基于RBF网络的燃烧系统辨识.pdfVIP

2005年全国自动化新技术学术交流会会议论文集 基于RBF网络的燃烧系统辨识 张卫庆2，宋文忠1，柯炎2，张晶晶2 (1．东南大学自动化研究所，江苏南京210096； 66) 2．徐州发电有限责任公司，江苏徐州2211 摘要：针对火电厂锅炉燃烧系统的辨识，提出了一种基于RBF网络的神经网络辨识方法，该方法从 工程实用性角度来考虑燃烧系统的辨识，实验证明此方法能生成一个紧凑的网络，并有效保证辨识的 精度，对于火电厂燃烧控制系统的优化有重大意义。 关键词：系统辨识；燃烧控制系统；RBF网络 中图分类号：TP273文献标识码：A U引青 在火电厂运行中，燃烧控制系统是一个典型的复杂大系统，具有很强的非线性、时变性，且变 量之间具有强耦合性12，51。要对燃烧控制系统进行快速、稳定、准确的高质量控制，就必须对该系统 进行有效的辨识。 神经网络作为一种可以逼近任意非线性函数的强有力的技术工具，以其可学习的特性和其高度 并行的结构所带来的强容错性、并行计算、便于用大规模并行电路实现等优点，引起控制领域科技 工作者的广泛关注。 传统的离线辨识方式采用固定隐节点数的BP神经网络【3l，固然能达到预定的辨识精度，但因为 网络结构需要事先指定或应用启发式算法在训练过程中修正，故而难以保证网络结构的最优化。 1基于RBF网络的燃烧系统辨识 资源分配网络11I(Resource—Allocating 络在学习过程中发现“未建模’’的样本时，就分配新的计算节点。该方法的主要特点包括：可以创 建一个结构紧凑的网络，且学习速度较快；可实现在线学习，且网络在学习过程中随时可以使用(即 边学习边使用)，在学习过程中样本无需重复输入；网络具有局部特性，即网络中的每个隐节点仅对 输入空间的局部区域响应。 网络的主要学习行为包括分配新的隐节点，及调整现有节点的参数。如果当前网络对某个样本 的响应不能令人满意，则分配一个新隐节点以改善网络对该样本的相应；如果网络对样本的响应较 好，则用标准LMS梯度下降法调节当前网络权值。 1．1 RAN网络结构 图1 RAN网络结构 作者简介：张卫庆(1977-)，男，江苏通州人，硕士研究生，控制理论与控制工程． 2005年全国自动化新技术学术交流会会议论文集 RAN网络结构同RBF网完全一样，是一种单隐层前向网，燃烧系统辨识所采用的结构如图1 所示，这是一个3一k一1结构的网络。 图中，I=(I。，I。，13)T∈R“为输入矢量(I。代表燃料量，I。代表减温水量，I。代表送风量) C，是网络第J个隐节点的数据中心，Wj为该隐节点的宽度(扩展常数)，Xj是该隐节点的输出， hj为该隐节点与输出节点之间的连接权值，Y为相应的输出偏移，Y为网络输出。其中隐层的每个 节点都只响应输入空间的一个局部区域，第j个区域的中心为Cj；输出层通过对隐层输出求加权和， 实现对整个输入空间的函数映射。 隐层各隐节点采用Gaussian型激活函数，并实现以下局部映射： 7_j zj=∑(@一五)2 ；xj=exp(-÷) k=1 wj’ 网络输出Y(代表所要辨识的输出量如蒸汽流量、过热蒸汽温度等)是各隐节点输出Xj的加权 和，再加上偏移Y，加权程度由h{决定： hjxJ+r Y：=E j 当没有隐节点被激活时，v是网络的缺省输出。 1．2 学习算法 RAN学习算法由隐节点分配策略，和“精调”网络参数的学习规则组成。它循环的检查各样本 输入输出对，当新样本满足“新性”(Novelty)条件时，则分配一个新节点。“新性”条件为：①当 前样本输入距离最近的数据中心超过某一定值6(t)(称距离准则)；②神经网络的输出与样本输出的 偏差大于某一定值emm(称误差准则)。两个条件同时满足则分配新的隐节点。新隐节点的数据中心 取新样本的输入，输