大数据与神经网络技术分析.docVIP

精编范文 第 PAGE1 页 /共 NUMPAGES3页 大数据与神经网络技术分析 温馨提示：本文是笔者精心整理编制而成，有很强的的实用性和参考性，下载完成后可以直接编辑，并根据自己的需求进行修改套用。 大数据与神经网络技术分析 本文关键词：网络技术, 神经, 分析, 数据 大数据与神经网络技术分析 本文简介：摘要：锅炉燃烧是工业生产中常见的形式, 但其在运行过程中存在诸多潜在的问题, 与之相关的能源损耗以及环境影响也是人们长期以来关注的话题。只有锅炉长期处于稳定运行状态, 才可以确保其具有良好的燃烧效率。通过采集火电厂锅炉燃烧相关运行数据, 旨在研究电厂大数据背景下将神经网络建模方法应用于锅炉燃烧系统辨识的可行 大数据与神经网络技术分析 本文内容： 摘要：锅炉燃烧是工业生产中常见的形式, 但其在运行过程中存在诸多潜在的问题, 与之相关的能源损耗以及环境影响也是人们长期以来关注的话题。只有锅炉长期处于稳定运行状态, 才可以确保其具有良好的燃烧效率。通过采集火电厂锅炉燃烧相关运行数据, 旨在研究电厂大数据背景下将神经网络建模方法应用于锅炉燃烧系统辨识的可行性, 探讨其对提高火力发电燃烧效率的意义。 关键词：锅炉燃烧；含氧量；控制机制；大数据；神经网络 从应用形式上考虑, 锅炉燃烧系统常见于火电厂中, 通过对出口烟气含氧量的观察可以直接得知锅炉所对应的实际燃烧效率。当前我国已经在此基础上提出了相应的神经网络技术, 其对于锅炉的燃烧而言起到了一定的控制作用, 但也应意识到的是, 其依然没有发挥出大数据的优势, 因此不具备智能辨识能力。对此, 本文则以火电厂锅炉燃烧过程中的含氧量控制为基本背景, 围绕其运行数据展开探讨, 在此基础上依托于大数据建立出对应的神经网络模型, 由此提升锅炉燃烧的可辨识性, 由此可以提升火力发电燃烧效率, 降低对污染物排放量, 控制对周边环境的污染程度, 具有明显的现实意义。 1锅炉燃烧系统 火电厂锅炉燃烧控制是一项系统性工程, 具体围绕燃料量、送风量以及引风量这三大指标而展开。伴随着机组负荷指令的改变, 对应的三大指标也会出现成比例变化关系, 由此提升对负荷改变状态下的适应能力。所谓的风煤比, 指的是锅炉内的风量与煤量的比值, 控制好此参数至关重要, 可以显著提升煤的燃烧效率, 推动锅炉燃烧的持续运行[1]。此外, 基于对风煤比的调控, 可以降低NOx的含量, 创造更为稳定的燃烧环境, 对环境的保护作用也尤为明显。在进行风煤比控制时, 应重点围绕炉膛出口烟气含量而展开, 基于对此指标的分析可以明确锅炉燃烧情况。基于降低能耗以及提升锅炉效率的目的, 应将该含量控制在3%~6%, 在满足此条件后既可以提升煤粉的燃烧率, 又可以避免过度消耗风机的问题。相比于专家系统而言, 本文所探讨的系统具有特殊之处, 其知识库由4个规则库所构成。以炉温设定值作为指导, 由此引申出空间剖分-启发式匹配搜索算法。在四大类型库中, 启发库出于对其余三个库协调性的目的, 其内部设置了大量的“元规则”, 由此起到与其余库的访问、修改等作用, 此外还能确定搜索方向。在设定值规则选择器的作用下, 可以发挥出开关的效果, 并与启发式规则库进行协同作用。关于本文的燃烧控制系统结构可详见图1。 2基于大数据的神经网络模型辨识 2.1数据平滑 经平滑处理后可以消除大部分数据所产生的“噪音”问题。对于传统平滑处理方式而言, 过分侧重于整体平滑效果, 从而降低了对局部细节的重视程度；相比之下, 非参数平滑法可以摆脱总体分布的束缚, 因此具有更强的灵活性, 其中又以局部加权回归散点平滑法最为重要。基于该方法, 可以形成一个低阶多项式, 由于它与数据具有高度相似性, 因此可以获得良好的LOESS平滑效果。 2.2数据零初始处理 一个完整的系统模型必须包含输入与输出模型两大部分, 由此反映出某一平衡点状态下对应的增量传递关系。而要想达到此要求, 就必须确保数据统计特性与时间不具备任何关联, 由于实测所得的数据为随机时间序列, 因此所产生的“零点”具有任意性, 当采集到现场数据后需要利用式（1）对其进行处理：（1）式中：N为数据总个数；u为输入序列；y为输出序列。 2.3归一化处理 实际研究表明, 输入与输出对应的量纲并非完全相同, 有时二者的差距甚至达到了几十_大数据 3.1BP神经网络 对于一个高效的BP神经网络而言, 应将其设置为多层结构形式, 具体又可划分为输入层、输出层以及隐层, 其中隐层的数量与前两类有着明显的差别, 可以是单层也可以是多层, 基于神经元的作用可以实现各个邻