Das Kesselverbrennungssystem ist ein typisches dynamisches System mit vielen Variablen, starken Kopplungen, großen Verzögerungen und mehreren Ein- und Ausgängen. Es ist schwierig, ein Verbrennungssystemmodell zu erstellen, das den realen Arbeitsbedingungen entspricht. In diesem Artikel wird eine neue Methode zur Modellierung des Kesselverbrennungssystems auf der Grundlage der bidirektionalen rekurrierenden Einheit (Bi-GRU) vorgeschlagen und ein Trainingsmodell für das Verbrennungssystem in variablen Lasten (niedrige, mittlere, hohe Last) erstellt. Gleichzeitig wird ein Gradient-Boosting-Entscheidungsbaum (GBDT) verwendet, um die Dimensionalität der Eingabematrix der Merkmale zu reduzieren. Das GBDT-Modell kann die Gewichte der verschiedenen Merkmale in verschiedenen Lasten und Ausgaben bewerten und gleichzeitig die Funktionen identifizieren, die die maximalen Gewichtskoeffizienten tragen. Das auf GBDT basierende Merkmalsauswahlmodell kann die ursprüngliche Dimensionalität der Eingaben reduzieren und gleichzeitig theoretische Anleitung für nachfolgende Verbrennungssteuerungsstrategien bieten. Die Ergebnisse der Berechnungen zu operativen Daten zeigen, dass das neue Verbrennungssystemmodell, das mit Bi-GRU und GBDT erstellt wurde, die dynamischen Veränderungen des Hauptdampfstroms, des Hauptdampfdrucks und der NO_x-Emissionen bei variablen Lasten präzise widerspiegeln kann. Im Vergleich zum traditionellen rekurrenten neuronalen Netzwerk (RNN) wurde die Genauigkeit und Leistungsfähigkeit dieses neuen Modells in dieser Studie erheblich verbessert und es hat eine einfache Struktur und ein kleines Berechnungsvolumen.

Kesselverbrennungssystem; Bidirektionale rekurrierende Einheit; Gradientenverstärkung von Entscheidungsbäumen; Ausgabemerkmale