基于改进量子粒子群算法的锅炉NO.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109492807A(43)申请公布日2019.03.19(21)申请号201811297483.0(22)申请日2018.11.01(71)申请人大唐环境产业集团股份有限公司地址100097北京市海淀区紫竹院路120号(72)发明人孟磊马宁谷小兵李广林李婷彦马务宁翔张妍王旭光(74)专利代理机构北京君泊知识产权代理有限公司11496代理人王程远胡玉章(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06N3/00(2006.01)权利要求书2页说明书4页附图2页(54)发明名称基于改进量子粒子群算法的锅炉NOＸ预测模型优化方法(57)摘要本发明公开了一种改进量子粒子群算法的电厂锅炉NOx预测模型优化方法，包括以下步骤，一、对燃煤机组锅炉燃烧系统机理分析，确定NOx排放浓度预测模型的输入变量；二、将余弦递减函数与量子粒子群优化算法相结合，提出改进的量子粒子群算法；三、利用改进的量子粒子群优化算法优化极限学习机的初始参数。以训练数据预测值和实际值的误差绝对值和最小化作为目标，建立准确的NOx排放模型；四、通过仿真验证经过改进量子粒子群算法优化模型精度高于其他方法优化的模型。本发明的优点：通过改进的量子粒子群算法可以高效快速的计算出极限学习机最佳初始参数，进而得到准确的火电厂锅炉NOx排放模型，对于燃煤机组降低污染物排放和具有重要意义。CN109492807ACN109492807A权利要求书1/2页1.一种基于改进量子粒子群算法的火电厂锅炉NOx预测模型优化方法，其特征在于包括以下步骤：步骤一，通过对燃煤机组锅炉燃烧系统机理分析，确定NOx排放浓度预测模型的输入变量；步骤二，将余弦递减函数与传统量子粒子群算法结合，提出改进的量子粒子群算法；步骤三，利用改进的量子粒子群优化算法优化极限学习机的初始参数，以训练数据预测结果和实际值的误差平方和最小化作为目标，建立准确的NOx排放预测模型；步骤四，通过仿真验证经过改进量子粒子群算法优化模型精度高于其他优化算法优化的模型。2.根据权利要求1所述的一种基于改进量子粒子群算法的电厂锅炉NOx预测模型优化方法，步骤一中，其特征在于确定NOx排放浓度预测模型的输入变量分别为：锅炉负荷、总风量、磨煤机A给煤量、磨煤机B给煤量、磨煤机C给煤量、磨煤机D给煤量、磨煤机E给煤量、磨煤机F给煤量、两侧二次风量、两个燃尽风挡板开度、六个磨煤机一次风风量、六个二次挡板开度作为模型的输入变量。3.根据权利要求1所述的一种基于改进量子粒子群算法的火电厂锅炉NOx预测模型优化方法，步骤二中，改进量子粒子群的流程如下：(a)初始化算法参数，确定搜索空间寻优范围，确定目标优化问题的维数，设定种群数目、最大迭代次数与初始粒子位置x；(b)将种群中粒子初始位置代入到目标优化问题的函数中，计算出初始粒子个体最优值pbest与种群全局最优值gbest；(c)与量子粒子群算法相同，根据以下公式计算出种群平均最好位置ave_best和每个粒子介于pbest和gbest之间的随机位置P；其中，为在[0,1]上均匀分布的随机数；Pid(t)为第i个粒子迭代t次时的个体最优值；pgd(t)为第t次迭代时的全局最优值；P(t)为介于个体最优值Pid(t)与全局最优值pgd(t)之间的一个随机值；β为收缩-扩张系数；(d)与量子粒子群算法不同，改进的量子粒子群算法的收缩-扩张系数β由改进的方案计算，即β＝1-cos((1-t/T)π/2)(e)将新的β计算方法代入以下公式中，根据粒子更新公式对种群中的所有粒子进行更新其中，u为在[0,1]上均匀分布的随机数；(f)计算每个粒子新的适应度，并根据最优原则对原有pbest与gbest进行替换或者保留；(g)判断迭代是否达到最大次数或者优化后的目标值是否达到目标精度，若是则算法终止迭代，否则返回步骤(c)继续进行迭代。2CN109492807A权利要求书2/2页4.根据权利要求1所述的一种基于改进量子粒子群算法的火电厂锅炉NOx预测模型优化方法，步骤三中，设置极限学习机权值的寻优范围确定极限学习机模型隐含层节点个数，优化过程的目标函数为式中，yi表示为实际值，代表预测值。3CN109492807A说明书1/4页基于改进量子粒子群算法的锅炉NOX预测模型优化方法技术领域[0001]本发明属于电厂锅炉NOx排放预测技术领域，特别是涉及一种基于改进量子粒子群优化火电厂锅炉NOx预测模型的方法。背景技术[0002]煤炭是我国的主要能源之一，占一次能源生产和消费的70％左右，这种以煤炭为主的能源结构决定了燃煤火力发电在我国的电力生产中占主导地位。根据中国电力企业联合会公布的统计数据，2