[發明專利]基于改進量子粒子群算法的鍋爐NOＸ預測模型優化方法

在審

• 申請號: 201811297483.0
• 申請日: 2018-11-01
• 公開（公告）號: CN109492807A
• 公開（公告）日: 2019-03-19
• 發明（設計）人: 孟磊;馬寧;谷小兵;李廣林;李婷彥;馬務;寧翔;張妍;王旭光
• 申請（專利權）人: 大唐環境產業集團股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00
• 代理公司: 北京君泊知識產權代理有限公司 11496
• 代理人: 王程遠;胡玉章

本發明公開了一種改進量子粒子群算法的電廠鍋爐NO_x預測模型優化方法，包括以下步驟，一、對燃煤機組鍋爐燃燒系統機理分析，確定NO_x排放濃度預測模型的輸入變量；二、將余弦遞減函數與量子粒子群優化算法相結合，提出改進的量子粒子群算法；三、利用改進的量子粒子群優化算法優化極限學習機的初始參數。以訓練數據預測值和實際值的誤差絕對值和最小化作為目標，建立準確的NO_x排放模型；四、通過仿真驗證經過改進量子粒子群算法優化模型精度高于其他方法優化的模型。本發明的優點：通過改進的量子粒子群算法可以高效快速的計算出極限學習機最佳初始參數，進而得到準確的火電廠鍋爐NO_x排放模型，對于燃煤機組降低污染物排放和具有重要意義。

技術領域

本發明屬于電廠鍋爐NOx排放預測技術領域，特別是涉及一種基于改進量子粒子群優化火電廠鍋爐NOx預測模型的方法。

背景技術

煤炭是我國的主要能源之一，占一次能源生產和消費的70％左右，這種以煤炭為主的能源結構決定了燃煤火力發電在我國的電力生產中占主導地位。根據中國電力企業聯合會公布的統計數據，2012 年全年火力發電量占總發電量的78％。可以看出，火力發電仍然是我國電力生產的主要方式。燃煤發電廠燃料燃燒產生的NO_x是大氣污染的主要有害物質之一。構建準確的NO_x排放預測模型對其控制的必要條件。因此，建立有效的NO_x排放特性預測模型對電站減少污染物排放尤為重要。然而，生成NO_x的反應非常復雜，很難建立準確的NO_x排放的第一數學模型，基于神經網絡的“黑箱”數據驅動建模方法可以忽略模型反應原理，已經被廣泛應用于各工程領域。但傳統神經網絡存在訓練時間長和容易出現“過擬合”等問題。極限學習機(ELM)是一種新型前饋神經網絡，具有學習速度快，調節參數少，預測性能高的優點。但ELM訓練過程中輸入層初始權重和隱含層偏置是隨機確定的，這會影響極限學習機的穩定性。對此，提出了一種新的優化算法與ELM相結合建模。量子粒子群算法(QPSO)在基本原理上與粒子群算法(PSO)一樣，其各個粒子的迭代過程都是基于個體最優與群體最優的信息來進行更新的。與PSO算法不同的是，QPSO算法使每個粒子以量子的行為方式進行運動，各個粒子可以概率性地出現在解空間當中的任何一個位置，在很大程度上增強了粒子運動的隨機性與算法全局尋優的有效性量子粒子群(QPSO)算法是在粒子群算法基礎上結合了量子力學相關理論而形成的一種智能優化算法。但是 QPSO算法搜索后期收斂速度慢且搜索精度低的現象，為了解決此問題，需要提出新的改進的量子粒子群優化算法優化極限學習機模型內部參數，用以建立準確的火電廠燃煤鍋爐NO_x排放模型。

發明內容

鑒于上述問題，本發明的目的在于提供精確地鍋爐NO_x排放濃度預測模型，以解決目前鍋爐煙氣NO_x預測精度不足的狀況。針對火電廠鍋爐NO_x排放模型建立困難和量子粒子群算法在搜索后期容易陷入局部最優的問題，本發明結合基于余弦遞減函數改進的QPSO算法(COSQPSO)。利用COSQPSO算法優化極限學習機模型輸入層的權值和隱含層偏置值，建立了有效的NO_x排放特性模型。

步驟一，通過對燃煤機組鍋爐燃燒機理分析，確定NO_x排放濃度預測模型的輸入變量。

步驟二，將余弦遞減函數與傳統量子粒子群算法結合，提出改進的量子粒子群算法COSQPSO。

步驟三，由于極限學習機模型輸入層的權值和隱含層的偏置值閾值是隨機生成的，這在一定程度上影響了極限學習機模型的預測精度，因此，利用所提出的改進量子粒子群優化算法優化模型的輸入權值和偏置值。

步驟四，應用所選數據對所建模型進行仿真實驗，驗證COSQPSO算法優化的極限學習機模型是否優于未經優化過的模型和其他算法優化過的模型。