论文部分内容阅读
从工业革命开始,煤炭作为燃料被大量的使用,这引起了严重的环境污染,同时这也是全球气候变暖问题的主要原因之一。随着经济的快速发展,对电能的需求也越来越大,而人们环保意识的增强,要求电厂在提升发电量的同时尽可能降低污染物的排放。针对这一问题,本文用人工神经网络结合群智能优化算法的方法对循环流化床锅炉的燃烧过程进行优化,从而达到降低锅炉NOx的排放量,提高锅炉的热效率的目的。针对循环流化床锅炉建模难的问题,本文利用窗口双隐藏极限学习机(WindowTwo-Hide Extreme Learning Machine,WTELM)对锅炉的燃烧过程进行建模。WTELM网络是在双隐藏极限学习机(Two-Hide Extreme Learning Machine,TELM)的基础上进行的改进。WTELM模型在TELM网络输入层之前加入窗口机制,用权值共享策略来降低输入层随机权值的数量,并在第二层隐藏层引入均值思想来减小误差,提升网络的稳定性。将WTELM模型与极限学习机(Extreme Learning Machine,ELM)、快速学习网(Fast Learning Network,FLN)、双并联快速学习网(Fast Learning Network With Parallel Layer Perceptron,PLP-FLN)、并行极限学习机(Parallel Extreme Learning Machine,PELM)和TELM进行对比仿真实验。实验结果显示,在基准测试集上WTELM有着不错的预测精度与稳定性。利用WTELM网络建立循环流化床锅炉NOx排放量与锅炉热效率的模型,并与ELM、FLN、PLP-FLN、PELM和TELM建立的模型对比。仿真实验结果表明,WTELM的建立的循环流化床燃烧特性模型拥有着更高的精度以及更强的泛化能力。针对最优觅食算法(Optimal Foraging Algorithm,OFA)存在易陷入局部最优点的问题进行改进。在最优觅食算法中引入自适应惯性权重与当前全局最优解来改进算法的启发式搜索方式,同时将相空间搜索与实数空间搜索结合,提出一种改进的最优觅食算法(Phase-Space Optimal Foraging Algorithm,POFA)。并将POFA算法与人工蜂群算法(Artificial Bee Colony,ABC)、全局最优解人工蜂群算法(Gbest-Guided Artificial Bee Colony,GABC)、粒子群算法(Particle Swarm Optimization,PSO)、灰狼算法(Grey Wolf Optimization,GWO)以及OFA算法进行比较。仿真实验结果表明,POFA算法收敛速度更快,寻优精度更高。在基于WTELM网络建立的循环流化床锅炉燃烧特性模型的基础上,用POFA算法在一定约束条件下对锅炉的可调节参量进行优化,从而实现在降低污染物排放量的同时尽可能的提升锅炉热效率的目标。