燃煤锅炉普遍采用空气分级燃烧技术,此举虽可大幅降低NOx生成,但造成炉内火焰中心上移,导致屏式过热器(屏过)管壁超温严重。此外,调峰运行使锅炉负荷经常性不规则变化,进一步恶化了屏过传热,使爆管泄漏事故频发。为指导锅炉安全可靠运行...燃煤锅炉普遍采用空气分级燃烧技术,此举虽可大幅降低NOx生成,但造成炉内火焰中心上移,导致屏式过热器(屏过)管壁超温严重。此外,调峰运行使锅炉负荷经常性不规则变化,进一步恶化了屏过传热,使爆管泄漏事故频发。为指导锅炉安全可靠运行,提出一种基于遗传算法优化超参数的深度神经网络模型(deep neural network model with its hyperparameters optimized by genetic algorithm,GA-DNN),通过构建炉内风煤侧及汽水侧运行参数与屏过30片管屏出口温度之间的映射关联,对屏过超温进行分析和预测。该模型可实现对不同负荷工况下屏过温度分布的准确预测,在此基础上能够以97.5%以上的准确率识别出当前及未来5 min屏过超温(>550℃)的运行工况,同时可在89.2%的准确率下预测出未来5 min屏过超温最严重的管屏所在区域。展开更多
针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使...针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。展开更多
文摘燃煤锅炉普遍采用空气分级燃烧技术,此举虽可大幅降低NOx生成,但造成炉内火焰中心上移,导致屏式过热器(屏过)管壁超温严重。此外,调峰运行使锅炉负荷经常性不规则变化,进一步恶化了屏过传热,使爆管泄漏事故频发。为指导锅炉安全可靠运行,提出一种基于遗传算法优化超参数的深度神经网络模型(deep neural network model with its hyperparameters optimized by genetic algorithm,GA-DNN),通过构建炉内风煤侧及汽水侧运行参数与屏过30片管屏出口温度之间的映射关联,对屏过超温进行分析和预测。该模型可实现对不同负荷工况下屏过温度分布的准确预测,在此基础上能够以97.5%以上的准确率识别出当前及未来5 min屏过超温(>550℃)的运行工况,同时可在89.2%的准确率下预测出未来5 min屏过超温最严重的管屏所在区域。
文摘针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。
