基于改進BP神經網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視，不能準確地提供在線閉環控制所需的反饋信號，從而直接影響著燃燒控制系統的性能指標。為此，提出采用軟測量技術［1－5］，即基于BP神經網絡原始算法改進的基礎上，通過對網絡的訓練學習構造煙氣含氧量的預測模型，實現鍋爐燃燒系統的閉環控制和優化。

1 基于改進的BP神經網絡模型

BP神經網絡［6－8］的結構一般包括輸入層、隱含層和輸出層。網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，從而形成網絡的拓撲結構。理論上已經證明，當隱含層神經元數目足夠多時，BP神經網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。

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

采用反對稱函數代替通常的Sigmoid函數，比如最常用的是雙曲正切函數，即

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

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定;η小可避免不穩定，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誤差及誤差曲面變化，有利于提高BP網絡的收斂速度及避開局部極小點。

2 改進的BP神經網絡模型的訓練與學習

構建一個多輸入單輸出的BP網絡預測模型，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)、總燃料量(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。模型結構如圖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)運行工況下的數據作為試驗數據，表1給出了鍋爐部分運行工況下采集到的數據。

圖1 BP神經網絡預測模型

由于試驗測得的數據與樣本數據的物理量綱不一樣，而且變化范圍差別較大，作為神經網絡訓練樣本的數據如不進行處理，勢必使數值大的輸出分量絕對誤差大，數值小的輸出分量絕對誤差小，而網絡訓練時只是針對輸出總誤差調整權值，其結果將使在總誤差中占分額小的輸出分量相對誤差較大。所以先對試驗數據進行歸一化處理后，送入神經網絡進行訓練，同時逐步調整和確定模型中隱層神經元的數目，訓練中數目取為64時，可以滿足網絡穩定性和收斂性較好的要求。將訓練樣本之外的8組試驗數據作為測試樣本用于神經網絡的預測效果檢驗。圖2為煙氣含氧量實測值與預測值的對比結果，圖3為煙氣含氧量相對誤差曲線。從結果來看，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網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調控制系統來的鍋爐負荷指令，通過函數模塊f1(x)處理成鍋爐總風量指令信號，將該風量指令信號和總燃料量信號經函數模塊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，經乘法器和氧量校正系數相乘得到氧量校正后的總風量指令設定值。同時該指令信號還受到最小風量的限制。當鍋爐總燃料指令和實際總燃料量信號都小于最小空氣流量信號時，則通過上、下限限幅塊設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運行，防止煙囪冒黑煙現象的發生。風量控制器根據風量設定值與測量值之偏差信號，經PID控制器發出送風機動葉開度控制指令，完成風粉比粗調作用。

表1 鍋爐部分運行工況試驗數據

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設定值。為了防止偏置值的階躍變化對控制系統的沖擊，設定值需要經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定值操作到合理范圍之外，設定值還需要經過上、下限幅塊的限制。煙氣含氧量測量值通過改進的BP神經網絡實現的軟測量模型得到。氧量設定值和氧量軟測量模型輸出之偏差經過氧量校正調節器、函數模塊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，保證燃燒過程的經濟性。

氧量M/A操作站切到手動方式后，氧量校正調節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，即函數模塊f4(x)的輸出。

3 結論

通過上述的論證，基于改進BP神經網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。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，適合用神經網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據庫可以不斷更新，即在存儲了足夠數量新樣本后，將舊樣本擠掉，每隔一定時間在線進行網絡模型訓練，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.火電廠熱工參數軟測量技術的發展和現狀［J］.儀器儀表學報，2007，28(06):1139－1146.

［2］韓璞，王東風，翟永杰.基于神經網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.神經元網絡軟測量技術的發展［J］.自動化與儀表，2003(1):6－9.

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

［8］叢爽.面向MATLAB工具箱的神經網絡理論與應用［M］.合肥:中國科學技術大學出版社，2009.