CN109492807A - 基于改进量子粒子群算法的锅炉noｘ预测模型优化方法 - Google Patents
基于改进量子粒子群算法的锅炉noｘ预测模型优化方法 Download PDFInfo
- Publication number
- CN109492807A CN109492807A CN201811297483.0A CN201811297483A CN109492807A CN 109492807 A CN109492807 A CN 109492807A CN 201811297483 A CN201811297483 A CN 201811297483A CN 109492807 A CN109492807 A CN 109492807A
- Authority
- CN
- China
- Prior art keywords
- particle swarm
- optimization
- coal
- algorithm
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 72
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000003245 coal Substances 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000003247 decreasing effect Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000002485 combustion reaction Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 239000003344 environmental pollutant Substances 0.000 abstract description 2
- 231100000719 pollutant Toxicity 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种改进量子粒子群算法的电厂锅炉NOx预测模型优化方法，包括以下步骤，一、对燃煤机组锅炉燃烧系统机理分析，确定NOx排放浓度预测模型的输入变量；二、将余弦递减函数与量子粒子群优化算法相结合，提出改进的量子粒子群算法；三、利用改进的量子粒子群优化算法优化极限学习机的初始参数。以训练数据预测值和实际值的误差绝对值和最小化作为目标，建立准确的NOx排放模型；四、通过仿真验证经过改进量子粒子群算法优化模型精度高于其他方法优化的模型。本发明的优点：通过改进的量子粒子群算法可以高效快速的计算出极限学习机最佳初始参数，进而得到准确的火电厂锅炉NOx排放模型，对于燃煤机组降低污染物排放和具有重要意义。
Description
技术领域
本发明属于电厂锅炉NOx排放预测技术领域，特别是涉及一种基于改进量子粒子群优化火电厂锅炉NOx预测模型的方法。
背景技术
煤炭是我国的主要能源之一，占一次能源生产和消费的70％左右，这种以煤炭为主的能源结构决定了燃煤火力发电在我国的电力生产中占主导地位。根据中国电力企业联合会公布的统计数据，2012 年全年火力发电量占总发电量的78％。可以看出，火力发电仍然是我国电力生产的主要方式。燃煤发电厂燃料燃烧产生的NOx是大气污染的主要有害物质之一。构建准确的NOx排放预测模型对其控制的必要条件。因此，建立有效的NOx排放特性预测模型对电站减少污染物排放尤为重要。然而，生成NOx的反应非常复杂，很难建立准确的NOx排放的第一数学模型，基于神经网络的“黑箱”数据驱动建模方法可以忽略模型反应原理，已经被广泛应用于各工程领域。但传统神经网络存在训练时间长和容易出现“过拟合”等问题。极限学习机(ELM)是一种新型前馈神经网络，具有学习速度快，调节参数少，预测性能高的优点。但ELM训练过程中输入层初始权重和隐含层偏置是随机确定的，这会影响极限学习机的稳定性。对此，提出了一种新的优化算法与ELM相结合建模。量子粒子群算法(QPSO)在基本原理上与粒子群算法(PSO)一样，其各个粒子的迭代过程都是基于个体最优与群体最优的信息来进行更新的。与PSO算法不同的是，QPSO算法使每个粒子以量子的行为方式进行运动，各个粒子可以概率性地出现在解空间当中的任何一个位置，在很大程度上增强了粒子运动的随机性与算法全局寻优的有效性量子粒子群(QPSO)算法是在粒子群算法基础上结合了量子力学相关理论而形成的一种智能优化算法。但是 QPSO算法搜索后期收敛速度慢且搜索精度低的现象，为了解决此问题，需要提出新的改进的量子粒子群优化算法优化极限学习机模型内部参数，用以建立准确的火电厂燃煤锅炉NOx排放模型。
发明内容
鉴于上述问题，本发明的目的在于提供精确地锅炉NOx排放浓度预测模型，以解决目前锅炉烟气NOx预测精度不足的状况。针对火电厂锅炉NOx排放模型建立困难和量子粒子群算法在搜索后期容易陷入局部最优的问题，本发明结合基于余弦递减函数改进的QPSO算法(COSQPSO)。利用COSQPSO算法优化极限学习机模型输入层的权值和隐含层偏置值，建立了有效的NOx排放特性模型。
步骤一，通过对燃煤机组锅炉燃烧机理分析，确定NOx排放浓度预测模型的输入变量。
步骤二，将余弦递减函数与传统量子粒子群算法结合，提出改进的量子粒子群算法COSQPSO。
步骤三，由于极限学习机模型输入层的权值和隐含层的偏置值阈值是随机生成的，这在一定程度上影响了极限学习机模型的预测精度，因此，利用所提出的改进量子粒子群优化算法优化模型的输入权值和偏置值。
步骤四，应用所选数据对所建模型进行仿真实验，验证COSQPSO算法优化的极限学习机模型是否优于未经优化过的模型和其他算法优化过的模型。
在所述步骤一中，通过机理分析和实际情况分别选择了锅炉负荷(WM)、总风量(t·h-1)、磨煤机A 给煤量(t·h-1)、磨煤机B给煤量(t·h-1)、磨煤机C给煤量(t·h-1)、磨煤机D给煤量(t·h-1)、磨煤机E给煤量(t·h-1)、磨煤机F给煤量(t·h-1)、两侧二次风量(t·h-1)、两个燃尽风挡板开度(％)、六个磨煤机一次风风量(t·h-1)、六个二次挡板开度(％)作为模型的输入变量；
在所述步骤二中，改进量子粒子群的流程如下：
(a)初始化算法参数，确定搜索空间寻优范围，确定目标优化问题的维数，设定种群数目、最大迭代次数与初始粒子位置x；
(b)将种群中粒子初始位置代入到目标优化问题的函数中，计算出初始粒子个体最优值pbest与种群全局最优值gbest；
其中，l是一个随机产生的序列,l的大小为种群数量，d为服从均匀分布的随机数，ave_best为单一搜索粒子最优值的平均数，b为从1至0.5线性递减的放缩系数。
(c)与量子粒子群算法相同，根据以下公式计算出种群平均最好位置ave_best和每个粒子介于pbest和gbest之间的随机位置P；
其中，为在[0,1]上均匀分布的随机数；Pid(t)为第i个粒子迭代t次时的个体最优值；pgd(t)为第t次迭代时的全局最优值；P(t)为介于个体最优值Pid(t)与全局最优值pgd(t)之间的一个随机值；β为收缩-扩张系数。
(d)与量子粒子群算法不同，改进的量子粒子群算法的收缩-扩张系数β由改进的方案计算，即
β＝1-cos((1-t/T)π/2)
(e)将新的β计算方法代入以下公式中，根据粒子更新公式对种群中的所有粒子进行更新
其中，u为在[0,1]上均匀分布的随机数；
(f)计算每个粒子新的适应度，并根据最优原则对原有pbest与gbest进行替换或者保留；
(g)判断迭代是否达到最大次数或者优化后的目标值是否达到目标精度，若是则算法终止迭代，否则返回步骤(c)继续进行迭代。
本发明的有益效果是：通过基于改进的余弦递减量子粒子群算法优化的ELM模型能够有效地对NOx排放进行预测，且预测精度高，为火电厂提供了一种可行的燃煤锅炉NOx排放建模方法。
附图说明
图1为本方法的步骤流程图；
图2为本方法极限学习机建立NOx排放模型的网络结构图；
图3为本方法改进余弦递减量子粒子群算法优化极限学习机模型流程图；
具体实施方式
下面结合附图对本发明具体实施方式作进一步说明。
步骤一，以某热电厂600MW超临界机组锅炉为研究对象，数据由电厂DCS历史数据库采样得到。根据NOx生成机理分析选择影响NOx排放特性的运行参数作为模型的输入量。通过机理分析和实际情况分别选择了锅炉负荷(WM)、总风量(t·h-1)、磨煤机A给煤量(t·h-1)、磨煤机B给煤量(t·h-1)、磨煤机C给煤量(t·h-1)、磨煤机D给煤量(t·h-1)、磨煤机E给煤量(t·h-1)、磨煤机F给煤量(t·h-1)、两侧二次风量(t·h-1)、两个燃尽风挡板开度(％)、六个磨煤机一次风风量(t·h-1)、六个二次挡板开度(％)作为模型的输入变量，在历史数据库中选择稳定工况下的400组工况点作为样本数据，其中350 组数据作为训练样本，剩余50组数据作为测试样本。
步骤二，在量子粒子群算法与余弦递减函数结合的基础上，按以下步骤提出基于改进的余弦递减量子粒子群优化算法，
(a)初始化算法参数，确定搜索空间寻优范围，确定目标优化问题的维数，设定种群数目、最大迭代次数与初始粒子位置x；
(b)将种群中粒子初始位置代入到目标优化问题的函数中，计算出初始粒子个体最优值pbest与种群全局最优值gbest；
其中，l是一个随机产生的序列,l的大小为种群数量，d为服从均匀分布的随机数，ave_best为单一搜索粒子最优值的平均数，b为从1至0.5线性递减的放缩系数。
(c)与量子粒子群算法相同，根据以下公式计算出种群平均最好位置ave_best和每个粒子介于pbest和gbest之间的随机位置P；
其中，为在[0,1]上均匀分布的随机数；Pid(t)为第i个粒子迭代t次时的个体最优值；pgd(t)为第t次迭代时的全局最优值；P(t)为介于个体最优值Pid(t)与全局最优值pgd(t)之间的一个随机值；β为收缩-扩张系数。
(d)与量子粒子群算法不同，改进的量子粒子群算法的收缩-扩张系数β由改进的方案计算，即
β＝1-cos((1-t/T)π/2)
(e)将新的β计算方法代入以下公式中，根据粒子更新公式对种群中的所有粒子进行更新
其中，u为在[0,1]上均匀分布的随机数；
(f)计算每个粒子新的适应度，并根据最优原则对原有pbest与gbest进行替换或者保留；
(g)判断迭代是否达到最大次数或者优化后的目标值是否达到目标精度，若是则算法终止迭代，否则返回步骤(c)继续进行迭代。
步骤三，设置极限学习机权值的寻优范围确定极限学习机模型隐含层节点个数，优化过程的目标函数为
式中，yi表示为实际值，代表预测值。
步骤四，用为了进一步验证余弦递减量子粒子群优化极限学习机模型(COSQPSO-ELM)的性能，本文同时建立了ELM模型和粒子群优化极限学习机模型并用三个模型分别对电站锅炉NOx排放浓度进行预测，使用的训练数据与测试数据与COSQPSO-ELM模型数据相同，COSQPSO-ELM模型对训练样本的均方根根误差为5.532mg/m3，对测试样本的均方根根误差为6.824mg/m3，误差均低于其他两种模型。
Claims (4)
1.一种基于改进量子粒子群算法的火电厂锅炉NOx预测模型优化方法，其特征在于包括以下步骤：
步骤一，通过对燃煤机组锅炉燃烧系统机理分析，确定NOx排放浓度预测模型的输入变量；
步骤二，将余弦递减函数与传统量子粒子群算法结合，提出改进的量子粒子群算法；
步骤三，利用改进的量子粒子群优化算法优化极限学习机的初始参数，以训练数据预测结果和实际值的误差平方和最小化作为目标，建立准确的NOx排放预测模型；
步骤四，通过仿真验证经过改进量子粒子群算法优化模型精度高于其他优化算法优化的模型。
2.根据权利要求1所述的一种基于改进量子粒子群算法的电厂锅炉NOx预测模型优化方法，步骤一中，其特征在于确定NOx排放浓度预测模型的输入变量分别为：锅炉负荷、总风量、磨煤机A给煤量、磨煤机B给煤量、磨煤机C给煤量、磨煤机D给煤量、磨煤机E给煤量、磨煤机F给煤量、两侧二次风量、两个燃尽风挡板开度、六个磨煤机一次风风量、六个二次挡板开度作为模型的输入变量。
3.根据权利要求1所述的一种基于改进量子粒子群算法的火电厂锅炉NOx预测模型优化方法，步骤二中，改进量子粒子群的流程如下：
(a)初始化算法参数，确定搜索空间寻优范围，确定目标优化问题的维数，设定种群数目、最大迭代次数与初始粒子位置x；
(b)将种群中粒子初始位置代入到目标优化问题的函数中，计算出初始粒子个体最优值pbest与种群全局最优值gbest；
(c)与量子粒子群算法相同，根据以下公式计算出种群平均最好位置ave_best和每个粒子介于pbest和gbest之间的随机位置P；
其中，为在[0,1]上均匀分布的随机数；Pid(t)为第i个粒子迭代t次时的个体最优值；pgd(t)为第t次迭代时的全局最优值；P(t)为介于个体最优值Pid(t)与全局最优值pgd(t)之间的一个随机值；β为收缩-扩张系数；
(d)与量子粒子群算法不同，改进的量子粒子群算法的收缩-扩张系数β由改进的方案计算，即
β＝1-cos((1-t/T)π/2)
(e)将新的β计算方法代入以下公式中，根据粒子更新公式对种群中的所有粒子进行更新
其中，u为在[0,1]上均匀分布的随机数；
(f)计算每个粒子新的适应度，并根据最优原则对原有pbest与gbest进行替换或者保留；
(g)判断迭代是否达到最大次数或者优化后的目标值是否达到目标精度，若是则算法终止迭代，否则返回步骤(c)继续进行迭代。
4.根据权利要求1所述的一种基于改进量子粒子群算法的火电厂锅炉NOx预测模型优化方法，步骤三中，设置极限学习机权值的寻优范围确定极限学习机模型隐含层节点个数，优化过程的目标函数为
式中，yi表示为实际值，代表预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811297483.0A CN109492807A (zh) | 2018-11-01 | 2018-11-01 | 基于改进量子粒子群算法的锅炉noｘ预测模型优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811297483.0A CN109492807A (zh) | 2018-11-01 | 2018-11-01 | 基于改进量子粒子群算法的锅炉noｘ预测模型优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109492807A true CN109492807A (zh) | 2019-03-19 |
Family
ID=65693509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811297483.0A Pending CN109492807A (zh) | 2018-11-01 | 2018-11-01 | 基于改进量子粒子群算法的锅炉noｘ预测模型优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109492807A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162886A (zh) * | 2019-05-24 | 2019-08-23 | 重庆邮电大学 | 一种基于量子粒子群优化的建筑材料复介电常数提取方法 |
| CN112308278A (zh) * | 2019-08-02 | 2021-02-02 | 中移信息技术有限公司 | 预测模型的优化方法、装置、设备和介质 |
| CN112487725A (zh) * | 2020-12-18 | 2021-03-12 | 电子科技大学 | 一种含有奇异点的电子信号故障混合预测方法及验证装置 |
| CN112598168A (zh) * | 2020-12-17 | 2021-04-02 | 上海电力大学 | 基于猴群算法和快速学习网的电站锅炉NOx排放量预测方法 |
| CN113848709A (zh) * | 2021-09-17 | 2021-12-28 | 昌吉学院 | 一种基于改进量子粒子群算法的锅炉汽包水位控制方法 |
| CN113864814A (zh) * | 2021-09-15 | 2021-12-31 | 华能国际电力股份有限公司上海石洞口第一电厂 | 一种基于变量筛选的锅炉燃烧优化方法、装置及介质 |
| CN113887840A (zh) * | 2021-11-17 | 2022-01-04 | 辽宁工程技术大学 | 一种改进量子粒子群优化的瓦斯信号演化趋势预测方法 |
| CN113887130A (zh) * | 2021-09-23 | 2022-01-04 | 江苏省特种设备安全监督检验研究院 | 一种基于集成学习的工业锅炉运行优化方法 |
| CN113935124A (zh) * | 2021-09-09 | 2022-01-14 | 西华大学 | 柴油机燃用生物柴油多目标性能优化方法 |
| CN114139785A (zh) * | 2021-11-23 | 2022-03-04 | 北京华能新锐控制技术有限公司 | 锅炉燃烧热效率预测方法及装置 |
| CN114186708A (zh) * | 2021-10-13 | 2022-03-15 | 华北电力大学 | 基于pso-elm循环流化床机组so2浓度预测方法 |
| CN114637212A (zh) * | 2022-05-17 | 2022-06-17 | 浙江浩普智能科技有限公司 | 一种氧含量预测控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105224730A (zh) * | 2015-09-17 | 2016-01-06 | 西南林业大学 | 一种高压共轨电控柴油机原始no2排放量预测方法 |
| CN105976383A (zh) * | 2016-05-16 | 2016-09-28 | 国网河南省电力公司电力科学研究院 | 一种基于极限学习机图像识别的输电设备故障诊断方法 |
| CN107578117A (zh) * | 2017-07-21 | 2018-01-12 | 哈尔滨工程大学 | 一种分层异质动态粒子群优化算法 |
| CN108038306A (zh) * | 2017-12-11 | 2018-05-15 | 太原理工大学 | 一种面向海量高维数据的电站锅炉燃烧建模及优化的方法 |
| CN108304652A (zh) * | 2018-02-01 | 2018-07-20 | 中国人民解放军海军航空大学 | 一种基于改进qpso-elm的涡轴发动机起动过程模型辨识方法 |
| CN109325313A (zh) * | 2018-11-01 | 2019-02-12 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 |
-
2018
- 2018-11-01 CN CN201811297483.0A patent/CN109492807A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105224730A (zh) * | 2015-09-17 | 2016-01-06 | 西南林业大学 | 一种高压共轨电控柴油机原始no2排放量预测方法 |
| CN105976383A (zh) * | 2016-05-16 | 2016-09-28 | 国网河南省电力公司电力科学研究院 | 一种基于极限学习机图像识别的输电设备故障诊断方法 |
| CN107578117A (zh) * | 2017-07-21 | 2018-01-12 | 哈尔滨工程大学 | 一种分层异质动态粒子群优化算法 |
| CN108038306A (zh) * | 2017-12-11 | 2018-05-15 | 太原理工大学 | 一种面向海量高维数据的电站锅炉燃烧建模及优化的方法 |
| CN108304652A (zh) * | 2018-02-01 | 2018-07-20 | 中国人民解放军海军航空大学 | 一种基于改进qpso-elm的涡轴发动机起动过程模型辨识方法 |
| CN109325313A (zh) * | 2018-11-01 | 2019-02-12 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 |
Non-Patent Citations (3)
| Title |
|---|
| 谭鹏: "电站锅炉混煤低NO_x燃烧建模与运行优化研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
| 逄珊 等: "一种基于量子粒子群优化的极限学习机（英文）", 《系统仿真学报》 * |
| 黄宇: "一类分数阶混沌系统的线性自抗扰优化控制", 《HTTP://KNS.CNKI.NET/KCMS/DETAIL/11.3092.V.20180402.1053.018.HTML》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162886A (zh) * | 2019-05-24 | 2019-08-23 | 重庆邮电大学 | 一种基于量子粒子群优化的建筑材料复介电常数提取方法 |
| CN110162886B (zh) * | 2019-05-24 | 2022-11-25 | 重庆邮电大学 | 一种基于量子粒子群优化的建筑材料复介电常数提取方法 |
| CN112308278A (zh) * | 2019-08-02 | 2021-02-02 | 中移信息技术有限公司 | 预测模型的优化方法、装置、设备和介质 |
| CN112598168A (zh) * | 2020-12-17 | 2021-04-02 | 上海电力大学 | 基于猴群算法和快速学习网的电站锅炉NOx排放量预测方法 |
| CN112487725A (zh) * | 2020-12-18 | 2021-03-12 | 电子科技大学 | 一种含有奇异点的电子信号故障混合预测方法及验证装置 |
| CN113935124A (zh) * | 2021-09-09 | 2022-01-14 | 西华大学 | 柴油机燃用生物柴油多目标性能优化方法 |
| CN113864814A (zh) * | 2021-09-15 | 2021-12-31 | 华能国际电力股份有限公司上海石洞口第一电厂 | 一种基于变量筛选的锅炉燃烧优化方法、装置及介质 |
| CN113864814B (zh) * | 2021-09-15 | 2024-04-26 | 华能国际电力股份有限公司上海石洞口第一电厂 | 一种基于变量筛选的锅炉燃烧优化方法、装置及介质 |
| CN113848709A (zh) * | 2021-09-17 | 2021-12-28 | 昌吉学院 | 一种基于改进量子粒子群算法的锅炉汽包水位控制方法 |
| CN113887130A (zh) * | 2021-09-23 | 2022-01-04 | 江苏省特种设备安全监督检验研究院 | 一种基于集成学习的工业锅炉运行优化方法 |
| CN113887130B (zh) * | 2021-09-23 | 2024-06-11 | 江苏省特种设备安全监督检验研究院 | 一种基于集成学习的工业锅炉运行优化方法 |
| CN114186708A (zh) * | 2021-10-13 | 2022-03-15 | 华北电力大学 | 基于pso-elm循环流化床机组so2浓度预测方法 |
| CN113887840A (zh) * | 2021-11-17 | 2022-01-04 | 辽宁工程技术大学 | 一种改进量子粒子群优化的瓦斯信号演化趋势预测方法 |
| CN113887840B (zh) * | 2021-11-17 | 2024-08-02 | 辽宁工程技术大学 | 一种改进量子粒子群优化的瓦斯信号演化趋势预测方法 |
| CN114139785A (zh) * | 2021-11-23 | 2022-03-04 | 北京华能新锐控制技术有限公司 | 锅炉燃烧热效率预测方法及装置 |
| CN114637212A (zh) * | 2022-05-17 | 2022-06-17 | 浙江浩普智能科技有限公司 | 一种氧含量预测控制方法及系统 |
| CN114637212B (zh) * | 2022-05-17 | 2022-08-30 | 浙江浩普智能科技有限公司 | 一种氧含量预测控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492807A (zh) | 基于改进量子粒子群算法的锅炉noｘ预测模型优化方法 | |
| CN109325313A (zh) | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 | |
| CN107726358B (zh) | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 | |
| Tang et al. | Fouling potential prediction and multi-objective optimization of a flue gas heat exchanger using neural networks and genetic algorithms | |
| CN105864797B (zh) | 循环流化床生活垃圾焚烧锅炉入炉热值实时预测系统及方法 | |
| CN106931453A (zh) | 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法 | |
| CN111339716B (zh) | 一种锅炉高温烟气流场在线代理模型构建方法 | |
| CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
| CN113742997B (zh) | 城市固废焚烧过程风量智能优化设定方法 | |
| CN113627071B (zh) | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 | |
| CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| CN102252343B (zh) | 一种多孔介质燃烧器燃烧优化的方法 | |
| CN102842066B (zh) | 一种生物质炉燃烧优化的建模方法 | |
| CN110888401B (zh) | 火力发电机组燃烧控制优化方法、装置及可读存储介质 | |
| CN114721263A (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
| CN117190173B (zh) | 烟气再循环与锅炉耦合系统的优化控制方法及控制系统 | |
| Cui et al. | Multi-condition operational optimization with adaptive knowledge transfer for municipal solid waste incineration process | |
| CN114723159A (zh) | 一种基于lle降维算法的锅炉燃烧效率预测方法和系统 | |
| CN113887130A (zh) | 一种基于集成学习的工业锅炉运行优化方法 | |
| Balamurugan et al. | ANN-SQP Approach for NOx emission reduction in coal fired Boilers | |
| CN111860923A (zh) | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 | |
| CN118504436B (zh) | 用于燃煤发电厂机组能耗分析方法及系统 | |
| CN115509126B (zh) | 一种基于大数据和深度挖掘技术的混煤掺烧方法 | |
| CN114896862B (zh) | 一种基于模型辨识降低锅炉飞灰含碳量的方法和系统 | |
| CN116187187A (zh) | 一种城市固废焚烧过程烟气含氧量实时预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |