导读:本文包含了电站锅炉燃烧系统论文开题报告文献综述及选题提纲参考文献，主要关键词:电站锅炉,燃烧系统,智能控制
电站锅炉燃烧系统论文文献综述
佟得吉,刘翔[1]（2019）在《电站锅炉燃烧系统的智能控制与仿真分析》一文中研究指出电站锅炉是火电厂发电的主要设备,锅炉的燃烧性能直接关系到火电站的发电效率。由于电站锅炉燃烧系统具有非线性、滞后性、惯性以及不确定性等特点,采用常规的控制方法,无法达到预期的控制效果。为了提高锅炉燃烧系统工作效率,采用智能控制技术,建立锅炉燃烧系统模型,然后利用计算机仿真技术对模型进行仿真分析,发现智能模型可以更好地反映锅炉燃烧系统的运行特点,从而有利于实现锅炉燃烧系统的智能控制,达到最佳的理解控制效果。本文简单分析了电站锅炉燃烧系统的工艺流程,并根据电站锅炉燃烧系统的特点,构建神经网络+遗传算法的智能模型,经过仿真计算,发现智能模型满足燃烧系统特点,让整个系统保持在稳定状态下运行。(本文来源于《电子制作》期刊2019年20期）
陈琪[2]（2019）在《基于极限学习机的电站锅炉燃烧系统建模及多目标优化》一文中研究指出燃煤电站锅炉发电在我国的能源供应中占据着重要地位,而锅炉燃烧排放的氮氧化物(NOx)是大气中的主要污染物之一,长期以来影响着空气质量,并进而影响到人体健康。随着“智慧电厂”的建设,火电厂运行的数据存储量在不断地扩大。如何有效地利用电厂的大规模历史运行数据,并在此基础上提高锅炉燃烧热效率且降低NOx排放是电厂考虑的重点。本文针对某电厂燃煤锅炉,首先对其大规模历史运行数据进行数据挖掘,应用高斯混合聚类算法对数据进行再采样;其次采用基于随机梯度下降算法的核主成分分析(KPCA)算法对锅炉燃烧系统的各运行参数进行降维处理,去除输入变量之间的相关性,再使用极限学习机(ELM)分别建立以锅炉燃烧热效率和NOx排放为输出的模型;最后,为了达到锅炉高燃烧热效率、低NOx排放的燃烧目标,采用两种不同的多目标优化方法对锅炉燃烧系统进行多目标寻优,以指导不同需求下的锅炉燃烧。本文的研究思路及具体工作如下:(1)当前大多数电厂的DCS系统或SIS系统中储存了大量锅炉历史运行数据。虽然这些海量数据有助于对锅炉燃烧系统进行建模,但是锅炉运行现场复杂,不同检测装置采集的信息较为杂乱无序,这就需要使用有效的数据挖掘方法对这些系统数据进行处理分析,进而在数据驱动下来构建锅炉燃烧预测模型。本文针对某电站锅炉历史数据,首先对其进行预处理,进而提出一种高斯混合重采样(GMM重采样)的方法,并通过实验验证了其有效性。(2)锅炉燃烧系统是一个非线性、强耦合、大滞后的系统。其运行参数多,并且互相之间存在着复杂的耦合关系。本文采用一种基于随机梯度下降算法的改进的核主成分分析法(SKPCA)对锅炉的各运行参数进行降维处理,去除输入变量的相关性,并将提取的主成分特征矩阵作为ELM的输入,建立了锅炉燃烧系统模型。(3)现有的优化算法的寻优能力有着较大差别,且在不同的应用背景下的效果也不同。如何选用恰当的优化算法来实现锅炉燃烧系统的多目标优化是一个难题。本文将对锅炉燃烧系统的多目标优化采用两种优化方法进行实验分析,一种是使用权重系数法将多目标优化问题转换为单目标优化问题,并采用粒子群优化(PSO)算法对其进行寻优;另一种是直接使用多目标粒子群优化(MOPSO)算法求得锅炉燃烧系统各参数运行的一组Pareto最优解。根据这两组实验结果对这两种优化方法进行分析,并对锅炉燃烧系统的多目标优化提出合理建议。(本文来源于《太原理工大学》期刊2019-05-01）
董永昌,赵加星[3]（2019）在《电站锅炉燃烧系统的神经网络建模研究》一文中研究指出锅炉是火电厂主要的热力设备,锅炉燃烧系统将燃料与燃烧所需的空气按照一定的比例、速度送入到炉膛,确保燃烧迅速,可以更好的适应锅炉压力和煤炭的燃烧所需氧气,从而减少氮氧化物的排放量,达到节能目的。锅炉的燃烧系统是一具有多变量、非线性、不确定、滞后性等特点,常规的控制方法无法达到理想的要求。因此根据锅炉燃烧系统的特性,建立燃烧系统的神经网络模型,对燃烧系统的参数进行研究。本文主要分析了神经网络模型的优势、电站锅炉燃烧系统性能,在此基础上,建立锅炉燃烧系统的神经网络预测模型。神经网络预测模型可以对锅炉燃烧系统的烟气排放温度、炉膛温度、氮氧化物排放量等预测比较准确。(本文来源于《电子制作》期刊2019年08期）
赵加星,潘晴川,刘涛[4]（2019）在《分析智能控制在火电站锅炉燃烧系统中的应用》一文中研究指出锅炉燃烧系统是火电厂重要的组成部分,直接关系到火电厂机组的运行效率和安全性。由于锅炉燃烧系统具有惯性、非线性、延迟性等特点,所以无法建立有效的数据模型,对燃烧系统燃烧效率做出有效的评估。将智能控制技术应用在火电厂锅炉燃烧系统中,可以提高燃烧系统的燃烧效率,降低二氧化碳、氮氧化物等污染气体的排放量。本文主要分析了遗传算法、人工智能、模糊控制等智能控制技术的应用。(本文来源于《电子制作》期刊2019年Z1期）
赵志宏[5]（2018）在《基于Spark的电站锅炉燃烧系统动态建模及优化》一文中研究指出目前在我国电力行业中,火力发电无论是装机容量还是发电量均占据着绝对的主导地位。与此同时燃煤排放的污染物NO_x等成为大气污染物的主要来源之一。燃烧系统作为火力发电叁大系统中唯一的热能来源,其运行状态直接影响着整个电站的能效。因此锅炉燃烧优化有着重要的研究意义。将智能算法运用到锅炉燃烧优化是节能减排的重要措施之一。随着DCS系统广泛应用于电站锅炉中,越来越多的运行数据得以保存,这为后续数据的分析挖掘提供了可能,但同时海量的运行数据也对传统机器学习算法提出了更高的要求,即需要算法能够处理海量数据。此外在锅炉优化过程中,每个时间段内用于发电的煤的煤质是不同的,而且随着设备的老化,设备中的固有参数也不会是一成不变的,这就对控制算法提出了更高的要求,即需要随着时间的推移能够定时更新算法。然而并没有一个成熟的锅炉燃烧优化算法能够同时满足处理海量历史数据且能通过在线数据实时更新已有算法,这正是本文要解决的主要问题。本文运用MapReduce的并行化思想,借助于Spark大数据平台,将传统在线极限学习机(Online Sequential Extreme Learning Machine,简称OS-ELM)的两个训练阶段分别进行并行化处理,通过性能优化,使得该算法既能处理海量历史数据,也能处理海量在线数据。本文的具体工作如下:(1)针对传统OS-ELM算法在处理海量高维数据时速度慢,单机内存不足等问题,通过分析OS-ELM算法的两个阶段,将其中耗费资源的求解广义逆矩阵过程进行拆分,之后运用MapReduce思想进行并行化,提出了本文的核心算法基于海量历史数据的分布式在线极限学习机算法(Massive Historical Data Distributed Online Sequential Extreme Learning Machine,简称MHD-OS-ELM)。该算法分为两个阶段:离线阶段可处理海量历史数据;在线阶段可以处理海量的在线数据。为了更高效的使用Spark集群运行算法,本文运用Spark优化技术对并行后的算法进行性能优化。并在UCI数据集上进行测试,验证了算法的有效性。(2)为提高算法在工业现场的实用性,在MHD-OS-ELM的在线阶段引入SparkStreaming技术。将锅炉运行中的实时数据通过SparkStreaming进行收集,之后逐批传入MHD-OS-ELM中进行在线阶段的计算。(3)将从电厂采集回来的数据进行预处理,然后分别建立基于MHD-OS-ELM的NO_x排放量和燃烧热效率预测模型。通过对电厂一个月的运行数据进行实验,验证了两预测模型均具有较好的准确度,且有一定的实时跟踪能力。(4)在两预测模型的基础上,运用权重系数法将多目标问题转化成单目标问题,并运用基于Spark的粒子群算法RD-PSO对模型的输入参数进行寻优。本文还将多目标预测控制算法(MOMPC)中选择最优解的方法引入权值系数法中,通过计算定量给出了系统的推荐比例,避免了复杂耗时的人为决策。(本文来源于《太原理工大学》期刊2018-06-01）
孙伟[6]（2017）在《基于改进模糊神经网络的电站锅炉燃烧系统建模及优化控制研究》一文中研究指出随着人类社会的快速发展,人们对节能减排越来越重视,因此提高锅炉燃烧效率和降低电厂污染物排放成为困扰燃煤电站的两大难题,而燃烧优化技术正是针对该类问题应运而生的技术手段。其中,在众多燃烧优化技术中,在原DCS控制基础上采用人工智能算法实现的燃烧建模优化控制技术具有投资少、风险小、效果明显的优点。截止目前,针对燃煤电站锅炉燃烧优化建模的研究主要还停留在人工智能算法的算法优化基础上,没有充分利用燃烧机理和智能算法之间的关联。本文基于燃煤锅炉的燃烧机理,提出一种基于燃烧机理的模糊神经网络,并将其运用到锅炉NOx排放量模型和锅炉热效率模型的建立中。其中NOx排放量模型的模糊规则数为7,分别代表6层燃烧器喷口和1层燃尽风门,锅炉热效率模型的模糊规则数为4,分别代表锅炉的四大热损失:排烟损失、机械未完全燃烧损失、化学未完全燃烧损失以及散热损失。然后通过先进的寻优算法对网络结构参数进行学习和辨识。建模结果表明,该网络模型具有很高的准确性和较强的泛化能力,而且改进模糊神经网络的模糊规则具有一定的物理意义,为以降低NOx排放量和提高锅炉热效率为目的的燃烧系统改造提供理论依据。然后以NOx排放量和锅炉热效率为优化目标,选择模型输入中可调节的输入参数作为优化变量,采用一种带精英策略的非支配排序的多目标遗传算法(NSGA-Ⅱ)对3种典型工况下的优化变量进行优化,对生成的一组pareto最优解集中,根据一个优化目标牺牲较小的同时另一个优化目标得到较大幅度改善的标准给出最终的优化结果。优化结果表明,优化后各目标值得到一定程度的改善,且各操作变量的调整与目标值优化结果符合燃烧机理。基于上述理论基础,本文最后设计开发出一套锅炉燃烧优化控制系统,介绍了该燃烧优化系统的主要组成部分、工作原理及实现方式,并将其投用在某超临界机组燃煤锅炉上,投用结果表明,燃烧优化控制系统投用后,SCR入口 NOx排放量和CO排放量均有一定程度的降低,此系统的优越性较为明显。(本文来源于《东南大学》期刊2017-12-10）
胡毅[7]（2017）在《电站锅炉燃烧系统优化算法研究》一文中研究指出国家“十二五”、“十叁五”计划不断强调能源结构调整,发展新能源并控制以煤炭为主的化石能源消费,而提高煤炭等资源的利用效率是控制能源消费的重要手段,其中,火力发电用煤是我国的重点耗煤领域,因此对电站锅炉燃烧系统进行优化设计具有十分重要的现实意义。文章的研究内容包括基于智能算法的电站锅炉燃烧特性建模与优化,并使用LabVIEW开发了相关的监控系统。文章根据标准的差分进化算法,在算法中设定了自适应缩放因子、交叉概率,并加入了共享函数机制对适应度重新标定以改善优化效果。通过对测试函数的寻优,仿真结果证明该改进算法具有良好的寻优效果。对国内某电站锅炉进行燃烧特性分析,基于最小二乘支持向量机分别建立了电站锅炉燃烧热效率和NOx排放量的直接与间接预测模型,将改进的差分进化算法用于优化最小二乘支持向量机预测模型的重要参数,最终提高了预测的精度,将所建模型与BP神经网络和支持向量机预测模型进行对比,证明了所建模型具有更好的预测效果。使用改进差分进化算法演化博弈论中的NASH均衡,并将博弈均衡策略引入到电站锅炉燃烧的多目标优化问题中,实现了对电站锅炉运行工况的均衡优化,仿真结果表明该方法有助于使电站锅炉达到高效低污染排放运行,促进电厂运营效益并实现节能减排。该方法适合于复杂多变的电站锅炉运行过程,对电站锅炉的燃烧优化具有一定的指导意义。最后,基于LabVIEW开发了电站锅炉燃烧优化系统,实现了对电站锅炉燃烧系统的监控与在线优化。(本文来源于《西安建筑科技大学》期刊2017-06-01）
徐晨晨[8]（2017）在《基于Hadoop大数据平台的电站锅炉燃烧系统建模及优化》一文中研究指出目前火力发电在我国的电力行业中仍占据着主要地位,约占全国总发电量的70%左右。在电站中燃煤锅炉是最大的能源消耗点,然而,由于电站锅炉本身设备和管理操作等方面的原因,使得锅炉燃烧系统往往达不到高效低排的要求。利用机器学习算法对锅炉燃烧系统进行建模优化,可以帮助电站减少能源消耗、优化人员操作、提高预测准确率。但是,传统的基于机器学习的锅炉燃烧系统建模优化方法的训练与测试效率、准确率都有待进一步提高。随着电站锅炉燃烧系统运行数据的爆炸式增长,传统的机器学习算法已经很难满足海量高维数据处理的需求。极限学习机(Extreme Learning Machine,ELM)的提出为提高锅炉燃烧系统的效率开辟了一条有效的途径。当前Hadoop技术对于处理海量高维数据具有很强的适应性,其中的MapReduce编程框架采用分布式计算,为解决上述大数据问题提供了有效手段。因此,如何将ELM算法在Hadoop平台上实现分布式计算,并将其应用到电站锅炉燃烧优化模型上具有重要的理论意义和实用价值。本文借用Hadoop中的MapReduce编程框架实现极限学习机的分布式计算,并对分布式极限学习机中的不足进行了改进。本文具体工作如下:(1)针对传统单机ELM算法在处理海量高维数据时可能面临计算速度慢以及单机资源不足的问题,利用Hadoop中的MapReduce分布式计算框架对ELM算法中大矩阵运算进行优化,提出了能够处理大规模数据的分布式极限学习机,即ELM*I算法。(2)分析ELM*I算法,针对算法中map和reduce方法的中间结果存储问题,导致数据之间的计算和传输成本增加,对此提出了一种改进的分布式极限学习机(Improved Distributed Extreme Learning Machine,IDELM),并通过实验验证了IDELM的性能优于ELM*I。(3)对采集回来的电站锅炉燃烧系统数据进行预处理,然后利用IDELM算法分别建立NOx排放量和锅炉燃烧热效率预测模型。通过实验详细分析模型中隐含层节点L和正则项A两个参数对模型预测准确率和泛化能力的影响,并根据实验结果选出最优的两个参数组合以确定各自的最优模型,然后利用此模型对NOx排放量和锅炉燃烧热效率进行预测分析。(4)研究了锅炉燃烧系统多目标优化问题。根据之前建立的NOx排放量与锅炉燃烧热效率预测模型综合建立锅炉多目标燃烧优化模型,并以NOx排放量和锅炉燃烧热效率作为模型的输出。通过权重系数法将以NOx排放量最小化和锅炉燃烧热效率最大化组成的多目标优化问题转换成单目标优化问题,并采用分布式粒子群(MR-PSO)算法对模型可调输入参数进行优化,寻找出相应工况下各个可调输入参数之间的最优组合值。综上所述,本文研究了基于MapReduce的分布式极限学习机及其改进方法,增强了ELM处理海量高维数据的能力。将其应用到锅炉多目标燃烧模型建立当中,并采用MR-PSO算法优化模型。通过大量的实验分析证明了该方法在解决锅炉燃烧优化问题上的可行性与有效性。(本文来源于《太原理工大学》期刊2017-06-01）
郄磊[9]（2015）在《电站锅炉燃烧系统的优化运行策略分析》一文中研究指出随着我国电力行业的快速发展,对电站锅炉系统的性能也提出更高的要求。尤其针在锅炉燃烧系统方面,受较低的技术应用水平以及相关的管理因素限制,使锅炉设备存在较多的缺陷问题,具体表现为过多的消耗燃料且难以提高热效率。对此,文章主要对电站锅炉系统的相关介绍、系统优化中DCS系统的应用以及燃烧系统优化控制的具体方法进行探析。(本文来源于《科技创新与应用》期刊2015年28期）
刘正峰,王景成,史元浩,张浪文[10]（2015）在《基于鲁棒分布式预测控制的燃煤电站锅炉燃烧系统多目标控制》一文中研究指出燃煤电站锅炉燃烧系统是一个典型的热工过程,具有强耦合性、高度线性化、强干扰、大滞后、影响因素众多等特点。燃烧系统的主要控制回路包括主蒸汽压力、烟气含氧量和炉膛负压,各回路之间存在较强的耦合特性,传统控制难以获得较好的控制效果。本文对锅炉燃烧过程采用鲁棒分布式预测控制,由于工况存在大幅度波动,我们建立了燃烧系统的多胞描述模型,进而设计了模型不确定燃烧系统的鲁棒分布式模型预测的控制方法。以某电站300 MW机组锅炉实际生产数据进行仿真验证,结果表明,与集中式模型预测控制相比,本文提出的分布式模型预测控制方法在保证控制性能的同时,可以显着地减少计算时间。(本文来源于《全国冶金自动化信息网2015年会论文集》期刊2015-06-01）
电站锅炉燃烧系统论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
燃煤电站锅炉发电在我国的能源供应中占据着重要地位,而锅炉燃烧排放的氮氧化物(NOx)是大气中的主要污染物之一,长期以来影响着空气质量,并进而影响到人体健康。随着“智慧电厂”的建设,火电厂运行的数据存储量在不断地扩大。如何有效地利用电厂的大规模历史运行数据,并在此基础上提高锅炉燃烧热效率且降低NOx排放是电厂考虑的重点。本文针对某电厂燃煤锅炉,首先对其大规模历史运行数据进行数据挖掘,应用高斯混合聚类算法对数据进行再采样;其次采用基于随机梯度下降算法的核主成分分析(KPCA)算法对锅炉燃烧系统的各运行参数进行降维处理,去除输入变量之间的相关性,再使用极限学习机(ELM)分别建立以锅炉燃烧热效率和NOx排放为输出的模型;最后,为了达到锅炉高燃烧热效率、低NOx排放的燃烧目标,采用两种不同的多目标优化方法对锅炉燃烧系统进行多目标寻优,以指导不同需求下的锅炉燃烧。本文的研究思路及具体工作如下:(1)当前大多数电厂的DCS系统或SIS系统中储存了大量锅炉历史运行数据。虽然这些海量数据有助于对锅炉燃烧系统进行建模,但是锅炉运行现场复杂,不同检测装置采集的信息较为杂乱无序,这就需要使用有效的数据挖掘方法对这些系统数据进行处理分析,进而在数据驱动下来构建锅炉燃烧预测模型。本文针对某电站锅炉历史数据,首先对其进行预处理,进而提出一种高斯混合重采样(GMM重采样)的方法,并通过实验验证了其有效性。(2)锅炉燃烧系统是一个非线性、强耦合、大滞后的系统。其运行参数多,并且互相之间存在着复杂的耦合关系。本文采用一种基于随机梯度下降算法的改进的核主成分分析法(SKPCA)对锅炉的各运行参数进行降维处理,去除输入变量的相关性,并将提取的主成分特征矩阵作为ELM的输入,建立了锅炉燃烧系统模型。(3)现有的优化算法的寻优能力有着较大差别,且在不同的应用背景下的效果也不同。如何选用恰当的优化算法来实现锅炉燃烧系统的多目标优化是一个难题。本文将对锅炉燃烧系统的多目标优化采用两种优化方法进行实验分析,一种是使用权重系数法将多目标优化问题转换为单目标优化问题,并采用粒子群优化(PSO)算法对其进行寻优;另一种是直接使用多目标粒子群优化(MOPSO)算法求得锅炉燃烧系统各参数运行的一组Pareto最优解。根据这两组实验结果对这两种优化方法进行分析,并对锅炉燃烧系统的多目标优化提出合理建议。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
电站锅炉燃烧系统论文参考文献
[1].佟得吉,刘翔.电站锅炉燃烧系统的智能控制与仿真分析[J].电子制作.2019
[2].陈琪.基于极限学习机的电站锅炉燃烧系统建模及多目标优化[D].太原理工大学.2019
[3].董永昌,赵加星.电站锅炉燃烧系统的神经网络建模研究[J].电子制作.2019
[4].赵加星,潘晴川,刘涛.分析智能控制在火电站锅炉燃烧系统中的应用[J].电子制作.2019
[5].赵志宏.基于Spark的电站锅炉燃烧系统动态建模及优化[D].太原理工大学.2018
[6].孙伟.基于改进模糊神经网络的电站锅炉燃烧系统建模及优化控制研究[D].东南大学.2017
[7].胡毅.电站锅炉燃烧系统优化算法研究[D].西安建筑科技大学.2017
[8].徐晨晨.基于Hadoop大数据平台的电站锅炉燃烧系统建模及优化[D].太原理工大学.2017
[9].郄磊.电站锅炉燃烧系统的优化运行策略分析[J].科技创新与应用.2015
[10].刘正峰,王景成,史元浩,张浪文.基于鲁棒分布式预测控制的燃煤电站锅炉燃烧系统多目标控制[C].全国冶金自动化信息网2015年会论文集.2015