典型文献
基于静电法联合长短时记忆神经网络的入炉煤质辨识方法
文献摘要：
燃煤机组每台磨煤机的实时入炉煤质对锅炉的燃烧优化调整具有重要意义,但传统煤质检测程序繁琐,且存在检测数据滞后的情况.因此,提出一种基于静电法联合长短时记忆(LSTM)神经网络的入炉煤质辨识方法.根据不同煤粉传输过程中存在静电变化的特性,安装静电传感器检测不同煤粉通过管道时的静电信号强度,结合风煤比、煤粉流速、磨煤机出口温度等影响参数,并结合现场数据分析参数相关性与迟延性,构建煤质辨识LSTM神经网络模型.以某600MW机组锅炉实测数据为例,经参数寻优后采用LSTM神经网络模型辨识煤质准确率达到86.84％,对4种煤质分类结果的评估指标AUC值均在0.9以上,并与其他机器学习模型进行对比实验,结果表明LSTM神经网络模型具有更高的辨识精度,验证了该方法的可行性和准确性.
文献关键词：
入炉煤质;煤质辨识;静电法;分类模型;LSTM神经网络
中图分类号：
作者姓名：
黄孝彬;杨萱;林锴翔;许琦;李永生
作者机构：
华北电力大学控制与计算机工程学院,北京 102206;清洁高效燃煤发电与污染控制国家重点实验室,江苏 南京 210023
文献出处：
引用格式：
[1]黄孝彬;杨萱;林锴翔;许琦;李永生-.基于静电法联合长短时记忆神经网络的入炉煤质辨识方法)[J].热力发电,2022(08):108-115
A类：
煤质辨识
B类：
于静,静电法,长短时记忆神经网络,入炉煤质,辨识方法,燃煤机组,磨煤机,锅炉,燃烧优化调整,整具,煤质检测,检测程序,检测数据,煤粉,输过,静电传感器,传感器检测,电信号,信号强度,煤比,出口温度,影响参数,现场数据,参数相关性,迟延,延性,600MW,参数寻优,模型辨识,机器学习模型,辨识精度,分类模型
AB值：
0.283363
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
