基于遗传算法-BP神经网络的飞灰含碳量和NOx的研究

论文摘要

遵照火电厂锅炉燃烧既要提高效率又要降低NOx排放量的要求,本文对遗传算法和BP神经网络在煤粉锅炉燃烧过程中的应用进行了研究。通过采用遗传算法和BP神经网络建立网络模型,以锅炉负荷、挥发分、烟气含氧量、低位发热量、碳基、氮基等12个影响因素作为输入层的输入量,以NOx排放量和飞灰含碳量作为输出层的输出量,对某电站煤粉锅炉的NOx排放量和飞灰含碳量进行了预测。通过对预测结果的分析对比可知,该方法在收敛速度和精度方面均符合在线监测的要求。

论文目录

• 中文摘要
• 英文摘要
• 第一章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.2.1 氮氧化物排放量的软测量技术
• 1.2.2 飞灰含碳量的软测量技术
• 1.3 本文内容安排
• 第二章 神经网络及遗传算法简介
• 2.1 神经网络简介
• 2.1.1 生物神经元的结构与功能特点
• 2.1.2 人工神经网络发展史简介
• 2.1.3 人工神经元模型
• 2.1.4 神经网络的结构及工作方式
• 2.1.5 神经网络的学习
• 2.2 神经网络的特点
• 2.3 BP神经网络模型
• 2.3.1 BP神经网络概述
• 2.3.2 BP网络的学习算法
• 2.3.3 BP网络的优点及缺陷
• 2.4 遗传算法简介
• 2.4.1 遗传算法简介
• 2.4.2 遗传算法的特点及基本步骤
• 2.4.3 遗传算法在神经网络方面的优化
• 2.5 本章小结
• 第三章 飞灰含碳量和氮氧化物排放量预测模型的实现
• 3.1 对飞灰含碳量的影响因素
• 3.1.1 燃烧器摆角位置对飞灰含碳量的影响
• 3.1.2 过量空气系数对飞灰含碳量的影响
• 3.1.3 挥发分对飞灰含碳量的影响
• 3.2 对氮氧化物生成的影响因素
• 3.2.1 锅炉负荷变化对氮氧化物排放的影响
• 3.2.2 过量空气系数变化对氮氧化物排放的影响
• 3.3 飞灰含碳量和氮氧化物排放量预测的BP神经网络模型
• 3.3.1 隐层数目及隐层节点的确定
• 3.3.2 数据的预处理
• 3.3.3 停止网络训练准则的确定
• 3.4 用遗传算法学习神经网络的权值
• 3.4.1 目标函数的制定
• 3.4.2 编码方式
• 3.4.3 适应度定义
• 3.4.4 遗传操作的设定
• 3.5 本章小结
• 第四章 在线监测结果分析以及算法对比
• 4.1 单纯的BP神经网络训练
• 4.1.1 飞灰含碳量的监测结果分析
• 4.1.2 氮氧化物排放量的监测结果分析
• 4.2 遗传算法和BP神经网络耦合模型的训练
• 4.2.1 飞灰含碳量的监测结果分析
• 4.2.2 氮氧化物排放量的监测结果分析
• 4.3 总结
• 第五章 结论与展望
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况