【摘要】：目前環(huán)境污染問題已經(jīng)成為全世界的焦點(diǎn)�；鹆Πl(fā)電廠在保障電力充足供應(yīng)的同時(shí),也成為了重要的污染源。如何采取有效的控制措施來限制污染物的排放已經(jīng)成為了當(dāng)前亟待解決的問題,特別是"超低排放"的概念提出之后,針對(duì)火電廠污染物排放量的先進(jìn)控制策略也相繼出現(xiàn)。但是對(duì)于污染物排放量的預(yù)測(cè)研究還為數(shù)不多,一些先進(jìn)的智能預(yù)測(cè)方法還未能應(yīng)用到該領(lǐng)域。比如說在其他領(lǐng)域都有著很好的應(yīng)用效果的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,如果能將神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力應(yīng)用于實(shí)際生產(chǎn)過程當(dāng)中,對(duì)污染物排放量的控制將大有裨益。Elman神經(jīng)網(wǎng)絡(luò)本身具有動(dòng)態(tài)建模的功能,非常適合對(duì)未知模型的預(yù)測(cè)估計(jì)。本文應(yīng)用遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)權(quán)重和閾值,對(duì)污染物排放量進(jìn)行預(yù)測(cè)。證明了改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)的Elman神經(jīng)網(wǎng)絡(luò)可以更好的預(yù)測(cè)污染物排放量,預(yù)測(cè)誤差更小,預(yù)測(cè)模型更加精確。小波神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的一種,網(wǎng)絡(luò)結(jié)構(gòu)與典型的BP神經(jīng)網(wǎng)絡(luò)類似,隱含層所用激活函數(shù)為小波基函數(shù)。在既要加快學(xué)習(xí)速度又要保持系統(tǒng)穩(wěn)定的前提下,可以在權(quán)重和參數(shù)修的學(xué)習(xí)規(guī)則中添加一項(xiàng)動(dòng)量項(xiàng),起到保證系統(tǒng)穩(wěn)定性和避免局部最小化的作用。學(xué)習(xí)規(guī)則修改后相比于之前在數(shù)據(jù)預(yù)測(cè)的精度方面有了明顯的提高。如何在兼顧企業(yè)經(jīng)濟(jì)效益的同時(shí),又不對(duì)環(huán)境造成污染,這是在完成污染物排放量預(yù)測(cè)之后要解決的問題。本文先將非線性規(guī)劃法與遺傳算法相結(jié)合,改善了遺傳算法局部尋優(yōu)效果差的問題。再將遺傳非線性規(guī)劃法與理想點(diǎn)法搭配使用,用于優(yōu)化多目標(biāo)函數(shù)。并針對(duì)目前火電行業(yè)要減少污染與降低發(fā)電成本之間的矛盾,將改進(jìn)的理想點(diǎn)法應(yīng)用于對(duì)火電廠污染物排放的優(yōu)化上。盡量做到在不影響發(fā)電負(fù)荷,并減少一次性投資的前提下,同時(shí)減少污染物的排放。并且通過現(xiàn)場(chǎng)采集數(shù)據(jù),在Matlab軟件上進(jìn)行仿真,針對(duì)傳統(tǒng)方法與改進(jìn)方法的效果進(jìn)行了對(duì)比,結(jié)果表明改進(jìn)后的辦法能夠明顯的降低污染物排放量。能應(yīng)用到實(shí)際當(dāng)中的話,每年可減少的污染物排放量相當(dāng)可觀。
[Abstract]:At present, the problem of environmental pollution has become the focus of the world. Thermal power plant has become an important source of pollution while ensuring sufficient power supply. How to take effective control measures to limit the emission of pollutants has become an urgent problem, especially after the concept of "ultra-low emission" was put forward, advanced control strategies for pollutant emissions from thermal power plants have emerged one after another. However, there are few researches on pollutant emission prediction, and some advanced intelligent forecasting methods have not been applied to this field. For example, the neural network prediction method, which has good application effect in other fields, if the prediction ability of the neural network can be applied to the actual production process, The control of pollutant emissions will be of great benefit. Elman neural network itself has the function of dynamic modeling, which is very suitable for the prediction and estimation of unknown models. In this paper, genetic algorithm is used to optimize the weight and threshold of Elman neural network to predict pollutant emissions. It is proved that the improved Elman neural network can predict pollutant emission better than the traditional Elman neural network, the prediction error is smaller, and the prediction model is more accurate. Wavelet neural network is a kind of neural network learning. The network structure is similar to the typical BP neural network. The activation function of the hidden layer is wavelet basis function. On the premise of speeding up the learning speed and maintaining the stability of the system, a momentum term can be added to the learning rules of weight and parameter revision, which can guarantee the stability of the system and avoid the local minimization. The accuracy of data prediction is improved obviously after the modification of the learning rules. How to take into account the economic benefits of enterprises without causing pollution to the environment is a problem to be solved after the discharge forecast of pollutants is completed. In this paper, the nonlinear programming method and genetic algorithm are combined to improve the problem of poor local optimization of genetic algorithm. Then the genetic nonlinear programming method and the ideal point method are used to optimize the multiobjective function. In view of the contradiction between reducing pollution and reducing the cost of power generation in thermal power industry, the improved ideal point method is applied to the optimization of pollutant emission from thermal power plants. At the same time, reduce the emission of pollutants without affecting the generation load and reducing the one-time investment. The results show that the improved method can obviously reduce the emission of pollutants by comparing the effect of the traditional method with the improved method through the field data collection and simulation on the Matlab software. The amount of pollutant emissions that can be reduced each year is considerable if it can be applied in practice.
【學(xué)位授予單位】：山西大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP183;X773

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 雷明,李作清,陳志祥,吳雅,楊叔子;神經(jīng)網(wǎng)絡(luò)在預(yù)報(bào)控制中的應(yīng)用[J];機(jī)床;1993年11期

2 楊自厚;神經(jīng)網(wǎng)絡(luò)技術(shù)及其在鋼鐵工業(yè)中的應(yīng)用第8講人工神經(jīng)網(wǎng)絡(luò)在鋼鐵工業(yè)中的應(yīng)用(下)[J];冶金自動(dòng)化;1997年05期

3 李潤生,李延輝,胡學(xué)軍,劉壯,王守儉;神經(jīng)網(wǎng)絡(luò)在冶金中的應(yīng)用[J];鋼鐵研究;1998年02期

4 劉海玲,劉樹深,尹情勝,夏之寧,易忠勝;線性神經(jīng)網(wǎng)絡(luò)及在多組分分析中的初步應(yīng)用[J];計(jì)算機(jī)與應(yīng)用化學(xué);2000年Z1期

5 王繼宗,王西娟;用神經(jīng)網(wǎng)絡(luò)確定梁上裂紋位置的研究[J];煤炭學(xué)報(bào);2000年S1期

6 趙學(xué)慶,袁景淇,周又玲,賀松;生物發(fā)酵過程神經(jīng)網(wǎng)絡(luò)狀態(tài)預(yù)報(bào)器的驗(yàn)證[J];無錫輕工大學(xué)學(xué)報(bào);2000年06期

7 李智,姚駐斌,張望興,賀超武;基于神經(jīng)網(wǎng)絡(luò)的混勻配料優(yōu)化方法[J];鋼鐵研究;2000年04期

8 胡敏藝,馬榮駿;神經(jīng)網(wǎng)絡(luò)在冶金工業(yè)中的應(yīng)用[J];湖南有色金屬;2000年05期

9 倪建軍,邵琳;利用神經(jīng)網(wǎng)絡(luò)進(jìn)行觀測(cè)數(shù)據(jù)的分析與處理[J];連云港化工高等�？茖W(xué)校學(xué)報(bào);2000年04期

10 裴浩東,蘇宏業(yè),褚健;材料工程中基于神經(jīng)網(wǎng)絡(luò)的穩(wěn)態(tài)優(yōu)化策略[J];材料科學(xué)與工程;2001年02期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)單規(guī)劃的識(shí)別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識(shí)論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評(píng)估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報(bào);2003年

4 中國科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日?qǐng)?bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個(gè)人造神經(jīng)網(wǎng)絡(luò)[N];科技日?qǐng)?bào);2011年

7 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國際先進(jìn)水平[N];中國電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測(cè)方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測(cè)算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測(cè)的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測(cè)及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類時(shí)滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號(hào)：2154432