论文总字数：33349字

摘 要

当今电站在提高锅炉效率及降低NOx排放量的双重目标下，寻求了很多方法优化锅炉燃烧。本课题选取支持向量机和粒子群优化算法进行锅炉燃烧优化工作。首先对锅炉燃烧过程进行详细介绍，包括制粉系统及燃烧器等和与燃烧有关的自动控制系统。接着介绍了支持向量机的方法，并通过给定现有的实验数据，通过支持向量机建立了包括排烟温度，锅炉效率与NOx排放量的电站锅炉排放特性的函数模型。并根据实际锅炉特性，通过增量分析法对锅炉排放特性进行分析，进一步验证非线性模型的准确性。接着介绍粒子群算法，并采用粒子群非线性优化技术工业迭代100次调节各运行参数，分别得到在要求经济情况下锅炉运行获得效率较高，以及要求环保情况下NOx排放较低的优化结果，最后综合考虑经济环保因素，得到运行效率高且NOx排放较低的优化结果。本课题的创新之处在于运用新兴的建模方法，支持向量机，以及最近发展的粒子群优化方法对运行参数进行优化，将数学方法运用于实际锅炉运行中，得到了符合实际运行特点的函数模型，对指导锅炉运行具有实际的实用价值。

关键词：支持向量机；粒子群优化；锅炉运行；燃烧过程模型。

Boiler combustion optimization control based on SVM

YU JI

Supervised by Jianhong Lv

Abstract

Power plant operators nowadays are seeking several ways to optimize combustion process in boilers, under the objectives of improving efficiency and reducing NOx emission amount. This paper mainly deals with combustion optimization using support vector machine(SVM) and particle swarm optimization algorithm(PSO). Firstly, boiler combustion system, including coal-pulverizing system, burner and combustion-related automatic control system, is introduced in detail. Combustion models, including exhaust gas temperature model, combustion model and NOx emission model are then set up based on existing experimental data through SVM described detailedly in the following part. In the modeling process, Incremental analysis is used to discuss effects of different entertainments on efficiency and NOx emission amount. The non-linear particle swarm optimizations is used to optimize efficiency for economic reasons, then optimize NOx emission amount for environmental reasons. Finally considering the both economic and environmental factors, non-linear particle swarm optimizations is used to optimize both efficiency and NOx emission amount. The innovation of this project lies in the use of new modeling methods, support vector machines, as well as the particle swarm optimization to optimize the operating parameters. Mathematical methods are used in the actual boiler operation to get the decision function according to the realistic operating characteristics. The model has practical utility value to guide the boiler operation.

Key words: support vector machines；particle swarm optimization；boiler operation；combustion processing model.

目录

Abstract 3

第一章、 绪论 5

1.1 研究背景及意义 5

1.2 锅炉燃烧国内外建模优化现状 5

1.3 支持向量机算法研究现状 6

1.4 粒子群优化算法研究现状 7

1.5 本文内容 7

第二章、锅炉燃烧控制系统 9

2.1锅炉燃烧系统 9

2.1.1 锅炉的工作过程 9

2.1.2 锅炉制粉系统 9

2.1.3燃烧器 10

2.2燃烧控制系统 11

2.3本章小结 14

第三章、 锅炉燃烧过程支持向量机建模 15

3.1 支持向量机简介 15

3.1.1基础理论 15

3.1.2对偶问题和二次规划 16

3.1.3计算b 17

3.1.3核函数 17

3.1.4支持向量机回归机求解 18

3.2支持向量机建模 18

3.2.1模型结构与数据 19

3.2.2数据处理 19

3.2.2参数选择 19

3.2.2建模结果 20

3.2.3增量分析 23

3.3本章小结 25

第四章、 锅炉燃烧过程粒子群优化 26

4.1粒子群优化算法 26

4.2锅炉燃烧过程优化及其结果 28

4.2.1燃烧问题描述 28

4.2.2燃烧优化结果 28

4.3本章小结 32

第五章 总结与展望 33

5.1总结 33

5.2展望 33

致谢 34

参考文献 35

第一章、 绪论

研究背景及意义

当今社会经济的快速发展，我国对能源的需求量特别是电力的需求量日益提高。由于能源结构的原因，传统的燃煤火电机组依然我国的发电机组中占据主导位置。由于生活水平的改善，人们开始对环境保护的要求显得更加看重，在此情况下，各火力发电厂都被要求达成提高锅炉效率节约成本和降低污染物排放量的双重目标，在这样的大环境下，锅炉作为电厂的三大设备之一，对现有锅炉进行燃烧技术改造成为当今各大电厂的当务之急，而现在兴起的各种新型的建模以及优化方法开始越来越受到重视。

锅炉燃烧优化控制以高效率、低污染排放量为目标，实现节能减排。建立锅炉燃烧过程模型是实现电厂燃烧优化控制的根本。一般的建模方法包括机制建模、基于状态估计和回归分析建模、基于人工神经网络建模、模糊建模与混合建模等。而锅炉是一个十分复杂，涉及各种因素的影响的系统，其燃烧过程也不能认为是一个简单的函数模型，其影响因素多样，还涉及各种不确定情形的影响，其建模机制异常复杂；而现在被广泛运用于燃烧建模中，极为常见的人工神经网络建模方法，存在训练耗时长、随机成分高、极易导致局部极小及过学习等缺点。而从20世纪60年代提出，并经过近几十年的研究，已经逐步成熟的支持向量机的建模算法也正成为锅炉燃烧建模的有力工具，得到越来越多的重视。而锅炉燃烧的最优化问题是实现锅炉燃烧高效低排的终极目标，常见的最优化方法包括微分求极值、无约束最优化、微分公式、凸集与凸函数、变分求极值等经典的数学方法，而这些方法又经常存在计算冗杂，难以移植等问题在锅炉的燃烧优化控制中得不到广泛的应用，然而由于计算机技术的快速发展，一些新兴的优化算法开始得到越来越多的重视与研究，其中近年来通过模拟研究鸟群系统发展起来的粒子群优化算法（Particle Swarm Optimization），简称PSO，则越来越多的应用到锅炉的燃烧优化中来。

剩余内容已隐藏，请支付后下载全文，论文总字数：33349字