CN114459052B - 一种基于改进SSA的燃煤锅炉NOx排放优化方法及装置 - Google Patents
一种基于改进SSA的燃煤锅炉NOx排放优化方法及装置 Download PDFInfo
- Publication number
- CN114459052B CN114459052B CN202210102555.1A CN202210102555A CN114459052B CN 114459052 B CN114459052 B CN 114459052B CN 202210102555 A CN202210102555 A CN 202210102555A CN 114459052 B CN114459052 B CN 114459052B
- Authority
- CN
- China
- Prior art keywords
- value
- formula
- data
- characteristic
- boiler
- 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.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/20—Systems for controlling combustion with a time programme acting through electrical means, e.g. using time-delay relays
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Nonlinear Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明提供了一种基于改进SSA的燃煤锅炉减少NOx氮氧化物排放优化方法及装置,优化方法具体包括以下步骤:(1)采集燃煤锅炉的历史特征参量数据;(2)采用RReliefF算法和Pearson相关性分析获取最优影响特征;(3)确定优化目标函数以及可调特征的寻优区间;(4)采用Sin混沌产生个体初始位置;(5)选取适应度值优的个体作为发现者,更新发现者个体位置;(6)采用灵敏度‑信息素配合的方式改进跟随者选择发现者方式,更新跟随者个体位置;(7)更新边界个体位置,最终获得最优可调特征;(8)利用获得的最优可调特征,控制锅炉燃烧,以进一步降低NOx排放浓度。本发明提供的NOx排放优化方法及装置有效的降低了锅炉NOx的排放量,为电站锅炉实际运行过程中降低NOx的排放量提供决策支持,对电站节能减排,响应国家绿色环保政策具有重要的实际工程意义。
Description
技术领域
本发明涉及锅炉控制领域,特别涉及一种燃煤锅炉的NOx氮氧化物排放优化方法及装置。
背景技术
火电厂大量的煤炭燃烧给环境带来了严重的破坏,主要污染源是煤炭在电厂锅炉内燃烧过程所产生的NOx等有害气体。它们与温室效应、酸雨光化学烟雾的形成以及地球臭氧层的破裂等都有直接的关系。目前,我国针对火电厂污染物的排放也颁布了相关的规定。这样一来,如果电厂锅炉的NOx排放过大,就会受到相关部门的严厉惩罚,直接影响到电厂的经济效益。因此,如何降低锅炉NOx排放量已是电厂急需解决的问题。
锅炉燃烧系统是一个多变量、强耦合的非线性复杂系统,且燃烧过程存在着时变性和不确定性,致使依靠人工经验进行特征选择以及解析式优化的传统方法很难对锅炉进行有效的优化控制。近年来,由于人工智能技术的发展步伐加快,进而促进优化控制技术也进入一个崭新的阶段。基于人工智能的锅炉氮氧化物排放量优化技术不需要优化特征与优化目标之间精确的物理模型,可以很好地解决非线性复杂系统问题。因此,进一步深入研究基于人工智能的锅炉氮氧化物排放量优化方法,对于火电厂降低环境污染和经济损失具有重要的实际工程意义。
发明内容
本发明解决的问题是提供一种基于改进SSA的燃煤锅炉NOx(氮氧化物)排放优化方法,采用RReliefF和Pearson相关性分析进行锅炉的特征选择,并采用改进的麻雀搜索算法(Sparrow Search Algorithm,SSA)对锅炉可调特征优化,能快速地获得影响锅炉氮氧化物排放的可调特征全局最优值。
为实现上述目的,本发明提供了如下的技术方案:
一种基于改进SSA的燃煤锅炉NOx氮氧化物排放优化方法,具体步骤如下:
步骤1000:从电厂DCS系统中获取燃煤锅炉的特征参量历史数据与NOx排放量,形成第一数据集,所述第一数据集是一个n行、m列数据构成的二维矩阵X,其中,矩阵中行为采集到的n个样本数据,列为每个样本涉及的m-1个特征及NOx排放量,将这n×m个数据构成矩阵X:
可知xij(i=1,2,…,n;j=1,2,…,m)为第i个样本的第j个特征的取值;
步骤2000:通过归一化方法对步骤1000所述第一数据集中的数据进行归一化处理,形成第二数据集D,所述数据归一化方法采用Min-Max归一化方法,归一化公式为:
公式(1)中,MaxValue表示样本数据的最大值;MinValue表示样本数据的最小值;x表示样本原始数据;y表示归一化之后的数据;
步骤3000:确定锅炉燃烧过程中影响NOx排放量的若干特征,进一步包括步骤3100-步骤3700:
步骤3100:针对步骤2000所述的第二数据集,通过RReliefF算法计算各个特征参量与NOx之间的相对距离,通过相对距离对每个特征赋予权重,首先根据公式(2)计算相近样本中特征值A不同的概率:
PdifA=P(difvalue(A)|相近的样本) (2)
公式(2)中,value(A)表示特征A,dif函数用于计算两个样本之间的距离并找到最近的邻近样本,PdifA表示相近样本中特征值A不同的概率,相近的样本表示两个样本在样本空间中相对距离最近;
然后根据公式(3)计算相近样本中NOx排放量不同的概率:
PdifC=P(difNOx|相近的样本) (3)
公式(3)中,PdifC表示相近样本中NOx排放量不同的概率;
最后根据条件概率得出公式(4)计算燃煤锅炉各个特征参量权重:
公式(4)中,W[A]表示锅炉各个特征参量权重,PdifC|difA表示在特征值相异的相近样本中NOx排放量不同的概率;
步骤3200:根据公式(5)计算各特征之间的Pearson相关系数:
步骤3700:所得到的结果进行汇总,输出出现次数最多的排序结果,得到对NOx排放量影响最大的若干个特征;
步骤4000:步骤3700所述的对NOx排放量影响最大的若干个特征可分为可调特征和不可调特征,确定目标函数以及可调特征的寻优区间,进一步包括步骤4100-步骤4300:
步骤4100:确定将以锅炉NOx排放量最小为优化目标函数,优化目标函数见公式(6):
步骤4200:将步骤4100所述的锅炉运行过程中的可调特征作为优化过程的输入变量进行寻优,不可调特征在寻优过程中作为固定值保持不变;将锅炉运行可调特征定义为一个待优化向量x:
x=[x1,x2,x3,x4,x5…,xm] (7)
公式(7)中,xi是各个可调参数,其中i=1,2...m;
步骤4300:设置可调特征的寻优区间:
公式(8)中,xi是第i个可调参量,ai是第i个可调参量可取值范围的最小值,bi是第i个可调参量可取值范围的最大值,i∈[1,m]
步骤5000:采用改进SSA算法对锅炉运行输入的可调特征进行寻优,以进一步降低NOx排放浓度,得到最优可调特征集,进一步包括步骤5100-步骤5600:
步骤5100:采用无限折叠Sin混沌初始化SSA种群以增加SSA的种群多样性,根据公式(9)产生N个可行解,每个可行解向量与所述可调特征一一对应:
Xn=sin(δ/xn),n=0,1…,N (9)
公式(9)中,xn表示第n个初始可行解,Xn表示第n个初始个体混沌映射后的可行解,δ∈(0,4];-1≤xn≤1且xn≠0;
步骤5200:根据发现者数量比例PD,选取适应度值优的作为发现者,根据式(10)新发现者个体位置:
公式(10)中,表示第t代的第i个发现者在第t代第j维中的位置信息,t代表当前迭代数次数,iterm表示最大的迭代次数,α∈(0,1]是一个随机数,Q是服从正态分布的随机数,R2∈(0,1]表示预警值,ST∈[0.5,1]表示安全值;
步骤5300:根据公式(11)(12)采用灵敏度-信息素配合的方式改进跟随者选择发现者方式,跟随者选择发现者具体过程如下:信息素是与发现者的适应度值有比例关系的值,用于标记发现者,信息素计算如公式(11)所示:
公式(11)中,P(i)是第i个发现者的信息素,i表示第i个发现者,f(i)是第i个发现者当前适应度值,fmin是数值最小的发现者适应度值,fmax是数值最大的发现者适应度值;
每个跟随者都有对信息素的灵敏度,灵敏度在优化过程中也有所不同,灵敏度计算如公式(12)所示:
S(i)=Smin+ΔSj (12)
公式(12)中,ΔSj=(Smax-Smin)·Rand(0,1),Smax=P(i)max,Smin=P(i)min,P(i)max是当前数值最大的信息素,P(i)min是当前数值最小的信息素,Smax是当前数值最大的灵敏度,Smin是当前数值最小的灵敏度;
找出配合第j个跟随者灵敏度的发现者i:随机找出j,满足P(i)=S(j);
步骤5400:根据步骤4300对跟随者提出的约束,使用公式(13)更新跟随者个体位置:
公式(13)中,表示第t代的第i个跟随者在第j维中的位置信息,t代表当前迭代数次数,是t+1代发现者所占据的最优位置,则表示当前全局最差的发现者位置,d是维数,Q是满足标准正态分布的随机数,a∈(-1,1);
步骤5500:根据公式(14)更新边界个体位置:
公式(14)中,表示第t代的第i个边界个体在第j维中的位置信息,t代表当前迭代数次数,是当前的全局最优位置;β是服从正态分布的随机数;K∈[-1,1]是一个随机数,fi是当前麻雀个体的适应度值;fg和fw分别是当前全局最佳和最差的适应度值;ε是避免分母为零的最小常数;K表示麻雀移动的方向同时也是步长控制参数;
步骤5600:判断当前是否达到足够好的适应度值即最小NOx排放量或者达到最大迭代次数,如果满足,则程序终止,并输出此时最优的一组解x=[x1,x2,x3,x4,x5…,xm],从而获得最优可调特征;否则,迭代次数加1,跳转到步骤5200进行继续搜索。
一种基于改进SSA的燃煤锅炉NOx氮氧化物排放优化方法的装置,其特征在于,所述装置包括:
数据采集模块:用于采集步骤1000所述的燃煤锅炉的特征参量历史数据与NOx排放量;
数据处理模块:用于对第一数据集进行数据预处理,实现步骤2000所述的数据归一化以及步骤3000所述的数据降维处理;
优化模块:对锅炉运行中实时检测数据进行预处理后得到数据样本,通过步骤4000-5000采用改进SSA对锅炉的目标函数寻优获得最优解,利用最终的可调特征最优解,控制锅炉燃烧,以进一步降低NOx排放量。
与现有技术相比,本发明的有益效果是:
本发明采用一种基于RReliefF和Pearson相关性分析的数据预处理方法,解决人工选择特征困难,采用一种基于Sin无限混沌策略和信息素灵敏度策略改进麻雀搜索算法,解决了因麻雀搜索算法全局寻找最优特征能力不强,而导致收敛速度慢、寻优精度不高的问题,为燃煤锅炉燃烧NOx排放量优化提供了一种基于人工智能的新方法,降低环境污染和经济损失。
附图说明
图1是基于改进SSA的燃煤锅炉NOx氮氧化物排放优化方法流程图;
具体实施方式
为了更清楚地理解本发明的上述方案,下面结合附图对本发明进行进一步的详细描述。需要说明的是,此处所描述的具体实施仅用于解释本申请,并不用于限定本申请。
图1是本发明一种改进SSA燃煤锅炉NOx氮氧化物排放优化方法流程图,具体步骤如下:
步骤1000:从电厂DCS系统中获取燃煤锅炉的特征参量历史数据与NOx排放量,形成第一数据集,所述第一数据集是一个n行、m列数据构成的二维矩阵X,其中,矩阵中行为采集到的n个样本数据,列为每个样本涉及的m-1个特征及NOx排放量,将这n×m个数据构成矩阵X:
可知xij(i=1,2,…,n;j=1,2,…,m)为第i个样本的第j个特征的取值;
步骤2000:通过归一化方法对步骤1000所述第一数据集中的数据进行归一化处理,形成第二数据集D,所述数据归一化方法采用Min-Max归一化方法,归一化公式为:
公式(1)中,MaxValue表示样本数据的最大值;MinValue表示样本数据的最小值;x表示样本原始数据;y表示归一化之后的数据;
步骤3000:确定燃煤锅炉燃烧过程中影响NOx排放量的若干特征,进一步包括步骤3100-步骤3700:
步骤3100:针对步骤2000所述的第二数据集,通过RReliefF算法计算各个特征参量与NOx之间的相对距离,通过相对距离对每个特征赋予权重,首先根据公式(2)计算相近样本中特征值A不同的概率:
PdifA=P(difvalue(A)|相近的样本) (2)
公式(2)中,value(A)表示特征A,dif函数用于计算两个样本之间的距离并找到最近的邻近样本,PdifA表示相近样本中特征值A不同的概率,相近的样本表示两个样本在样本空间中相对距离最近;
然后根据公式(3)计算相近样本中NOx排放量不同的概率:
PdifC=P(difNOx|相近的样本) (3)
公式(3)中,PdifC表示相近样本中NOx排放量不同的概率;
最后根据条件概率得出公式(4)计算炉各个特征参量权重:
公式(4)中,W[A]表示锅炉各个特征参量权重,PdifC|difA表示在特征值相异的相近样本中NOx排放量不同的概率;
步骤3200:根据公式(5)计算各特征之间的Pearson相关系数:
步骤3700:所得到的结果进行汇总,输出出现次数最多的排序结果,得到对NOx排放量影响最大的若干个特征;
步骤4000:步骤3700所述的对Nox排放量影响最大的若干个特征可分为可调特征和不可调特征,确定目标函数以及可调特征的寻优区间,进一步包括步骤4100-步骤4300:
步骤4100:确定将以锅炉NOx排放量最小为优化目标函数,优化目标函数见公式(6):
步骤4200:将步骤4100所述的锅炉运行过程中的可调特征作为优化过程的输入变量进行寻优,不可调特征在寻优过程中作为固定值保持不变;将锅炉运行可调特征定义为一个待优化向量x:
x=[x1,x2,x3,x4,x5…,xm] (7)
公式(7)中,xi是各个可调参数,其中i=1,2...m;
步骤4300:设置可调特征的寻优区间:
公式(8)中,xi是第i个可调参量,ai是第i个可调参量可取值范围的最小值,bi是第i个可调参量可取值范围的最大值,i∈[1,m]
步骤5000:采用改进SSA算法对燃煤锅炉运行输入的可调特征进行寻优,以进一步降低NOx排放浓度,得到最优可调特征集,进一步包括步骤5100-步骤5600:
步骤5100:采用无限折叠Sin混沌初始化SSA种群以增加SSA的种群多样性,根据公式(9)产生N个可行解,每个可行解向量与所述可调特征一一对应:
Xn=sin(δ/xn),n=0,1...,N (9)
公式(9)中,xn表示第n个初始可行解,Xn表示第n个初始个体混沌映射后的可行解,δ∈(0,4];-1≤xn≤1且xn≠0;
步骤5200:根据发现者数量比例PD,选取适应度值优的作为发现者,根据公式(10)新发现者个体位置:
公式(10)中,表示第t代的第i个发现者在第t代第j维中的位置信息,t代表当前迭代数次数,iterm表示最大的迭代次数,α∈(0,1]是一个随机数,Q是服从正态分布的随机数,R2∈(0,1]表示预警值,ST∈[0.5,1]表示安全值;
步骤5300:根据公式(11)(12)采用灵敏度-信息素配合的方式改进跟随者选择发现者方式,跟随者选择发现者具体过程如下:信息素是与发现者的适应度值有比例关系的值,用于标记发现者,信息素计算如公式(11)所示:
公式(11)中,P(i)是第i个发现者的信息素,i表示第i个发现者,f(i)是第i个发现者当前适应度值,fmin是数值最小的发现者适应度值,fmax是数值最大的发现者适应度值;
每个跟随者都有对信息素的灵敏度,灵敏度在优化过程中也有所不同,灵敏度计算如公式(12)所示:
S(i)=Smin+ΔSj (12)
公式(12)中,ΔSj=(Smax-Smin)·Rand(0,1),Smax=P(i)max,Smin=P(i)min,P(i)max是当前数值最大的信息素,P(i)min是当前数值最小的信息素,Smax是当前数值最大的灵敏度,Smin是当前数值最小的灵敏度;
找出配合第j个跟随者灵敏度的发现者i:随机找出j,满足P(i)=S(j);
步骤5400:根据步骤4300对跟随者提出的约束,使用公式(13)更新跟随者个体位置:
公式(13)中,表示第t代的第i个跟随者在第j维中的位置信息,t代表当前迭代数次数,是t+1代发现者所占据的最优位置,则表示当前全局最差的发现者位置,d是维数,Q是满足标准正态分布的随机数,a∈(-1,1);
步骤5500:根据公式(14)更新边界个体位置:
公式(14)中,表示第t代的第i个边界个体在第j维中的位置信息,t代表当前迭代数次数,是当前的全局最优位置;β是服从正态分布的随机数;K∈[-1,1]是一个随机数,fi是当前麻雀个体的适应度值;fg和fw分别是当前全局最佳和最差的适应度值;ε是避免分母为零的最小常数;K表示麻雀移动的方向同时也是步长控制参数;
步骤5600:判断当前是否达到足够好的适应度值即最小NOx排放量或者达到最大迭代次数,如果满足,则程序终止,并输出此时最优的一组解x=[x1,x2,x3,x4,x5…,xm],从而获得最优可调特征;否则,迭代次数加1,跳转到步骤5200进行继续搜索。
一种基于改进SSA的燃煤锅炉NOx氮氧化物排放优化方法的装置,其特征在于,所述装置包括:
数据采集模块:用于采集步骤1000所述的燃煤锅炉的特征参量历史数据与NOx排放量;
数据处理模块:用于对第一数据集进行数据预处理,实现步骤2000所述的数据归一化以及步骤3000所述的数据降维处理;
优化模块:对锅炉运行中实时检测数据进行预处理后得到数据样本,通过步骤4000-5000采用改进SSA对锅炉的目标函数寻优获得最优解,利用最终的可调特征最优解,控制锅炉燃烧,以进一步降低NOx排放量。
以上所述仅为本发明的具体实施例,并非因此限制本发明的专利范围,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所做的任何修改、同等替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于改进SSA的燃煤锅炉NOx排放优化方法,其特征在于,包括以下步骤:
步骤1000:从电厂DCS系统中获取燃煤锅炉的特征参量历史数据与NOx排放量,形成第一数据集,所述第一数据集是一个n行、m列数据构成的二维矩阵X,其中,矩阵中行为采集到的n个样本数据,列为每个样本涉及的m-1个特征及NOx排放量,将这n×m个数据构成矩阵X:
可知xij(i=1,2,…,n;j=1,2,…,m)为第i个样本的第j个特征的取值;
步骤2000:通过归一化方法对步骤1000所述第一数据集中的数据进行归一化处理,形成第二数据集D,所述数据归一化方法采用Min-Max归一化方法,归一化公式为:
公式(1)中,MaxValue表示样本数据的最大值;MinValue表示样本数据的最小值;x表示样本原始数据;y表示归一化之后的数据;
步骤3000:确定锅炉燃烧过程中影响NOx排放量的若干特征,进一步包括步骤3100-步骤3700:
步骤3100:针对步骤2000所述的第二数据集,通过RReliefF算法计算各个特征参量与NOx之间的相对距离,通过相对距离对每个特征赋予权重,首先根据公式(2)计算相近样本中特征值A不同的概率:
PdifA=P(difvalue(A)|相近的样本) (2)
公式(2)中,value(A)表示特征A,dif函数用于计算两个样本之间的距离并找到最近的邻近样本,PdifA表示相近样本中特征值A不同的概率,相近的样本表示两个样本在样本空间中相对距离最近;
然后根据公式(3)计算相近样本中NOx排放量不同的概率:
PdifC=P(difNOx|相近的样本) (3)
公式(3)中,PdifC表示相近样本中NOx排放量不同的概率;
最后根据条件概率得出公式(4)计算炉各个特征参量权重:
公式(4)中,W[A]表示锅炉各个特征参量权重,PdifC|difA表示在特征值相异的相近样本中NOx排放量不同的概率;
步骤3200:根据公式(5)计算各特征之间的Pearson相关系数:
步骤3700:所得到的结果进行汇总,输出出现次数最多的排序结果,得到对NOx排放量影响最大的若干个特征;
步骤4000:步骤3700所述的对NOx 排放量影响最大的若干个特征可分为可调特征和不可调特征,确定目标函数以及可调特征的寻优区间,进一步包括步骤4100-步骤4300:
步骤4100:确定将以锅炉NOx排放量最小为优化目标函数,优化目标函数见公式(6):
步骤4200:将步骤4100所述的锅炉运行过程中的可调特征作为优化过程的输入变量进行寻优,不可调特征在寻优过程中作为固定值保持不变;将锅炉运行可调特征定义为一个待优化向量x:
x=[x1,x2,x3,x4,x5…,xm] (7)
公式(7)中,xi是各个可调参数,其中i=1,2...m;
步骤4300:设置可调特征的寻优区间:
公式(8)中,xi是第i个可调参量,ai是第i个可调参量可取值范围的最小值,bi是第i个可调参量可取值范围的最大值,i∈[1,m]
步骤5000:采用改进SSA算法对锅炉运行输入的可调特征进行寻优,以进一步降低NOx排放浓度,得到最优可调特征集,进一步包括步骤5100-步骤5600:
步骤5100:采用无限折叠Sin混沌初始化SSA种群以增加SSA的种群多样性,根据公式(9)产生N个可行解,每个可行解向量与所述可调特征一一对应:
Xn=sin(δ/xn),n=0,1...,N (9)
公式(9)中,xn表示第n个初始可行解,Xn表示第n个初始个体混沌映射后的可行解,δ∈(0,4];-1≤xn≤1且xn≠0;
步骤5200:根据发现者数量比例PD,选取适应度值优的作为发现者,根据式(10)新发现者个体位置:
公式(10)中,表示第t代的第i个发现者在第t代第j维中的位置信息,t代表当前迭代数次数,iterm表示最大的迭代次数,α∈(0,1]是一个随机数,Q是服从正态分布的随机数,R2∈(0,1]表示预警值,ST∈[0.5,1]表示安全值;
步骤5300:根据公式(11)(12)采用灵敏度-信息素配合的方式改进跟随者选择发现者方式,跟随者选择发现者具体过程如下:信息素是与发现者的适应度值有比例关系的值,用于标记发现者,信息素计算如公式(11)所示:
公式(11)中,P(i)是第i个发现者的信息素,i表示第i个发现者,f(i)是第i个发现者当前适应度值,fmin是数值最小的发现者适应度值,fmax是数值最大的发现者适应度值;
每个跟随者都有对信息素的灵敏度,灵敏度在优化过程中也有所不同,灵敏度计算如公式(12)所示:
S(i)=Smin+ΔSj (12)
公式(12)中,ΔSj=(Smax-Smin)·Rand(0,1),Smax=P(i)max,Smin=P(i)min,P(i)max是当前数值最大的信息素,P(i)min是当前数值最小的信息素,Smax是当前数值最大的灵敏度,Smin是当前数值最小的灵敏度;
找出配合第j个跟随者灵敏度的发现者i:随机找出j,满足P(i)=S(j);
步骤5400:根据步骤4300对跟随者提出的约束,使用公式(13)更新跟随者个体位置:
公式(13)中,表示第t代的第i个跟随者在第j维中的位置信息,t代表当前迭代数次数,是t+1代发现者所占据的最优位置,则表示当前全局最差的发现者位置,d是维数,Q是满足标准正态分布的随机数,a∈(-1,1);
步骤5500:根据公式(14)更新边界个体位置:
公式(14)中,表示第t代的第i个边界个体在第j维中的位置信息,t代表当前迭代数次数,是当前的全局最优位置;β是服从正态分布的随机数;K∈[-1,1]是一个随机数,fi是当前麻雀个体的适应度值;fg和fw分别是当前全局最佳和最差的适应度值;ε是避免分母为零的最小常数;K表示麻雀移动的方向同时也是步长控制参数;
步骤5600:判断当前是否达到足够好的适应度值即最小NOx排放量或者达到最大迭代次数,如果满足,则程序终止,并输出此时最优的一组解x=[x1,x2,x3,x4,x5…,xm],从而获得最优可调特征;否则,迭代次数加1,跳转到步骤5200进行继续搜索。
2.一种采用如权利要求1所述的一种基于改进SSA的燃煤锅炉NOx氮氧化物排放优化方法的装置,其特征在于,所述装置包括:
数据采集模块:用于采集步骤1000所述的燃煤锅炉的特征参量历史数据与NOx排放量;
数据处理模块:用于对第一数据集进行数据预处理,实现步骤2000所述的数据归一化以及步骤3000所述的数据降维处理;
优化模块:对锅炉运行中实时检测数据进行预处理后得到数据样本,通过步骤4000-5000采用改进SSA对锅炉的目标函数寻优获得最优解,利用最终的可调特征最优解,控制锅炉燃烧,以进一步降低NOx排放量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102555.1A CN114459052B (zh) | 2022-01-27 | 2022-01-27 | 一种基于改进SSA的燃煤锅炉NOx排放优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102555.1A CN114459052B (zh) | 2022-01-27 | 2022-01-27 | 一种基于改进SSA的燃煤锅炉NOx排放优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114459052A CN114459052A (zh) | 2022-05-10 |
CN114459052B true CN114459052B (zh) | 2022-09-09 |
Family
ID=81412338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210102555.1A Active CN114459052B (zh) | 2022-01-27 | 2022-01-27 | 一种基于改进SSA的燃煤锅炉NOx排放优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114459052B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106500128A (zh) * | 2017-01-12 | 2017-03-15 | 东北电力大学 | 一种变负荷工况下火电厂锅炉NOx排放控制方法 |
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 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN112926139A (zh) * | 2021-03-23 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 |
CN112990419A (zh) * | 2021-03-19 | 2021-06-18 | 浙江科技学院 | 基于改进麻雀搜索算法的优化方法 |
CN113937808A (zh) * | 2021-09-16 | 2022-01-14 | 南昌大学 | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3404532B2 (ja) * | 2001-07-27 | 2003-05-12 | 独立行政法人産業技術総合研究所 | 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム |
-
2022
- 2022-01-27 CN CN202210102555.1A patent/CN114459052B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106500128A (zh) * | 2017-01-12 | 2017-03-15 | 东北电力大学 | 一种变负荷工况下火电厂锅炉NOx排放控制方法 |
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 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN112990419A (zh) * | 2021-03-19 | 2021-06-18 | 浙江科技学院 | 基于改进麻雀搜索算法的优化方法 |
CN112926139A (zh) * | 2021-03-23 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 |
CN113937808A (zh) * | 2021-09-16 | 2022-01-14 | 南昌大学 | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 |
Non-Patent Citations (2)
Title |
---|
基于混沌分组教与学优化算法锅炉NO_x模型优化研究;马云鹏等;《计量学报》;20180122(第01期);全文 * |
采用改进混沌粒子群算法的锅炉NO_x排放的LSSVM回归建模;刘飞明等;《工业控制计算机》;20170125(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114459052A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548270B (zh) | 一种光伏电站功率异常数据辨识方法及装置 | |
CN105574615B (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
CN115358332A (zh) | 面向多源数据的大气污染溯源方法 | |
CN112884056A (zh) | 基于优化的lstm神经网络的污水水质预测方法 | |
CN111898820A (zh) | 基于趋势聚类和集成树的pm2.5小时浓度组合预测方法及系统 | |
CN113610243A (zh) | 基于耦合机器学习和相关性分析的大气污染物溯源方法 | |
CN115526298A (zh) | 一种高鲁棒性的大气污染物浓度综合预测方法 | |
CN113707228A (zh) | 一种基于LightGBM算法的湿法烟气脱硫优化方法 | |
CN116702937A (zh) | 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法 | |
CN116307212A (zh) | 一种新型空气质量预测方法及系统 | |
CN113539386A (zh) | 基于clmvo-elm的溶解氧浓度预测方法、装置、设备及存储介质 | |
CN114459052B (zh) | 一种基于改进SSA的燃煤锅炉NOx排放优化方法及装置 | |
CN110598914B (zh) | 一种多因素影响下矿井灾害气体浓度区间预测方法及系统 | |
CN110852493A (zh) | 基于多种模型对比的大气pm2.5浓度预测方法 | |
CN117216480B (zh) | 一种深度耦合地理时空信息的近地表臭氧遥感估算方法 | |
CN116306234B (zh) | 一种燃气轮机的氮氧化物预测排放检测方法及系统 | |
CN116388184B (zh) | 一种基于风速日波动特征的超短期风速修订方法、系统 | |
CN117454765A (zh) | 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN114464266B (zh) | 一种基于改进SSA-GPR的煤粉锅炉NOx排放量预测方法及装置 | |
CN115545316A (zh) | 基于深度学习混合模型的大气臭氧预测方法 | |
CN116187150A (zh) | 一种基于改进型蚁群算法的空气污染源反演方法 | |
CN114139619A (zh) | 基于改进K-means算法的锅炉燃烧优化控制方法及装置 | |
CN117035005B (zh) | 一种城市固废焚烧过程智能操作优化方法 | |
CN117973703B (zh) | 一种森林生态环境的分级定损方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |