论文部分内容阅读
目前火力发电在我国的电力行业中仍占据着主要地位,约占全国总发电量的70%左右。在电站中燃煤锅炉是最大的能源消耗点,然而,由于电站锅炉本身设备和管理操作等方面的原因,使得锅炉燃烧系统往往达不到高效低排的要求。利用机器学习算法对锅炉燃烧系统进行建模优化,可以帮助电站减少能源消耗、优化人员操作、提高预测准确率。但是,传统的基于机器学习的锅炉燃烧系统建模优化方法的训练与测试效率、准确率都有待进一步提高。随着电站锅炉燃烧系统运行数据的爆炸式增长,传统的机器学习算法已经很难满足海量高维数据处理的需求。极限学习机(Extreme Learning Machine,ELM)的提出为提高锅炉燃烧系统的效率开辟了一条有效的途径。当前Hadoop技术对于处理海量高维数据具有很强的适应性,其中的MapReduce编程框架采用分布式计算,为解决上述大数据问题提供了有效手段。因此,如何将ELM算法在Hadoop平台上实现分布式计算,并将其应用到电站锅炉燃烧优化模型上具有重要的理论意义和实用价值。本文借用Hadoop中的MapReduce编程框架实现极限学习机的分布式计算,并对分布式极限学习机中的不足进行了改进。本文具体工作如下:(1)针对传统单机ELM算法在处理海量高维数据时可能面临计算速度慢以及单机资源不足的问题,利用Hadoop中的MapReduce分布式计算框架对ELM算法中大矩阵运算进行优化,提出了能够处理大规模数据的分布式极限学习机,即ELM*I算法。(2)分析ELM*I算法,针对算法中map和reduce方法的中间结果存储问题,导致数据之间的计算和传输成本增加,对此提出了一种改进的分布式极限学习机(Improved Distributed Extreme Learning Machine,IDELM),并通过实验验证了IDELM的性能优于ELM*I。(3)对采集回来的电站锅炉燃烧系统数据进行预处理,然后利用IDELM算法分别建立NOx排放量和锅炉燃烧热效率预测模型。通过实验详细分析模型中隐含层节点L和正则项A两个参数对模型预测准确率和泛化能力的影响,并根据实验结果选出最优的两个参数组合以确定各自的最优模型,然后利用此模型对NOx排放量和锅炉燃烧热效率进行预测分析。(4)研究了锅炉燃烧系统多目标优化问题。根据之前建立的NOx排放量与锅炉燃烧热效率预测模型综合建立锅炉多目标燃烧优化模型,并以NOx排放量和锅炉燃烧热效率作为模型的输出。通过权重系数法将以NOx排放量最小化和锅炉燃烧热效率最大化组成的多目标优化问题转换成单目标优化问题,并采用分布式粒子群(MR-PSO)算法对模型可调输入参数进行优化,寻找出相应工况下各个可调输入参数之间的最优组合值。综上所述,本文研究了基于MapReduce的分布式极限学习机及其改进方法,增强了ELM处理海量高维数据的能力。将其应用到锅炉多目标燃烧模型建立当中,并采用MR-PSO算法优化模型。通过大量的实验分析证明了该方法在解决锅炉燃烧优化问题上的可行性与有效性。