基于lssvm和改进pso算法的燃煤锅炉燃烧优化-研究

《基于lssvm和改进pso算法的燃煤锅炉燃烧优化-研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于LSSVM和改进PSO算法的燃煤锅炉燃烧优化研究摘要：随着节能、降耗、减排等要求的日益提高，锅炉行业因为锅炉燃烧系统存在的缺陷或不足往往达不到高效低排放污染的要求，而燃煤锅炉是其中最大的源点。本文针对燃煤锅炉燃烧优化调整开展研究，具有一定的现实意义。首先，建立锅炉燃烧特性模型并实现参数优化。本文针对锅炉的燃烧过程存在多变量、强耦合、多干扰和大滞后等复杂的特性，将一种最小二乘支持向量机(LeastSquaresSupportVectorMachine,LSSVM)理论引入到了燃煤锅炉燃烧优化的建模中。为了优化LSSVM模型内部结构以提高预测精度，依据LSSV

2、M预测原理及其内部参数选择的不确定性，采用一种改进的粒子群优化(ParticleSwarmOptimization,PSO)算法对模型的内部参数进行寻优，即对PSO算法中的惯性权重及学习因子进行设定使得优化性能提高。通过与另两种参数优化算法比较，可得：LSSVM是一种有效的建模方法，拟合度高；上述两者结合可改善模型的预测精度和泛化能力，在NOX排放浓度预测方面明显优于其他两种方法。其次，实现锅炉的燃烧多目标优化。针对PSO算法在粒子搜索后期由于开发能力减弱导致多样性下降及出现过早收敛于局部值的问题，对其进行修正。优化结果表明，PSO算法与LSSVM结合可有效地

3、实现多目标寻优，在保证锅炉效率的同时降低NOX排放，找到最佳的送风调节系统的设定值，给出一种可行的各风门开度等操作量的优化调整方案，从而实现燃煤锅炉燃烧优化的运行。最后，设计了锅炉远程监测系统及优化平台。设计了一个基于GSM/GPRS通信网络的监测系统，接着在锅炉远程监测以及燃烧优化内容的基础上，开发设计了一个web平台，实现对锅炉的运行工况进行监测，并通过在线优化获取可调参数，供给锅炉运行人员参考并执行，提高了工作效率。关键词：燃煤锅炉；燃烧优化；最小二乘支持向量机；粒子群算法分类号：TK227.1UDC：621.3IResearchontheCombust

4、ionOptimizationofCoal-firedBoilerBasedonLSSVMandImprovedPSOAlgorithmAbstract:withtherequirementofenergyconservation,consumptionreductionandemissionreductiondeepening,theboilerindustrycould’treachtherequirementsofhighefficiencyandlowemissionpollutioninmostcasesbecauseofthedefectsorde

5、ficienciesthatthemostboilercombustionsystemshave,andthecoal-firedboileristhelargestsourcepointinit.Researchofthecoal-firedboilercombustionoptimizationadjustmentinthispaperhasacertainpracticalsignificance.Firstofall,buildtheboilercombustioncharacteristicmodelsandimplementparametersop

6、timization.Inviewofmulti-variable,strongcoupling,multi-interference,largelagandothercomplexcharacteristicsinboilercombustionprocess,thispapertakestheleastsquaressupportvectormachine(LSSVM)theoryintothecoal-firedboilercombustionoptimizationmodeling.Inordertooptimizetheinternalstructu

7、reoftheLSSVMmodeltoimproveitsforecastaccuracyandaccordingtoLSSVMforecastingtheoryaswellastheuncertainlyofLSSVMinterparametersselection,weuseanimprovedparticleswarmoptimizationalgorithm(PSO)tooptimizetheparametersofthemodel,whichistosettheinertiaweightandlearningfactorinPSOalgorithmt

8、oimproveitsoptimiza