時序-神經網絡模型在磨煤機一次風量測量中的應用

金秀章, 張少康, 尹子劍, 劉 瀟

(華北電力大學控制與計算機工程學院，河北 保定 071003)

時序-神經網絡模型在磨煤機一次風量測量中的應用

金秀章, 張少康, 尹子劍, 劉 瀟

(華北電力大學控制與計算機工程學院，河北 保定 071003)

針對制粉系統存在的大慣性和大遲延等特點，提出了一種基于時序-神經網絡的一次風量軟測量模型。在建模過程中，考慮了生產過程輸入變量和輸出變量的時序，給出了輔助變量選取和數據預處理方法。某電廠實際運行結果表明，該模型的準確性較目前廣泛應用的靜態神經網絡軟測量模型有顯著提高。該研究為磨煤機一次風量的測量提供了一定的理論基礎。

火電廠; 制粉系統; 磨煤機; 風量; 軟測量; 時間序列;BP神經網絡; 人工智能; 歸一化處理; 數據挖掘

0 引言

磨煤機一次風量對鍋爐配風、磨煤機風煤比、優化燃燒有很大影響。因為火電廠煙道成分非常復雜，環境惡劣，容易造成皮托管的堵塞或磨損，加之制粉系統的空間有限、測點不易布置等原因，使得電廠的現場儀表測得的一次風量和實際值存在較大的偏差。因此，準確測量磨煤機一次風量非常關鍵[1]。

針對儀表測量不準確問題，軟測量技術是一個不錯的解決方法。軟測量技術是應用統計學知識或者人工智能等方法，通過建立軟測量模型，利用可在線測量的變量來推斷和估計不可在線測量的數據。因為軟測量技術不需要進行直接測量，所以不會出現儀表測量不準確的問題[2]。

本文在靜態神經網絡軟測量的基礎上，加入了對輸入變量和輸出變量的時序分析，并通過仿真驗證了時序-神經網絡模型的準確性較靜態神經網絡模型有明顯提高[3]。

1 基于相似度函數的樣本優化

由于目前選擇樣本數據的原則還沒有統一，如果把歷史數據都作為樣本輸入，計算量會很大，所以要對樣本進行優化。樣本優化的基本思想是對已有數據進行比較，計算任意兩組數據之間的相似度。如果相似度高，說明這兩組數據包含的信息相似，也就是冗余信息，這時我們可以通過剔除操作來簡化模型的輸入樣本，提高運行效率。

下面是相似度函數公式：

(1)

式中:xj=Rm,j為數據樣本,m為數據樣本的維數；‖·‖為矩陣二范數；δ為歸一化參數；Rij為第i組數據和第j組數據之間的相似度。

針對數據信息，選取歸一化參數δ，其表達式為：

(2)

式中：Di為第i組數據;m為每組數據中的個數。

如果兩個數據越相近，則經過相似度函數計算后的相似度就越接近1，說明兩組數據包含的信息越相似。為了避免運算時出現大量的冗余信息，就剔除其中一組數據[4]。

2 數據的歸一化處理

數據的標準化處理是數據挖掘的一項基本工作，因為選取的變量有不同的量綱，在不同的量綱下比較是沒有意義的。為了消除指標間量綱的影響，需要對數據進行標準化處理，使各指標處于同一個數量級，適合綜合評價。

(3)

式中：xmin為樣本數據x的最小值；xmax為樣本數據x的最大值。

上式也稱為離差標準化，是對原始數據進行線性變換，將結果映射到(0,1)之間。這種方法的缺點就是當xmin和xmax相等時，分母為0，歸一化不能進行。

假設當樣本數據x的最大值和最小值相等時，即分母為0，令y=ymin，就解決了分母中出現0的情況。

(4)

式中：y為樣本數據x經過標準化后的數據;ymax和ymin為定義的兩個最值。改進之后的歸一化不僅包含了原來歸一化的內容，而且可以在編程中得到應用，提高了應用范圍[5]。

3 BP神經網絡

3.1 BP神經網絡原理

人工神經網絡簡稱神經網絡，它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法模型。神經網絡模型包括輸入層、隱含層、輸出層。神經網絡的過程是數據經過輸入層進入到隱含層，經過隱含層的處理，最后傳輸到輸出層。如果訓練的輸出和期望值不一樣，則通過差值對傳輸過程中的權值進行修正，直到滿足設定的目標[6]。

設BP神經網絡的輸入層節點數為M、隱含層節點數為q、輸出層節點數為L、學習樣本的個數為N、樣本輸入為p，隱含層的第i個神經元在樣本p作用下的輸入為：

(5)

隱含層的輸出經過激勵函數作用，公式如下：

(6)

隱含層第i個神經元的輸出，通過隱含層與輸出層神經元之間的連接權值作用之后，傳輸到輸出層。輸出層的第k個神經元的輸入為：

(7)

式中：Wki為隱含層第i個神經元到輸出層第k個神經元之間的權值；θk為輸出層神經元的閾值。

輸出層第k個神經元經過激勵函數作用以后的輸出為：

(8)

對系統的輸出值與給定值進行比較，如果不一樣，則通過誤反傳對連接權值進行修正，經過多次訓練得到最終結果[7]。

3.2 隱含層節點數的確定

目前，關于隱含層節點數的確定并無一個準確的方法。對于3層BP神經網絡，采用以下隱含層節點數的判斷方法：

(9)

式中：S為隱含層節點數;k為輸入層節點數;n為輸出層節點數。

S要經過四舍五入取整得到，公式與大多數的應用實例相符。本文采用上述經驗公式，確定BP神經網絡隱含層節點數[8]。

4 軟測量模型的建立

軟測量主要由輔助變量的選擇、數據的分析與處理、軟測量模型的建立、在線校正等步驟構成。其中，軟測量模型的建立是核心任務。本文根據機理分析初步得到輔助變量，通過一次風量和輔助變量之間相關系數的大小和輔助變量之間相關性，得到最終的輔助變量(樣本1)，然后分析一次風量和輔助變量之間的時序關系，得到另一組輔助變量(樣本2)。在樣本1的基礎上加上一個輔助變量(磨煤機的瞬時給煤量)作為樣本3，然后分別對樣本進行優化和數據的歸一化。通過BP神經網絡進行建模，比較各個樣本輸入時的結果并加以分析。樣本1的軟測量模型建立示意圖如圖1所示。樣本1～樣本3流程相同。

圖1 樣本1的軟測量模型建立示意圖

4.1 輔助變量的選取

根據機理分析尋找輔助變量，了解對象的工藝流程和機理，可以初步確定多個和一次風量相關的輔助變量；然后根據一次風量和輔助變量之間的相關性來進一步確定。通過機理分析，由流量公式Q=k×(Δ×σP)1/2可以知道，流量和氣體的密度Δ和差壓σP有直接關系。氣體的密度受溫度和壓力的影響，所以選取進出口的溫差、一次風機進口的壓力作為輔助變量。風量是由風機動葉開度和風機電流大小來調節的，風量和給煤量有關。風量過多或過少都會對燃燒效率產生影響。在制粉系統中，一般采用皮帶式稱重來計算煤量，所以磨煤機電流和磨煤機的瞬時給煤量可以作為輔助變量。一次風是冷風和熱風的混合，所以可以把冷風開度和熱風開度作為輔助變量[9]。

根據機理分析，得到的初步輔助變量如表1所示。

表1 初步輔助變量表

(10)

最終輔助變量如表2所示。

表2 最終輔助變量表

因為在實際工業運行中，機器設備不可能瞬時響應，所以篩選后的輔助變量在時間序列上會有一定的超前或滯后。處理方法為：選取超前或滯后的輔助變量，然后和一次風量求取相關系數，通過仿真得到相關系數的曲線；再根據設備的實際工作情況，得到一次風量和輔助變量之間時序上的差別。綜合上述方法得到最終的結果：熱風門開度要超前一次風量130s；磨煤機一次風壓力和一次風機電流在時序上相差很小，時延近似為0。通過分析得到磨煤機電流和一次風進出口溫差的時序相關性較差；此外，還加入一個輔助變量(磨煤機的瞬時給煤量)進行分析。

4.2 數據的預處理

相似度函數閾值和剩余樣本容量關系曲線如圖2所示。

圖2 相似度函數閾值和剩余樣本容量關系曲線圖

電廠的歷史數據是帶有量綱的，在不同的量綱下沒有比較的意義，所以要對數據進行歸一化處理。本文選用的是改進的max-min標準化處理[10]。

5 結果與分析

在樣本1、樣本2、樣本3輸入下的BP模型測試曲線如圖3所示。

圖3 BP模型測試曲線圖

根據某電廠的歷史數據，一共等間隔選取了3 650組數據，經過樣本優化和數據的歸一化處理后，進入BP神經網絡模型進行訓練。同時，從3 650組數據中隨機抽取80組數據進行測試，比較選取3種不同的輔助變量的精確性。最大絕對值誤差(Emax)、均方根誤差(RMSE)、平均絕對誤差(MAE)的公式如下：

(11)

(12)

(13)

不同模型的輸入分析如表3所示。

表3 不同模型的輸入分析

6 結束語

通過機理分析、一次風量和輔助變量相關性分析選擇輔助變量，然后分析輔助變量之間的時序關系，得到最終的輔助變量。由表3可知，樣本2作為輸入時的準確性較樣本1有明顯的提高，說明分析一次風量和輔助變量之間時序關系是正確的；樣本2和樣本3作為輸入時，準確性相差不大，可以得到分析輔助變量之間相關性的必要性，減少輔助變量的個數，精簡軟測量模型，提高運算速度。通過分析一次風量和輔助變量時序關系，可以提高準確性，為以后一次風量的分析提供了理論依據。

[1] 王守會,林云芳,楊耀權,等.基于LSSVR的磨煤機一次風量軟測量[J].電子世界,2012,34(14):73-75.

[2] 俞金壽.軟測量技術及其應用[J].自動化儀表,2008,29(1):1-7.

[3] 楊耀權,張新勝.LSSVM動態軟測量模型在磨煤機一次風預測方面的應用[J].動力工程學報,2016,36(3)：207-217.

[4] 張傳標,倪建軍,劉明華,等.樣本優化核主元分析及其在水質監測中的應用[J].中國環境監測,2012,28(2):92-96.

[5] 柳小桐.BP神經網絡輸入層數據歸一化研究[J].機械工程與自動化,2010,39(3):122-127.

[6] 姚健.群搜索算法與二次插值法的混合算法及其應用研究[D].太原:太原科技大學,2010.

[7] 魏星華.量子神經網絡辨識方法的研究[D].保定:華北電力大學,2013.

[8] 尚長軍,陳曦,錢積新.基于PCA-BP神經網絡的精餾塔產品組成軟測量模型[J].工業儀表與自動化裝置,2003，33(4):33-36.

[9] 王建,楊耀權,馬高偉.軟測量輔助變量選擇方法研究[J].電力科學與工程,2011,27(7):37-40.

[10]金秀章,韓超.KPCA-LSSVM在磨煤機一次風量預測中的應用[J].自動化儀表,2015,36(3):62-67.

[11]唐春霞,楊春華,桂衛華,等.基于KPCA-LSSVM的硅錳合金熔煉過程爐渣監督預測研究[J].儀器儀表學報,2010,31(3):689-693.

ApplicationoftheTimeSequence-NeuralNetworkModelinMeasurementofPrimaryAirFlowofPulverizer

JINXiuzhang,ZHANGShaokang,YINZijian,LIUXiao

(SchoolofControlandComputerEngineering,NorthChinaElectricPowerUniversity,Baoding071003,China)

Inaccordancewiththecharacteristicsoflargeinertiaandlargetimelagofthecoalpurverizingsystem,themodelofsoftmeasurementofprimaryairflowbasedontimesequence-neuralnetworkisproposed.Inthemodelingprocess,thetimesequencesofinputvariablesandoutputvariablesofproductiveprocessareconsidered,themethodsofsecondaryvariablesselectionanddatapretreatmentaregiven.Thesimulationverificationofmodelisconductedusingthepracticalhistoricaloperationdataofcertainpowerplant,theresultsindicatethatcomparingwiththecommonlyusedstaticneuralnetworksoftmeasurementmodels;theprecisionofthismodelisobviouslyimproved.Theresearchprovidescertaintheoreticalbasisforthemeasurementofprimaryairflowofpulverizers.

Thermalpowerplant;Coalpulverizingsystem;Pulverizer;Airflow;Softmeasurement;Timeseries;BPneuralnetwork;Artificialintellegence;Normalizedprocessing;Datamining

金秀章(1969—)，男，博士,副教授,主要從事大型發電機組先進控制策略的研究。E-mail:jinxzsys@163.com。張少康(通信作者)，男，在讀碩士研究生,主要研究方向為信號分析與處理、智能控制。E-mail:15530204649@163.com。

TH71;TP

ADOI: 10686/j.cnki.issn1000-0380.201701011

修改稿收到日期:2016-05-24