基于改进麻雀搜索算法和核极限学习机的电站锅炉燃烧优化

摘要：

为了实现"双碳"目标,对电站锅炉燃烧系统进行改造升级势在必行.首先利用精英反向学习策略、动态惯性权重和自适应t分布变异对麻雀搜索算法(SSA)的种群初始化和位置更新进行改进,获得一种新的改进麻雀搜索算法(ISSA).然后通过ISSA优化核极限学习机(KELM)的正则化系数和核函数参数,建立ISAA-KELM锅炉燃烧特性预测模型.采用该预测模型对某超超临界660 MW机组实际运行数据进行预测,预测结果得到锅炉NOx排放质量浓度和锅炉热效率的平均绝对误差率分别为1.4417％和0.0239％,预测效果较好.最后,根据该模型预测结果,利用ISSA对2种典型工况锅炉运行可调参数进行寻优,优化后低负荷工况锅炉NOx排放质量浓度降低约91.73 mg/m3,热效率提高0.54％,高负荷工况锅炉NOx排放质量浓度降低约45.96 mg/m3,热效率提高0.50％.

关键词：电站锅炉、燃烧优化、预测模型、麻雀搜索算法、核极限学习机

所属期刊栏目：51

分类号：TM621.2(发电、发电厂)

资助基金：湖南省自然科学基金2018JJ3552

在线出版日期：2022-09-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：96-102