金秀章
- 作品数：125 被引量：425H指数：12
- 供职机构：华北电力大学控制与计算机工程学院更多>>
- 发文基金：国家高技术研究发展计划中央高校基本科研业务费专项资金更多>>
- 相关领域：自动化与计算机技术动力工程及工程热物理电气工程机械工程更多>>
- 基于mRMR-BO优化Stacking集成模型的NO_(x)浓度动态软测量被引量：4
- 2023年
- 针对火电厂选择性催化还原(selective catalytic reduction,SCR)烟气脱硝系统中,由于影响入口NO_(x)质量浓度因素过多及系统大迟延大惯性,导致入口NO_(x)质量浓度难以准确及时测量的问题,提出了利用最大相关-最小冗余算法(max-relevance and min-redundancy,mRMR)结合贝叶斯优化算法(Bayesian optimization,BO)优化Stacking集成模型的SCR烟气脱硝系统入口NO_(x)质量浓度动态软测量模型。针对动态NO_(x)生成过程中静态单一模型预测精度降低及辅助变量与入口NO_(x)质量浓度时间异步的问题,利用mRMR-BO结合模型进行辅助变量筛选,Copula熵(copula entropy,CE)确定辅助变量迟延,BO结合模型确定辅助变量阶次,将TCN及LASSO利用Stacking法集成,使用含有迟延时间及阶次信息的辅助变量构建动态Stacking集成软测量模型。仿真结果显示:集成模型较TCN及LASSO单一网络的均方根误差、平均绝对误差、平均绝对百分比误差最小;动态集成模型对比静态集成模型,预测精度更高,能够实现对入口NO_(x)质量浓度的准确软测量。
- 金秀章乔鹏史德金
- 基于粒子群算法的喷水减温器建模研究
- 2015年
- 根据质量守恒和能量守恒定律建立喷水减温器的机理模型。为了提高模型精度,利用粒子群优化算法对喷水减温器的机理模型参数进行优化,并利用Matlab进行仿真,仿真结果很好地证明了模型的精确性。
- 金秀章曹丁元谢泽坤孙小林
- 关键词：喷水减温器粒子群算法
- 基于变量筛选和注意力机制的CNN-BiLSTM出口SO_(2)浓度预测模型
- 2025年
- 针对燃煤电厂锅炉燃烧工况复杂多变和脱硫系统惯性大,影响因素多,导致的出口SO_(2)浓度频繁大范围波动且难以预测的问题,提出一种基于浣熊优化算法(coati optimization algorithm,COA)优化变分模态分解(variational mode decomposition,VMD)算法与融合卷积神经网络(convolutional neural network,CNN),双向长短期记忆网络(bidirectional long short-term memory networks,BiLSTM)和注意力机制的出口SO_(2)浓度预测模型。首先使用k-近邻互信息法筛选出与出口SO_(2)浓度相关性高的辅助变量,求取出各个辅助变量对应的时延补偿,然后对补偿后的变量用COA-VMD算法进行分解,保留分解结果中与输出变量相关性最大的变量子集进行重构,并将其作为模型的输入,最后使用CNN-BiLSTM-Attention建立出口SO_(2)浓度预测模型。仿真结果表明,相比其他模型该模型的均方根误差、平均绝对百分比误差最小,预测精度最高,分别为0.5777 mg/m^(3),0.2705%,0.9732。
- 畅晗金秀章赵术善赵大勇
- 关键词：卷积神经网络
- 基于改进鲸鱼算法优化Bi-LSTM的脱硝系统NO_(x)建模被引量：8
- 2022年
- 针对燃煤电厂SCR脱硝系统入口NO_(x)浓度难以测量的问题,提出了基于改进鲸鱼算法(Improved Whale Optimization Algorithm,IWOA)优化双向长短时记忆神经网络(Bi-directional Long Short-Term Memory Neural Network,Bi-LSTM)的SCR入口NO_(x)浓度预测模型。利用LightGBM进行特征选择,运用最大时间周期的方法计算迟延时间;采用加入Relu层的Bi-LSTM神经网络提取时序特征,建立预测模型,并利用IWOA确定Bi-LSTM的最优超参数,最后与传统Bi-LSTM、LSTM、LightGBM预测模型进行对比验证。仿真结果表明,IWOA-Bi-LSTM模型的均方根误差、平均绝对百分比误差、平均绝对误差最小,能够实现对NO_(x)浓度的准确预测。
- 姚宁金秀章李阳峰
- 模糊自整定PID在脱硝控制系统中的应用被引量：6
- 2017年
- 针对火电厂脱硝控制系统的大迟延、非线性、时变等特点,提出了一种模糊自整定PID控制策略。对脱硝控制系统中选择性催化还原(SCR)烟气脱硝原理和传统的出口NOx控制策略进行了研究。根据系统的性能指标,确定了PID参数的模糊规则整定表。分析了初始论域对系统控制性能的影响,根据遗传算法得到初始的PID参数,利用模糊推理原则修改PID参数,以满足被控对象变化时的需求。通过Matlab对不同负荷下的被控对象进行了仿真。其结果表明:与传统PID控制策略相比,模糊自整定PID控制策略在快速性、准确性、鲁棒性方面有了明显的提升。该控制策略可有效应用于脱硝控制系统。
- 金秀章张少康
- 关键词：选择性催化还原模糊自整定PID
- 基于模糊自调整PID技术的励磁控制器研究被引量：18
- 2006年
- 结合模糊控制理论和常规PID励磁控制器,提出了模糊自调整PID励磁控制技术。选取自并励励磁模型作为对象,在MATLAB软件下对常规PID励磁控制与模糊自调整PID励磁控制进行仿真研究。结果表明,模糊自调整PID励磁控制能有效地改善系统的动态品质,提高系统的抗干扰能力,对运行状态改变时模型变化的鲁棒性有较大提高。
- 张立峰金秀章田沛
- 关键词：励磁控制器模糊控制MATLAB仿真
- 基于VMD-Bayes-Lasso算法带误差补偿的火电厂NO_(x)浓度软测量
- 2025年
- 针对燃煤电厂中选择性催化还原(Selective Catalytic Reduction,SCR)脱硝系统入口NO_(x)浓度的测量传感器迟延大,不能准确反映其浓度的实时变化的问题,提出了利用Copula熵(Copula entropy,CE)筛选与入口NO_(x)浓度软测量相关的辅助变量,利用变模态分解(Variational Mode Decomposition,VMD),将入口NO_(x)浓度分解为不同中心频率的子序列信号,建模充分拟合目标变量的数据特征。采用二级建模方法,第一级,将分解后得到的入口NO_(x)浓度子序列信号分别利用贝叶斯回归算法(Bayesian Regression,Bayes)进行训练并预测,叠加得到完整的预测结果,第二级,对训练中产生的验证集误差值利用Lasso算法建立误差预测模型,得到测试集预测误差的预测值,并与第一级模型得到完整预测结果叠加,实现误差补偿,提升模型预测精度。其中,Bayes及Lasso网络超参数利用天牛群算法进行自动寻优;仿真结果显示,VMD分解并带误差补偿模型对比未经VMD分解带误差补偿模型,Bayes及Lasso单一模型的均方根误差、平均绝对误差、平均绝对百分比误差最小,能够实现对入口NO_(x)浓度的准确软测量。
- 金秀章乔鹏史德金
- 关键词：软测量
- CPC型光伏/光热装置测控系统设计与实现
- 2014年
- 针对太阳能光伏光热综合利用技术中如何有效协调光热效率和光电效率的问题,开发一种以iFIX为支撑平台的CPC型光伏/光热装置测控系统。开发友好人机画面实时监测现场装置的主要运行参数,并手/自动调节入口水工质流量,对光伏电池板进行有效散热降温以及输出稳定温度的水工质,提高装置的光电效率和光热效率,从而达到高效的太阳能热电联用目的。
- 谢泽坤金秀章
- 关键词：IFIX光伏光热监控系统
- 基于云南高山地形的风电AGC策略被引量：1
- 2013年
- 结合云南高海拔、复杂山地的特点对其风电场AGC控制系统建设进行了展望,提出了在采用AGC机组和非AGC机组协调控制的基础上,将机组分为基本负荷机组和调度机组的控制方案。
- 赵盛萍赵明梁俊宇李璟瑞金秀章
- 关键词：风力发电AGC协调控制
- 基于mRMR和MA-RELM的火电厂出口SO_(2)质量浓度预测被引量：14
- 2022年
- 提出一种基于最大相关最小冗余(mRMR)算法和蜉蝣算法优化正则化极限学习机(MA-RELM)的出口SO_(2)质量浓度预测模型。通过机理分析确定初始输入变量,利用改进的时延分析方法对初始输入变量进行时延补偿,采用mRMR算法对各个初始输入变量进行重要性排序,搭建正则化极限学习机(RELM)预测模型,并利用蜉蝣算法确定模型参数。结果表明:与最小二乘支持向量机(LSSVM)、长短期记忆网络(LSTM)和极限学习机(ELM)相比,RELM预测模型的均方根误差分别降低了36%、38%和26%;与粒子群算法(PSO)和灰狼算法(GWO)寻优后的模型相比,MA-RELM预测模型误差最低,该模型能够对出口SO_(2)质量浓度进行准确预测。
- 金秀章刘岳赵文杰于静
