基于改進BP神經(jīng)網(wǎng)絡的煙氣含氧量軟測量方法

袁俊文，周正興，王 麗，任繼紅

(1.黑龍江省電力科學研究院，黑龍江哈爾濱150030;2.天津國投津能發(fā)電有限公司，天津300480)

0 引言

目前，測量煙氣含氧量的氧量分析儀精度差、費用高、使用壽命短，且測量滯后較大，不利于燃燒過程的在線實時監(jiān)視，不能準確地提供在線閉環(huán)控制所需的反饋信號，從而直接影響著燃燒控制系統(tǒng)的性能指標。為此，提出采用軟測量技術(shù)［1－5］，即基于BP神經(jīng)網(wǎng)絡原始算法改進的基礎(chǔ)上，通過對網(wǎng)絡的訓練學習構(gòu)造煙氣含氧量的預測模型，實現(xiàn)鍋爐燃燒系統(tǒng)的閉環(huán)控制和優(yōu)化。

1 基于改進的BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡［6－8］的結(jié)構(gòu)一般包括輸入層、隱含層和輸出層。網(wǎng)絡的各層之間由輸入層向輸出層依次相互連接起來，并對連接進行加權(quán)，從而形成網(wǎng)絡的拓撲結(jié)構(gòu)。理論上已經(jīng)證明，當隱含層神經(jīng)元數(shù)目足夠多時，BP神經(jīng)網(wǎng)絡可以以任意精度逼近任何一個具有有限間斷點的非線性函數(shù)。

BP算法即誤差逆向傳播學習算法是人工神經(jīng)網(wǎng)絡最為常用的算法之一。但在實際應用中，傳統(tǒng)的BP算法存在兩個問題:收斂速度慢，目標函數(shù)存在局部極小。為了克服這兩個問題，本文運用了改進算法。

采用反對稱函數(shù)代替通常的Sigmoid函數(shù)，比如最常用的是雙曲正切函數(shù)，即

一般取 a=1.716，b=0.667。采用該激勵函數(shù)時，收斂速度通常比采用Sigmoid函數(shù)時快。

加動量項，學習步長η的選擇很重要，η大收斂速度快，但過大則可能引起不穩(wěn)定;η小可避免不穩(wěn)定，但收斂速度就慢了。加動量項可以解決這一矛盾，即式中0＜α＜1，第一項為BP算法的修正量，第二項為動量項。在保證算法的穩(wěn)定的同時，動量BP算法的收斂速度較快，學習時間較短。

在基本的BP算法中，學習率是固定不變的。實際學習率對收斂速度的影響很大，因此學習速率的在線調(diào)整可以大大提高收斂速率。當誤差以減小的方式趨于目標時，說明修正方向正確，可使步長增加;而當誤差增加超過事先設(shè)定值時，說明修正過頭應減小步長，同時舍去使誤差增加的前一次修正過程，即:

式中:kinc表示增量因子;kdec表示減量因子;E(k)表示第k次運算局部誤差。

綜合以上三個改進算法提出了學習率自適應的動量BP算法，該算法自適應于系統(tǒng)誤差及誤差曲面變化，有利于提高BP網(wǎng)絡的收斂速度及避開局部極小點。

2 改進的BP神經(jīng)網(wǎng)絡模型的訓練與學習

構(gòu)建一個多輸入單輸出的BP網(wǎng)絡預測模型，模型包括三層。輸入層的輸入量為主蒸汽壓力(MPa)、主蒸汽流量(t/h)、總?cè)剂狭?t/h)、總風量(t/h)、一次風壓(kPa)、A、B 送風機電流(A)、A、B引風機電流(A)、風箱與爐膛差壓(kPa)、給水溫度(℃)、給水流量(t/h);輸出層的輸出量為煙氣含氧量。模型結(jié)構(gòu)如圖1所示。

針對天津國投津能一期1號1 000 MW超超臨界機組，由于正常運行時機組負荷不會低于500 MW，所以在此采集了多組不同負荷(大于500 MW)運行工況下的數(shù)據(jù)作為試驗數(shù)據(jù)，表1給出了鍋爐部分運行工況下采集到的數(shù)據(jù)。

圖1 BP神經(jīng)網(wǎng)絡預測模型

由于試驗測得的數(shù)據(jù)與樣本數(shù)據(jù)的物理量綱不一樣，而且變化范圍差別較大，作為神經(jīng)網(wǎng)絡訓練樣本的數(shù)據(jù)如不進行處理，勢必使數(shù)值大的輸出分量絕對誤差大，數(shù)值小的輸出分量絕對誤差小，而網(wǎng)絡訓練時只是針對輸出總誤差調(diào)整權(quán)值，其結(jié)果將使在總誤差中占分額小的輸出分量相對誤差較大。所以先對試驗數(shù)據(jù)進行歸一化處理后，送入神經(jīng)網(wǎng)絡進行訓練，同時逐步調(diào)整和確定模型中隱層神經(jīng)元的數(shù)目，訓練中數(shù)目取為64時，可以滿足網(wǎng)絡穩(wěn)定性和收斂性較好的要求。將訓練樣本之外的8組試驗數(shù)據(jù)作為測試樣本用于神經(jīng)網(wǎng)絡的預測效果檢驗。圖2為煙氣含氧量實測值與預測值的對比結(jié)果，圖3為煙氣含氧量相對誤差曲線。從結(jié)果來看，煙氣含氧量的實測值和預測值較接近，最大絕對誤差為 0.37，最大相對誤差為7.421%，這說明訓練好的神經(jīng)網(wǎng)絡能較好地預測煙氣含氧量的值，從而建立了煙氣含氧量的預測模型。

氧量校正及總風量指令控制回路如圖4所示。從圖4可以看出由機組負荷協(xié)調(diào)控制系統(tǒng)來的鍋爐負荷指令，通過函數(shù)模塊f1(x)處理成鍋爐總風量指令信號，將該風量指令信號和總?cè)剂狭啃盘柦?jīng)函數(shù)模塊f2(x)形成的風量信號送入大值選擇器。大值選擇器輸出的風量信號，經(jīng)乘法器和氧量校正系數(shù)相乘得到氧量校正后的總風量指令設(shè)定值。同時該指令信號還受到最小風量的限制。當鍋爐總?cè)剂现噶詈蛯嶋H總?cè)剂狭啃盘柖夹∮谧钚】諝饬髁啃盘枙r，則通過上、下限限幅塊設(shè)定的最小輸出值作為風量指令輸出，這樣可以保證鍋爐的風量不會低于最小風量，同時在負荷變化過程中保證燃燒總是在富氧狀態(tài)運行，防止煙囪冒黑煙現(xiàn)象的發(fā)生。風量控制器根據(jù)風量設(shè)定值與測量值之偏差信號，經(jīng)PID控制器發(fā)出送風機動葉開度控制指令，完成風粉比粗調(diào)作用。

表1 鍋爐部分運行工況試驗數(shù)據(jù)

圖2 煙氣含氧量實測值與預測值比較

圖3 煙氣含氧量相對誤差曲線

圖4 氧量校正及總風量指令控制回路

機組給定負荷通過函數(shù)塊f6(x)與來自氧量M/A操作站的偏置信號相加得到隨負荷變化的最佳煙氣含氧量動態(tài)設(shè)定值。為了防止偏置值的階躍變化對控制系統(tǒng)的沖擊，設(shè)定值需要經(jīng)過速率限制塊對變化率進行限制。同時，為了防止運行人員誤將設(shè)定值操作到合理范圍之外，設(shè)定值還需要經(jīng)過上、下限幅塊的限制。煙氣含氧量測量值通過改進的BP神經(jīng)網(wǎng)絡實現(xiàn)的軟測量模型得到。氧量設(shè)定值和氧量軟測量模型輸出之偏差經(jīng)過氧量校正調(diào)節(jié)器、函數(shù)模塊f5(x)后對總風量信號進行校正，使鍋爐實際煙氣含氧量等于其最佳值，保證燃燒過程的經(jīng)濟性。

氧量M/A操作站切到手動方式后，氧量校正調(diào)節(jié)器的輸出跟蹤氧量操作站的手動輸出信號，氧量偏置信號跟蹤氧量實際測量值和氧量給定值的偏差，氧量M/A操作站接通S2端，使氧量M/A操作站的輸出跟蹤風煤比，即函數(shù)模塊f4(x)的輸出。

3 結(jié)論

通過上述的論證，基于改進BP神經(jīng)網(wǎng)絡的煙氣含氧量軟測量方法具有如下特點。

a.鍋爐是一個典型的多變量輸入、輸出、強非線性、無自平衡的復雜系統(tǒng)。燃燒過程是一個復雜的物理化學過程，對煙氣含氧量的影響因素很多，所以，適合用神經(jīng)網(wǎng)絡來建立煙氣含氧量預測模型。

b.通過測量表明，本模型預測的煙氣含氧量相對誤差具有波動性(圖3所示)，反映該模型有著較強的非線性逼近能力，有著較好的自學習和適應能力。

c.在實際應用中樣本數(shù)據(jù)庫可以不斷更新，即在存儲了足夠數(shù)量新樣本后，將舊樣本擠掉，每隔一定時間在線進行網(wǎng)絡模型訓練，對軟測量模型進行修正，提高測量精度。

［1］韓璞，喬弘，王東風，等.火電廠熱工參數(shù)軟測量技術(shù)的發(fā)展和現(xiàn)狀［J］.儀器儀表學報，2007，28(06):1139－1146.

［2］韓璞，王東風，翟永杰.基于神經(jīng)網(wǎng)絡的火電廠煙氣含氧量軟測量［J］.信息與控制，2001，30(2):189 －192.

［3］孔德奇，谷俊杰，李洋，等.基于氧量軟測量的鍋爐在線燃燒優(yōu)化控制［J］.儀器儀表學報，2006，27(21):530 －532.

［4］仲蔚，劉愛倫，俞金壽.多變量系統(tǒng)的軟測量建模研究［J］.控制與決策，2000，15(2):209－212.

［5］盧勇，徐向東.煙氣含氧量軟測量新方法研究［J］.熱能動力工程，2002，17(6):614 －616.

［6］王寧會，劉敏.神經(jīng)元網(wǎng)絡軟測量技術(shù)的發(fā)展［J］.自動化與儀表，2003(1):6－9.

［7］王旭，王宏，王文輝.人工神經(jīng)元網(wǎng)絡原理和應用［M］.沈陽:東北大學出版社，2000.

［8］叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡理論與應用［M］.合肥:中國科學技術(shù)大學出版社，2009.