• 2.1 电站锅炉燃烧优化控制的发展概况
• 2.2 电站锅炉燃烧优化控制的应用前景
• 2.3 本章小结
• 第3章 BP 神经网络概述
• 3.1 神经网络的发展
• 3.1.2 人工神经网络的特点
• 3.1.3 人工神经网络的结构
• 3.2 BP 神经网络模型
• 3.2.1 BP 神经网络的原理和结构
• 3.2.2 误差反向传播神经网络的学习规则以及它的结构
• 3.2.3 BP 网络结构设计
• 3.3 本章小结
• 第4章 遗传算法概述
• 4.1 遗传算法简介
• 4.2 遗传算法基本原理
• 4.2.1 遗传算法基本概念
• 4.2.2 遗传算法的运行过程
• 4.2.3 遗传算法的基本原则
• 4.2.4 遗传算法的改进
• 4.2.5 遗传算法的基本执行过程
• 4.3 本章小结
• 第5章 锅炉燃烧过程的建模和稳态优化
• 5.1 电站锅炉的燃烧试验
• 5.1.1 锅炉燃烧实验准备工作
• 5.1.2 试验设计
• 5.2 锅炉系统的神经网络模型结构
• 5.3 模型的建立
• 5.3.1 准备所需要的工况样本
• 5.3.2 锅炉燃烧效率的预测模型
• 5.3.3 锅炉NOx 排放预测模型
• 5.4 锅炉燃烧优化的实现
• 5.4.1 优化问题描述
• 5.5 本章小结
• 第6章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 攻读硕士学位期间发表的论文及其它成果
• 致谢
• 详细摘要