Basierend auf den experimentellen Daten des Wärmebetriebs vor Ort eines 660 MW kohlebefeuerten überkritischen Kessels, unter Verwendung des intelligenten MATLAB-Toolkits, wurden die NOx-Emissionsmerkmale dieses Kessels unter Verwendung eines radialen Basisfunktions (RBF) -Neuronalen Netzes und des BP-Neuronalen Netzes modelliert, und zur Optimierung der Ausgangsgewichte des RBF-Neuronalen Netzvorhersagemodells und der Zentren und Standardabweichungen der RBF-Funktion wird der alternative Gradientenalgorithmus verwendet, und zur Verbesserung des BP-Neuronalen Netzes wird die Momentum-Methode verwendet. Der Vergleichsanalyse der Simulations- und Vorhersageergebnisse der beiden Modelle zeigt, dass der maximale Prognosefehler des RBF-Neuronalen Netzprognosemodells nach der Optimierung der Parameter 3,0 % beträgt und der durchschnittliche Fehler 1,75 % beträgt und dass der maximale Prognosefehler des BP-Neuronalen Netzprognosemodells nach der Verbesserung 6,6 % beträgt und der durchschnittliche Fehler 4,5 % beträgt. Beide Modelle haben eine gute Genauigkeit und Verallgemeinerungsfähigkeit, wobei das RBF-Neuronales Netzmodell eine schnellere Rechengeschwindigkeit und eine stärkere Anpassungs- und Verallgemeinerungsfähigkeit aufweist.

Kohlekessel ; NOx Emissionen ; radiale Basisfunktions RBF-Neuronales Netz ; BP-Neuronales Netz ; Prognosemodell