[发明专利]基于改进量子粒子群算法的锅炉NOＸ预测模型优化方法

说明书

本发明公开了一种改进量子粒子群算法的电厂锅炉NO_x预测模型优化方法，包括以下步骤，一、对燃煤机组锅炉燃烧系统机理分析，确定NO_x排放浓度预测模型的输入变量；二、将余弦递减函数与量子粒子群优化算法相结合，提出改进的量子粒子群算法；三、利用改进的量子粒子群优化算法优化极限学习机的初始参数。以训练数据预测值和实际值的误差绝对值和最小化作为目标，建立准确的NO_x排放模型；四、通过仿真验证经过改进量子粒子群算法优化模型精度高于其他方法优化的模型。本发明的优点：通过改进的量子粒子群算法可以高效快速的计算出极限学习机最佳初始参数，进而得到准确的火电厂锅炉NO_x排放模型，对于燃煤机组降低污染物排放和具有重要意义。

技术领域

本发明属于电厂锅炉NOx排放预测技术领域，特别是涉及一种基于改进量子粒子群优化火电厂锅炉NOx预测模型的方法。

背景技术

煤炭是我国的主要能源之一，占一次能源生产和消费的70％左右，这种以煤炭为主的能源结构决定了燃煤火力发电在我国的电力生产中占主导地位。根据中国电力企业联合会公布的统计数据，2012 年全年火力发电量占总发电量的78％。可以看出，火力发电仍然是我国电力生产的主要方式。燃煤发电厂燃料燃烧产生的NO_x是大气污染的主要有害物质之一。构建准确的NO_x排放预测模型对其控制的必要条件。因此，建立有效的NO_x排放特性预测模型对电站减少污染物排放尤为重要。然而，生成NO_x的反应非常复杂，很难建立准确的NO_x排放的第一数学模型，基于神经网络的“黑箱”数据驱动建模方法可以忽略模型反应原理，已经被广泛应用于各工程领域。但传统神经网络存在训练时间长和容易出现“过拟合”等问题。极限学习机(ELM)是一种新型前馈神经网络，具有学习速度快，调节参数少，预测性能高的优点。但ELM训练过程中输入层初始权重和隐含层偏置是随机确定的，这会影响极限学习机的稳定性。对此，提出了一种新的优化算法与ELM相结合建模。量子粒子群算法(QPSO)在基本原理上与粒子群算法(PSO)一样，其各个粒子的迭代过程都是基于个体最优与群体最优的信息来进行更新的。与PSO算法不同的是，QPSO算法使每个粒子以量子的行为方式进行运动，各个粒子可以概率性地出现在解空间当中的任何一个位置，在很大程度上增强了粒子运动的随机性与算法全局寻优的有效性量子粒子群(QPSO)算法是在粒子群算法基础上结合了量子力学相关理论而形成的一种智能优化算法。但是 QPSO算法搜索后期收敛速度慢且搜索精度低的现象，为了解决此问题，需要提出新的改进的量子粒子群优化算法优化极限学习机模型内部参数，用以建立准确的火电厂燃煤锅炉NO_x排放模型。

发明内容

鉴于上述问题，本发明的目的在于提供精确地锅炉NO_x排放浓度预测模型，以解决目前锅炉烟气NO_x预测精度不足的状况。针对火电厂锅炉NO_x排放模型建立困难和量子粒子群算法在搜索后期容易陷入局部最优的问题，本发明结合基于余弦递减函数改进的QPSO算法(COSQPSO)。利用COSQPSO算法优化极限学习机模型输入层的权值和隐含层偏置值，建立了有效的NO_x排放特性模型。

步骤一，通过对燃煤机组锅炉燃烧机理分析，确定NO_x排放浓度预测模型的输入变量。

步骤二，将余弦递减函数与传统量子粒子群算法结合，提出改进的量子粒子群算法COSQPSO。

步骤三，由于极限学习机模型输入层的权值和隐含层的偏置值阈值是随机生成的，这在一定程度上影响了极限学习机模型的预测精度，因此，利用所提出的改进量子粒子群优化算法优化模型的输入权值和偏置值。

步骤四，应用所选数据对所建模型进行仿真实验，验证COSQPSO算法优化的极限学习机模型是否优于未经优化过的模型和其他算法优化过的模型。