牛培峰, 彭 鹏

(燕山大学 电气工程学院,河北 秦皇岛 066004)

1 引 言

煤炭是我国主要的一次能源,其比重达到了70%,并且80%的煤炭用于燃烧,这带来了严重的环境污染。NOx是一种主要的大气污染物,从目前我国的NOx排放情况来看,大部分NOx是由燃煤锅炉及各种化工厂贡献出来的[1]。

降低NOx排放是电站面临的一个主要任务。为了得到锅炉的最佳运行参数,并降低NOx的排放,首先要建立精确的NOx排放特性模型[2]。锅炉燃烧系统是一个多变量,强耦合的非线性时变系统具有不确定性,因此传统的解析式建模方法很难建立精确的锅炉NOx排放特性模型。近年来人工智能技术得到了快速发展以及广泛应用。程淑红、高许和周斌利用多特征提取与支持向量机建立车型识别模型[3];王书涛、朱彩云和刘洺辛等将支持向量机应用在山梨酸钾的荧光光谱检测中[4];王昱洁、王媛和张勇提出一种基于核模糊C均值聚类、低秩矩阵填充及最小二乘支持向量机的室内定位算法[5]。研究者开始采用智能技术拟合锅炉NOx排放曲线[6]。余延芳等利用BP神经网络建立了锅炉燃烧特性的模型,并用遗传算法对锅炉运行参数进行了优化[7,8]。刘飞明、张雨飞将支持向量机与改进混沌粒子群算法相结合来对NOx进行在线建模[9]。丁知平和李应保等改进的最小二乘支持向量机建立煤粉锅炉NOx排放模型[10,11]。甄成刚、刘怀远提出一种基于多模型聚类集成的锅炉烟气NOx排放量建模方法[12]。马云鹏等提出基于混沌分组教与学优化算法优化锅炉NOx模型[13],牛培峰等基于GSA-PELM研究了锅炉NOx预测模型[14],文献[15]基于混合鸡群算法和核极端学习机预测了锅炉NOx的排放。……