基于神经网络的锅炉优化燃烧技术毕业设计（论文）.doc

基于神经网络的锅炉优化燃烧技术 （1. Huadian Hubei Power Generation Company Limited） 摘 要：。 关键词：；；0.引言 。1.基于神经网络的锅炉优化燃烧技术 1.1 神经网络技术介绍 自1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展[6]。 50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络[6]。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。 80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响[7]。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。[8] 1.2 BP 神经网络 BP 网络是一种单向传播的多层前向网络，是一种具有三层或三层以上的神经网络，包括输入层、中间层(隐层) 和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经过中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正备连接权值，最后回到输入层，这种算法称为“误差逆传播算法”，即BP 算法。随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升[8]。 BP 神经网络的设计 通过调用MATLAB 指令: net=newff ( PR, [S1 S2?SN], {TF1 TF2?TFN}, BTF, BLF, PF) 创建BP 神经网络。PR 为输入量的取值范围； Si 为第i 层的神经元个数，共n 层；TFi 为第i 层的传递函数；BTF 为BP 网络的训练函数；BLF 为BP 网络权值和阈值学习函数；PF 为性能函数。对于如何确定BP 网络隐含层中神经元的个数，往往需要根据设计者的经验和多次实验来确定，因而不存在一个理想的解析式来表示[9]。本研究中, 笔者经过多次尝试, 最后确定隐层神经元数为9, BP 网络调用的各主要函数如下: net=newff ( minmax( Pn) , [9, 1‘], { tansig‘’, purelin’‘}, traincgf’) BP 神经网络的训练和仿真 BP 网络生成和初始化后，可以对训练参数net.trainParam 进行适当设置，再调用train 函数来对网络进行训练。train 函数的常用格式如下： [net, tr]=train( net, Pn, Tn) 式中: Pn 为输入样本矢量集；Tn 为对应的目标样本矢量集；等号左、右两侧net 分别用于表示训练前、后的神经网络对象；tr 存储训练过程中的步数信息和误差信息。 1.3 锅炉优化燃烧中的人工神经网络建模原理 利用神经网络能够自适应模拟非线性输入输出的原理，将衡量锅炉燃烧效率和氮氧化物排放的指标参数作为输出，而将参与燃烧的相关参数作为锅炉燃烧的输入参数。构建锅炉燃烧模型，通过输入运行历史数据和试验数据，对锅炉燃烧模型进行训练，建立机组在不同的干扰量（负荷，环境温度）下，锅炉各可调量，如一次风压、二次风压及不同的二次风门开度组合、烟气含氧量、给粉偏置等，与锅炉运行性能（NOx和效率）之间的非线性动态模型；通过稳态模型，寻优机组当前可以达到的最佳性能；采用动态控制，使控制机组达到最佳状态，从而实现性能最佳。 2.模型设计 2.1 常规机组控制模型及优化设计 一般情况下，机组的控制模型如图1中安全性闭环控制框图，锅炉燃烧通过热力试验及厂家说明书设定运行参数，经过相关的控制器对机组进行控制，然后通过性能计算就得出相关的指标参数。在火电机组执行机构完成控制器下达的控制指令后，经过安全性闭环控制进行反馈，确保控制安全，而锅炉优化燃烧控制系统则是在传统的控制系统上增加机组性能寻优反馈环节，确保机组运行的经济性，如图1运行性能闭环控制框图： 图1 机组优化运行原理图 燃烧优化控制系统是在机组DCS系统控制基础之