基于ga-bp的电站锅炉nox排放特性建模研究 a study of ga-bp-based modeling of nox emission characteristics of utility boilers.pdfVIP

能源研究与信息 andInformation V01．26No，42010 Research 第26卷第4期 Energy 文章编号：1008—8857(2010)04—0198—06 基于GA—BP 陈卓，安恩科 (同济大学热能与环境工程研究所，上海201804) 摘要：NO，排放模型是电站锅炉实时控制系统的基础。针对普通BP神经网络建模方法收 敛速度慢和易陷于局部极值点的问题，提出基于遗传算法(GA)优化BP神经网络的建模方法。 通过电站锅炉热态试验获取样本数据，对BP网络隐节点数进行优化后，建立了GA—BP模型。 相比BP神经网络模型，该模型训练时间短，拟合误差大大降低。仿真试验表明：GA—BP模 型性能得到改善，泛化能力明显提高，能准确预测NO、排放。GA．BP模型可为运行人员提供 指导，也可作为电站锅炉实时控制系统的基础模型。 关键词：BP神经网络；遗传算法；NOx建模；泛化能力 孛图分类号：TK31 文献标识码：A NO。是燃煤电站锅炉排放的主要污染物之一。对于已投运锅炉，降低NO。排放的方法可 15％25％。通过建立NO，排放特性模型来降低NO。排放成为目前研究的热点。 机理预测NO，排放量，预测误差小于10％，但预测时间长、模型复杂，主要应用于锅炉设计 Li等人i51根据锅炉运行数据建立了线性和非线性自回归NO。特性模型，并将NO。 阶段。Kang 生成机理作为先验知识加入辨识模型，构造了“灰箱”(Gray—Box)模型，对比分析三种模型， “灰箱”模型预测性能较好，但模型适应性差，预测性能还有待提高。近年来，以人工神经网 络(ANN)技术为代表的“黑箱”模型在非线性系统建模方面得到广泛应用。文献[7]利用串联 神经网络建立燃煤电站锅炉NO。排放模型；周吴等人峨9j应用ANN和支持向量机建立了电站 锅炉NO。排放模型，但模型泛化能力还有待进一步改进。 BP神经网络是_种有效的预测方法，但存在收敛速度慢、算法易陷于局部极值点的问题。 本文将遗传算法强大的全局搜索能力和BP网络(Back 结合，先用遗传算法全局寻优得到最优的初始权、阈值，再用BP网络梯度下降法在初始解空 间寻优，得到全局最优权、阈值，该建模手段从根本上克服了BP神经网络的缺点。将GA—BP 间短、拟合误差大大降低，具有良好的泛化能力。 收稿日期：2010—05-20 作者简介：陈卓(1986一)，男(汉)，硕士研究生，chenzhuo．316@163．tom 万方数据 第4期 陈卓，等：基于GA—BP的电站锅炉NO。排放特性建模研究 1 GA—BP神经网络模型 1．1 BP神经网络原理 燃煤电站锅炉NO。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；生成机理还有 待进_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。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。图1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。建模为例，以NO；排放量的影响参数为输入、NO。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。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。 输入层 照含层 输出层 图I三层BP神经网络示意图 Schematicofthe BPneuralnetwork Fig．1 diagr