基于BP神经网络与遗传算法的锅炉排放特性研究

论文摘要

氮氧化物（NOx）是燃煤电站锅炉排放的主要污染物之一。随着环保要求的提高,现代发电企业面临降低运行成本和降低污染物排放双重要求。电站锅炉是一个复杂的多变量系统,其NOx排放特性复杂,很难用简单公式进行估算,往往根据试验结果摸索降低NOx的方法。但现场实炉测试工作量大,测试工况有限,各参数对NOx排放均有影响,且互相叠加,导致数据分析困难,而无法根据实测结果获得估算公式和具体计算模型,不能将试验结果进一步推广。神经网络建模的一个重要特征就是其输入输出之间的黑箱特性,如果将锅炉视为黑箱,则一定的输入必然对应确定的输出,因此应用人工神经网络对锅炉排放特性建模。本文在分析了燃煤锅炉NOx生成和破坏机理的基础上,讨论了影响燃煤锅炉NOx排放的各因素。利用锅炉热态试验数据,采用3层BP神经网络构建了锅炉排放特性模型。针对常规BP算法学习效率低,收敛速度慢等缺陷,采用批量学习、附加动量项、自适应学习系数等措施加以改进。通过锅炉的实测数据验证,BP神经网络对NOx、排烟温度、飞灰含碳量、排烟氧量的相对预测误差分别为0.49%,-1.954%、8.14%、-5.134%。从检验的结果来看,NOx、排烟温度的预测结果非常接近实测值。针对初始权值和阈值对网络的收敛速度和误差精度影响较大这一问题,采用实数编码遗传算法先对网络权值优化,然后采用改进BP神经网络进行优化。综合利用遗传算法的全局搜索能力和BP神经网络局部搜索能力的特点。设计并实现了基于遗传算法和BP网络结合的锅炉排放特性网络模型,GA—BP网络对NOx、排烟温度、飞灰含碳量、排烟氧量的相对预测误差分别为0.863%,-0.89%、-5.13%、-2.722%。检验结果表明利用遗传算法和BP网络结合的锅炉排放特性网络模型的收敛速度、学习误差较之改进的BP算法建立的模型均为最佳。通过人工神经网络建立大型电厂锅炉的NOx排放特性模型后,即可根据输入参数预报锅炉排放特性,如果结合全局寻优算法,可以寻找出最优的操作参数,以获得低的NOx排放浓度。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景
• 1.2 锅炉燃烧系统优化运行研究动态
• 1.2.1 基于燃烧理论建模技术的研究动态
• 1.2.2 基于火焰图像处理技术的锅炉燃烧优化运行研究
• 1.2.3 人工神经网络技术的研究动态
• 1.3 本文的主要工作
• 第2章 电站锅炉NOx生成机理与控制技术
• 2.1 燃煤电厂NOx的排放现状与控制对策
• 2.1.1 我国燃煤电厂NOx的排放情况
• 2.1.2 我国对燃煤电厂NOx排放所采取的控制对策
• 2.1.3 各国对燃煤电厂NOx排放所采取的控制对策
• 2.2 氮氧化物的生成机理和破坏机理
• 2.2.1 NOx的理化特性及其危害
• 2.2.2 燃烧过程中的NOx生成机理
• 2.2.2.1 热力型NOx（T—NOx）
• 2.2.2.2 燃料型NOx（F—NOx）
• 2.2.2.3 快速型NOx（P—NOx）
• 2.2.3 燃烧过程中NOx的破坏机理
• 2.3 燃烧过程中影响NOx生成的因素及其控制
• 2.3.1 燃烧过程中影响NOx生成的因素
• 2.3.2 控制NOx排放的技术分析
• 2.3.2.1 燃烧中控制NOx的技术分析
• 2.3.2.2 烟气处理技术
• 2.4 优化燃烧技术简介
• 2.5 小结
• 第3章 人工神经网络及BP算法
• 3.1 人工神经网络概述
• 3.2 人工神经网络原理及算法推导
• 3.2.1 人工神经元的数学模型
• 3.2.2 BP神经网络拓扑结构
• 3.2.3 BP神经网络模型算法推导—梯度下降法
• 3.3 BP神经网络的设计与优化
• 3.3.1 输入层和输出层的设计
• 3.3.2 网络隐含层数及层内结点数的选择
• 3.3.3 网络初始权值的选取
• 3.3.4 网络学习参数的选取
• 3.3.5 网络模型的停止训练准则的确定
• 3.4 BP算法的局限性及改进措施
• 3.4.1 增加动量项
• 3.4.2 调整学习速率
• 3.5 小结
• 第4章 遗传算法
• 4.1 遗传算法的产生与发展
• 4.2 遗传算法的基本原理
• 4.3 遗传算法基本流程
• 4.4 遗传算法基本操作
• 4.4.1 编码方法
• 4.4.1.1 二进制编码方法
• 4.4.1.2 实数编码方法
• 4.4.2 适应度函数
• 4.4.3 遗传算子
• 4.4.3.1 选择
• 4.4.3.2 交叉
• 4.4.3.3 变异
• 4.4.4 遗传算法的参数选择
• 4.4.5 遗传算法的缺陷及改进策略
• 4.4.5.1 遗传操作中最优保存策略
• 4.4.5.2 遗传参数的自适应方案设计
• 4.5 遗传算法用于神经网络优化
• 4.6 小结
• 第5章 基于神经网络和遗传算法的锅炉排放特性模型
• 5.1 锅炉燃烧设备概况及热态试验结果
• 5.1.1 燃烧设备概况
• 5.1.2 热态试验方法及结果
• 5.1.2.1 试验方法
• 5.1.2.2 试验结果
• 5.2 基于改进BP神经网络的锅炉排放特性模型
• 5.2.1 神经网络模型的输入与输出
• 5.2.2 隐层数目及隐层节点的确定
• 5.2.3 神经网络模型训练与测试
• 5.2.3.1 网络模型参数选取
• 5.2.3.2 网络模型的实现
• 5.2.3.3 网络模型的训练结果及预测结果
• 5.3 基于遗传优化神经网络权值的锅炉排放特性模型
• 5.3.1 遗传算法参数的选取
• 5.3.2 基于遗传优化的网络模型的实现
• 5.3.3 基于遗传优化的网络模型的训练结果及预测结果
• 5.4 小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢