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

作者：冯磊华; 张杰^*; 詹毅

来源：热力发电, 2022, 51(09): 96-102.

DOI：10.19666/j.rlfd.202204060

• 电站锅炉
• 燃烧优化
• 预测模型
• 麻雀搜索算法
• 核极限学习机

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1.441 7%和0.023 9%,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%。

• 单位
  长沙理工大学