新型式控件在电厂锅炉废气散放构建里的运用

积分菜鸟

　　燃煤电站锅炉NO x排放受煤质特性、煤粉细度、锅炉负荷、配风方式、过剩空气系数、风粉分配均匀性等众多因素影响，各影响因素存在相关性，且燃烧过程中NO x生成机理还有待进一步研究，常规建模方法预测性能差。人工神经网络作为“黑箱”模型对NO x建模具有独特优势。

　　BP神经网络是一种采用信号前向传递、误差反向传播的多层前馈型网络。给出了典型的三层BP神经网络示意图。前向传递中，输入信号逐层处理，输出层预测值达不到期望输出，则转入反向传播。根据预测误差按照一定规则调整权、阈值，使预测输入不断逼近期望输出。以NO x建模为例，以NO x排放量的影响参数为输入、NO x排放量为输出作为训练样本输入网络，依据最速梯度下降算法，不断调整各层间的内部权值、阈值，使预测值与实际输出误差最小。实际运行一段时间后，锅炉NO x排放特性会有所改变，此时可采集锅炉最新运行数据重新训练网络，实时更新模型。

　　BP网络存在的主要问题BP神经网络学习过程中连接权、阈值修正按下式进行)()()1(k g k x k xη= +(1))()()(k x k E k g=(2)式中，k为迭代次数;η为学习速率;g(k)为权、阈值修正量;E(k)为第k次迭代误差。

　　由于采用梯度下降法，BP网络具有良好的局部寻优能力，但由于初始权、阈值选择的随意性，存在以下不足<10>：①网络寻优不具有唯一性，易陷于误差曲面局部极值点。对于多维空间，网络误差函数是一个不规则曲面，通常存在多个“谷底”，即局部极值点。若初始权、阀值下网络误差刚好靠近某个“谷底”，往各个方向变化都会使误差增加，最终陷于局部极值点。②学习算法训练时间长。由式(2)知，权、阈值修正量大小是学习速率η与g(k)项的乘积。

　　在误差曲面平坦处，g(k)值很小，权、阈值修正量趋于0，此时迭代次数增加，收敛速度慢，甚至训练停止;在误差曲面率较高处，g(k)很大，在误差函数最小点易附近发生过冲现象，难以收敛到最小点。这种问题当输入节点较多时尤为突出。

　　w jk输入层输出层隐含层y 1 y m x 1 x 2 x n w ij计算误差向量权、阈值调整针对上述问题，本文在采取附加动量项BP算法、循环确定隐节点参数等一系列措施同时，主要通过遗传算法和BP神经网络有机结合来改善网络性能，避免陷入局部极值点，增强泛化能力。

　　遗传算法优化BP网络遗传算法抽象于物种的进化过程，通过全面模拟自然选择和遗传机制，形成一种具有“生成+检验”特征的搜索算法<11>。遗传算法以编码空间代替问题的参数空间，以适应度函数为评价依据，以种群为进化基础，通过对种群实行选择、交叉、变异操作建立一个逐步优化的迭代过程。遗传算法优化BP网络算法流程如所示。

　　遗传算法优化BP网络算法流程图Fig 2 Flow chart of the GA-optimizing BP network algorithm遗传算法优化BP网络步骤如下：(1)种群初始化。在定义域(-1，1)随机生成初始权值和阈值，Chrom=为初始种群，矩阵中W ij、B j、W jk、B k分别代表输入层到隐含层权值、隐含层阈值、隐含层到输出层权值、输出层阈值。

　　(2)根据式(3)计算适应度值。

　　∑== m i O Y abs k F 1)(/(3)式中，k为系数;Y i、O i为BP网络第i个节点的期望输出和目标输出。

　　Y N确定网络结构生成BP网络初始权、阈值种群最优权、阈值计算误差权、阈值更新满足结束条件仿真预测适应度函数计算选择适应度函数计算满足结束条件交叉变异GA对初始值编码遗传算法部分BP网络部分Y N(3)根据适应度值进行选择操作。采用经典的轮盘赌法，适应度值较大，个体被选择直接进入下一代的概率P i越大。

　　∑= M j i f P 1 /(4)式中，M为种群个体数目，k为系数;f i为最个体i适应度值。

　　(4)交叉操作。针对实数编码，采用实数交叉法，第k、l个个体在j位交叉产生新的个体。