鍋爐燃燒含氧量中的大數據與神經網絡技術分析

高 菲

（寶雞職業技術學院，陜西 寶雞 721000）

從應用形式上考慮，鍋爐燃燒系統常見于火電廠中，通過對出口煙氣含氧量的觀察可以直接得知鍋爐所對應的實際燃燒效率。當前我國已經在此基礎上提出了相應的神經網絡技術，其對于鍋爐的燃燒而言起到了一定的控制作用，但也應意識到的是，其依然沒有發揮出大數據的優勢，因此不具備智能辨識能力。對此，本文則以火電廠鍋爐燃燒過程中的含氧量控制為基本背景，圍繞其運行數據展開探討，在此基礎上依托于大數據建立出對應的神經網絡模型，由此提升鍋爐燃燒的可辨識性，由此可以提升火力發電燃燒效率，降低對污染物排放量，控制對周邊環境的污染程度，具有明顯的現實意義。

1 鍋爐燃燒系統

火電廠鍋爐燃燒控制是一項系統性工程，具體圍繞燃料量、送風量以及引風量這三大指標而展開。伴隨著機組負荷指令的改變，對應的三大指標也會出現成比例變化關系，由此提升對負荷改變狀態下的適應能力。所謂的風煤比，指的是鍋爐內的風量與煤量的比值，控制好此參數至關重要，可以顯著提升煤的燃燒效率，推動鍋爐燃燒的持續運行[1]。此外，基于對風煤比的調控，可以降低NOx的含量，創造更為穩定的燃燒環境，對環境的保護作用也尤為明顯。

在進行風煤比控制時，應重點圍繞爐膛出口煙氣含量而展開，基于對此指標的分析可以明確鍋爐燃燒情況。基于降低能耗以及提升鍋爐效率的目的，應將該含量控制在3%～6%，在滿足此條件后既可以提升煤粉的燃燒率，又可以避免過度消耗風機的問題。

相比于專家系統而言，本文所探討的系統具有特殊之處，其知識庫由4個規則庫所構成。以爐溫設定值作為指導，由此引申出空間剖分-啟發式匹配搜索算法。在四大類型庫中，啟發庫出于對其余三個庫協調性的目的，其內部設置了大量的“元規則”，由此起到與其余庫的訪問、修改等作用，此外還能確定搜索方向。在設定值規則選擇器的作用下，可以發揮出開關的效果，并與啟發式規則庫進行協同作用。關于本文的燃燒控制系統結構可詳見圖1。

圖1 燃燒控制圖

2 基于大數據的神經網絡模型辨識

2.1 數據平滑

經平滑處理后可以消除大部分數據所產生的“噪音”問題。對于傳統平滑處理方式而言，過分側重于整體平滑效果，從而降低了對局部細節的重視程度；相比之下，非參數平滑法可以擺脫總體分布的束縛，因此具有更強的靈活性，其中又以局部加權回歸散點平滑法最為重要?；谠摲椒?，可以形成一個低階多項式，由于它與數據具有高度相似性，因此可以獲得良好的LOESS平滑效果。

2.2 數據零初始處理

一個完整的系統模型必須包含輸入與輸出模型兩大部分，由此反映出某一平衡點狀態下對應的增量傳遞關系。而要想達到此要求，就必須確保數據統計特性與時間不具備任何關聯，由于實測所得的數據為隨機時間序列，因此所產生的“零點”具有任意性，當采集到現場數據后需要利用式（1）對其進行處理：

式中：N為數據總個數；u為輸入序列；y為輸出序列。

2.3 歸一化處理

實際研究表明，輸入與輸出對應的量綱并非完全相同，有時二者的差距甚至達到了幾十倍之多，將其直接引入神經網絡后將會對小量級數據造成影響，此外平均值還將表現出明顯的波動現象。基于提升數據平衡性的目的，應對所有數據進行處理，將其歸一到（-1，1）區間內。基于線性函數轉換的方式可以提升數據的均衡性，但受實際情況的制約，輸入數據的采集并不能事先確定出來，因此只能對訓練樣本進行歸一化處理，此時神經網絡所得到的預測值將控制在（-1，1）范圍內，此時需要依托于目標數據的歸一化屬性，在此基礎上進行反歸一化處理，經此操作后所得到的結果才與實際情況相符。

3 神經網絡技術與大數據

3.1 BP神經網絡

對于一個高效的BP神經網絡而言，應將其設置為多層結構形式，具體又可劃分為輸入層、輸出層以及隱層，其中隱層的數量與前兩類有著明顯的差別，可以是單層也可以是多層，基于神經元的作用可以實現各個鄰層之間的連接，當神經元處于同一層時則無需進行連接。整個過程均建立在樣本數據的基礎上，由此進行正向傳播與誤差反向傳播作業。以事先準備好的各類型層為基礎，由此展開網絡訓練，而后將所得到的輸出結果與預期值進行對比分析，當達到不要求后需要隨之提升訓練次數，基于權值調節的方式可以提升模型的適應能力。伴隨著網絡拓撲結構的改變，所對應的學習與泛化能力也存在差異，除了該因素外，諸如學習樣本以及算法等均會對二者造成影響。需要強調的是，當前行業內依然沒有形成關于神經元個數的標準界定依據，此環節僅依賴于經驗而展開。經多次測試后，將本文的神經網絡模型確定為3 層形式。關于本文所探討的神經網絡拓撲結構，具體如圖2所示：

圖2 神經網絡拓撲結構

3.2 BP學習算法介紹

BP神經網絡所實行的學習算法類型較多，其中以學習規則最為典型，這是基于梯度下降法而建立出來的一種方法，此時所帶來的輸出值與期望值之間的誤差將處于最小狀態。關于BP 算法的具體內容，如下所示：

（1）對BP 網絡權值進行初始化處理，對應取值范圍通常以[0，1]為宜，選定P個元素，由此構成訓練樣本集，具體有

（2）在指定公式的作用下得出各個單元所對應的輸出情況，具體有

以所得到的新權值與閥值為基礎，從而分析實際值與預期值之間的差距，當誤差控制在預期范圍內時則可以停止學習；若超出了預期規定的范圍，則需要繼續進行訓練。

但BP算法也存在一定的不足之處，諸如收斂速度緩慢、乏化能力弱等，為了改善以上問題，可采取如下兩方面工作：其一，依托于啟發式信息技術，在此基礎上引入BP 算法；其二，依托于BP 算法，在此基礎上引入數值優化技術。

3.3 神經網絡特征參數的確定

基于某些特定的系列數值，在此基礎上神經網絡將會對其進行計算，由此模擬出人類思維。無論是神經網絡的輸入輸出還是閥值，其對應的均是某一具體的數值，但伴隨著應用領域的改變，數值所賦予的物理意義均存在差別。在此背景下，在將神經網絡應用于某一具體領域時，首先應明確輸入與輸出所對應的特征值；當鍋爐處于加熱運行狀態時，輸入值可以視為爐壓偏差；此外，將空氣與煤氣兩大物質的實際流量作為輸出值[2]。

3.4 神經網絡拓撲結構的確定

基于Hecht-Nielsen 的證明可以得知：對于任意L2上的[0，1]到R 的映射G，其均對應了一個三層前向網絡，由此不斷地與G 進行逼近。考慮到此特性，本文選取了三層BP神經網絡，將其作為主要的控制模型。

當結束特征參數的確定工作后，此時所有的輸入均可視為網絡的輸入，對應的輸出則可視為網絡的輸出，基于BP網絡的作用可以實現多目標輸出。此外，還可以引入多個BP 網絡，確保所有輸入特征均相同?；趯ι鲜鰞深惙椒ǖ膶Ρ瓤芍笳咚鶐淼氖諗啃愿鼮榱己?，其涉及的隱節點數量明顯偏少。

在進行初始流量設定時，單個爐號均對應了2 個三層BP網絡，所產生的兩個輸出量分別為空氣流量與煤氣流量。基于縮減網絡訓練時間的目的，應確保任何一個時期對應的輸入量均相同[3]。

對于燃料與空氣流量神經網絡系統而言，均采用的是三層BP神經網絡的形式，其對應的數量以8個為宜。將輸入參數設定為4，在進行加熱時對應的輸入結點數為7，最終的輸出結點數均為1。

3.5 隱結點數的確定

確定隱結點數是一各極為復雜的問題，為了提升所得結果的精確新，本文基于如下方法展開：

當含有n+1個隱結點時，其具備記憶n條規則的能力，此時可以根據所給出的學習規則數量通過計算得出對應的隱結點數；而后基于自組織自學習算法對冗余結點做進一步處理，具體有：

式中：hi為隱結點；hj為輸出層的結點數目；Oik為與hi相關的輸出結點；Ojk為與hj相關的輸出結點。

4 結 語

綜上所述，本文圍繞鍋爐燃燒系統展開探討，以所得的大數據為基礎采取濾波、刪選等操作，經以上環節后可以得到相應的系統樣本數據，而后基于智能辨識體系展開相應的燃燒系統建模工作。本文重點圍繞鍋爐燃燒過程中的含氧量展開探討，提出了相應的BP神經網絡模型，由此具有針對性的對含氧量這一指標進行分析，明確系統中各個數據的關系。基于本文的探討，旨在給相關行業提供可行參考。