基于L-M梯度迭代算法的煤质发热量预测模型

选取150家火电企业的煤质检测数据，通过分析泛在煤质化验数据信息，构建L-M算法下的煤质发热量的预测模型。实验结果表明：(1)煤质化验数据中仅碳(C_d)、灰分(A_ad)与发热量(Q_gr,ad)的线性关系较为显著，相关系数R²为0.8768和0.6880;(2)主成分分析法挖掘出影响煤质发热量的主成分特征值、特征矩阵及得分，实现了由六维矩阵降至四维矩阵的降维效果，增强了神经网络在训练过程中收敛的稳定性；(3)基于L-M算法下，改进的BP神经网络预测模型(LMBP)的训练集系数R_t、验证集系数R_a和测试集系数R_m分别为0.9957、0.9942和0.9963，总体系数为0.9931，同时通过待测20组数据进一步验证了LMBP预测模型可靠，预测精度较高，更符合实际预测需求。     

基于广义回归神经网络预测入炉煤发热量

针对煤的工业分析成份与发热量的经验公式应用的局限性,本文利用广义回归神经网络（GRNN）具有良好逼近任意非线性映射的特点,对入炉煤发热量进行了预测研究。预测结果表明,应用广义回归神经网络预测入炉煤发热量是可行的,预测相对误差在0.0049%～1.9024%之间,满足精度要求。     

用于燃煤锅炉热效率在线计算的虚拟煤质数据库的建立

燃煤锅炉热效率在线计算模型的实用性及可操作性高度依赖于燃用燃料的成分和类型,为了减少煤质的复杂性及多样性、现场燃煤煤质成分分析误差以及人为离线输入参数的不准确性对锅炉热效率在线计算的影响,拟构建可供在线计算燃煤热效率调用的虚拟煤质数据库。通过对工业锅炉常用煤种成分、来源及种类进行线性回归并运用统计分析以及聚类分析等数学算法,搭建虚拟煤质数据库。为了验证煤质数据库的适用性,借助神经网络算法对燃煤的计算发热量和化验发热量进行了对比分析,结果显示,误差在工业用煤的测量误差范围内。所建的燃煤数据库能有效地实现锅炉变工况运行时的热效率在线测算。     

回归分析在中煤灰分与发热量关系分析中的应用

利用太原煤气化公司晋阳选煤厂中煤灰分与发热量的对应数据资料,将中煤灰分与发热量之间的变动关系加以模型化,导出回归方程,从而能够准确快速地预测中煤的发热量并对实测发热量值进行验证审核,对煤质管理具有较好的指导意义。     

动力配煤中主要煤质指标的分析

本文研究了动力配煤中主要煤质指标变化规律,分析预测了配煤煤质的影响因素。研究结果表明,在进行配煤时,水分易受环境影响而不具有加和性,但灰分、挥发分、全硫和高位发热量在干燥基下表现了较好的线性加和性。     

宏伟热电厂煤场库存影响因素的探讨

本文分析了影响宏伟热电厂煤场库存的煤质因素即水分、发热量、灰分等指标与实际库存的内在关系，提出了将库存量转化为煤场储存的发热量、把煤质因素引入库存概念的燃料管理建议。     

基于偏最小二乘回归的焦炭热性质非线性预测模型

针对基于煤质指标预测焦炭热性质建模过程中易出现的多重共线性问题,提出应用偏最小二乘回归对焦炭热性质进行预测的建模思路.考虑到煤质指标与焦炭热性质之间复杂的非线性关系,采用拟线性化处理的方法,将煤质指标的一次效应、二次效应及交互效应作为模型输入,建立焦炭热性质预测的偏最小二乘回归模型;基于拟线性化处理的非线性偏最小二乘回归和线性偏最小二乘回归对焦炭热性质预测实例进行分析.研究结果表明:基于偏最小二乘回归方法建立的焦炭热性质预测模型是有效可行的:非线性偏最小二乘回归模型的预测精度明显比线性偏最小二乘回归模犁的预测精度高.     

燃烧高发热量煤对锅炉的影响

1 发热量的概念 燃料的发热量是指：单位数量的燃料完全燃烧所产生的热量或热值。固体或液体燃料发热量的单位是MJ／kg。煤的发热量是煤质分析的重要指标之一，作为燃料，煤的发热量越高，转换的热能动力就越大，经济价值就越大。煤的发热量是设计锅炉时是一个重要的数据。     

燃煤发热量的影响因素分析

本文对燃煤发热量的影响因素进行了分析,得出煤中全水分对燃煤发热量的影响最大,且全水分极其不稳定,易受外界干扰,继而指出在煤质监督的采、制、化三个过程中如何排除干扰以获得燃煤的全部水分,以减少由于水分损失而增加的燃煤发热量。     

基于构造的新热量信号的研究与仿真

基于对国内大量煤质的特性进行分析,发现单位质量煤燃烧所消耗的空气量与发热量之间存在近似的线性关系.由此关系可以推导利用风量和氧量计算热量的方法.因此,构造出一种新的热量信号,即利用锅炉风量和排烟氧量计算热量的方法.同时,利用这种方法对一台600 MW机组进行试验.结果表明,该信号具有足够的静态精度,同时也能实时反映燃料发热量的变化,非常适合作为控制反馈中间信号.     

动力配煤主要煤质指标可加性的研究

针对配煤煤质指标可加性的争论,从理论上探讨了动力配煤煤质指标的可加性,并用数理统计的方法进行了论证,得出动力配煤的灰分、水分、硫分、挥发分、发热量等主要煤质指标的分析基指标具有线性可加性的重要结论,为动力配煤提供了理论基础.     

煤质煤种对输煤系统和锅炉的影响

煤质的好坏不仅影响到锅炉的燃烧工况调整、机组的安全运行和电厂的发电能耗,而且煤质和煤种的变化对输煤系统也有直接的关系。从经济性和可靠性角度分析探讨了煤的发热量、灰分、水分、挥发分、含硫量等衡量煤质的特性指标对输煤系统的影响。     

平庄煤田西露天矿区5煤组煤质特征及其与成煤作用的关系

本文结合平庄煤田及西露天矿区的地质特征和煤的形成环境特点．对西露天矿区５煤组的水分、灰分、挥发分、发热量、硫分和灰融性等煤质参数进行了综合分析，阐述了主要煤质参数在矿区的分布特征．探讨了煤质参数与成煤环境之间的关系。     

基于构造的新热量信号的研究与仿真

基于对国内大量煤质的特性进行分析，发现单位质量煤燃烧所消耗的空气量与发热量之间存在近似的线性关系，由此关系可以推导利用风量和氧量计算热量的方法，因此，构造出一种新的热量信号，即利用锅炉风量和排烟氧量计算热量的方法。同时，利用这种方法对一台600MW机组进行试验，结果表明，该信号具有足够的静态精度，同时也能实时反映燃料发热量的变化，非常适合作为控制反馈中间信号。     

改进灰色神经网络的作动系统功率预测

为提高飞机上作动系统的功率预测精度,建立了改进的多变量灰色神经网络预测模型。考虑了对系统功率需求有较大影响的相关因素,采用主成分分析法提取综合变量作为输入,在提升准确性的基础上有效减少了输入维数;在利用递增方式对初始值进行选择的过程中,引入粒子群优化算法快速求解最优初始值和背景值,模型预测的平均误差由13.35%降为7.53%;考虑到序列波动对预测精度的影响,采用BP神经网络对预测值进行误差修正,进一步将模型的平均预测误差降为4.07%。仿真实验表明,含主成分分析的改进灰色神经网络对飞机作动系统的功率有较高的预测精度,有利于飞机的电能调度。     

基于多模集成神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精度,提出了一个由5个子网络集成的多模神经网络模型,预测结果由5个子网络综合得到。对于每个子网络采用神经网络分级思想分为二级网络,一级网络采用含进化信息的profile编码蛋白质序列作为输入,二级结构作为输出。二级网络编码一级网络输出结果作为输入,并将蛋白质序列用改进正交编码方式作为另一输入来提高二级网络的预测精度,输出仍为二级结构。采用子网络差异方式进行单独训练,结果表明该方法最终的预测精度达到71.3%,较大提高了蛋白质二级结构的预测精度。     

基于位置关联权重矩阵及DNA结构信息预测人类剪接位点

人类剪接位点的识别是当前研究的一个重要课题.根据人类剪接位点附近区域的保守性,以位置关联权重矩阵及DNA结构信息作为特征输入参数,应用支持向量机(SVM)对人类基因组中的供体端和受体端剪接位点做了预测.对于供体端,5-fold交叉检验总体预测精度为92.55%,3-way data split检验总体预测精度为92.25%;受体端5-fold交叉检验总体预测精度为90.70%,3-way data split检验总体预测精度为89.87%.     

基于Copula EDA优化BP神经网络的表面粗糙度预测

为了提高预测机械加工表面粗糙度的精度,提出了基于Copula分布估计算法(estimation of distribution algorithm,EDA)优化BP神经网络的方法.以铣削45#钢为试验对象,采用控制变量法进行切削试验.在线测量主切削力、轴向力、径向力和振幅,并进行数据处理,得到相应切削力的平均值、标准差、均方根值及振幅,同时离线测量二维粗糙度R_a、三维粗糙度平均值S_a和均方根值S_q.对切削分力的平均值、标准差、均方根值及振幅与粗糙度做相关性分析,选择Kendall秩相关系数最大的主切削力平均值作为输入变量,输入BP神经网络和基于Copula EDA优化BP神经网络,进行训练和预测.试验结果表明:基于Copula EDA优化BP神经网络的预测精度总体高于BP神经网络的预测精度,对R_a,S_a和S_q的平均预测精度分别达到91.98%,91.03%和89.10%.     

基于无迹卡尔曼滤波神经网络的光伏发电预测

针对光伏发电系统在不同天气状况下发电功率预测精度不高的问题,在分析传统方法的基础上,提出一种无迹卡尔曼滤波神经网络光伏发电预测方法。该方法利用无迹卡尔曼滤波实时更新神经网络模型的权重,以直流电压和电流作为系统的输入,以有功功率和无功功率作为系统的输出,分别建立两个独立的双输入单输出功率预测模型。实验结果表明:所提出的方法对有功功率和无功功率的预测精度分别为97.3%和94.2%,并且对天气具有良好的鲁棒性。     

预测管道蜡沉积速率的BP神经网络模型研究

利用灰色关联法分析了7个影响因素与管道蜡沉积速率的关联度,确定了模型的输入维数;通过建立7-10-1的BP神经网络预测模型预测了所取样本的蜡沉积速率,并对其预测精度进行验证和对比。结果表明:在考虑7个影响蜡沉积速率因素时,模型的精度可控制在0.5%左右,比考虑4个影响因素的精度更高;BP神经网络预测模型的精度与输入维数有关,维数的增大有利于精度的提高,但并不意味维数越高精度就越高;不同的初始权重和阈值对于预测的精度和泛化能力存在较大影响,但模型的精度仍在可接受范围内,因此,该模型可用于蜡沉积速率预测。