(软件导刊)基于BP网络的火力发电厂锅炉管壁温度预测的研究_精品.docVIP

基于BP网络的火力发电厂锅炉管壁温度预测的研究 摘要:锅炉管壁超温现象的存在严重影响了锅炉的安全及可靠性。本文在对BP神经网络简介的基础上，详细研究了基于BP的锅炉管壁温度预测的数字模型，并通过应用样本的获取，分析BP神经网络在锅炉管壁温度预测方面的设计、不足及具体的参数选择，从而降低了火力发电厂锅炉管壁超温情况的发生，延长了锅炉的使用寿命。 关键词: 神经网络；管壁超温；温度预测； Research of Thermal Power Plant Boiler Wall Temperature Forecast based on BP xxx，Wang Peng，215624 Abstract: Over-temperature boiler wall of the existence of the phenomenon has seriously affected the safety and reliability of the boiler. In this paper, BP neural network in the Introduction, based on a detailed study of BP based on the temperature of the boiler wall forecast model, and through the application of sample acquisition, analysis of BP neural network prediction of temperature in the boiler wall design, and lack of specific choice of parameters, thereby reducing the over-temperature thermal power plant boiler wall from happening, to extend the life of the boiler. Keywords: Neural Network; Wall Over-temperature; Temperature Prediction; 1 引言 国内外诸多电力系统专家和学者研究了通过热力计算分析的方法对锅炉管壁超温进行研究，其中较为成熟的研究成果有前苏联1973年出版的《锅炉机组热力计算标准方法》，国内目前很多研究仍是在此基础上进行的[1]。热力计算分析的方法有一定实用性，但是当机组运行条件发生交化时，如火焰中心的位置变化、燃烧器区域结渣及联箱及管道内水力持性变化等，就必须通过实践经验加以必要的修正，其应用难度大，并且如修正不准确很有可能会到错误结论，因此，有必要对这种传统的计算方法通过新技术而有所突破。 2基于BP的锅炉管壁温度预测模型分析 2.1基本分析 BP神经网络(Back Propagation Neural Network)是1986年由DE.Rumelhart和J.L. Mccelland及其研究小组研究并设计出来的，通常有一个输入层、一个输出层、一个或多个隐层构成。输入信号从输入节点依次传过各隐含层，然后传到输出节点，每一层节点的输出只影响下一层节点的输出，它是前馈网络的核心部分，并体现了人工神经网络最精华的部分。由于即神经网络能实现了一个从输入到输出的映射功能，数学理论己证明它具有实现任何复杂非线性映射的功能，这使得它特别适合于求解内部机制复杂的问题；同时，它通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力。因此，BP网络可看作是一个从输入到输出的高度非线性映射，即，其本质是从输入到输出可存在某一映射，使，要求出映射f，使得在某种意义下(通常指在满足最小二乘条件下)，f是g的最佳逼近，因此，BP神经网络通过对简单的非线性函数进行数次拟合，可近似表达复杂的函数[2]。 由传统的热力学计算方法可知，锅炉管壁温度与管壁的吸热量存在一定函数关系，同时，在火力发电厂中锅炉外部安装了许多测点，能长时间地提供实时数据，这为我们采用即神经网络来估算锅炉炉内某段点管壁温度，并了解其变化规律提供了可能。我们可以利用与锅炉管壁某段有关的易于测量的几个点的测量值来预测锅炉管壁上不易于测量管壁点的温度，我们选取了二级减温器后、启动减温器前的一段管道为研究对象。 2.2数学模型分析 (1)传递函数：是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0，1)内连续取值Sigmoid函数： (2)误差计算模型：反映神经网络期望输出与计算输出之间误差大小的函数。第j个单元节点的输出的误差：，总误差: ，是j节点的期望输出值；是j节点实际输出值。 (3)中间层节点