基于深度学习的CFB锅炉燃烧多目标优化系统研究与开发
这是一篇关于长短时记忆神经网络,锅炉燃烧优化,深度学习,多目标优化的论文, 主要内容为燃煤电厂现如今面临着降低煤炭能源消耗量以及控制污染物超低排放的双重严峻挑战。对锅炉进行燃烧优化可改善锅炉燃烧状态,协调综合控制锅炉热效率以及污染物的排放水平。锅炉燃烧呈非线性、时变性和强耦合性等特性,利用传统方法进行燃烧优化时,由于不能充分考虑锅炉系统内部的燃烧特性,存在着模型失配、输入输出数据不匹配等问题,导致难以建立精确的锅炉燃烧系统内部机理模型。人工智能算法可以通过对实际系统建模并学习,利用运行数据来训练和调整模型参数,达到预测或优化目的,近年来已经被广泛应用到锅炉燃烧优化领域中。然而国内外对于锅炉燃烧优化的重点一般都放在对于整个燃烧优化过程中算法的研究,所得出的结论往往只是多组最优运行参数解,无法应用于现场实际。本文围绕锅炉燃烧优化系统的开发开展研究,旨在为锅炉运行人员提供一个全面解决锅炉燃烧运行优化调整的分析、操作以及控制的平台。具体研究成果如下:(1)锅炉燃烧是多变量、非线性、强耦合复杂过程,建立一个能准确描述燃烧系统输入与输出关系的模型是燃烧优化的重点与难点。使用深度学习中的长短时记忆神经网络,基于DCS中的历史运行数据,建立了某300MW亚临界循环流化床热效率和NOx炉膛出口原始生成浓度预测模型,针对长短时记忆神经网络(LSTM)模型参数难以确定的问题,采用遗传算法(GA)对其模型参数进行寻优。并将建立的预测模型与其他算法模型在同一测试样本集上进行对比。基于GA-LSTM所建立的NOx炉膛出口原始生成浓度预测模型在测试样本集的RMSE为33.128,MAPE为0.013,R-square为0.9962,建立的锅炉热效率预测模型在测试样本集的RMSE为0.271,MAPE为0.012,R-square为0.9973。经过数据预处理并经过遗传算法(GA)进行参数寻优后的GA-LSTM模型在测试集的预测能力和拟合精度均优于其他模型,GA-LSTM模型可以更好地完成多变量非线性拟合。(2)在建立的锅炉热效率及NOx炉膛出口原始生成浓度预测模型的基础上,采用基于指标和拥挤距离的多目标进化算法(IDBEA)对一次风量、二次风门开度、给煤率和炉膛出口氧量进行优化,得到不同工况下各参数的最佳组合。在基于指标的多目标进化算法的基础上,增加了拥挤距离选择策略提高了算法多样性。采用IDBEA对低中高负荷下的各三组共9组工况以降低NOx炉膛出口原始生成浓度为主进行了优化。从优化结果来看,NOx炉膛出口原始生成浓度最高比原来实际运行工况减少了96.37mg/m3,所有工况平均下降17.35%,优化效果明显;同时热效率最高提升1.9%,所有工况平均提升0.88%,整体优化效果符合以NOx炉膛出口原始生成浓度为主要优化侧重点的燃烧优化目的。基于IDBEA的多目标进化算法可以使保持锅炉热效率不小于原有实际运行水平甚至略有提升的同时,显著的将锅炉燃烧运行中产生的NOx污染物炉膛出口原始生成浓度降低,具有很好的锅炉燃烧优化效果。(3)基于建立的多目标优化进化算法为底层基础,设计开发了锅炉燃烧优化系统。对系统的业务以及运行性能进行了分析,并给出了系统的整体解决方案。在电厂现有的控制系统上,增加锅炉燃烧优化系统,可以在不影响电厂原有运行设备安全稳定性的基础上,读取原有DCS控制系统采集的锅炉运行参数,然后利用系统底层多目标进化算法数学模型达到燃烧控制优化目的。系统采用B/S架构,主要基于Vue前端框架和Spring boot后端框架进行开发,将模块化概念应用到整个系统,设计并开发了系统登陆模块、运行监控模块、预测对比模块、系统监控以及系统管理模块。锅炉燃烧优化系统集在线监测、运行维护以及优化管理为一体,通过操作界面可以使得燃烧多目标优化数学模型的计算结果以及对实际的优化效果可以清楚的展示在锅炉运行人员面前,方便工作人员使用锅炉燃烧多目标优化数学模型对实际的生产过程进行控制。
基于深度学习的CFB锅炉燃烧多目标优化系统研究与开发
这是一篇关于长短时记忆神经网络,锅炉燃烧优化,深度学习,多目标优化的论文, 主要内容为燃煤电厂现如今面临着降低煤炭能源消耗量以及控制污染物超低排放的双重严峻挑战。对锅炉进行燃烧优化可改善锅炉燃烧状态,协调综合控制锅炉热效率以及污染物的排放水平。锅炉燃烧呈非线性、时变性和强耦合性等特性,利用传统方法进行燃烧优化时,由于不能充分考虑锅炉系统内部的燃烧特性,存在着模型失配、输入输出数据不匹配等问题,导致难以建立精确的锅炉燃烧系统内部机理模型。人工智能算法可以通过对实际系统建模并学习,利用运行数据来训练和调整模型参数,达到预测或优化目的,近年来已经被广泛应用到锅炉燃烧优化领域中。然而国内外对于锅炉燃烧优化的重点一般都放在对于整个燃烧优化过程中算法的研究,所得出的结论往往只是多组最优运行参数解,无法应用于现场实际。本文围绕锅炉燃烧优化系统的开发开展研究,旨在为锅炉运行人员提供一个全面解决锅炉燃烧运行优化调整的分析、操作以及控制的平台。具体研究成果如下:(1)锅炉燃烧是多变量、非线性、强耦合复杂过程,建立一个能准确描述燃烧系统输入与输出关系的模型是燃烧优化的重点与难点。使用深度学习中的长短时记忆神经网络,基于DCS中的历史运行数据,建立了某300MW亚临界循环流化床热效率和NOx炉膛出口原始生成浓度预测模型,针对长短时记忆神经网络(LSTM)模型参数难以确定的问题,采用遗传算法(GA)对其模型参数进行寻优。并将建立的预测模型与其他算法模型在同一测试样本集上进行对比。基于GA-LSTM所建立的NOx炉膛出口原始生成浓度预测模型在测试样本集的RMSE为33.128,MAPE为0.013,R-square为0.9962,建立的锅炉热效率预测模型在测试样本集的RMSE为0.271,MAPE为0.012,R-square为0.9973。经过数据预处理并经过遗传算法(GA)进行参数寻优后的GA-LSTM模型在测试集的预测能力和拟合精度均优于其他模型,GA-LSTM模型可以更好地完成多变量非线性拟合。(2)在建立的锅炉热效率及NOx炉膛出口原始生成浓度预测模型的基础上,采用基于指标和拥挤距离的多目标进化算法(IDBEA)对一次风量、二次风门开度、给煤率和炉膛出口氧量进行优化,得到不同工况下各参数的最佳组合。在基于指标的多目标进化算法的基础上,增加了拥挤距离选择策略提高了算法多样性。采用IDBEA对低中高负荷下的各三组共9组工况以降低NOx炉膛出口原始生成浓度为主进行了优化。从优化结果来看,NOx炉膛出口原始生成浓度最高比原来实际运行工况减少了96.37mg/m3,所有工况平均下降17.35%,优化效果明显;同时热效率最高提升1.9%,所有工况平均提升0.88%,整体优化效果符合以NOx炉膛出口原始生成浓度为主要优化侧重点的燃烧优化目的。基于IDBEA的多目标进化算法可以使保持锅炉热效率不小于原有实际运行水平甚至略有提升的同时,显著的将锅炉燃烧运行中产生的NOx污染物炉膛出口原始生成浓度降低,具有很好的锅炉燃烧优化效果。(3)基于建立的多目标优化进化算法为底层基础,设计开发了锅炉燃烧优化系统。对系统的业务以及运行性能进行了分析,并给出了系统的整体解决方案。在电厂现有的控制系统上,增加锅炉燃烧优化系统,可以在不影响电厂原有运行设备安全稳定性的基础上,读取原有DCS控制系统采集的锅炉运行参数,然后利用系统底层多目标进化算法数学模型达到燃烧控制优化目的。系统采用B/S架构,主要基于Vue前端框架和Spring boot后端框架进行开发,将模块化概念应用到整个系统,设计并开发了系统登陆模块、运行监控模块、预测对比模块、系统监控以及系统管理模块。锅炉燃烧优化系统集在线监测、运行维护以及优化管理为一体,通过操作界面可以使得燃烧多目标优化数学模型的计算结果以及对实际的优化效果可以清楚的展示在锅炉运行人员面前,方便工作人员使用锅炉燃烧多目标优化数学模型对实际的生产过程进行控制。
基于深度学习的CFB锅炉燃烧多目标优化系统研究与开发
这是一篇关于长短时记忆神经网络,锅炉燃烧优化,深度学习,多目标优化的论文, 主要内容为燃煤电厂现如今面临着降低煤炭能源消耗量以及控制污染物超低排放的双重严峻挑战。对锅炉进行燃烧优化可改善锅炉燃烧状态,协调综合控制锅炉热效率以及污染物的排放水平。锅炉燃烧呈非线性、时变性和强耦合性等特性,利用传统方法进行燃烧优化时,由于不能充分考虑锅炉系统内部的燃烧特性,存在着模型失配、输入输出数据不匹配等问题,导致难以建立精确的锅炉燃烧系统内部机理模型。人工智能算法可以通过对实际系统建模并学习,利用运行数据来训练和调整模型参数,达到预测或优化目的,近年来已经被广泛应用到锅炉燃烧优化领域中。然而国内外对于锅炉燃烧优化的重点一般都放在对于整个燃烧优化过程中算法的研究,所得出的结论往往只是多组最优运行参数解,无法应用于现场实际。本文围绕锅炉燃烧优化系统的开发开展研究,旨在为锅炉运行人员提供一个全面解决锅炉燃烧运行优化调整的分析、操作以及控制的平台。具体研究成果如下:(1)锅炉燃烧是多变量、非线性、强耦合复杂过程,建立一个能准确描述燃烧系统输入与输出关系的模型是燃烧优化的重点与难点。使用深度学习中的长短时记忆神经网络,基于DCS中的历史运行数据,建立了某300MW亚临界循环流化床热效率和NOx炉膛出口原始生成浓度预测模型,针对长短时记忆神经网络(LSTM)模型参数难以确定的问题,采用遗传算法(GA)对其模型参数进行寻优。并将建立的预测模型与其他算法模型在同一测试样本集上进行对比。基于GA-LSTM所建立的NOx炉膛出口原始生成浓度预测模型在测试样本集的RMSE为33.128,MAPE为0.013,R-square为0.9962,建立的锅炉热效率预测模型在测试样本集的RMSE为0.271,MAPE为0.012,R-square为0.9973。经过数据预处理并经过遗传算法(GA)进行参数寻优后的GA-LSTM模型在测试集的预测能力和拟合精度均优于其他模型,GA-LSTM模型可以更好地完成多变量非线性拟合。(2)在建立的锅炉热效率及NOx炉膛出口原始生成浓度预测模型的基础上,采用基于指标和拥挤距离的多目标进化算法(IDBEA)对一次风量、二次风门开度、给煤率和炉膛出口氧量进行优化,得到不同工况下各参数的最佳组合。在基于指标的多目标进化算法的基础上,增加了拥挤距离选择策略提高了算法多样性。采用IDBEA对低中高负荷下的各三组共9组工况以降低NOx炉膛出口原始生成浓度为主进行了优化。从优化结果来看,NOx炉膛出口原始生成浓度最高比原来实际运行工况减少了96.37mg/m3,所有工况平均下降17.35%,优化效果明显;同时热效率最高提升1.9%,所有工况平均提升0.88%,整体优化效果符合以NOx炉膛出口原始生成浓度为主要优化侧重点的燃烧优化目的。基于IDBEA的多目标进化算法可以使保持锅炉热效率不小于原有实际运行水平甚至略有提升的同时,显著的将锅炉燃烧运行中产生的NOx污染物炉膛出口原始生成浓度降低,具有很好的锅炉燃烧优化效果。(3)基于建立的多目标优化进化算法为底层基础,设计开发了锅炉燃烧优化系统。对系统的业务以及运行性能进行了分析,并给出了系统的整体解决方案。在电厂现有的控制系统上,增加锅炉燃烧优化系统,可以在不影响电厂原有运行设备安全稳定性的基础上,读取原有DCS控制系统采集的锅炉运行参数,然后利用系统底层多目标进化算法数学模型达到燃烧控制优化目的。系统采用B/S架构,主要基于Vue前端框架和Spring boot后端框架进行开发,将模块化概念应用到整个系统,设计并开发了系统登陆模块、运行监控模块、预测对比模块、系统监控以及系统管理模块。锅炉燃烧优化系统集在线监测、运行维护以及优化管理为一体,通过操作界面可以使得燃烧多目标优化数学模型的计算结果以及对实际的优化效果可以清楚的展示在锅炉运行人员面前,方便工作人员使用锅炉燃烧多目标优化数学模型对实际的生产过程进行控制。
基于深度学习的CFB锅炉燃烧多目标优化系统研究与开发
这是一篇关于长短时记忆神经网络,锅炉燃烧优化,深度学习,多目标优化的论文, 主要内容为燃煤电厂现如今面临着降低煤炭能源消耗量以及控制污染物超低排放的双重严峻挑战。对锅炉进行燃烧优化可改善锅炉燃烧状态,协调综合控制锅炉热效率以及污染物的排放水平。锅炉燃烧呈非线性、时变性和强耦合性等特性,利用传统方法进行燃烧优化时,由于不能充分考虑锅炉系统内部的燃烧特性,存在着模型失配、输入输出数据不匹配等问题,导致难以建立精确的锅炉燃烧系统内部机理模型。人工智能算法可以通过对实际系统建模并学习,利用运行数据来训练和调整模型参数,达到预测或优化目的,近年来已经被广泛应用到锅炉燃烧优化领域中。然而国内外对于锅炉燃烧优化的重点一般都放在对于整个燃烧优化过程中算法的研究,所得出的结论往往只是多组最优运行参数解,无法应用于现场实际。本文围绕锅炉燃烧优化系统的开发开展研究,旨在为锅炉运行人员提供一个全面解决锅炉燃烧运行优化调整的分析、操作以及控制的平台。具体研究成果如下:(1)锅炉燃烧是多变量、非线性、强耦合复杂过程,建立一个能准确描述燃烧系统输入与输出关系的模型是燃烧优化的重点与难点。使用深度学习中的长短时记忆神经网络,基于DCS中的历史运行数据,建立了某300MW亚临界循环流化床热效率和NOx炉膛出口原始生成浓度预测模型,针对长短时记忆神经网络(LSTM)模型参数难以确定的问题,采用遗传算法(GA)对其模型参数进行寻优。并将建立的预测模型与其他算法模型在同一测试样本集上进行对比。基于GA-LSTM所建立的NOx炉膛出口原始生成浓度预测模型在测试样本集的RMSE为33.128,MAPE为0.013,R-square为0.9962,建立的锅炉热效率预测模型在测试样本集的RMSE为0.271,MAPE为0.012,R-square为0.9973。经过数据预处理并经过遗传算法(GA)进行参数寻优后的GA-LSTM模型在测试集的预测能力和拟合精度均优于其他模型,GA-LSTM模型可以更好地完成多变量非线性拟合。(2)在建立的锅炉热效率及NOx炉膛出口原始生成浓度预测模型的基础上,采用基于指标和拥挤距离的多目标进化算法(IDBEA)对一次风量、二次风门开度、给煤率和炉膛出口氧量进行优化,得到不同工况下各参数的最佳组合。在基于指标的多目标进化算法的基础上,增加了拥挤距离选择策略提高了算法多样性。采用IDBEA对低中高负荷下的各三组共9组工况以降低NOx炉膛出口原始生成浓度为主进行了优化。从优化结果来看,NOx炉膛出口原始生成浓度最高比原来实际运行工况减少了96.37mg/m3,所有工况平均下降17.35%,优化效果明显;同时热效率最高提升1.9%,所有工况平均提升0.88%,整体优化效果符合以NOx炉膛出口原始生成浓度为主要优化侧重点的燃烧优化目的。基于IDBEA的多目标进化算法可以使保持锅炉热效率不小于原有实际运行水平甚至略有提升的同时,显著的将锅炉燃烧运行中产生的NOx污染物炉膛出口原始生成浓度降低,具有很好的锅炉燃烧优化效果。(3)基于建立的多目标优化进化算法为底层基础,设计开发了锅炉燃烧优化系统。对系统的业务以及运行性能进行了分析,并给出了系统的整体解决方案。在电厂现有的控制系统上,增加锅炉燃烧优化系统,可以在不影响电厂原有运行设备安全稳定性的基础上,读取原有DCS控制系统采集的锅炉运行参数,然后利用系统底层多目标进化算法数学模型达到燃烧控制优化目的。系统采用B/S架构,主要基于Vue前端框架和Spring boot后端框架进行开发,将模块化概念应用到整个系统,设计并开发了系统登陆模块、运行监控模块、预测对比模块、系统监控以及系统管理模块。锅炉燃烧优化系统集在线监测、运行维护以及优化管理为一体,通过操作界面可以使得燃烧多目标优化数学模型的计算结果以及对实际的优化效果可以清楚的展示在锅炉运行人员面前,方便工作人员使用锅炉燃烧多目标优化数学模型对实际的生产过程进行控制。
基于深度学习的CFB锅炉燃烧多目标优化系统研究与开发
这是一篇关于长短时记忆神经网络,锅炉燃烧优化,深度学习,多目标优化的论文, 主要内容为燃煤电厂现如今面临着降低煤炭能源消耗量以及控制污染物超低排放的双重严峻挑战。对锅炉进行燃烧优化可改善锅炉燃烧状态,协调综合控制锅炉热效率以及污染物的排放水平。锅炉燃烧呈非线性、时变性和强耦合性等特性,利用传统方法进行燃烧优化时,由于不能充分考虑锅炉系统内部的燃烧特性,存在着模型失配、输入输出数据不匹配等问题,导致难以建立精确的锅炉燃烧系统内部机理模型。人工智能算法可以通过对实际系统建模并学习,利用运行数据来训练和调整模型参数,达到预测或优化目的,近年来已经被广泛应用到锅炉燃烧优化领域中。然而国内外对于锅炉燃烧优化的重点一般都放在对于整个燃烧优化过程中算法的研究,所得出的结论往往只是多组最优运行参数解,无法应用于现场实际。本文围绕锅炉燃烧优化系统的开发开展研究,旨在为锅炉运行人员提供一个全面解决锅炉燃烧运行优化调整的分析、操作以及控制的平台。具体研究成果如下:(1)锅炉燃烧是多变量、非线性、强耦合复杂过程,建立一个能准确描述燃烧系统输入与输出关系的模型是燃烧优化的重点与难点。使用深度学习中的长短时记忆神经网络,基于DCS中的历史运行数据,建立了某300MW亚临界循环流化床热效率和NOx炉膛出口原始生成浓度预测模型,针对长短时记忆神经网络(LSTM)模型参数难以确定的问题,采用遗传算法(GA)对其模型参数进行寻优。并将建立的预测模型与其他算法模型在同一测试样本集上进行对比。基于GA-LSTM所建立的NOx炉膛出口原始生成浓度预测模型在测试样本集的RMSE为33.128,MAPE为0.013,R-square为0.9962,建立的锅炉热效率预测模型在测试样本集的RMSE为0.271,MAPE为0.012,R-square为0.9973。经过数据预处理并经过遗传算法(GA)进行参数寻优后的GA-LSTM模型在测试集的预测能力和拟合精度均优于其他模型,GA-LSTM模型可以更好地完成多变量非线性拟合。(2)在建立的锅炉热效率及NOx炉膛出口原始生成浓度预测模型的基础上,采用基于指标和拥挤距离的多目标进化算法(IDBEA)对一次风量、二次风门开度、给煤率和炉膛出口氧量进行优化,得到不同工况下各参数的最佳组合。在基于指标的多目标进化算法的基础上,增加了拥挤距离选择策略提高了算法多样性。采用IDBEA对低中高负荷下的各三组共9组工况以降低NOx炉膛出口原始生成浓度为主进行了优化。从优化结果来看,NOx炉膛出口原始生成浓度最高比原来实际运行工况减少了96.37mg/m3,所有工况平均下降17.35%,优化效果明显;同时热效率最高提升1.9%,所有工况平均提升0.88%,整体优化效果符合以NOx炉膛出口原始生成浓度为主要优化侧重点的燃烧优化目的。基于IDBEA的多目标进化算法可以使保持锅炉热效率不小于原有实际运行水平甚至略有提升的同时,显著的将锅炉燃烧运行中产生的NOx污染物炉膛出口原始生成浓度降低,具有很好的锅炉燃烧优化效果。(3)基于建立的多目标优化进化算法为底层基础,设计开发了锅炉燃烧优化系统。对系统的业务以及运行性能进行了分析,并给出了系统的整体解决方案。在电厂现有的控制系统上,增加锅炉燃烧优化系统,可以在不影响电厂原有运行设备安全稳定性的基础上,读取原有DCS控制系统采集的锅炉运行参数,然后利用系统底层多目标进化算法数学模型达到燃烧控制优化目的。系统采用B/S架构,主要基于Vue前端框架和Spring boot后端框架进行开发,将模块化概念应用到整个系统,设计并开发了系统登陆模块、运行监控模块、预测对比模块、系统监控以及系统管理模块。锅炉燃烧优化系统集在线监测、运行维护以及优化管理为一体,通过操作界面可以使得燃烧多目标优化数学模型的计算结果以及对实际的优化效果可以清楚的展示在锅炉运行人员面前,方便工作人员使用锅炉燃烧多目标优化数学模型对实际的生产过程进行控制。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头网 ，原文地址：https://m.bishedaima.com/lunwen/52354.html
