【技术实现步骤摘要】
基于蜻蜓算法和快速学习网的电站锅炉NOx排放量预测方法
本专利技术涉及电站锅炉NOx排放量预测领域，尤其是涉及一种基于蜻蜓算法和快速学习网的电站锅炉NOx排放量预测方法。
技术介绍
随着环保意识不断提高，国家针对电站提出了一系列环保要求，在提高燃烧效益的同时限制大气污染物的排放[1]。目前，燃煤发电在我国乃至全球范围内仍然是一种重要的发电形式，而煤炭燃烧是NOx的主要来源之一，因此减少NOx排放量是电厂迫在眉睫要解决的问题。电厂锅炉减少NOx排放的主要方法是燃烧优化技术，精准的NOx排放模型是燃烧优化技术的基础[2]。神经网络一直是机器学习领域的研究热点，但过拟合和训练缓慢等方面却进展缓慢。2004年，GBHuang[3]提出了一种新型的单隐层前馈神经网络极限学习机(ExtremeLearningMachine，ELM)，ELM克服了传统神经网络算法需要迭代、耗时长和易陷入局部最优的问题。李国强[4]为了进一步提高极限学习机的泛化能力，针对在某些回归或分类应用中极限学习机比传统的神经网络学习算法需要更多的隐层神经元的...
【技术保护点】
1.一种基于蜻蜓算法和快速学习网的电站锅炉NO
【技术特征摘要】
1.一种基于蜻蜓算法和快速学习网的电站锅炉NOx排放量预测方法，其特征在于，该方法包括以下步骤：
S1：对电站锅炉历史运行数据进行预处理，得到模型样本；
S2：利用模型样本和蜻蜓算法优化快速学习网，得到电站锅炉NOx排放神经网络模型；
S3：获取实际电站锅炉运行数据，利用电站锅炉NOx排放神经网络模型进行电站锅炉NOx排放量预测。
2.根据权利要求1所述的一种基于蜻蜓算法和快速学习网的电站锅炉NOx排放量预测方法，其特征在于，所述电站锅炉历史运行数据包括锅炉负荷、给煤机转速、一次风速、二次风速、排烟氧量、烟气温度、二次风喷嘴开度、燃尽风挡板开度和煤质特性等。
3.根据权利要求1所述的一种基于蜻蜓算法和快速学习网的电站锅炉NOx排放量预测方法，其特征在于，S1包括：
S11：获取初始历史数据；
S12：对初始历史数据进行数据预处理，得到模型样本，数据预处理包括剔除数据坏点、提取稳态数据和数据归一化；
S13：对模型样本进行训练样本和测试样本划分。
4.根据权利要求3所述的一种基于蜻蜓算法和快速学习网的电站锅炉NOx排放量预测方法，其特征在于，选择模型...
【专利技术属性】
技术研发人员：李庆伟，申志文，贺奇峰，张文勇，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。