【技术实现步骤摘要】
基于猴群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猴群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
燃煤发电仍然是中国乃至全球的重要发电形式。发电时，燃煤发电会排放大量的NOx，从而造成严重的环境污染。低氮燃烧优化技术具有简单，高效和低成本的优势。建立准确的NOx预测模型是低氮燃烧优化的重要组成部分[1]。常见的建模方法是支持向量机和人工神经网络建模。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问题却进展缓慢。直到深度学习的兴起，人工神经网络才再次成为研究的热潮。2004年，GBHuang[2]提出了一种新型的单隐层前馈神经网络，即极限学习机(ExtremeLearningMachine，ELM)。ELM克服了传统神经网络算法的需要迭代、耗时长和易陷入局部最优值的问题。尽管极限学习机具有很多优势，但是在某些回归或分类应用中，它比传统的神经网络学习算法需要更多的隐层神经元，这可能会使训练完成的极限学习机对未知测试样本响应时间...
【技术保护点】
1.一种基于猴群算法和快速学习网的电站锅炉NO
【技术特征摘要】
1.一种基于猴群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：利用模型样本和猴群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所述的一种基于猴群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所述的一种基于猴群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所述的一种基于猴群算法和快速学习...
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。