基于LSSVM和改進(jìn)PSO算法的燃煤鍋爐燃燒優(yōu)化研究.pdf

1、隨著節(jié)能、降耗、減排等要求的日益提高，鍋爐行業(yè)因?yàn)殄仩t燃燒系統(tǒng)存在的缺陷或不足往往達(dá)不到高效低排放污染的要求，而燃煤鍋爐是其中最大的源點(diǎn)。本文針對(duì)燃煤鍋爐燃燒優(yōu)化調(diào)整開展研究，具有一定的現(xiàn)實(shí)意義。
　　首先，建立鍋爐燃燒特性模型并實(shí)現(xiàn)參數(shù)優(yōu)化。本文針對(duì)鍋爐的燃燒過程存在多變量、強(qiáng)耦合、多干擾和大滯后等復(fù)雜的特性，將一種最小二乘支持向量機(jī)(Least Squares Support Vector Machine,LSSVM)理論引入

2、到了燃煤鍋爐燃燒優(yōu)化的建模中。為了優(yōu)化LSSVM模型內(nèi)部結(jié)構(gòu)以提高預(yù)測(cè)精度，依據(jù)LSSVM預(yù)測(cè)原理及其內(nèi)部參數(shù)選擇的不確定性，采用一種改進(jìn)的粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法對(duì)模型的內(nèi)部參數(shù)進(jìn)行尋優(yōu)，即對(duì)PSO算法中的慣性權(quán)重及學(xué)習(xí)因子進(jìn)行設(shè)定使得優(yōu)化性能提高。通過與另兩種參數(shù)優(yōu)化算法比較，可得：LSSVM是一種有效的建模方法，擬合度高；上述兩者結(jié)合可改善模型的預(yù)測(cè)精度和泛化能力，在NOX排

3、放濃度預(yù)測(cè)方面明顯優(yōu)于其他兩種方法。
　　其次，實(shí)現(xiàn)鍋爐的燃燒多目標(biāo)優(yōu)化。針對(duì)PSO算法在粒子搜索后期由于開發(fā)能力減弱導(dǎo)致多樣性下降及出現(xiàn)過早收斂于局部值的問題，對(duì)其進(jìn)行修正。優(yōu)化結(jié)果表明，PSO算法與LSSVM結(jié)合可有效地實(shí)現(xiàn)多目標(biāo)尋優(yōu)，在保證鍋爐效率的同時(shí)降低NOX排放，找到最佳的送風(fēng)調(diào)節(jié)系統(tǒng)的設(shè)定值，給出一種可行的各風(fēng)門開度等操作量的優(yōu)化調(diào)整方案，從而實(shí)現(xiàn)燃煤鍋爐燃燒優(yōu)化的運(yùn)行。
　　最后，設(shè)計(jì)了鍋爐遠(yuǎn)程監(jiān)測(cè)系統(tǒng)及優(yōu)化