基于BP神經網絡的煤矸石電廠煙氣脫硫效果評價

薛寶華,郭 凱(.北京萬方創杰科技有限公司 ,北京00083;2.河南科技大學管理學院,河南洛陽47003;3.中國礦業大學 (北京)資源與安全學院,北京00083)

隨著我國經濟的持續發展,對煤炭資源的需求不斷增加。這就必然要求在保證現有礦井產量下,加大新型礦井的建設活動以滿足這種需求。可是,煤炭資源的不斷的開發,伴隨著大量煤矸石的產生。目前,煤矸石已經成為我國累計堆存量最大的工業固體廢物。大量的煤矸石,不但侵占了大量的農田,如果不能有效處理,還會造成大氣、土壤水和水體污染[1],極大改變和破壞了礦區周圍的自然環境、社會生存環境和地質條件,成為礦區的主要污染源。解決這個問題,已經成為當務之急。用煤矸石來發電,已經成為資源綜合利用的循環經濟發展模式的途徑之一。作為低熱值燃料,煤矸石具有高灰份、高硫份的特點,在燃燒發電的同時產生大量的二氧化硫 (SO2)污染物。作為一種刺激性氣體,SO2對人和環境的危害極大它在空氣中的日均值濃度只要達到一定濃度,就會危及人體健康,引起葉片組織的局部損壞,造成植物枯萎甚至死亡。此外,SO2形成的酸雨,會造成土壤酸化和貧瘠化,對森林、文物古跡與水生生物等造成嚴重的破壞。因此,控制和治理煤矸石電廠SO2污染,已經成為緊迫的環保任務之一。為控制二氧化硫排放,我國已制訂了相關政策法規,積極推動煤矸石電廠安裝脫硫裝置。本文將BP神經網絡運用到煤矸石電廠煙氣脫硫效果的評價中,根據其自適應、自學習和非線性處理等優點,對各個煤矸石電廠的脫硫效果進行評價,促進電廠改進技術,為生態環境的平衡與和諧提供科學的指導依據。

1 BP神經網絡的基本原理

1.1 BP神經網絡簡介

BP神經網絡是目前應用最廣泛也是最成功的神經網絡之一。它是基于誤差反向傳播 (Backp ropagation)算法的多層前饋網絡 (M ultip le layer feed forward network),其拓撲結構一般由輸入層、輸出層以及一個或多個隱層節點互連而成的一種多層網絡。

它的計算過程由信息正向傳播和誤差反向傳播兩個過程組成。輸入層各神經元負責接收外界的輸入信息,并傳遞給中間層的神經元;中間層是內部信息處理層,負責信息變換,中間層可以設計為單隱層或者多隱層結構;最后隱層傳遞到輸出層各神經元的信息,經進一步處理后,完成一次學習的正向傳播處理過程,由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時,進入誤差的反向傳播階段。誤差通過輸出層,按誤差梯度下降的方式修正各層權值,向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程,一直進行到網絡輸出的誤差減少到可以接受的程度,或者預先設定的學習次數為止,最后得出輸出結果。

1.2 BP神經網絡計算過程

2) 正向計算 o′j,o′k:

計算輸出層各節點輸出:

計算輸出層節點k的δ:

計算隱層節點 j的δ:

4)調整權值。按下式調整權值,進行修正:

其中:η,α是 [0,1]間的系數。

5)轉向步驟 (2)。 (2)～ (4)完成一輪訓練。不斷重復這一過程,直到實際輸出與期望的樣本輸出誤差足夠小為止。

2 BP神經網絡對煤矸石電廠煙氣脫硫效果的評價

2.1 指標體系的構建

電廠脫硫效果評價是一個復雜的系統,因此只有構建了科學合理的評價指標體系,才能做出科學公正的評價結論。評價指標的建立,必須要遵循一定的原則,否則所建指標體系將雜亂無章,無法對電廠的脫硫效果進行有效評價。這些原則主要包括:

1)重要性原則。應該按照對脫硫工藝效果影響的貢獻程度來取舍指標,嚴格區分主次,不能一概而論。

2)針對性原則。評價中,一定要注意考慮電廠的具體情況,所選取的指標應該有體現電廠具體情況適應性的指標,不能泛泛而論。

3)可比性原則。選取的指標要能具有同行業間的可比性和歷史可比性。

4)定性與定量相結合原則。電廠脫硫效果評價,不但要涉及脫硫效率、鈣硫比與總投資等量化指標,還要涉及對環境的污染情況等難以量化的定性指標,做到定性與定量相結合。

按照以上評價指標選擇的原則,本文向多位從事電廠脫硫研究的專家進行調查咨詢,并參考有關研究資料,經過分析,從技術、環境和經濟三個方面建立了煤矸石電廠煙氣脫硫效果的評價指標體系,如圖1所示。

圖1 煤矸石電廠煙氣脫硫效果的評價體系

2.2 煤矸石電廠煙氣脫硫效果的評價模型的設計

建立一個神經網絡模型并完成訓練和學習,需要合理的確定網絡層數與各層的神經元數。本文根據前人的研究成果,設計的BP神經網絡結構如下:

1)輸入層神經元的個數。根據前文建立的指標體系,確認BP神經網絡的輸入層神經元個數為12個,即上述12個脫硫效果評價指標,每個指標依次用字母 ZB11、ZB12、ZB13、ZB14、ZB21、ZB22、ZB23、ZB24、ZB31、ZB32、ZB33和 ZB34表示。

2)輸出層神經元的個數。在本文中,選取了7個采用石灰石—石膏濕法脫硫工藝的煤矸石電廠,每一個電廠對應一個評價結果,其高低代表煙氣脫硫效果的情況,越高就代表煙氣脫硫效果越佳。因此,輸出層神經元數設定為1。已知7個樣本電廠的脫硫效果評價情況分別為 0.6017、0.5212、0.5838、0.5193、0.6108、0.5481、0.6189。

3)隱層數和隱層神經元的個數。經過研究證明,單隱含層的神經網絡,如果隱層節點數足夠多的話,那么它就能以任意精度去逼近一個非線性函數。所以,本文確定隱含層數為1。

關于隱層節點數的確定,是一個較復雜的問題。一般參考以下公式進行試驗:式中,m為輸出神經元數;n為輸入神經元數,a為0～10間的常數。因此,經過試驗,a取5,則隱含層的神經元數數為9個。

2.3 煤矸石電廠煙氣脫硫效果評價模型的訓練和檢測

選取7個已完成煙氣脫硫效果評價的煤矸石電廠的指標數據,作為BP神經網絡訓練樣本和檢測樣本,其中5個作為訓練樣本,2個作為檢測樣本。將5個作為訓練樣本輸入網絡模型,進行學習和訓練,樣本輸入數據如表1所示。

表1 BP神經網絡模型訓練和檢測樣本

使用Matlab的神經網絡工具箱對BP神經網絡進行訓練和檢驗,直到誤差滿足預先設定的要求時,停止學習,此時權值矩陣和閥值向量固定下來,成為模型的內部知識。本文設定的學習步長為500步,學習速率為0.1,誤差限制在0.0001[3]。

程序執行后,該BP神經網絡模型進行了學習,在第105步模型達到收斂,總體誤差也滿足要求,如圖2所示。

圖2 BP神經網絡煤矸石電廠煙氣脫硫效果的評價模型收斂圖

將2個檢測電廠的數據輸入已經訓練好的神經網絡模型 ,進行模擬。模擬的結果為0.5475、0.6223,與6號和7號電廠的已知的煙氣脫硫效果評價 (0.5481、0.6189)基本吻合。所以,用于煤矸石電廠煙氣脫硫效果的評價已經訓練成功,可以對煙氣脫硫效果做出科學評價。

4 結語

用煤矸石來發電,在燃燒發電的同時會產生大量的二氧化硫,對環境造成污染,因此對煤矸石電廠的煙氣脫硫效果進行評價就顯得非常有必要。本文使用BP神經網絡建立了煤矸石電廠煙氣脫硫效果的評價模型,用已知數據對模型進行了訓練、仿真、檢驗以及應用。該模型不但具有很強的適應和自學能力,使結果更加有效和直觀,避免了主觀因素造成的評估失真,而且可以利用相關工具,使計算過程更加簡單可靠。所以,其能夠對矸石電廠煙氣脫硫效果狀況進行有效地評價。

[1] 林國棟.煤矸石電廠煙氣脫硫方案的選擇與評價 [J].氮肥技術,2007,28(4):51.

[2] 徐君.礦井安全生產的神經網絡評價 [J].遼寧工程技術大學學報,2005(24):28-29.

[3] 葛哲學,孫志強.神經網絡理論與 MatlabR2007實現[M].北京:電子工業出版社,2007:288.