软测量技术的新进展及其在火电厂热工过程中应用

针对火电厂热工过程中传统测量方法所面临的问题,探讨和研究了目前在火电厂热工过程中使用软测量技术的最新进展及应用。并主要通过分析燃煤电厂烟气含氧量测量的现状,提出了基于最小二乘支持向量机的软测量方法,给出了相应的系统结构和算法。     

基于混合PSO优化的LSSVM锅炉烟气含氧量预测控制

烟气含氧量是影响火电厂锅炉运行安全性和经济性的一个重要因素,影响锅炉烟气含氧量的因素多面复杂,对烟气含氧量特性进行建模与控制是实现锅炉正常运行的基础.借助现场运行数据,根据锅炉烟气含氧量的特性,建立基于最小二乘支持向量机(LSSVM)的锅炉烟气含氧量预测模型.在此基础上结合全局寻优的混合粒子群算法(PSO),对锅炉烟气含氧量进行控制.仿真结果表明:该方法能够比较准确地列火电厂锅炉烟气含氧量进行测量和控制,为锅炉燃烧系统的闭环控制与优化运行提供了新的手段.     

基于概率密度函数的软测量方法及其在烟气含氧量中的应用

现场采集的数据多为动态的生产数据,常规的数据预处理方法不能完全剔除数据中存在的各种有色噪声.针对该问题,提出了一种基于概率密度函数的烟气含氧量软测量方法,建立基于神经模糊系统的烟气含氧量软测量模型,将概率密度函数控制的思想引入到模型参数的辨识算法中,以克服有色噪声的影响.仿真结果表明,文中提出的新型软测量方法具有较高的建模精度,特别是在测量数据存在噪声的情况下,能够有效地解决烟气含氧量的预测问题.     

基于粒子群-最小二乘支持向量机算法的沥青拌和站中含氧量的软测量

为了及时诊断热再生沥青搅拌站的燃烧、干燥状态,干燥滚筒的烟气含氧量检测具有重要的意义.首先通过沥青搅拌站组成和燃烧原理分析了影响烟气含氧量的相关过程参数,然后基于粒子群-最小二乘支持向量机算法(PSO-LSSVM)构建了干燥滚筒烟气含氧量软测量模型,通过4种不同的工况进行对比实验研究,实验结果表明:干燥滚筒烟气PSO-LSSVM含氧量软测量结果和氧传感器实测结果基本一致,最大测量误差为0.8%,能满足燃烧器的反馈控制要求.烟气含氧量的软测量为热再生沥青拌和站智能燃烧器的开发奠定基础.     

压力铸造成型工艺参数优化数学模型研究

针对压铸成型的工艺参数系统难以建立精确的数学模型,参数优化凭经验试凑,难以得到最优成型工艺参数的问题。本文提出了一种基于量子粒子群算法改进的Kriging算法来建立压铸成型工艺参数系统精确的数学模型,通过Kriging代理模型技术建立工艺参数与控制量之间的精确数学模型,采用量子粒子群算法对Kriging代理模型的变差函数的参数进行优化,提高KRIGING建立的工艺参数与控制量之间的数学模型精度。仿真结果表明:基于量子粒子群算法改进后的Kriging模型精度评价指标的R²提高了9. 4741%,RMSE降低了82. 3207%,RMAE降低了84. 9139%,预测误差更小,由原来的[-2,10]优化为[-2,1]之间,提高了Kriging模型的拟合精度。     

赖氨酸发酵过程关键变量多模型软测量建模及其在线监控系统设计

针对目前赖氨酸生产过程中发酵产物品质参量难以实时测量,现有软测量模型精度不高、鲁棒性差的问题,提出了一种基于ISCA-LSSVR的赖氨酸发酵过程多模型软测量方法.首先,利用改进的满意聚类算法(ISCA)将样本数据集划分为c个子集;其次,利用最小二乘支持向量回归机(LSSVR)对每个子集分别构建子模型;随后,利用粒子群优化算法和退火算法协同优化模型参数;然后,加权融合各子模型输出得到最终系统输出;最终,设计了由上位机数据处理模块和下位机数据采集模块共同组成的赖氨酸发酵过程关键变量的智能实时监控系统.试验仿真结果表明,相较于传统单一LSSVR预测模型,ISCA-LSSVR模型对产物、基质、菌体质量浓度的预测精度分别提高了5.01％、3.62％和6.78％,模型泛化能力得到了较大提高.     

基于MAPSO优化LSSVM的锅炉燃烧建模研究

针对锅炉燃烧系统智能算法建模,为克服标准粒子群(PSO)优化算法对最小二乘支持向量机(LSSVM)模型参数进行优化时容易陷于局部最优解的缺点,提出一种改进型的蚂蚁?粒子群算法(MAPSO)对LSSVM模型参数进行优化.根据模式搜索的"探测"思想,通过与蚁群算法移动规则的结合改进粒子群算法,增加粒子群算法的小步长局部搜索...     

改进粒子群优化神经网络及其在产品质量建模中的应用

针对传统神经网络优化算法易陷入局部最优值的问题,在标准粒子群算法的基础上,对粒子速度与位置更新策略进行改进,提出一种基于改进粒子群优化算法的BP神经网络建模方法. 使用sinc函数、波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证. 结果表明,与标准的反向传播神经网络和支持向量机相比,基于改进粒子群优化的神经网络模型可以有效提高预测精度.     

混合智能在递归神经网络软测量中的应用

针对机理不清且具有复杂非线性关系的过程对象,提出一种基于混合智能的递归神经网络的数据驱动软测量建模方法。利用主元分析处理输入变量之间的共线性问题,设计了Hammerstein模型与递归神经网络的混合结构,用于描述过程对象的非线性和动态关系。为了使模型参数估计达到全局最优,提出了基于收缩粒子群优化算法的参数学习算法,不仅能够实现模型参数的更新,而且能够保证建模误差最小化。通过某氧化铝氯酸钠溶液组分浓度软测量问题中的实际应用表明:混合智能方法有效。     

火电机组锅炉烟气含氧量预测

火电厂测量烟气含氧量主要是用氧化锆传感器和磁式氧气传感器,由于测量环境灰尘大,具有腐蚀性介质如硫化物等,容易发生测量环室堵塞和热敏元件腐蚀,所以其稳定性差,测量误差大,容易发生故障。针对这一情况提出了一种基于遗传算法和神经网络的测量模型。根据电厂已有的测点和机理分析初步选取模型辅助变量,在建模前对数据进行预处理,分别采用拉依达法则去除粗大误差、五点三次平滑滤波去除噪音。采用偏最小二乘进行主元分析,最后运用遗传算法对神经网络的权值阈值进行寻优,构建了基于遗传算法对初始权值和阈值优化的反馈神经网络模型。研究结果表明,基于遗传算法优化权值和阈值的神经网络预测烟气含氧量精度较高,且收敛速度快。     

基于改进支持向量机的作物叶水势软测量建模

在标准最小二乘支持向量机(least square supportvector machine,LS-SVM)的基础上,利用改进的粒子群算法(i mproved particle swarmopti mization,IPSO)来优化LS-SVM模型参数,提出了基于IPSO-LS-SVM的软测量建模方法,建立了作物叶水势软测量模型.仿真结果表明,该方法比基本LS-SVM和PSO-LS-SVM模型具有更高的精度,能够很好地预测作物叶水势信息.     

基于互信息的辅助变量筛选及在火电厂NOx软测量模型中的应用

辅助变量的选取是软测量建模中重要的一步;但由于待选变量数目多、与主导变量非线性相关、信息冗余大等因素导致辅助变量的选择不够合理。在信息熵和互信息理论基础上,改进IBF和MIFS变量筛选算法,综合考虑了辅助变量和主导变量之间的最大相关性,以及辅助变量之间的最小冗余性。作为算例使用改进后的算法,筛选了某燃煤机组运行历史数据,建立了省煤器出口NOx浓度的GA-BP软测量模型。实验证明这种基于互信息的变量筛选方法可以有效提高模型的输出精度和泛化能力。     

基于DRNN-LSTM-IPSO的锅炉经济运行优化目标值

锅炉作为火电厂的重要设备,提高其运行经济性直接影响电厂的生产效益,而锅炉运行参数优化目标值的合理确定是保障锅炉经济运行的关键。首先提出改进的高斯混合模型算法应用于工况划分,即通过划分数据的分散度作为依据并基于马氏距离来构建评价准则函数,以确定聚类数;其次通过构建具备长短时记忆功能的深度循环神经网络(deep recurrent neural network with long-short term memory, DRNN-LSTM)建立各工况区间下的经济模型;最后在经济模型构建的基础上,针对传统粒子群算法容易陷入局部极值问题,通过对惯性权重和加速因子进行调整得到改进的粒子群算法(improved particle swarm optimization, IPSO),可更加精准地在不同工况下进行区间范围内寻优,确定运行参数的优化目标值。实验结果表明,采用本文方法确定的优化目标值对应供电煤耗优于历史最优运行值,说明了该方法在挖掘锅炉优化运行潜力上具有一定的优势,按此方案调整锅炉运行可有效降低能耗水平,以达到锅炉经济运行的目的。     

基于改进粒子群算法的诺西肽发酵过程优化

在诺西肽补料分批发酵动力学模型的基础上建立了诺西肽发酵过程产量优化模型,根据发酵工艺选取了决策变量,并确定了变量的边界约束范围.针对标准粒子群算法在求解复杂优化问题时易于陷入局部最优的问题,利用混沌序列具有随机性和遍历性的特点,引入混沌迁移算子,提出了一种改进的粒子群算法.利用改进算法对所建立的诺西肽发酵优化模型进行求解,大大提高了最终产物的产量,证明了所提改进粒子群算法的有效性.     

基于优化支持向量机的带钢延伸量软测量研究

带钢退火过程中存在多变量非线性主导因素和数据噪声,难以用数学模型精确描述退火炉内带钢的延伸量.针对这一问题,提出基于核主元分析(KPCA)与免疫粒子群(ICPSO)优化最小二乘支持向量机(LSSVM)的炉内带钢延伸量软测量方法.采用ICPSO算法避免了粒子群算法易陷入局部最优的缺陷,利用ICPSO对LSSVM进行参数寻优,通过KPCA去除样本噪声,提取输入数据样本中的非线性主元信息,建立ICPSO-LSSVM软测量模型.此方法用于退火炉内带钢延伸量预测,通过现场生产数据仿真实验进行非线性函数估计;对比其他几种现有算法,实验结果表明本文方法具有较高的预测精度.     

基于改进粒子群算法的球磨机运行优化

为了降低制粉系统球磨机的能耗率,对球磨机进行了运行优化的研究.在运行优化过程中,为了获得运行优化的目标模型,运用支持向量回归机对制粉出力进行了软测量建模,实现了制粉出力的在线软计算,得到了制粉单耗的计算模型.在此基础上,将混沌遍历的思想引入粒子群优化算法,提出了一种新的混沌遍历粒子群算法,该改进粒子群算法具有较快的搜索速度及全局收敛的特点.将该改进粒子群算法用于球磨机运行目标的优化从而获得最佳运行参数值.研究结果表明,运用所建立的运行优化目标模型及改进的优化算法可以获得球磨机的最佳运行优化参数,该研究具有重要的工程应用价值.     

基于改进粒子群算法的电站锅炉NOx排放预测控制及优化

基于支持向量机算法建立锅炉NOx排放模型,并利用实炉热态数据对模型进行校验.应用一种改进的粒子群优化算法对锅炉运行参数进行优化,并与一般线性粒子群优化算法进行对比.研究结果表明,NOx排放量明显降低,且改进的优化算法收敛性更好,为锅炉NOx排放的预测控制提供了更好的方式.     

智能优化算法在复杂模型寻优中的研究

针对建立的钢板轧制过程中的中厚板凸度预报多参数复杂模型,分别采用BP算法、BP改进算法、混沌算法和粒子群算法进行寻优并对结果进行比较。实验结果表明,该模型切实可行,在模型优化中,混沌算法和BP算法寻优速度慢,精度不高,粒子群算法寻优速度和精度均有相应提高,BP改进算法寻优速度和精度均为最优。     

基于改进的PSO和HMM的Web信息抽取算法

针对传统Web信息抽取的隐马尔可夫模型对初值十分敏感和在实际应用中模型参数极易陷入局部最优的问题,提出了一种基于改进的粒子群优化算法的隐马尔可夫模型参数优化模型,用于Web信息抽取.以似然概率值作为适应度函数,使用改进的粒子群优化算法结合Baum-Welch算法对HMM模型参数进行全局优化,实现了Web页面信息的抽取.实验结果表明,该算法在精确率和时间等指标上与现有算法相比具有更好的性能.     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。