文献类型：期刊文章

作　　者：余印振[1] 韩哲哲[1] 许传龙[1]

YU Yinzhen;HAN Zhezhe;XU Chuanlong(National Engineering Research Center of Turbo-Generator Vibration,School of Energy and Environment,Southeast University,Nanjing 210096,Jiangsu Province,China)

机构地区：[1]东南大学能源与环境学院火电机组振动国家工程研究中心,江苏省南京市210096

出　　处：《中国电机工程学报》

基　　金：国家自然科学基金项目(51976038);江苏省重点研发计划(社会发展)(BE2020691)。

年　　份：2022

卷　　号：42

期　　号：1

起止页码：238-247

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：NO_(x)浓度的准确预测对于燃烧优化控制至关重要,有利于提高能源利用效率和减少环境污染。提出了一种基于深度卷积神经网络(deep convolution neural network,DCNN)和支持向量机(support vector machine,SVM)的NO_(x)浓度预测方法。该方法首先利用DCNN对火焰图像的深层特征进行提取,然后采用支持向量机对所提取到的深层特征进行分析,从而实现NO_(x)浓度预测。通过采集4.2MW重油燃烧锅炉不同燃烧工况下的火焰图像与NO_(x)浓度,对所提出的预测方法的有效性进行测试。试验结果表明,在不同燃烧工况下,DCNN-SVM的均方根误差为1.58mg/m^(3),低于基于静态物理特征的预测模型(7.96mg/m^(3))。表明DCNN-SVM具有较高的预测精度,不仅克服了静态物理特征表达能力的不足,而且摆脱了繁琐的特征设计过程。

关 键 词：深度卷积神经网络  支持向量机 NO_(x)浓度  火焰图像

分 类 号：TM85]