论文部分内容阅读
燃煤电站锅炉运行过程产生的NO_x是大气中NO_x的主要污染源之一,随着节约能源、保护环境的形势日趋严峻,作为火力发电环节中节能环保、提高效率的主要技术之一,超临界、超超临界机组技术已经成为其首要考虑因素。由于系统电力调峰以及受其他因素的影响,机组经常在变负荷的状态下运行,当负荷波动程度较大时会导致燃烧过程不稳定,从而引起燃烧产生的NO_x排放量增加。为了优化燃烧过程进而降低NO_x生成、提高燃烧效率,首先需要建立起能够有效反映其特性的模型。于是对燃煤电站锅炉的运行机理进行分析,重点讨论了燃烧过程,从而确定影响NO_x生成的主要影响变量,合理选择变量,也为后续的建模工作提供有效的样本数据。由于机理建模复杂程度大且需要大量专业知识,从数据驱动建模的角度出发,开展了针对某1000 MW超超临界燃煤电站锅炉NO_x排放建模研究。为此,本文研究了基于支持向量回归的NO_x预测问题,并针对支持向量回归预测模型参数难以确定的问题,分别研究了基于粒子群算法和网格搜索的参数优化方法。研究结果表明,粒子群算法具有良好的逼近精度和泛化能力。考虑到工业大数据背景下的适用性,以及样本数据中所蕴含的时间信息,提出了一种基于长短期记忆(Long-Short Term Memory,LSTM)的深度学习算法。经过对模型训练学习,并在测试集上验证,与神经网络和支持向量回归模型的预测结果相比,LSTM有着较强的学习能力和泛化性能。锅炉运行中会出现设备老化,其他运行参数变化而导致所建模型不适用当前状态的情况。在线学习算法是一种有效的解决方法,通过学习实时数据,不断更新模型,以适应当前状态。本文在传统增量式在线支持向量回归算法的基础上,提出一种自适应的样本更新规则用于对模型的更新,一定程度上避免了对已训练样本的重复学习,提高模型更新效率。结合现场运行数据特点,模拟实际运行情况,利用锅炉运行数据建立了NO_x排放的自适应在线支持向量回归模型。结果表明,该模型具有良好的预测精度,能很好地跟踪锅炉变化的运行特性,可以满足在线预测NO_x的要求。与传统在线支持向量回归算法相比提高了模型的更新效率,模型的准确性也有一定的提高。综上所述,本文充分说明了基于数据驱动建模方法实现燃煤电站锅炉NO_x排放在线预测的可行性。研究结果对降低NO_x排放,提高电站运行效率具有重要理论指导意义和实际生产应用价值。