CN104331736A - 基于RBF神经网络的超超临界锅炉NOx排放动态预测方法 - Google Patents

Abstract

本发明公开了一种基于RBF神经网络的超超临界锅炉NOx排放动态预测方法，属于环保排放参数测量技术领域。本发明采用如下技术方案：SS1选取静态辅助变量和动态辅助变量；SS2对所述静态辅助变量和所述动态辅助变量进行RBF神经网络结构拟合，获得基于RBF神经网络结构的训练锅炉NOx排放动态预测模型；对RBF神经网络参数进行调整，得到基于RBF网络的超超临界锅炉的NOx排放动态预测模型。在设定相同的训练误差等条件下，本发明动态模型的内部神经元个数明显少于静态模型，模型结构更简单，训练时间更短，泛化能力更强。

Description

基于RBF神经网络的超超临界锅炉NOx排放动态预测方法

技术领域

本发明涉及当前主流的超超临界锅炉NOx排放预测方法，尤其涉及了基于RBF神经网络的超超临界锅炉NOx排放动态预测方法，属于环保排放参数测量技术领域。

背景技术

随着超超临界火电技术的发展和电力生产过程的日益复杂，确保生产装置稳定、高效、绿色运行，需要对与***的安全生产、经济运行、环保排放密切相关的重要过程变量进行实时监测和优化控制。然而，一些重要参数往往处于高温、高压、高粉尘、高腐蚀性的环境，难以直接测得。以燃煤电厂CEMS仪表为例，通过取样分析装置测得的数据只具有短期时效性的特点，长期运行难免出现测点无信号，或者测量值误差超出允许范围，需要人工定期检查维护(相关行业标准规定每天用标准样气校准)，探头定时吹扫，仪表定期校验等，消耗了大量的人力与物力。

燃煤产生的氮氧化物(NOx)污染是我国氮氧化物治理的首要目标。煤粉的脱硝作用包括挥发份的同相脱硝及煤焦的异相脱硝两方面，机理非常复杂。同时，影响脱硝效率的因素也很多，包括再燃煤种、温度、停留时间、再燃燃料比、氧浓度、煤粉细度、二次风配风等。现有技术中的预测方法选取总燃料量、二次风门开度、CCOFA燃尽风开度、省煤器出口氧量(O2)、煤种特性参数(Car，Har，Qar，Nar，Q，Var)、磨煤机通风量、磨煤机给煤量作为辅助变量。由于燃料量指令变化到给煤机转速变化、原煤在磨中磨成合格煤粉、粉管输送、再到燃烧器喷射于炉膛内燃烧发热是一个大惯性、大滞后过程，特别在升降负荷的动态过程中，燃烧器瞬间喷射于炉膛内的煤粉与瞬时给煤量有较大的偏差。瞬时给煤量并不能准确表征进入炉膛的瞬时煤粉量，选取瞬时给煤量(或给煤机开度)并不满足建模辅助变量选取的灵敏性、准确性要求。

神经网络具有强大的非线性逼近性能，如何将高斯径向基函数神经网络(RBF)进行动态建模的方法应用到氮氧化物排放的预测之中成为当务之急。即急需一种根据模型估计或称软仪表来解决上述问题。

发明内容

本发明采用如下技术方案：基于RBF神经网络的超超临界锅炉NOx排放动态预测方法，其特征在于，包括如下步骤：

SS1选取静态辅助变量和动态辅助变量；

SS2对所述静态辅助变量和所述动态辅助变量进行RBF神经网络结构拟合，获得基于RBF神经网络结构的训练锅炉NOx排放动态预测模型；所述RBF神经网络包括输入层、隐含层、输出层，所述输入层包括n个采样点，所述隐含层包括N个节点，所述输出层包括1个RBF神经网络输出，对于任意n个采样点{(x_i,t_i)|x_i∈Rⁿ,t_i∈R}，i＝1,2,^,n，结构为n-N-1的RBF神经网络输出为

$y_i=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_j{\mathrm{\φ}}_j\left(x_i\right),i=\mathrm{1,2},^,n$

其中w_j(j＝1,2,Λ,N)是第j个隐含层节点到输出层节点的权值；φ_j(x)(j＝1,2,Λ,N)为第j个隐含层节点的高斯核函数，即

${\mathrm{\φ}}_j\left(x\right)=e^{-\frac{{\left|\right|x-c_j\left|\right|}^2}{{\mathrm{\σ}}_j^2}},j=\mathrm{1,2},\mathrm{\Λ},N$

其中c_j为核函数的数据中心，σ_j为该核函数的扩展常数，对于所有样本，所述隐含层节点输出矩阵为

$\stackrel{\→}{\mathrm{\φ}}={\left(\begin{array}{cccc}{\mathrm{\φ}}_1\left(x_1\right)& {\mathrm{\φ}}_2\left(x_1\right)& L& {\mathrm{\φ}}_N\left(x_1\right)\\ {\mathrm{\φ}}_1\left(x_2\right)& {\mathrm{\φ}}_2\left(x_2\right)& L& {\mathrm{\φ}}_N\left(x_2\right)\\ M& M& M& M\\ {\mathrm{\φ}}_1\left(x_n\right)& {\mathrm{\φ}}_2\left(x_n\right)& L& {\mathrm{\φ}}_N\left(x_n\right)\end{array}\right)}_{n\×N}$

RBF神经网络输出的矩阵形式为

$\stackrel{\→}{Y}=\stackrel{\→}{\mathrm{\φ}}\stackrel{\→}{W}$

其中为连接隐含层与输出层的权值矩阵，为RBF神经网络的实际输出矩阵；

SS3对RBF神经网络参数进行调整，得到基于RBF网络的超超临界锅炉的NOx排放动态预测模型，将RBF神经网络输出值Y和真实值T＝(t₁ t₂ Λ t_n)之间的误差平方和作为RBF神经网络的训练目标误差函数，即

$E=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(t_i-y_i)}^2$

为寻找最优输出权值W使网络输出值Y和真实值T＝(t₁ t₂ Λ t_n)之间的误差平方和以及输出权值W范数最小，分两步对RBF神经网络参数进行优化：首先通过矩阵φ的广义逆求得W的最优值，

W＝φ⁺T

然后以Y和T的误差平方和为目标函数，通过梯度下降算法优化隐节点数据中心c_j以及扩展常数σ_j，目标函数对c_j和σ_j的梯度分别为：

$\frac{\∂E}{{\∂c}_j}=\frac{2w_j}{{\mathrm{\σ}}_j^2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\φ}}_i\left(x_i\right)(t_i-y_i)(x_i-c_j)$

$\frac{\∂E}{{\∂\mathrm{\σ}}_j}=-\frac{w_j}{{\mathrm{\σ}}_j^3}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\φ}}_i\left(x_i\right)(t_i-y_i)\left|\right|x_i-c_j\left|\right|$

数据中心c_j以及扩展常数σ_j的更新公式为：

$c_j(k+1)=c_j\left(k\right)-\mathrm{\η}\frac{\∂E}{{\∂c}_j}$

${\mathrm{\σ}}_j(k+1)={\mathrm{\σ}}_j\left(k\right)-\mathrm{\η}\frac{\∂E}{{\∂\mathrm{\σ}}_j}$

η为学习率，k＝1,2,^,n。

优选地，静态辅助变量包括总燃料量、二次风门开度、CCOFA燃尽风开度、省煤器出口氧量、煤种特性参数、磨煤机通风量，动态辅助变量包括总燃料量时延单元一、总燃料量时延单元二、总燃料量时延单元三。

本发明所达到的有益效果：(1)本发明给出的优化算法，有效地融合了静态建模和动态建模的优点，选取重要辅助变量(总燃料量)的时延单元作为动态辅助变量，通过神经网络拟合，得到了充分包含超超临界锅炉制粉***动态特性的模型；(2)在设定相同的训练误差等条件下，动态模型的内部神经元个数明显少于静态模型，模型结构更简单，训练时间更短，泛化能力更强。

附图说明

图1是本发明的运行流程图。

图2是大样本下NOx含量估计值与分析值结果对比曲线图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明试验对象为国华徐州发电有限公司SG3099/27.46-M545型超超临界参数变压运行螺旋管圈直流炉，24小时内由负荷500MW升至1000MW，再由1000MW降至500MW的过程中SCR反应器进口NOx含量(干基标态，6％O2状态下)。

在进行模型训练前，先剔除掉探头吹扫阶段被锁定的无效数据集，并把数据集按照式(12)进行归一化到[-1,1]范围内，在模型输出还原时再按照式(13)进行反归一化。

x'＝(2x-x_max-x_min)/(x_max-x_min)    (12)

x＝[x'(x_max-x_min)+x_max+x_min]/2    (13)

泛化均方差ε_MSE计算如下

${\mathrm{\ϵ}}_{\mathrm{MSE}}=\sqrt{\frac{1}{N_{\mathrm{test}}}\underset{i=1}{\overset{N_{\mathrm{test}}}{\mathrm{\Σ}}}{({t^{\′}}_i-{x^{\′}}_i)}^2}---\left(11\right)$

式中N_test为测试样本数目，t'_i是归一化后第i个样本的真实值，x'_i是归一化后第i个样本的预测值。

静态建模方法可采用如下方案：静态方案输入包括：总燃料量、二次风门开度(6个)、CCOFA燃尽风开度(4个)、省煤器出口氧量、煤种特性参数(Car，Har，Qar，Nar，Q，Var)、磨煤机通风量(6个)、磨煤机的瞬时给煤量(6个)，共计30个辅助变量的输入。

本发明的建模方法采用：总燃料量、二次风门开度(6个)、CCOFA燃尽风开度(4个)、省煤器出口氧量、煤种特性参数(Car，Har，Qar，Nar，Q，Var)、磨煤机通风量(6个)、总燃料量时延单元一、总燃料量时延单元二、总燃料量时延单元三，共计27个辅助变量的输入。

选择完全相同的300个工况作为训练样本，相同的100个工况作为测试样本，训练偏差目标统一设置为0.3％。表一所示的是动态模型与两种静态模型的性能比较。

表一

由表一可以看出动态建模方法得出的网络结构精简、泛化能力强。为了获得更好的泛化效果，增加训练样本数目至1000个，另取1000个为测试样本，训练偏差目标仍设为0.3％。表二所示的是大样本下动态模型与静态模型的性能比较。

表二

图2所示的是大样本下该动态模型估计输出值(虚线)和分析仪表实测进口NOx含量(实线)的结果对比曲线图，所有试验均在同一PC下完成，计算机配置为为Core I5-3230M，4G RAM。仿真软件采用MATLAB R2014a，操作***为WINDOWS 8。

NOx排放动态预测可以通过软仪表方式植入工业控制过程计算机程序中。

动态建模的主要难点在于动态变量方案的选取，以及动态特性时间的确定，可以通过网格法寻优确定时域宽度与动态辅助变量分布密度。通过与静态建模方法的仿真比较，统计数据表明动态建模以最简洁的模型结构获得较好的的泛化能力，有较高的工程应用价值。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (2)

1.基于RBF神经网络的超超临界锅炉NOx排放动态预测方法，其特征在于，包括如下步骤：

SS1选取静态辅助变量和动态辅助变量；

SS2对所述静态辅助变量和所述动态辅助变量进行RBF神经网络结构拟合，获得基于RBF神经网络结构的训练锅炉NOx排放动态预测模型；所述RBF神经网络包括输入层、隐含层、输出层，所述输入层包括n个采样点，所述隐含层包括N个节点，所述输出层包括1个RBF神经网络输出，对于任意n个采样点{(x_i,t_i)|x_i∈Rⁿ,t_i∈R}，i＝1,2,^,n，结构为n-N-1的RBF神经网络输出为

$y_i=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_j{\mathrm{\φ}}_j\left(x_i\right),i=\mathrm{1,2},^,n$

其中w_j(j＝1,2,Λ,N)是第j个隐含层节点到输出层节点的权值；φ_j(x)(j＝1,2,Λ,N)为第j个隐含层节点的高斯核函数，即

${\mathrm{\φ}}_j\left(x\right)=e^{-\frac{{\left|\right|x-c_j\left|\right|}^2}{{\mathrm{\σ}}_j^2}},j=\mathrm{1,2},\mathrm{\Λ},N$

其中c_j为核函数的数据中心，σ_j为该核函数的扩展常数，对于所有样本，所述隐含层节点输出矩阵为

$\stackrel{\→}{\mathrm{\φ}}={\left(\begin{array}{cccc}{\mathrm{\φ}}_1\left(x_1\right)& {\mathrm{\φ}}_2\left(x_1\right)& L& {\mathrm{\φ}}_N\left(x_1\right)\\ {\mathrm{\φ}}_1\left(x_2\right)& {\mathrm{\φ}}_2\left(x_2\right)& L& {\mathrm{\φ}}_N\left(x_2\right)\\ M& M& M& M\\ {\mathrm{\φ}}_1\left(x_n\right)& {\mathrm{\φ}}_2\left(x_n\right)& L& {\mathrm{\φ}}_N\left(x_n\right)\end{array}\right)}_{n\×N}$

RBF神经网络输出的矩阵形式为

$\stackrel{\→}{Y}=\stackrel{\→}{\mathrm{\φ}}\stackrel{\→}{W}$

其中为连接隐含层与输出层的权值矩阵，为RBF神经网络的实际输出矩阵；

SS3对RBF神经网络参数进行调整，得到基于RBF网络的超超临界锅炉的NOx排放动态预测模型，将RBF神经网络输出值Y和真实值T＝(t₁ t₂Λ t_n)之间的误差平方和作为RBF神经网络的训练目标误差函数，即

$E=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(t_i-y_i)}^2$

为寻找最优输出权值W使网络输出值Y和真实值T＝(t₁ t₂ Λ t_n)之间的误差平方和以及输出权值W范数最小，分两步对RBF神经网络参数进行优化：首先通过矩阵φ的广义逆求得W的最优值，

W＝φ⁺T

然后以Y和T的误差平方和为目标函数，通过梯度下降算法优化隐节点数据中心c_j以及扩展常数σ_j，目标函数对c_j和σ_j的梯度分别为：

$\frac{\∂E}{{\∂c}_j}=\frac{2w_j}{{\mathrm{\σ}}_j^2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\φ}}_i\left(x_i\right)(t_i-y_i)(x_i-c_j)$

$\frac{\∂E}{\∂{\mathrm{\σ}}_j}=-\frac{w_j}{{\mathrm{\σ}}_j^3}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\φ}}_i\left(x_i\right)(t_i-y_i)\left|\right|x_i-c_j\left|\right|$

数据中心c_j以及扩展常数σ_j的更新公式为：

$c_j(k+1)=c_j\left(k\right)-\mathrm{\η}\frac{\∂E}{\∂c_j}$

${\mathrm{\σ}}_j(k+1)={\mathrm{\σ}}_j\left(k\right)-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\σ}}_j}$

η为学习率，k＝1,2,^,n。

2.根据权利要求1所述的基于RBF神经网络的超超临界锅炉NOx排放动态预测方法，其特征在于，所述静态辅助变量包括总燃料量、二次风门开度、CCOFA燃尽风开度、省煤器出口氧量、煤种特性参数、磨煤机通风量，所述动态辅助变量包括总燃料量时延单元一、总燃料量时延单元二、总燃料量时延单元三。