資源描述：
《電站鍋爐燃燒系統(tǒng)軟測量及穩(wěn)態(tài)優(yōu)化研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、摘要隨著火電行業(yè)對節(jié)能降耗減排的關(guān)注，電站鍋爐燃燒優(yōu)化課題越來越受到人們的重視。燃燒過程中某些重要工況參數(shù)(例如飛灰含碳量)目前無法直接精確測量，需要通過軟測量建模技術(shù)加以解決；實(shí)施穩(wěn)態(tài)優(yōu)化時(shí)也首先要建立目標(biāo)函數(shù)(例如熱效率、NOx排量)與鍋爐運(yùn)行參數(shù)間的數(shù)學(xué)模型。鍋爐燃燒過程具有強(qiáng)非線性、多變量等特點(diǎn)，傳統(tǒng)的線性建模方法無法滿足要求，迫切需要研究和應(yīng)用新型的建模方法。本文首先介紹了一種適合小樣本學(xué)習(xí)、計(jì)算速度快的最小二乘支持向量機(jī)(LSSVM)回歸方法，建立了飛灰含碳量LSSVM軟測量模型；隨后將局部學(xué)習(xí)思想引入軟測量研究，并采用一種改進(jìn)的核函數(shù)實(shí)現(xiàn)了模型參數(shù)
2、自動(dòng)優(yōu)化，仿真研究表明局部LSSVM軟測量模型具有更高的預(yù)測精度。采用主元分析(PCA)對LSSVM建模數(shù)據(jù)進(jìn)行預(yù)處理，可以消除變量間線性相關(guān)性、簡化LSSVM模型結(jié)構(gòu)，構(gòu)成PCA．LSSVM軟測量方法。鑒于工業(yè)數(shù)據(jù)中存在的異常點(diǎn)會(huì)影響PCA和LSSVM回歸結(jié)果，本文提出一種基于魯棒化PCA的加權(quán)LSSVM(RPCA．WLSSVM)軟測量方法，仿真研究表明該軟測量模型具有更好的預(yù)測精度和魯棒性。最后，本文基于LSSVM建模和序貫二次規(guī)劃算法進(jìn)行了穩(wěn)態(tài)燃燒優(yōu)化研究。首先進(jìn)行飛灰含碳量單目標(biāo)優(yōu)化實(shí)驗(yàn)，并分析了優(yōu)化結(jié)果的合理性；針對提高熱效率和降低NOx排放之間存在矛
3、盾，提出一種多目標(biāo)燃燒優(yōu)化方案：分別建立熱效率、NOx與鍋爐運(yùn)行參數(shù)之間的LSSVM模型，基于評價(jià)函數(shù)法構(gòu)造混合優(yōu)化目標(biāo)，采用序貫二次規(guī)劃算法計(jì)算可調(diào)參數(shù)最優(yōu)值，仿真研究表明了該優(yōu)化方案的有效性。關(guān)鍵詞：飛灰含碳量軟測量最小二乘支持向量機(jī)局部學(xué)習(xí)主元分析異常點(diǎn)魯棒化主元分析加權(quán)最小二乘支持向量機(jī)序貫二次規(guī)劃穩(wěn)態(tài)燃燒優(yōu)化A舂ST炙ACTABSTRACTWiththeconcerningaboutenergysavingandemissionreductionofthermalpowerindustry,thecombustionoptimizationissues
4、arereceivingincreasingattentions．Someimportantparameters(suchasunburnedcarboninflyash)cannotbemeasuredaccurately,whichrequirestheuSeofsofi—sensormodelingtechnology；inaddition，thefirststeptooptimizethecombustionprocessisbuildingmathematicalmodelsbetweentheobjectivefunctions(suchasther
5、malefficiency,emissionsofnitrogenoxides)andtheoperationparameters．Duetothemulti—variableandnon-linearcharacteristicsofthecombustionprocess，traditionallinearlymodelingmethodscallnotbequalified，thusitisurgenttostudyandapplynewmodelingtechnology．Thepaperfirstlyintroducedtheleastsquaress
6、upportvectormachine(LSSVM)regressionthatischaracteristicofsmallsampleandquicklearning，andestablishedasoftsensormodelofunburnedcarboninflyash；thenlocallearningideologyWasappliedinthesoftsensormodeling，whereallimprovedformofthekernelfunctionWasusedtoidentifyautomaticallythemodelparamet
7、ers，theulmimatesimulationexperimentshowedthatlocalLSSVMsoftsensormodelhashigherpredictionaccuracycomparedtothegloballearningone．Principalcomponentanalysis(PCA)CanbeuSedtopre-processthemodelingdataofLSSVMtoeliminatelinearcorrelationbetweenvariablesaswellastosimplifytheLSSVMmodelstruct
8、ure，whichals
