GA-BP模型在煤质分析中的仿真研究 Simulation Study on GA-BP Model in Coal Nature Analysis.pdfVIP

VoL 第27卷第6期 电力科学与工程 27，No．6 42 ElectricPowerScienceand Jun．．20l1 2011年6月 Engineering GA—BP模型在煤质分析中的仿真研究 马萌萌，董 泽 (华北电力大学河北省发电过程仿真与优化控制工程技术研究中心，河北保定071003) 摘要：煤质的元素成分是锅炉热效率计算中必须的原始数据，电厂一般很难自行测定。利用BP神经网 络优良的非线性逼近能力，建立较易获得的煤质工业分析数据至元素分析数据的转换模型，并结合遗传 算法全局寻优的特点优化BP神经网络的参数，通过算法比较和实例结果分析，表明该模型可以有效、 可靠地运用于煤质元素分析的软测量中，并可方便地应用于其他方面。 关键词：煤质；工业分析；元素分析；遗传(GA)算法；BP神经网络 中图分类号：TPl83文献标识码：A 数据以外，还有诸如煤的形成年代、地质环境等 0引言 难以量化表示的一些因素，但从目前对煤质分析 的研究现状来看，煤的工业分析数据对元素分析 近年来，煤炭供应一直处于紧张状态并逐年 数据的影响程度较大¨J，因此，BP神经网络模型 加剧，增加了电厂进煤煤质的不稳定性，容易造 中采用了4个煤的工业分析数据作为输入节点， 成燃烧效率降低、污染物排放严重等不良后果。 分别为：水分(M)、灰分(A)、挥发分(V)、 因此，实时监测人炉煤质具有重要的意义。煤的 低位发热量(Q)。 元素分析是指测定煤的有机成分中的碳、氢、氧、 由于对于任何一个在闭区间内的连续函数都 氮等含量的百分比，这样的试验非常繁琐，一般 可以用单隐层的BP网络逼近，并且通过增加隐含 电厂很难自行测定。煤的工业分析是指煤的无机 层节点个数可以提高训练速度，因此，一般情况 成分中的水分、灰分、挥发分及热值等，电厂可 下选取单隐含层的三层BP神经网络进行预测即 以自行测定。因此，研究如何利用煤的工业分析 可。隐含层神经元个数的确定经验公式如下： 数据预测煤的元素分析数据，具有重要的应用价 (1)∑c：后，其中k为样本数，，l。为隐单 值。BP神经网络具有自学习、自组织、较好的容 l=0 错性和优良的非线性逼近能力，但存在容易陷入 元数，n为输入单元数。如果in。，C：：=0。 局部极小、收敛速度慢等缺点，本文利用具有很 强的宏观搜索能力和可以全局寻优的遗传算法对 数，n为输入神经元数，a为[1，10]之间的常数。 BP神经网络的参数进行前期的优化搜索，将二者 (3)n。=log：／7,，其中，n为输入单元数。 结合起来对煤的工业分析数据与元素分析数据之 如果隐含层神经元个数太少，网络很难识别 间的对应关系模拟逼近，实现人炉煤质元素成分 训练样本，网络的容错性低；如果个数太多，则 的准确预测。 会增加网络的迭代次数，延长学习时间，难以识 别训练样本以外的输入。 1煤质的BP神经网络建模 本文在具体设计BP神经网络模型时，首先根 据经验公式初步确定隐含层神经元个数，然后通 影响煤元素分析数据的因素，除了工业分析 过对不同神经元数的网络进行训练对比，最终确 收稿日期：2011—04—06。 163．corn。 万方数据 第6期 马萌萌，等GA