|
|
1.1 BP神经网络
人工神经网络是模拟生物神经网络的人工智能系统，由大量功能简单而具有自适应能力的信息处理单元———人工神经元按照大规模并行的方式，通过一定的拓扑结构连接而成。由于人工神经元网络具有复杂的动力学特性、并行处理机制、很强的自学习性、联想记忆和推理意识等功能，以及它的高度自组织自适应能力、容错性和鲁棒性，因此被广泛应用在各个领域。目前在神经网络的实际应用中，绝大部分的神经网络模型使用的是BP神经网络或其变化形式，它也是前馈神经网络的核心部分。
BP（Back2Propagation）网络又称为误差反向传播网络，其核心是通过一边向后传播误差，一边修正误差的方法来不断调节网络参数（权值和A值），以实现或逼近所希望的输入输出的映射关系。这种非线性的映射能力使其可以任意精度逼近一个非线性函数.与其他模型相比，BP网络有很好的持久性和适时预报性。神经网络是一种并行分布式信息处理结构，它通过称为连接的单向信号通路将一些处理单元（具有局部存储并能执行局部信息处理能力）互连而组成。每一个处理单元都有一信号输出到所期望的连接。
每一个处理单元传送相同的信号一处理单元输出信号。处理单元的输出信号可以是任一种所要求的数学类型。在每一个处理单元中执行的信息处理在它必须完全是局部的限制下可以被任意定义及它必须只依赖于处理单元所接受的输入激励信号的当前值和处理单元本身所存储记忆的值。人工神经系统是能获取、存储和利用经验知识的物理细胞系统。
网络除输入输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。BP神经网络由2部分构成：信息的正向传递和误差的反向传播。在正向传递中，输入信息从输入层经隐含层逐层计算传向输出层，每层神经元的状态只影响下一层神经元状态。如果输出层没有得到期望的输出，则计算输出层的误差变化值，然后反向传播，通过网络将误差信号沿原来的连接通路反向传回来，修改各层神经元的权值，直至达到期望的目标.神经网络的如下特性在其广泛的应用中起着重要的作用。
（1）自适应性：强有力的学习算法和自组织规则使它能在不断变化的环境中对每一个要求进行自适应，
（2）非线性处理：具有执行非线性任务和去除噪声的能力，使它能够很好地用于分类和预测问题。
（3）并行处理：大量广泛互连的处理单元组成的结构，具备了并行处理和并行分布信息储存的能力。
1.2 优化配煤的神经网络构建
本文的燃煤电站锅炉配煤神经网络是针对某发电厂125MW供热机组而设计的，主要目的是对其配煤的进行预测。由于混煤与单煤煤质数据之间实际上是一种非线性的映射关系，而不能简单的用加权平均或线性关系来描述。这里不考虑配煤工艺、配煤流程和配煤设备对混合煤种煤质数据的影响，而仅考虑单煤的煤质对混合煤煤质数据的影响。混合煤的煤质和单煤的收到基低位发热量Qar、收到基灰分Aar，收到基水分Mar，收到基挥发分Var，收到基含硫量Sar，和单煤的配比等有很大的关系。本文神经网络的建立就是基于这种关系。
本神经网络由输入层一个隐含层和输出层组成，输入层由11个神经元，隐含层有40个神经元，输出层由1个神经元。输入层到隐层的激励函数选择tansig函数，隐层到输出层的激励函数选择purelin函数，训练函数选择trainbpx函数。
2 优化配煤方案
电厂煤粉炉是相应于特定煤种和煤质而设计的，其运行的技术经济性能指标和可用率水平直接与煤质量相关。表征发电煤质量特性的指标包括挥发分V，灰分A，水分M硫分和煤的灰软化温度ST以及低位发热量指标Qnet.ar等6个参数，其分级界限，是依据有序最优分割法划分的，并结合运行经验确定的。煤的质量特性可以作为分析煤的着火、燃烧性质和对锅炉工作影响的依据。但是因为在锅炉的燃烧过程中，除部分碳及游离的氢外，都不是单个元素在燃烧反应的，所以在分析煤的质量特性对锅炉工作的影响时，主要从工业分析成分以及其他有较显著影响的特性进行分析，主要包括挥发分、水分、灰分以及灰熔融性等几个方面.由于条件所限，本文的优化方案没有考虑煤灰的软化温度和熔融性，而只是考虑和挥发分V、灰分A、水分M、硫分S和低位发热量Qnet.ar，其中混合煤种的挥发分V、灰分A、水分M、硫分S和单煤的挥发分V、灰分A、水分M、硫分S遵守质量守恒定律，所以可以直接用加权平均法计算，而低位发热量Qnet.ar用神经网络预测值来表示。优化配煤方案是穷举某电厂每月来煤的所有可能配煤方案，然后制定选取要求，在这些配煤方案选取满足要求的配煤方案。电厂配煤时可以按照不同时段对混合煤种的要求制定不同的选择限制来选取配煤方案，比如在低负荷时，主要保证燃烧稳定性，而对低位发热量的要求可以低点，这时可以把挥发分的百分数限制的高点，而把低位发热量的限制值定的低点。
3 结 论
本文分析了我国煤炭的生产和消费现状及电厂用煤存在的问题，提出了使用动力配煤来解决电厂用煤量大，煤质不稳定的难题。配煤煤质特性指标与各组成单一煤种煤质指标之间并非是简单的加权关系，而是具有复杂的非线性特征。神经网络具有并行处理、联想记忆、分布式知识存储、鲁棒性强等特点，它具备自组织、自适应、自学习功能，尤其是具有高度的非线性映射能力。它可以自己学习和记忆样本输入和输出之间的关系，能够避开对特征因素与判别目标的复杂关系描述，特别是公式的表达，因而较为适合解决具有非线性特性的动力配煤煤质预测问题。
本文得出以下结论：
（1）神经网络的特性和其输入输出样本的数据范围有很大的关系，输入输出样本的数据范围越小，神经网络的收敛性就越好，网络的误差也越小。
（2）利用本文搭建的神经网络对混合媒种的低位发热量进行预测，达到很小的误差，本文进行3次实验误差分别为0.04305%，0.03805%，0.116267%。
（3）利用穷举法对某电厂125MW机组进行配煤优化，选取和多种配煤方案，对实际配煤具有很大的指导性。 |
|
发表于 2012-5-24 09:21:08
发表于 2012-5-24 17:13:56
