1、目前火力發(fā)電在我國的電力行業(yè)中仍占據(jù)著主要地位，約占全國總發(fā)電量的70％左右。在電站中燃煤鍋爐是最大的能源消耗點，然而，由于電站鍋爐本身設備和管理操作等方面的原因，使得鍋爐燃燒系統(tǒng)往往達不到高效低排的要求。利用機器學習算法對鍋爐燃燒系統(tǒng)進行建模優(yōu)化，可以幫助電站減少能源消耗、優(yōu)化人員操作、提高預測準確率。但是，傳統(tǒng)的基于機器學習的鍋爐燃燒系統(tǒng)建模優(yōu)化方法的訓練與測試效率、準確率都有待進一步提高。隨著電站鍋爐燃燒系統(tǒng)運行數(shù)據(jù)的爆炸式增長，

2、傳統(tǒng)的機器學習算法已經(jīng)很難滿足海量高維數(shù)據(jù)處理的需求。極限學習機(Extreme Learning Machine，ELM)的提出為提高鍋爐燃燒系統(tǒng)的效率開辟了一條有效的途徑。當前Hadoop技術對于處理海量高維數(shù)據(jù)具有很強的適應性，其中的MapReduce編程框架采用分布式計算，為解決上述大數(shù)據(jù)問題提供了有效手段。因此，如何將ELM算法在Hadoop平臺上實現(xiàn)分布式計算，并將其應用到電站鍋爐燃燒優(yōu)化模型上具有重要的理論意義和實用價值。

3、
　　本文借用Hadoop中的MapReduce編程框架實現(xiàn)極限學習機的分布式計算，并對分布式極限學習機中的不足進行了改進。本文具體工作如下：
　　(1)針對傳統(tǒng)單機ELM算法在處理海量高維數(shù)據(jù)時可能面臨計算速度慢以及單機資源不足的問題，利用Hadoop中的MapReduce分布式計算框架對ELM算法中大矩陣運算進行優(yōu)化，提出了能夠處理大規(guī)模數(shù)據(jù)的分布式極限學習機，即ELM*I算法。
　　(2)分析ELM*I算法，針對

4、算法中map和reduce方法的中間結果存儲問題，導致數(shù)據(jù)之間的計算和傳輸成本增加，對此提出了一種改進的分布式極限學習機(Improved Distributed Extreme Learning Machine，IDELM)，并通過實驗驗證了IDELM的性能優(yōu)于ELM*I。
　　(3)對采集回來的電站鍋爐燃燒系統(tǒng)數(shù)據(jù)進行預處理，然后利用IDELM算法分別建立NOx排放量和鍋爐燃燒熱效率預測模型。通過實驗詳細分析模型中隱含層節(jié)點L

5、和正則項A兩個參數(shù)對模型預測準確率和泛化能力的影響，并根據(jù)實驗結果選出最優(yōu)的兩個參數(shù)組合以確定各自的最優(yōu)模型，然后利用此模型對NOx排放量和鍋爐燃燒熱效率進行預測分析。
　　(4)研究了鍋爐燃燒系統(tǒng)多目標優(yōu)化問題。根據(jù)之前建立的NOx排放量與鍋爐燃燒熱效率預測模型綜合建立鍋爐多目標燃燒優(yōu)化模型，并以NOx排放量和鍋爐燃燒熱效率作為模型的輸出。通過權重系數(shù)法將以NOx排放量最小化和鍋爐燃燒熱效率最大化組成的多目標優(yōu)化問題轉換成單目標