[go: up one dir, main page]

CN110390420A - 基于粒子群优化人工神经网络的过热器结渣预测方法 - Google Patents

基于粒子群优化人工神经网络的过热器结渣预测方法 Download PDF

Info

Publication number
CN110390420A
CN110390420A CN201910491528.6A CN201910491528A CN110390420A CN 110390420 A CN110390420 A CN 110390420A CN 201910491528 A CN201910491528 A CN 201910491528A CN 110390420 A CN110390420 A CN 110390420A
Authority
CN
China
Prior art keywords
superheater
neural network
artificial neural
slagging
layer
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
Application number
CN201910491528.6A
Other languages
English (en)
Inventor
李茂东
杨波
翟伟
马晓茜
余昭胜
郑楚鹏
张双红
黄国家
王志刚
郭华超
李爽
徐青永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Special Pressure Equipment Inspection and Research Institute
Original Assignee
Guangzhou Special Pressure Equipment Inspection and Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Special Pressure Equipment Inspection and Research Institute filed Critical Guangzhou Special Pressure Equipment Inspection and Research Institute
Priority to CN201910491528.6A priority Critical patent/CN110390420A/zh
Publication of CN110390420A publication Critical patent/CN110390420A/zh
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23J—REMOVAL OR TREATMENT OF COMBUSTION PRODUCTS OR COMBUSTION RESIDUES; FLUES 
    • F23J3/00—Removing solid residues from passages or chambers beyond the fire, e.g. from flues by soot blowers
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Regulation And Control Of Combustion (AREA)
  • Incineration Of Waste (AREA)

Abstract

本发明涉及一种基于粒子群优化人工神经网络的过热器结渣预测方法，所述预测方法包括如下步骤：S1：建立人工神经网络；其中，从影响结渣的锅炉运行参数和防锅炉积灰腐蚀措施的技术参数中，选取若干个变量作为输入层节点；以锅炉的过热器平面温度作为输出层节点；S2：输入输出数据的预处理；S3：利用PSO算法优化人工神经网络的权值和阈值；S4：训练；S5：将训练后的人工神经网络模型用于现场计算并输出锅炉的过热器平面温度，再根据计算结果判断过热器的结渣情况，并指导蒸汽吹灰尘措施的实施。本发明所述预测方法能够实现预测过热器局部结渣状况的目的，并具有高效、准确的优点，可以起到指导实施防止积灰结渣措施的作用。

Description

基于粒子群优化人工神经网络的过热器结渣预测方法
技术领域
本发明涉及锅炉过热器结渣预测的技术领域，特别是涉及一种基于粒子群优化人工神经网络的过热器结渣预测方法。
背景技术
垃圾焚烧炉在运行过程中会出现受热面积灰结渣的情况，在温度较高的过热器附近有时会发生严重的结渣或高温积灰。过热器结渣一方面增加了管壁换热热阻，降低了其传热能力，使得烟气侧的排烟温度升高，造成了热量损失，降低了锅炉效率和经济效益，另一方面使得蒸汽侧工质参数下降，为维持锅炉出力，燃料量增大，这使得排烟温度继续升高。同时，这会使得管壁温度进一步升高，过热器结渣情况更加严重，换热效果进一步下降，造成了恶性循环。严重时还会引发过热器超温，带来严重的后果。研究发现，粘结在管壁的积灰层或熔渣具有较强的腐蚀性，在高温作用下会与管壁金属发生复杂的化学反应，形成高温腐蚀，而长期的高温腐蚀更会导致爆管这一严重事故的发生。
目前，国内外针对积灰结渣问题，保持受热面清洁而广泛采取的有效措施为蒸汽吹灰尘方法。国内吹灰系统的使用一般是按定时、定量的程序控制方式，而却对吹灰主要针对的矛盾——结渣情况不甚了解，所以这种吹灰方法从一定程度上说是盲目的，它不可避免地会产生吹灰不足或吹灰过度的情况，吹灰不足会使锅炉热损失较大，吹灰过度则会带来不必要的工质损耗和管壁磨损侵蚀。所以，合理的吹灰措施对电厂安全经济运行具有非常重要的意义。
对于受热面积灰结渣状况的监测是优化吹灰措施的重要前提。传统的测量手段是基于热平衡的计算方法，推算出各个受热面的吸热量和进出口烟温，从而根据受热面吸热量的变化来判断其污染程度。然而，热平衡计算方法难以准确、及时地预测过热器的结渣状况，因此对实施相应措施的指导作用有限。
近年来，人工智能领域成为研究的热点。人工神经网络具有知识的分布储存、并行处理、强容错性、非线性映射能力以及很强的学习能力。它属于一种非机理的计算模型，特别适合锅炉结渣这种影响因素多样，机制复杂，难以观测的工程问题。而各种优化算法，如遗传算法、粒子群算法等的兴起也克服了人工神经网络计算收敛速度慢、容易陷入局部最小等缺点。因此，随着研究的深入，人工神经网络有望在垃圾焚烧炉结渣预测领域发挥不可替代的作用。
发明内容
基于此，本发明提出一种基于粒子群优化人工神经网络的过热器结渣预测方法，该预测方法能够实现预测过热器局部结渣状况的目的，并具有高效、准确的优点，可以起到指导实施防止积灰结渣措施的作用。
本发明采取的技术方案如下：
一种基于粒子群优化人工神经网络的过热器结渣预测方法，其特征在于：包括如下步骤：
S1：建立人工神经网络，所述人工神经网络具有一个输入层、一个输出层和一个隐含层，并选取输入层节点和输出层节点，求取隐含层节点数；
其中，从影响结渣的锅炉运行参数和防锅炉积灰腐蚀措施的技术参数中，选取若干个变量作为输入层节点；以锅炉的过热器平面温度作为输出层节点；根据经验公式求取隐含层节点数l，其中，m表示输入层节点数，n表示输出层节点数，a为常数，其取值范围为[1,10]；
S2：输入输出数据的预处理；
S3：利用PSO算法优化人工神经网络的权值和阈值；
S4：随机选取足够多的训练集样本，通过训练不断修改人工神经网络的权值和阈值直至收敛，训练结束；
S5：将训练后的人工神经网络模型用于现场计算并输出锅炉的过热器平面温度，再根据计算结果判断过热器的结渣情况，并指导蒸汽吹灰尘措施的实施。
本发明所述预测方法，采用了人工神经网络实现解决锅炉结渣预测的复杂问题，并且在人工神经网络的基础上，采用了粒子群优化算法(PSO)，能够有效地提高计算速度和精度，计算输入量只需利用锅炉现有运行参数，输出结果为过热器平面温度，从而可以达到预测过热器局部结渣情况的目的。再者，本发明所建立的人工神经网络的输出量为过热器平面温度，过热器平面温度一方面可以直观地反映过热器结渣状况，其超过设计温度值越多，意味着结渣越严重；另一方面，过热器平面温度还可以反映过热器局部的结渣状况，从而可以根据不同部位的结渣情况采取更有针对性的吹灰措施。
本发明所述的预测方法，适用于对锅炉过热器结渣状况进行预测，从而有利于指导防止积灰结渣措施的实施，该预测方法尤其适用于对垃圾焚烧炉过热器的局部积灰结渣状况进行预测和在线监控。
进一步地，所述锅炉为垃圾焚烧炉，所述影响结渣的锅炉运行参数为入炉垃圾成分、主蒸汽流量、炉温、排烟温度、烟气含氧量、一次风量、二次风量、过热器入口烟温、主蒸汽压力中的任意一种或多种。
进一步地，所述防锅炉积灰腐蚀措施为在过热器处喷淋氢氧化钙Ca(OH)2水溶液。
在过热器处喷淋氢氧化钙Ca(OH)2水溶液为垃圾焚烧发电厂中现有的防积灰腐蚀技术措施之一，利用Ca(OH)2喷淋量对神经网络输出值的影响评估其有效性，有利于指导发电厂优化吹灰措施以及评估减缓结渣的技术措施的影响。
进一步地，步骤S1中，选取入炉垃圾成分、主蒸汽流量、炉温、排烟温度、烟气含氧量、一次风量、二次风量、过热器入口烟温、主蒸汽压力以及氢氧化钙水溶液喷淋量共10个变量作为输入层节点。
通过对城市生活垃圾焚烧炉过热器的结渣影响因素的分析，确定了以上述变量作为神经网络的输入层，综合上述变量能够全面反映结渣状况，提高对积灰结渣的预测准确性。同时，利用粒子群优化算法(PSO)优化该神经网络的权值和阈值，可以使得计算速度收敛更快，计算结果精度更高。
进一步地，步骤S2包括：采用premnmx函数进行归一化处理，将训练样本数据归一化到[-1,1]区间。
进一步地，步骤S3包括：首先，初始化种群，即确定人工神经网络的各项参数，其中粒子维度D＝m*l+l*n+l+n，式中，D为权值和阈值总数，m为输入层节点数，l为隐含层节点数，n为输出层节点数；然后通过误差公式计算种群中所有个体的适应值，式中，p表示训练样本个数，tk表示期望输出，yk表示实际输出；种群个体最优解pbest和全局最优解gbest根据适应值进行更新；若适应值符合目标误差，则输出全局最优解gbest，否则继续计算适应值。
进一步地，所述隐含层节点输出为Oj＝f1(∑Wij×xi-qj)，所述输出层节点输出为yk＝f2(∑Tjk×Oj-qk)，其中，Wij和Tjk为权值，xi为输入，q为神经单元阈值。
进一步地，所述隐含层的传递函数为双曲正切型函数：f1(x)＝(1-ex)/(1+ex)，所述输出层的传递函数为线性函数：f2(x)＝x。
进一步地，所述人工神经网络的训练函数为traingdm，性能函数为mse，目标误差为1e-4。
进一步地，利用一监控装置来实施，所述监控装置包括测量工具、数据采集器、服务器和吹灰系统；其中，所述测量工具获取样本数据，通过所述数据采集器将样本数据上传至一DCS系统，并存储至一数据库中；所述服务器加载人工神经网络的主程序，通过所述数据库获取输入层所需数据并进行计算，计算结果储存在所述数据库中并输出显示，所述服务器从所述数据库获取神经网络计算结果数据，并指导、优化所述吹灰系统的运行。
本发明所述的基于粒子群优化人工神经网络的过热器结渣预测方法，具有以下有益效果：
(1)人工神经网络能够利用锅炉现有运行数据实现过热器结渣状况的在线监测，可以更加方便快捷准确地了解到锅炉的运行状况。
(2)过热器平面温度的测量结果，能够揭示其局部结渣状况，从而为吹灰器何时吹灰、吹扫哪块区域、投入几个吹灰器提供了指导，极大地优化了吹灰系统的运行。
(3)采用粒子群算法优化计算过程，有效地克服了人工神经网络收敛速度慢、容易陷入局部最小的问题。同时，相比于遗传算法，粒子群算法具有容易实现、精度高、收敛快等优点，进一步提高了计算的精度和速度。
(4)可以通过观察Ca(OH)2水溶液喷淋量对神经网络输出值的影响，从而为此防锅炉积灰腐蚀措施的喷淋方法提供指导，优化其喷淋量、喷淋区域，提高此技术措施的经济性。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明所述预测方法所建立的人工神经网络拓扑图。
图2为本发明所述预测方法的流程图。
图3为本发明所述预测方法所利用的监测装置的架构图。
具体实施方式
请参阅图1-2，本实施例提供的基于粒子群优化人工神经网络的过热器结渣预测方法，具体应用于垃圾焚烧发电厂中，所述锅炉为垃圾焚烧炉过热器，该方法对锅炉过热器的积灰结渣状况进行预测和在线监控，其包括如下步骤：
a)建立人工神经网络，所述人工神经网络具有一个输入层、一个输出层和一个隐含层，并选取输入层节点和输出层节点，求取隐含层节点数；
其中，选取输入层节点：从影响结渣的锅炉运行参数和防锅炉积灰腐蚀措施的技术参数中，选取若干个变量作为输入层节点；
具体地，所述影响结渣的锅炉运行参数为垃圾焚烧炉的入炉垃圾成分、主蒸汽流量、炉温、排烟温度、烟气含氧量、一次风量、二次风量、过热器入口烟温、主蒸汽压力中的任意一种或多种；所述防锅炉积灰腐蚀措施为在过热器处喷淋氢氧化钙水溶液，其技术参数包括氢氧化钙Ca(OH)2水溶液喷淋量。更优地，在本实施例中，选取入炉垃圾成分、主蒸汽流量、炉温、排烟温度、烟气含氧量、一次风量、二次风量、过热器入口烟温、主蒸汽压力和Ca(OH)2水溶液喷淋量共10个变量作为输入层节点。
选取输出层节点：以锅炉的过热器平面温度作为输出层节点。
求取隐含层节点数：根据经验公式求取隐含层节点数l，其中，m表示输入层节点数，n表示输出层节点数，a为常数，其取值范围为[1,10]；因此，本实施例中，隐含层节点数l的取值范围为[5,14]，具体取隐含层节点数l为8个。
b)输入输出数据的预处理：采用premnmx函数进行归一化处理，将样本数据归一化到[-1,1]区间。
c)算法优化：利用PSO算法优化人工神经网络的权值和阈值，使得计算结果误差小于设定值；具体包括：首先，初始化种群，即确定人工神经网络的各项参数，其中粒子维度D＝m*l+l*n+l+n，式中，D为权值和阈值总数，m为输入层节点数，l为隐含层节点数，n为输出层节点数；然后通过误差公式计算种群中所有个体的适应值，式中，p表示样本个数，tk表示期望输出，yk表示实际输出；种群个体最优解pbest和全局最优解gbest根据适应值进行更新；若适应值符合目标误差，则输出全局最优解gbest，否则继续计算适应值，寻找种群个体最优解pbest和全局最优解gbest。
d)训练：为保证人工神经网络的推广能力，随机选取足够多的训练集样本，通过训练不断修改人工神经网络的权值和阈值直至收敛，训练结束。
具体地，所述隐含层节点输出为Oj＝f1(∑Wij×xi-qj)，所述输出层节点输出为yk＝f2(∑Tjk×Oj-qk)，其中，Wij和Tjk为权值，xi为输入，q为神经单元阈值。
所述隐含层的传递函数为双曲正切型函数：f1(x)＝(1-ex)/(1+ex)，所述输出层的传递函数为线性函数：f2(x)＝x。
所述人工神经网络的训练函数为traingdm，性能函数为mse，目标误差为1e-4。
e)检验：检验样本数占总样本数的25％左右，使网络获得良好的泛化能力。
f)将训练后的人工神经网络模型用于现场计算并输出锅炉的过热器平面温度，再根据计算结果判断过热器的结渣情况，并指导蒸汽吹灰尘措施的实施。
请参阅图3，本实施例所述预测方法，是利用一监控装置来实施，所述监控装置包括测量工具、数据采集器、服务器和吹灰系统。
其中，所述测量工具获取样本数据，通过所述数据采集器将样本数据上传至垃圾焚烧发电厂的DCS系统，并存储至一SQL数据库中；所述服务器加载人工神经网络的主程序，通过所述SQL数据库获取输入层所需数据并进行计算，计算结果储存在所述SQL数据库中并输出到显示器进行显示，以供运行人员实时监测；所述服务器包括吹灰优化服务器，其从所述SQL数据库获取神经网络计算结果数据，通过安装在其上的吹灰优化软件指导、优化所述吹灰系统的运行；所述吹灰系统用于实施现有的蒸汽吹灰尘方法，以保持受热面清洁。
本发明所述的基于粒子群优化人工神经网络的过热器结渣预测方法，具有以下有益效果：
(1)人工神经网络能够利用锅炉现有运行数据实现过热器结渣状况的在线监测，可以更加方便快捷准确地了解到锅炉的运行状况。
(2)过热器平面温度的测量结果，能够揭示其局部结渣状况，从而为吹灰器何时吹灰、吹扫哪块区域、投入几个吹灰器提供了指导，极大地优化了吹灰系统的运行。
(3)采用粒子群算法优化计算过程，有效地克服了人工神经网络收敛速度慢、容易陷入局部最小的问题。同时，相比于遗传算法，粒子群算法具有容易实现、精度高、收敛快等优点，进一步提高了计算的精度和速度。
(4)可以通过观察Ca(OH)2水溶液喷淋量对神经网络输出值的影响，从而为此防锅炉积灰腐蚀措施的喷淋方法提供指导，优化其喷淋量、喷淋区域，提高此技术措施的经济性。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种基于粒子群优化人工神经网络的过热器结渣预测方法，其特征在于：包括如下步骤：
S1：建立人工神经网络，所述人工神经网络具有一个输入层、一个输出层和一个隐含层，并选取输入层节点和输出层节点，求取隐含层节点数；
其中，从影响结渣的锅炉运行参数和防锅炉积灰腐蚀措施的技术参数中，选取若干个变量作为输入层节点；以锅炉的过热器平面温度作为输出层节点；根据经验公式求取隐含层节点数l，其中，m表示输入层节点数，n表示输出层节点数，a为常数，其取值范围为[1,10]；
S2：输入输出数据的预处理；
S3：利用PSO算法优化人工神经网络的权值和阈值；
S4：随机选取足够多的训练集样本，通过训练不断修改人工神经网络的权值和阈值直至收敛，训练结束；
S5：将训练后的人工神经网络模型用于现场计算并输出锅炉的过热器平面温度，再根据计算结果判断过热器的结渣情况，并指导蒸汽吹灰尘措施的实施。
2.根据权利要求1所述的预测方法，其特征在于：所述锅炉为垃圾焚烧炉，所述影响结渣的锅炉运行参数为入炉垃圾成分、主蒸汽流量、炉温、排烟温度、烟气含氧量、一次风量、二次风量、过热器入口烟温、主蒸汽压力中的任意一种或多种。
3.根据权利要求2所述的预测方法，其特征在于：所述防锅炉积灰腐蚀措施为在过热器处喷淋氢氧化钙水溶液。
4.根据权利要求3所述的预测方法，其特征在于：步骤S1中，选取入炉垃圾成分、主蒸汽流量、炉温、排烟温度、烟气含氧量、一次风量、二次风量、过热器入口烟温、主蒸汽压力以及氢氧化钙水溶液喷淋量共10个变量作为输入层节点。
5.根据权利要求1-4任一项所述的预测方法，其特征在于：步骤S2包括：采用premnmx函数进行归一化处理，将训练样本数据归一化到[-1,1]区间。
6.根据权利要求5所述的预测方法，其特征在于：步骤S3包括：首先，初始化种群，即确定人工神经网络的各项参数，其中粒子维度D＝m*l+l*n+l+n，式中，D为权值和阈值总数，m为输入层节点数，l为隐含层节点数，n为输出层节点数；然后通过误差公式计算种群中所有个体的适应值，式中，p表示训练样本个数，tk表示期望输出，yk表示实际输出；种群个体最优解pbest和全局最优解gbest根据适应值进行更新；若适应值符合目标误差，则输出全局最优解gbest，否则继续计算适应值。
7.根据权利要求6所述的预测方法，其特征在于：所述隐含层节点输出为Oj＝f1(∑Wij×xi-qj)，所述输出层节点输出为yk＝f2(∑Tjk×Oj-qk)，其中，Wij和Tjk为权值，xi为输入，q为神经单元阈值。
8.根据权利要求7所述的预测方法，其特征在于：所述隐含层的传递函数采用双曲正切型函数：f1(x)＝(1-ex)/(1+ex)，所述输出层的传递函数采用线性函数：f2(x)＝x。
9.根据权利要求1所述的预测方法，其特征在于：所述人工神经网络的训练函数为traingdm，性能函数为mse，目标误差为1e-4。
10.根据权利要求1所述的预测方法，其特征在于：利用一监控装置来实施，所述监控装置包括测量工具、数据采集器、服务器和吹灰系统；其中，所述测量工具获取样本数据，通过所述数据采集器将样本数据上传至一DCS系统，并存储至一数据库中；所述服务器加载人工神经网络的主程序，通过所述数据库获取输入层所需数据并进行计算，计算结果储存在所述数据库中并输出显示，所述服务器从所述数据库获取神经网络计算结果数据，并指导、优化所述吹灰系统的运行。
CN201910491528.6A 2019-06-06 2019-06-06 基于粒子群优化人工神经网络的过热器结渣预测方法 Pending CN110390420A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910491528.6A CN110390420A (zh) 2019-06-06 2019-06-06 基于粒子群优化人工神经网络的过热器结渣预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910491528.6A CN110390420A (zh) 2019-06-06 2019-06-06 基于粒子群优化人工神经网络的过热器结渣预测方法

Publications (1)

Publication Number Publication Date
CN110390420A true CN110390420A (zh) 2019-10-29

Family

ID=68285424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910491528.6A Pending CN110390420A (zh) 2019-06-06 2019-06-06 基于粒子群优化人工神经网络的过热器结渣预测方法

Country Status (1)

Country Link
CN (1) CN110390420A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242279A (zh) * 2020-01-03 2020-06-05 浙江浙能技术研究院有限公司 一种超超临界煤粉锅炉炉膛结渣预测系统及方法
CN112231978A (zh) * 2020-10-15 2021-01-15 西安特种设备检验检测院 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN112989694A (zh) * 2021-03-08 2021-06-18 浙江大学 受热面灰污区段化监测系统及方法
CN113742997A (zh) * 2021-08-02 2021-12-03 北京工业大学 城市固废焚烧过程风量智能优化设定方法
CN115510904A (zh) * 2022-09-26 2022-12-23 天津大学 基于时序预测的锅炉受热面积灰监测方法
CN116339153A (zh) * 2023-05-22 2023-06-27 科大智能物联技术股份有限公司 基于粒子群优化的石灰炉窑控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064289A (zh) * 2012-12-19 2013-04-24 华南理工大学 一种垃圾发电厂多目标运行优化及协调的控制方法及装置
CN103759277A (zh) * 2014-01-28 2014-04-30 烟台龙源电力技术股份有限公司 燃煤电站锅炉智能吹灰闭环控制方法、装置和系统
CN105913151A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 基于自适应变异粒子群与bp网络光伏电站发电量预测方法
CN109063938A (zh) * 2018-10-30 2018-12-21 浙江工商大学 基于psode-bp神经网络的空气质量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064289A (zh) * 2012-12-19 2013-04-24 华南理工大学 一种垃圾发电厂多目标运行优化及协调的控制方法及装置
CN103759277A (zh) * 2014-01-28 2014-04-30 烟台龙源电力技术股份有限公司 燃煤电站锅炉智能吹灰闭环控制方法、装置和系统
CN105913151A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 基于自适应变异粒子群与bp网络光伏电站发电量预测方法
CN109063938A (zh) * 2018-10-30 2018-12-21 浙江工商大学 基于psode-bp神经网络的空气质量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜娟 等: "基于遗传算法优化BP神经网络的垃圾焚烧炉结渣预测模型", 《可再生能源》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242279A (zh) * 2020-01-03 2020-06-05 浙江浙能技术研究院有限公司 一种超超临界煤粉锅炉炉膛结渣预测系统及方法
CN111242279B (zh) * 2020-01-03 2023-09-08 浙江浙能技术研究院有限公司 一种超超临界煤粉锅炉炉膛结渣预测系统及方法
CN112231978A (zh) * 2020-10-15 2021-01-15 西安特种设备检验检测院 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN112231978B (zh) * 2020-10-15 2022-01-28 西安特种设备检验检测院 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN112989694A (zh) * 2021-03-08 2021-06-18 浙江大学 受热面灰污区段化监测系统及方法
CN113742997A (zh) * 2021-08-02 2021-12-03 北京工业大学 城市固废焚烧过程风量智能优化设定方法
CN115510904A (zh) * 2022-09-26 2022-12-23 天津大学 基于时序预测的锅炉受热面积灰监测方法
CN115510904B (zh) * 2022-09-26 2023-08-01 天津大学 基于时序预测的锅炉受热面积灰监测方法
CN116339153A (zh) * 2023-05-22 2023-06-27 科大智能物联技术股份有限公司 基于粒子群优化的石灰炉窑控制方法
CN116339153B (zh) * 2023-05-22 2023-09-01 科大智能物联技术股份有限公司 基于粒子群优化的石灰炉窑控制方法

Similar Documents

Publication Publication Date Title
CN110390420A (zh) 基于粒子群优化人工神经网络的过热器结渣预测方法
Tang et al. Fouling potential prediction and multi-objective optimization of a flue gas heat exchanger using neural networks and genetic algorithms
CN103759277B (zh) 燃煤电站锅炉智能吹灰闭环控制方法、装置和系统
CN112283689B (zh) 燃煤电站锅炉受热面积灰在线监测系统及其检测方法
CN112989694B (zh) 受热面灰污区段化监测系统及方法
CN110207094B (zh) 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法
CN103729569B (zh) 一种基于lssvm及在线更新的电站锅炉烟气软测量系统
CN113359425A (zh) 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制系统
CN106322412A (zh) 基于二维寻优的燃煤机组对流受热面智能吹灰方法
Shi et al. Ash fouling monitoring and key variables analysis for coal fired power plant boiler
CN115077640A (zh) 一种城市固废焚烧过程主蒸汽流量实时预测方法
WO2024087552A1 (zh) 一种基于数据挖掘的风机运行状态实时在线预估方法
CN102588943A (zh) 一种锅炉对流受热面灰污监测系统及监测方法
CN115510904B (zh) 基于时序预测的锅炉受热面积灰监测方法
CN118428281A (zh) 一种垃圾焚烧炉燃烧状态分析与预测方法
CN103047666B (zh) 一种锅炉对流受热面吹灰的方法和装置
CN112329959A (zh) 一种热力设备智能运维系统及方法
CN113757701B (zh) 基于多维度评价因子的智能吹灰控制方法、系统及存储介质
CN116720446B (zh) 一种锅炉水冷壁渣层厚度实时监测方法
Li et al. Prediction of pollution state of heating surface in coal-fired utility boilers
CN112800672A (zh) 锅炉粘污系数的评估方法、系统、介质及电子设备
CN113946789B (zh) 一种实时计算四炉三机垃圾焚烧发电厂垃圾焚烧量的方法
CN115097729A (zh) 一种基于强化学习的锅炉吹灰器的优化控制方法及系统
CN104102842A (zh) 基于经济性指标参数的氮氧化物排放预测方法和装置
CN202546721U (zh) 锅炉对流受热面灰污监测系统

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