火電廠污染物排放量的預測與控制.pdf_第1頁
已閱讀1頁,還剩75頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、目前環(huán)境污染問題已經成為全世界的焦點。火力發(fā)電廠在保障電力充足供應的同時,也成為了重要的污染源。如何采取有效的控制措施來限制污染物的排放已經成為了當前亟待解決的問題,特別是“超低排放”的概念提出之后,針對火電廠污染物排放量的先進控制策略也相繼出現(xiàn)。但是對于污染物排放量的預測研究還為數不多,一些先進的智能預測方法還未能應用到該領域。比如說在其他領域都有著很好的應用效果的神經網絡預測方法,如果能將神經網絡的預測能力應用于實際生產過程當中,對

2、污染物排放量的控制將大有裨益。
  Elman神經網絡本身具有動態(tài)建模的功能,非常適合對未知模型的預測估計。本文應用遺傳算法優(yōu)化Elman神經網絡權重和閾值,對污染物排放量進行預測。證明了改進的Elman神經網絡相比于傳統(tǒng)的Elman神經網絡可以更好的預測污染物排放量,預測誤差更小,預測模型更加精確。
  小波神經網絡是神經網絡學習的一種,網絡結構與典型的BP神經網絡類似,隱含層所用激活函數為小波基函數。在既要加快學習速度又

3、要保持系統(tǒng)穩(wěn)定的前提下,可以在權重和參數修的學習規(guī)則中添加一項動量項,起到保證系統(tǒng)穩(wěn)定性和避免局部最小化的作用。學習規(guī)則修改后相比于之前在數據預測的精度方面有了明顯的提高。
  如何在兼顧企業(yè)經濟效益的同時,又不對環(huán)境造成污染,這是在完成污染物排放量預測之后要解決的問題。本文先將非線性規(guī)劃法與遺傳算法相結合,改善了遺傳算法局部尋優(yōu)效果差的問題。再將遺傳非線性規(guī)劃法與理想點法搭配使用,用于優(yōu)化多目標函數。并針對目前火電行業(yè)要減少污染

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論