面向脫硫系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測控制

程換新，于沙家

(青島科技大學(xué) 自動(dòng)化與電子工程學(xué)院，山東 青島 266061)

?

面向脫硫系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測控制

程換新，于沙家

(青島科技大學(xué) 自動(dòng)化與電子工程學(xué)院，山東 青島 266061)

稿件收到日期： 2015-04-07，修改稿收到日期： 2015-07-06。

燃煤電廠在發(fā)電過程中產(chǎn)生很多二氧化硫、氮氧化物氣體及灰塵等，主要成分二氧化硫?qū)Νh(huán)境的污染日益嚴(yán)重，其排放被嚴(yán)格控制。目前脫硫系統(tǒng)中二氧化硫的排放量主要受煙氣量、預(yù)洗塔內(nèi)溫度、脫硫塔出口煙氣溫度、脫硫塔內(nèi)漿液的pH值及氨水中氨的質(zhì)量分?jǐn)?shù)(氨濕法脫硫)等因素的影響。近10年來，國內(nèi)在降低二氧化硫排放方面做了很多實(shí)驗(yàn)研究，取得了較好成果，如安裝濃淡燃燒器、分級(jí)送風(fēng)、氨濕法脫硫、石膏濕法脫硫等都可以降低二氧化硫的排放量[1-2]。考慮到脫硫工程中輸入與輸出變量之間非線性關(guān)系的復(fù)雜性，建立了脫硫系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，通過利用樣本不斷訓(xùn)練建立網(wǎng)絡(luò)模型，用新數(shù)據(jù)來預(yù)測二氧化硫的脫硫效率，從而控制影響系統(tǒng)的主控變量。

1氨濕法煙氣脫硫系統(tǒng)簡介

1．1氨濕法煙氣脫硫原理

氨濕法煙氣脫硫工藝流程如圖1所示，該過程主要利用液氨吸收煙氣中的二氧化硫，并通過化學(xué)反應(yīng)生成亞硫酸氨，在富氧的條件下被氧化成硫酸氨，又利用蒸發(fā)結(jié)晶將晶體析出，干燥后即可得到化學(xué)肥料。其主要過程是吸收、氧化、結(jié)晶和干燥過程。

1．2氨濕法脫硫系統(tǒng)組成

某熱電廠300 MW機(jī)組脫硫系統(tǒng)由煙氣系統(tǒng)、煙氣吸收系統(tǒng)、硫銨處理系統(tǒng)、事故漿液系統(tǒng)、工藝水及廢水處理系統(tǒng)組成。

1) 煙氣系統(tǒng)。從鍋爐總煙道中出來的氣體經(jīng)進(jìn)口擋風(fēng)板、增壓風(fēng)機(jī)最后經(jīng)過煙氣換熱器將其溫度降低后送入吸收塔中。塔中的煙氣和液氨反應(yīng)脫硫，并用除霧器除去水霧，通過煙氣換熱器將溫度升高到大約85℃，再通過出口擋風(fēng)板經(jīng)過總煙道由煙囪排到空氣中。

2) 煙氣吸收系統(tǒng)。煙氣吸收塔中氨水送到噴淋系統(tǒng)，與煙氣逆向接觸吸收二氧化硫，生成亞硫酸銨并氧化成硫酸銨。

3) 硫銨處理系統(tǒng)。從吸收塔底部得到的硫酸銨溶液經(jīng)過分離器后，對(duì)其進(jìn)行加熱并冷凝進(jìn)而得到濕的硫酸銨，再經(jīng)過干燥機(jī)干燥后進(jìn)行包裝。

4) 事故漿液系統(tǒng)。在脫硫裝置出現(xiàn)問題或設(shè)備檢修時(shí)暫時(shí)將吸收塔內(nèi)的漿液儲(chǔ)存在此系統(tǒng)中，也可以將沖洗設(shè)備或管道的水存儲(chǔ)于此。

5) 工藝水及廢水處理系統(tǒng)。脫硫系統(tǒng)正常運(yùn)行或出現(xiàn)事故時(shí)的用水都在工藝水系統(tǒng)中獲取，所有設(shè)備及管道需要2臺(tái)工藝水泵。廢水處理系統(tǒng)為了防止脫硫過程中的雜質(zhì)離子過多影響系統(tǒng)溶液中硫的質(zhì)量濃度，使反應(yīng)中的溶液pH值過低從而降低脫硫效率，所以溶液中硫的質(zhì)量濃度達(dá)到一定值后就要從反應(yīng)容器中排出少量廢水。

圖1　氨濕法煙氣脫硫工藝流程示意

2BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)ANN(artificial neutral network)通過大量的神經(jīng)元相連接，其非線性程度很高，并且能完成復(fù)雜的邏輯操作和非線性關(guān)系，理論上可以逼近任何非線性映射,計(jì)算過程如圖2所示。

圖2　BP神經(jīng)網(wǎng)絡(luò)計(jì)算流程示意

它一般采用上下層分層網(wǎng)絡(luò)，在上下層中進(jìn)行全連接，每層神經(jīng)元之間不存在連接。根據(jù)實(shí)際輸出和期望輸出之差，由后向前調(diào)整網(wǎng)絡(luò)權(quán)值的多層前饋網(wǎng)絡(luò)，即BP神經(jīng)網(wǎng)絡(luò)[4-5]。因此，BP神經(jīng)網(wǎng)絡(luò)的誤差是反向傳播，并且要求誤差最小，通過對(duì)多個(gè)樣本的不斷訓(xùn)練，得到訓(xùn)練結(jié)果并且進(jìn)行保存，對(duì)未訓(xùn)練的樣本進(jìn)行預(yù)測。

2．1建立BP神經(jīng)網(wǎng)絡(luò)

在脫硫系統(tǒng)中影響脫硫效率的因素主要是煙氣量、預(yù)洗塔內(nèi)溫度、脫硫塔出口煙氣的溫度、脫硫塔內(nèi)漿液的pH值及氨水中氨的質(zhì)量分?jǐn)?shù)，將這5個(gè)變量因子作為BP神經(jīng)網(wǎng)絡(luò)的輸入，輸出為脫硫效率。理論上三層神經(jīng)網(wǎng)絡(luò)可以任意逼近一個(gè)非線性系統(tǒng)，所以該系統(tǒng)設(shè)計(jì)1個(gè)輸入層、1個(gè)隱含層和1個(gè)輸出層，如圖3所示。

假設(shè)該網(wǎng)絡(luò)模型的輸入節(jié)點(diǎn)數(shù)、隱層節(jié)點(diǎn)數(shù)、輸出節(jié)點(diǎn)數(shù)分別為M，K，N，每一層的輸出定義如下：

om=Im(m=1， 2， …， M)

(1)

(2)

(3)

式中：Im——輸入層輸入變量；om——輸入層的輸出；xm——輸入層的輸入；ok——隱含層的輸出；wk m——輸入層節(jié)點(diǎn)m和隱含層節(jié)點(diǎn)k之間的權(quán)值；m——輸入層節(jié)點(diǎn)；k——隱含層節(jié)點(diǎn)；bk——隱含層閾值；wn k——隱含層節(jié)點(diǎn)k與輸出層節(jié)點(diǎn)n之間的權(quán)值；bn——輸出層閾值。

圖3　神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意

2．2BP神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)整算法

梯度下降法在剛開始下降很快，越是接近最優(yōu)值下降就越慢，當(dāng)下降梯度趨于零，使得目標(biāo)函數(shù)下降也減慢；擬牛頓算法可以在最值附近產(chǎn)生一個(gè)理想的搜索方向，因而選用了Levenberg-Marquardt法。該方法基于非線性最小方差優(yōu)化問題，極大地改進(jìn)了以搜索方法為核心的迭代優(yōu)化算法，實(shí)際是梯度下降法和牛頓法的結(jié)合。假定系統(tǒng)輸入輸出樣本組數(shù)為p(p= 1， 2， 3， …，P)，學(xué)習(xí)率為λ、動(dòng)量因子η滿足0<λ<1)， η>0。系統(tǒng)目標(biāo)函數(shù)：

(4)

在用神經(jīng)網(wǎng)絡(luò)時(shí)利用相關(guān)算法修正或調(diào)整連接權(quán)值、伸縮因子、平移因子滿足設(shè)計(jì)要求，具體如下：

1) 輸入層節(jié)點(diǎn)與隱含層節(jié)點(diǎn)之間的權(quán)值調(diào)整式：

(5)

(6)

2) 對(duì)隱含層與輸出層之間的權(quán)值進(jìn)行相應(yīng)調(diào)整：

(7)

(8)

2．3BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

通過以上的分析，可以得到BP神經(jīng)網(wǎng)絡(luò)控制算法的實(shí)現(xiàn)，主要有以下幾步：

1) 初始化設(shè)置。設(shè)置迭代次數(shù)為0，設(shè)置優(yōu)化目標(biāo)ε>0，隨機(jī)生成初始權(quán)值序列w(0)，并將動(dòng)量因子、學(xué)習(xí)速率和神經(jīng)網(wǎng)絡(luò)的連接權(quán)值進(jìn)行初始化，樣本序數(shù)p=1。

2) 計(jì)算輸入樣本相應(yīng)的期望輸出，測量得到網(wǎng)絡(luò)的實(shí)際輸出。

3) 根據(jù)BP算法計(jì)算公式求梯度向量和誤差。

4) 選擇搜索方向并計(jì)算學(xué)習(xí)速率。

5) 調(diào)節(jié)BP網(wǎng)絡(luò)參數(shù)，并輸入下一樣本。

6) 停機(jī)測試。若E(w(k))<ε，則停機(jī)；否則置p=p+1，并轉(zhuǎn)步驟2)循環(huán)。

3建立脫硫系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型

脫硫效率受到多方面因素影響，所以對(duì)于主控因素要合理選擇，以保證建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型。將影響脫硫效率的5個(gè)主要因素作為神經(jīng)網(wǎng)絡(luò)輸入量，由于隱含層的節(jié)點(diǎn)數(shù)并沒有固定的公式來計(jì)算，一般采用經(jīng)驗(yàn)公式法，通過Komogorov理論證明，一個(gè)具有n個(gè)節(jié)點(diǎn)輸入層，2n+1個(gè)節(jié)點(diǎn)的隱含層和m個(gè)輸出節(jié)點(diǎn)的輸出層的三層BP網(wǎng)絡(luò)，可以任意精確地表達(dá)任一個(gè)連續(xù)函數(shù)。大量的研究也表明該公式能反應(yīng)實(shí)際的情況，保證網(wǎng)絡(luò)的精度，所以隱含層的節(jié)點(diǎn)數(shù)設(shè)置為11個(gè)。將系統(tǒng)的脫硫效率作為輸出量。即輸入量的向量X=(X1，X2，X3)T，輸出量的向量為Y=(Y1)為一維向量。在進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測之前，為了避免主控因素對(duì)網(wǎng)絡(luò)訓(xùn)練和網(wǎng)絡(luò)的預(yù)測結(jié)果造成誤差，首先要對(duì)數(shù)據(jù)樣本進(jìn)行歸一化處理，以提高網(wǎng)絡(luò)訓(xùn)練的精度。 對(duì)數(shù)據(jù)進(jìn)行歸一化處理，采用以下公式使每個(gè)節(jié)點(diǎn)的輸出值保持在0～1[10]：

(9)

4脫硫系統(tǒng)仿真

通過以上分析，系統(tǒng)采用了具有三層BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，由1個(gè)輸入層、1個(gè)隱含層和1個(gè)輸出層組成。對(duì)于BP神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層個(gè)數(shù)的計(jì)算沒有具體的理論公式，一般通過實(shí)際情況來確定其個(gè)數(shù)。將影響脫硫效率的5個(gè)主要影響因素作為脫硫效率模型的輸入神經(jīng)元的個(gè)數(shù)，所以輸入節(jié)點(diǎn)為5個(gè)，輸出節(jié)點(diǎn)為1個(gè)即脫硫效率。在確定隱含層的節(jié)點(diǎn)時(shí)，采用經(jīng)驗(yàn)法，并通過網(wǎng)絡(luò)不斷訓(xùn)練確定了11個(gè)隱含層的節(jié)點(diǎn)數(shù)。輸入層采用有監(jiān)督的學(xué)習(xí)方法，隱含層采用S型傳遞函數(shù)，輸出層采用線性傳遞函數(shù)。在脫硫系統(tǒng)中的樣本中采用了40組數(shù)據(jù)，其中前30組作為訓(xùn)練樣本，后10組作為預(yù)測樣本，如圖4所示。

圖4　模型對(duì)煙氣脫硫效率的預(yù)測值與實(shí)際值對(duì)比

在進(jìn)行訓(xùn)練前需要用歸一化公式對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使每個(gè)節(jié)點(diǎn)的數(shù)值均在(0， 1)間，經(jīng)過迭代使網(wǎng)絡(luò)不斷收斂。網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置： 預(yù)測精度goal=0．0001，學(xué)習(xí)速率Ir=0．001，訓(xùn)練次數(shù)為epochs=8000，其訓(xùn)練函數(shù)為trainlm，其余參數(shù)設(shè)置為默認(rèn)數(shù)值。設(shè)置好參數(shù)后對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)訓(xùn)練誤差達(dá)到最小時(shí)停止訓(xùn)練，此時(shí)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測數(shù)值進(jìn)行了驗(yàn)證。

5結(jié)論

BP神經(jīng)網(wǎng)絡(luò)用于脫硫系統(tǒng)的預(yù)測，有較高的預(yù)測精度和較強(qiáng)的實(shí)用性，經(jīng)過模擬仿真得到了驗(yàn)證。該實(shí)驗(yàn)中在訓(xùn)練之前首先要對(duì)初始數(shù)據(jù)進(jìn)行歸一化處理，確定隱含層的神經(jīng)元個(gè)數(shù)，對(duì)于期望值的設(shè)置要適度，期望誤差不是越小越好，誤差精度選用了10-4，達(dá)到了很好的預(yù)測效果。因此，在脫硫控制系統(tǒng)中，通過改變影響脫硫效率的因素能夠提高脫硫效果，達(dá)到最終的目的。

參考文獻(xiàn)：

[1]ZHAO Y， WANG S X， DUAN L， et al． Primary Air Pollutant Emission of Coal-fired Power Plants in China： Current Status and Future Prediction． Atmospheric Environment， 2008， 42(36)： 8442-8452．

[2]楊飏．氮氧化物減排技術(shù)與煙氣脫硝工程． 北京： 冶金工業(yè)出版社，2007．

[3]董長虹．Matlab 神經(jīng)網(wǎng)絡(luò)與應(yīng)用． 北京： 國防工業(yè)出版社，2005．

[4]袁曾任．人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用．北京： 清華大學(xué)出版社，1999．

[5]張化光，何希勤．模糊自適應(yīng)控制理論及其應(yīng)用．北京： 北京航空航天大學(xué)出社，2002．

[6]程換新，伊飛．面向輕汽油醚化的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型控制．石油化工自動(dòng)化，2012，48(06)： 40-41．

[7]傅薈璇，趙紅．Matlab 神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)．北京： 機(jī)械工業(yè)出版社，2010．

[8]趙振宇．模糊理論和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)應(yīng)用．北京： 清華大學(xué)出版社，1997．

[9]王順晃，舒迪前．智能控制系統(tǒng)及其應(yīng)用．上海： 機(jī)械工業(yè)出版社，2005．

[10〗孟召平，田永東，雷旸．煤層含氣量預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型與應(yīng)用．中國礦業(yè)大學(xué)學(xué)報(bào)，2008，37(04)： 456-461．

魏德米勒官方微信正式上線

目前，魏德米勒官方微信開通，其主要有三大板塊： 產(chǎn)品大全、最新動(dòng)態(tài)、互動(dòng)中心。官方微信承載著魏德米勒最權(quán)威的公司資訊，最時(shí)效的新品介紹，最詳盡的產(chǎn)品專題，最專業(yè)的行業(yè)案例以及最前沿的聯(lián)接技術(shù)。

了解更多魏德米勒信息，查找其最新資料，參與最炫活動(dòng)，請(qǐng)關(guān)注“魏德米勒”官方微信，“掌”握聯(lián)接技術(shù)新動(dòng)向。(魏德米勒電聯(lián)接(上海)有限公司)

摘要：為降低脫硫系統(tǒng)中二氧化硫的排放量，提出了基于BP神經(jīng)網(wǎng)絡(luò)的二氧化硫預(yù)測模型。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，采用迭代優(yōu)化的控制算法，根據(jù)系統(tǒng)相應(yīng)的性能指標(biāo)，并對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行反復(fù)調(diào)整，最后利用實(shí)際數(shù)據(jù)對(duì)模型進(jìn)行了仿真驗(yàn)證。研究結(jié)果表明，BP網(wǎng)絡(luò)的脫硫效率預(yù)測模型仿真精度較高，為燃燒系統(tǒng)的改造提供了依據(jù)。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)脫硫系統(tǒng)預(yù)測控制非線性映射

BP Neural Network Prediction Control for Desulfurization SystemCheng Huanxin， Yu Shajia

(College of Automation Engineering， Qingdao University of Science &

Technology， Qingdao， 266061， China)

Abstracts： To reduce SO2emission load in desulfurization system， BP neural network based SO2prediction model is put forward． According to system relative performance indexs， the weight and threshold value of neural network are adjusted repeatedly applying BP neural network prediction model adopted with iterative optimization control algorithm． Simulation verification of the model is finally conducted using actual data． The research result shows simulation accuracy for BP network prediction model of desulfurization efficiency is high． It provides basis for combustion system modification．

Key words：BP neural network; desulfurization system; prediction control; nonlinear-mapping

中圖分類號(hào)：TP29

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1007-7324(2015)05-0039-04

作者簡介：程換新(1966—)，男，山東青島人，獲博士學(xué)位，現(xiàn)就職于青島科技大學(xué)，主要從事控制理論與應(yīng)用研究，任教授，碩士生導(dǎo)師。