财经管理外文翻译.docVIP

华 北 电 力 大 学 毕 业 设 计（论 文）附 件 外 文 文 献 翻 译 学 号： 200902030111 姓 名： 高玥 所在院系： 自动化系 专业班级： 测控0901 指导教师： 王旭光 原文标题： A comparative study of optimization algorithms for low NOx combustion modification at a coal-fired utility boiler 年 月 日  针对燃煤电站锅炉低Nox改进的优化算法的比较研究 李正刚，周昊*，岑可法，王春林 摘要：目前，电厂排放的NOx已严重威胁到周围环境低支持向量回归(SVR)电站锅炉之间的关系。网格搜索法SVR选择参数构建SVR模型大量的排放数据排放测量。在第二阶段两变异蚁群优化(ACO)、遗传算法(GA)粒子群算法(PSO)找最优操作参数降低的排放。结果表明SVR算法除优化算法相结合的能有效降低的排放量算法精心设计的蚁群算法优于算法和PSO煤燃烧排放的是一个重要的环境污染源化石燃料增控制的排放全球关的。当前300MW及更大容量的干底锅炉是650/ Nm(干燥条件下是氧气体积百分数的6倍)，未来更严格。然而许多电站锅炉排放超过650/ Nm,并严重地威胁到周围的环境。气排放标准变得更加严格燃煤电厂面临重要的挑战方法和技术来满足新环境要求。和烟气清洁锅炉操作条件的控制是重要的的。最近,燃烧优化被证明是一种实现电站燃煤锅炉低NOx燃烧有效方法通过使用人工如神经网络、专家系统、模糊逻辑和遗传算法精心设置。燃烧优化可以分为两个简化阶段。在第一阶段,排放量之间的关系建模。后NOx排放模型纳入遗传算法调节最优操作参数低NOx燃烧。因此,为减少排放必须排放模型如果足够的理论知识一个明确的数学模型似乎是完美的。然而众所周知排放特性锅炉运行参数高度非线性。到目前为止建立并维护一个完美的模型预测的排放由于高非线性充足的数据。这意味着幸运的是目前大多数的工业设施配备了分控制系统(DCS)和实时记录操作参数连续排放监测系统(CEMS)。因此模型如基电厂日常操作记录黑盒模型排放可行有的。,优化锅炉运行和排放性能需要人工或其他先进的计算机控制电厂的数字控制系统。人工神经网络人工智能技术众所周知的工具它能够复制高度非线性系统。为止有许多研究作品应用神经网络对污染物排放GMDH的推理网络燃烧烟气汞形态。模糊神经网络排放模型。和提出了一种模糊逻辑模型生成一个可靠的排放模型环境经济。空气污染控制智能决策支持系统。排放建模和控制神经网络尤其是反向传播神经网络()，已被开发。化石燃料发电ANN模型动态预测一氧化碳排放。人工神经网络(ANN)预测大容量的燃煤锅炉NOx排放特性灰箱模型建模和预测500燃煤发电厂排放 。软件传感器。总之Kalogirou（2003）[17]所评估的一样，在过去十年里各种于排放型人工神经网络吸引了许多研究者的注意力。然而,神经网络很多的缺点包括需要众多控制参数难以获得稳定的解和过度的危险。近年来,SVR已经成功地映射复杂和高度非线性系统输入和输出之间的关系。然而,作者没有燃煤电站锅炉。在燃烧第二阶段优化算法来模型以最小化排放输出。显然, 第二阶段主要任务优化算法的选择和实。实现在线和实时应用良好性能优化算法是非常可取的。进化算法(EAs) 模拟人工生命生物系统优化技术。这种算法解决传统数学技术可能会失败大规模优化问题。典型的包括遗传算法算法粒子群优化算法蚁群算和蛙跳。在这些优化方法很少有研究使用遗传算法优化锅炉的操作条件排2,22]。其他优化算法引入到燃烧优化。然而迄今为止遗传算没有尝试发其他优化算法的排放量。和的优化技术广泛用许多科学和工程领域。目前研究致力于这些优化技锅炉燃烧优化可以神经网络基于遗传燃烧优化提供一个方法。支持向量回归的排放量电站锅炉的参数之间的关系。随后和两个变异排放SVR模型排放最优操作参数。和速进行。文的结构组织如下部分是引第二简要描述SVR法实验设置和全燃煤锅炉排放数据在第中和实现提出的两个蚁群优化算法第四给出SVR模型和的方法最后在第五部分结论。2 NOx排放非线性支持向量回归首先简要描述SVR的基本然后实验设置和实际燃煤锅炉排放数据2.1 SVR 支持向量机(SVM)和他的同事监督学习。早期版本的支持向量机分类。,由于引损失函数也适用于。SVR通过非线性映射映射到一个高维