CN109063359A - 一种循环流化床锅炉燃烧过程的动态建模方法 - Google Patents

Abstract

本发明公开了一种循环流化床锅炉燃烧过程的动态建模方法，其内容包括：调取锅炉燃烧过程的主要影响锅炉热效率和氮氧化合物排放浓度的运行参数，记为输入数据和输出数据；首先根据量子计算规则，确定样本增量量子神经网络的输入权值和隐藏层阈值，然后基于输入数据和输出数据，计算出输出层权值和输入层与输出层之间的权值矩阵，即建立了锅炉热效率和氮氧化合物排放浓度的初始化模型；基于初始化模型，在线采集锅炉运行参数，并计算样本增量，实时更新样本增量量子神经网络的模型参数，包括输入权值和隐藏层阈值、输出权阈值和输入层与输出层之间的权值；从而建立热效率和氮氧化合物排放浓度的在线模型，实现锅炉运行参数实时建模。

Description

一种循环流化床锅炉燃烧过程的动态建模方法

技术领域

本发明涉及复杂过程***控制领域，具体涉及一种循环流化床锅炉燃烧过程的动态建模方法。

背景技术

目前火力发电仍然在电能供应中占主要地位，其中以煤炭为主要热力供应资源。然而，作为不可再生能源的煤炭随着火力发电的大量消耗已越来越匮乏，而且在燃烧过程中会伴有大量的污染物排入大气，如氮氧化合物、二氧化硫、粉尘等，严重影响了大气环境和人们的生活，尤其是近年来雾霾严重，这与火电厂排污不无关系。因此，提高锅炉的燃烧热效率和降低污染物排放是火力发电企业亟需解决的问题。

循环流化床锅炉的燃烧过程具有强耦合、大滞后、非线性等复杂特性，而且影响锅炉热效率和氮氧化合物排放浓度的因素众多，数据之间具有很强的非线性和耦合性，难以基于机理建立锅炉燃烧特性模型。目前，国内外研究学者多采用BP神经网络和支持向量机等方法建立锅炉燃烧特性的离线模型。但是，关于循环流化床锅炉的热效率和氮氧化合物排放浓度的在线建模研究是很少的。

实现锅炉燃烧优化的前提是建立精准的锅炉燃烧特性模型。因此，有必要设计一种新型的人工神经网络用于建立循环流化床锅炉燃烧特性的在线模型，以解决上述提到的两个问题。

发明内容

针对循环流化床锅炉燃烧过程的在线建模问题，本发明的目的是提供一种循环流化床锅炉燃烧过程的动态建模方法，该方法是基于样本增量量子神经网络(SampleIncrement Quantum Neural Network,SIQNN)来建立循环流化床锅炉燃烧过程的动态模型。SIQNN是一种具有在线学习能力的神经网络，其建立的模型能够实时反映锅炉热效率和氮氧化合物排放浓度，并且SIQNN的模型参数可以实时调整，包括输入权值和隐藏层阈值、输出权阈值和输入层与输出层之间的权值。

为了解决上述存在的技术问题，本发明采用的技术方案为：

一种循环流化床锅炉燃烧过程的动态建模方法，其内容包括如下步骤：

(1)调取锅炉燃烧过程的主要影响锅炉热效率和氮氧化合物排放浓度的运行参数，记为输入数据和输出数据；

(2)首先根据量子计算规则，确定样本增量量子神经网络的输入权值和隐藏层阈值，然后基于步骤(1)中的输入数据和输出数据，计算出输出层权值和输入层与输出层之间的权值矩阵，即建立了锅炉热效率和氮氧化合物排放浓度的初始化模型；

(3)基于初始化模型，在线采集锅炉运行参数，并计算样本增量，实时更新样本增量量子神经网络的模型参数，包括输入权值和隐藏层阈值、输出权阈值和输入层与输出层之间的权值，以此保证模型参数对输入数据的自适应性；从而建立热效率和氮氧化合物排放浓度的在线模型，实现锅炉运行参数实时建模。

在步骤(2)中，所述样本增量量子神经网络，其隐藏层的神经元为量子神经元，量子神经元的数学描述表达如下式：

在(1)式中，|ω_j>＝(|ω_j1>,|ω_j2>,…,|ω_jn>)^T为量子权值，记作|ω_jn>＝(cosθ_jn,sinθ_jn)^T，θ_ij∈[0,2π]；|φ>＝(|φ_j1>,|φ_j2>,…,|φ_jn>)为活化权值，记为|φ_jn>＝(cosζ_jn,sinζ_jn)^T，ζi_j∈[0,π]。

在步骤(3)中，所述实时更新样本增量量子神经网络的模型参数，是指模型参数根据样本增量调整，其表达式如下：

在(2)式中，是第k+1组数据对应的输入权值复合矩阵，p是随机矩阵，△xk+1为第k+1组数据与第k组数据之间的增量，当增量的秩等于0时，k+1时刻的输入权值复合矩阵等于k时刻的复合矩阵；否则，根据样本增量进行更新。

所述输入权值和隐藏层阈值可以表示如下：

在(3)式和(4)式中，m为隐藏层节点个数，n为输入层节点个数。

第k+1组数据对应的复合矩阵表示为：

输入层至输出层之间的权值矩阵、输出权值矩阵和输出层阈值向量表示如下：

本发明是量子计算与单隐层前馈神经网络的结合，而且建立了神经网络模型参数与输入样本增量之间的函数关系，使模型参数随着样本增量的变化进行在线调整，实现了模型参数对输入样本的自适应性。神经网络模型参数随着样本增量的变化而变化，解决了样本变化影响网络模型预测精度和泛化能力的问题，实现了样本增量对优化模型权阈值在线前馈调整修改，使***满足变工况运行时的动态优化控制要求。

本发明方法与现有锅炉的动态建模方法相比具有如下有益效果：

⑴神经网络的隐藏层神经元是量子神经元，而且初始化输入权值和隐藏层阈值是根据量子计算规则产生的，能更好的模拟人脑的信息处理方式；

(2)神经网络的模型参数具有样本适应性，即根据样本数据来更新模型的参数；

⑶隐藏层激活函数具有微分作用，保证模型的稳定性；

(4)该神经网络具有前馈调节作用；

⑸基于SIQNN建立的锅炉热效率和NOx排放浓度模型具有良好的模型精度，能够解决难以基于机理建模的问题，且基于该模型能够了解锅炉燃烧过程参数与热效率和NOx排放浓度之间的关系，以致于有针对性的调整锅炉燃烧过程参数来提高热效率和降低NOx排放浓度。

附图说明

图1是本发明的拓扑结构图；

图2是隐藏层神经元的示意图；

图3锅炉的氮氧化合物排放浓度模型曲线图；

图4锅炉的热效率模型曲线图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明的一种循环流化床锅炉燃烧过程的动态建模方法，其内容包括如下步骤：

步骤1：调取锅炉燃烧过程的主要影响锅炉热效率和氮氧化合物排放浓度的运行参数，记为输入数据和输出数据。

在步骤1中，所述输入数据包括：锅炉负荷、给煤量、炉膛密相区上部床温平均、左侧炉膛密相区上部床温平均、右侧炉膛密相区上部床温平均、左侧风道燃烧器入口一次风流量、右侧风道燃烧器入口一次风流量、左侧风道燃烧器入口一次风温度、右侧风道燃烧器入口一次风温度、左侧二次风总流量、右侧二次风总流量、左侧内二次风分配流量、右侧内二次风分配流量、#1石灰石粉输送电机电流、#2石灰石粉输送电机电流、烟气O₂浓度、烟气温度、左侧电除尘器入口飞灰含碳量、右侧电除尘器入口飞灰含碳量、#1一次风机入口温度、#2一次风机入口温度、#1二次风机入口温度和#2二次风机入口温度。

在步骤1中，所述输出数据包括锅炉热效率和氮氧化合物排放浓度。

步骤2：首先根据量子计算规则，确定样本增量量子神经网络的输入权值和隐藏层阈值，然后基于步骤1中的输入数据和输出数据，计算出输出层权值和输入层与输出层之间的权值矩阵，即建立了锅炉热效率和氮氧化合物排放浓度的初始化模型。

步骤3：基于初始化模型，在线采集锅炉运行参数，并计算样本增量，实时更新样本增量量子神经网络的模型参数，包括输入权值和隐藏层阈值、输出权阈值和输入层与输出层之间的权值，以此保证模型参数对输入数据的自适应性；从而建立热效率和氮氧化合物排放浓度的在线模型，实现锅炉运行参数实时建模。

根据图1和图2，首先阐明本发明的样本增量量子神经网络的计算规则。然后，基于样本增量量子神经网络建立循环流化床锅炉的氮氧化合物排放浓度和热效率的在线模型，锅炉的氮氧化合物排放浓度模型曲线图和热效率模型曲线图分别如图3和图4所示。

样本增量量子神经网络具有如下几个显著特征：

第一，输入权值根据量子计算规则确定，即输入权值为量子位权值；

第二，隐藏层神经元为量子神经元，并且具有含微分信息的激活函数；

第三，输出神经元可以直接获取输入神经元的信息。该网络的拓扑结构和隐藏层神经元的示意图分别如图1和图2所示。

SIQNN的计算过程分为两个阶段：模型初始化阶段和贯序学习阶段。

模型初始化阶段是对训练数据的建模，首先根据量子计算规则确定初始化输入权值，然后计算出输出层权值和输入层与输出层之间的权值矩阵。

在贯序学习阶段，SIQNN会根据样本增量动态更新其模型参数，包括输入权值、隐藏层阈值、输出权值和输入层与输出层之间的权值。这种模型参数更新机制保证了模型参数对输入数据的自适应性，避免了相同数据的再学习问题和隐藏层输出矩阵的病态问题，提高了算法的运行速度。

下面给出SIQNN算法的推演过程。

算法参数描述

如图1所示，SIQNN有n个输入神经元，与输入样本维数相同，有m个隐藏层神经元和l个输出神经元。设有N个随机样本(x_i,y_i)，x_i＝[x_i1,x_i2,…,x_in]^T∈Rⁿ是第i组输入样本数据，y_i＝[y_i1,y_i2,…,y_il]^T∈R^l为第i组相应的输出数据。{|ωⁱⁿ>}_m×n为输入层与隐藏层之间的量子权值，b＝[b₁,b₂,…,b_m]为隐藏层阈值向量，c＝[c₁,c₂,…,c_l]为输出层权值向量，β_l×m是输出权值矩阵，ω^oi是输入层与输出层之间的权值矩阵。

图2所示为隐藏层神经元示意图，该神经元包括加权、聚合、活化和激励四部分。加权体现在量子输入权值上，加强输入数据的影响；聚合是将不同的输入神经元的信息汇聚到一起；活化是加强量子神经元的活性，其中|φ>为量子活化值；激活体现在隐层的激活函数f(·)。量子神经元的数学描述表达如下：

公式(7)中，|ω_j>＝(|ω_j1>,|ω_j2>,…,|ω_jn>)^T为量子权值，记作|ω_jn>＝(cosθ_jn,sinθ_jn)^T，θ_ij∈[0,2π]；|φ>＝(|φ_j1>,|φ_j2>,…,|φ_jn>)为活化权值，记为|φ_jn>＝(cosζ_jn,sinζ_jn)^T，ζ_ij∈[0,π]。根据内积计算规则，公式(7)可以转化为如下形式：

因此，所述隐藏层的量子神经元的具有微分信息的隐藏层激活函数，表达形式如下：

f(x)＝G(x)+G′(x) (9)

选取激活函数则G(x)的导函数表示为G′(x)＝G(x)×(1-G(x))；在本发明中规定G(x)是无限可微的。

公式(9)所示的激活函数具有提高算法稳定性的功能。

模型初始化阶段：

根据图1，SIQNN的输出神经元的数学模型可以描述如下：

公式(10)可以转化成如下形式：

公式(11)可以转化成如下矩阵形式：

公式(12)中的T为隐藏层输出矩阵，表示如下：

I＝[1,1,…,1]_1×N (14)

根据上述推导过程，SIQNN可以被看做一个线性***，输出复合权值矩阵W可以按如下公式解析求得：

如激活函数g(·)是可逆的，则公式(15)可以转化为下式：

根据Moore-Penrose广义逆计算规则，复合矩阵的解表示如下：

其中H＝[X T I]^T＝[X^T T^T I^T]。

根据复合矩阵可以求出输入层与输出层之间的权值矩阵、输出权值矩阵和输出层阈值向量，它们的解分别表示如下：

贯序学习阶段：

首先，将公式(13)转化为如下矩阵形式：

由公式(12)可以得到：

βT＝g^-1(Y)-ω^oiX-c (20)

T＝β⁺(g^-1(Y)-ω^oiX-c) (22)

根据公式(22)，输入权值和隐藏层阈值组合成的复合矩阵表示成由一个随机矩阵p和初始输入数据计算所得，如公式(23)所示：

对于SIQNN来说，公式(23)只是用来说明量子输入权值和隐藏层阈值构成的复合矩阵与输入样本数据之间可以建立这样一种关系。

设实时数据逐个输入SIQNN中，当新数据x₁到来时，计算复合矩阵ω～₁：

设于是公式(24)可以简化为如下形式：

针对实时数据建模，可能数据的采样间隔很小或是被采集的数据在很长的周期内没有大的变化，此时SIQNN的输入权值和隐藏层阈值没有必要调整。基于此情况，本发明引入样本增量的概念，即当新输入数据与前一时刻的数据有偏差时，输入权阈值和输出权值根据偏差值进行更新调整；否则，保持不变。新样本数据与旧样本数据之间的偏差指的是两组数据做向量的减法所得到的差值向量，如果差值向量的秩为1，说明两组数据之间有差异；如果偏差向量的秩为0，说明两组数据相同。因此，公式(25)可以变形如下：

公式(26)中，为量子权值和隐藏层阈值组合成的初始复合矩阵，Δx₁为新数据x₁与上一时刻的数据x_L之间的差值向量，当且仅当Δx₁的秩等于零时，即Δx₁的所有元素均为0， 为新数据的复合矩阵，也为复合矩阵，它们分别如公式(27)和(28)所示：

根据公式(26)的复合矩阵更新输入权值和隐藏层阈值，如公式(29)和(30)所示：

其中，ω₁为更新后的输入权值矩阵，b₁为更新后的隐藏层阈值。

输入权值和隐藏层阈值确定之后，根据新增样本数据x₁计算相应的复合矩阵W₁，其包括输出权值矩阵和输入层与输出层之间的权值矩阵以及输出层阈值向量。当新数据输入到SIQNN中，复合矩阵W₁可以由公式(31)计算得到：

令当激活函数g(·)可逆时，公式(31)可以转化为如下形式：

根据M-P广义逆定理，公式(32)的最小二乘范数解为：

假设则公式(33)可变形为：

根据复合矩阵W₁可以求出输出权值矩阵β₁，输入层与输出层之间的权值矩阵和输出层阈值矩阵c₁，如公式(35)所示。

当第k+1个样本数据到来时，输入权值复合矩阵按公式(30)计算。

由公式(36)可以看出，根据和计算基于Woodbury公式，的推导公式可以表示如下：

假设则公式(38)可以变型如下所示。

根据公式(39)，公式(36)可以变型为如下形式，以此得到实时更新样本增量量子神经网络的模型参数的表达式如下：

在公式(40)中，是第k+1组数据对应的输入权值复合矩阵，p是随机矩阵，△x_k+1为第k+1组数据与第k组数据之间的增量，当增量的秩等于0时，k+1时刻的输入权值复合矩阵等于k时刻的复合矩阵；否则，根据样本增量进行更新。

所述实时更新样本增量量子神经网络的模型参数，就是根据样本增量对模型参数进行在线前馈调节，也即超前调节，满足循环流化床锅炉变工况运行时的动态优化控制要求。

输入权值和隐藏层阈值分别表示为：

在公式(41)和(42)中，m为隐藏层节点个数，n为输入层节点个数。

第k+1个样本数据对应的复合矩阵为：

输入层至输出层之间的权值矩阵、输出权值矩阵和输出层阈值向量表示如下：

到此为止，SIQNN算法的推导过程已表述完成。

技术应用

通过机理分析和参考相关文献，锅炉热效率和氮氧化合物的排放浓度主要受负荷、燃料量、一、二次风量、二次风门开度、烟气含氧量等26个参数的影响。这26个参数作为样本增量量子神经网络的输入，锅炉热效率和NOx的排放浓度作为输出。首先，在300MW循环流化床锅炉的DCS中每隔2秒采集的一天的运行数据，共调取了28800组数据。由于锅炉运行平稳，采样间隔较小，所以同一负荷下的数据波动不大，可以看做是同一工况下的数据。为了保证所建模型的泛化能力和运算的快速性，对28800组数据每隔10个单位重新采样，使得数据间的变化范围变大。然后，将采集的工况数据分为训练数据和测试数据，其中训练数据占90％，测试数据占10％，训练数据用来初始化模型，测试数据用来测试模型的有效性。最后，为了统一量纲和保证模型的精度，将工况数据归一化到[0,1]。

模型参数设置：输入层节点个数为26，隐藏层节点个数为30，输出层节点个数为2，隐藏层激活函数设置为S形函数，随机矩阵p的参数范围设置为[-1,1]。氮氧化合物排放浓度和锅炉热效率的模型曲线分别如图3和图4所示。由图3和图4可以看出，基于SIQNN建立的氮氧化合物排放浓度和锅炉热效率的在线综合模型的输出值能够很好地逼近目标值，由此验证本发明的一种循环流化床锅炉燃烧过程的动态建模方法是有效的。

Claims (6)

1.一种循环流化床锅炉燃烧过程的动态建模方法，其特征在于：其内容包括如下步骤：

步骤1：调取锅炉燃烧过程的主要影响锅炉热效率和氮氧化合物排放浓度的运行参数，记为输入数据和输出数据；

步骤2：首先根据量子计算规则，确定样本增量量子神经网络的输入权值和隐藏层阈值，然后基于步骤1中的输入数据和输出数据，计算出输出层权值和输入层与输出层之间的权值矩阵，即建立了锅炉热效率和氮氧化合物排放浓度的初始化模型；

步骤3：基于初始化模型，在线采集锅炉运行参数，并计算样本增量，实时更新样本增量量子神经网络的模型参数，包括输入权值和隐藏层阈值、输出权阈值和输入层与输出层之间的权值，以此保证模型参数对输入数据的自适应性；从而建立热效率和氮氧化合物排放浓度的在线模型，实现锅炉运行参数实时建模。

2.如权利要求1所述的一种循环流化床锅炉燃烧过程的动态建模方法，其特征在于：在步骤1中，所述输入数据包括：锅炉负荷、给煤量、炉膛密相区上部床温平均、左侧炉膛密相区上部床温平均、右侧炉膛密相区上部床温平均、左侧风道燃烧器入口一次风流量、右侧风道燃烧器入口一次风流量、左侧风道燃烧器入口一次风温度、右侧风道燃烧器入口一次风温度、左侧二次风总流量、右侧二次风总流量、左侧内二次风分配流量、右侧内二次风分配流量、#1石灰石粉输送电机电流、#2石灰石粉输送电机电流、烟气O₂浓度、烟气温度、左侧电除尘器入口飞灰含碳量、右侧电除尘器入口飞灰含碳量、#1一次风机入口温度、#2一次风机入口温度、#1二次风机入口温度和#2二次风机入口温度；

所述输出数据包括锅炉热效率和氮氧化合物排放浓度。

3.如权利要求1所述的一种循环流化床锅炉燃烧过程的动态建模方法，其特征在于：在步骤2中，所述样本增量量子神经网络，其隐藏层的神经元为量子神经元，量子神经元的数学描述表达如下式：

在(1)式中，|ω_j>＝(|ω_j1>,|ω_j2>,…,|ω_jn>)^T为量子权值，记作|ω_jn>＝(cosθ_jn,sinθ_jn)^T，θ_ij∈[0,2π]；|φ>＝(|φ_j1>,|φ_j2>,…,|φ_jn>)为活化权值，记为|φ_jn>＝(cosζ_jn,sinζ_jn)^T，ζ_ij∈[0,π]。

4.如权利要求3所述的一种循环流化床锅炉燃烧过程的动态建模方法，其特征在于：所述隐藏层量子神经元的具有微分信息的隐藏层激活函数为：

f(x)＝G(x)+G′(x) (2)

选取激活函数则G(x)的导函数表示为G′(x)＝G(x)×(1-G(x))；规定G(x)是无限可微的。

5.如权利要求1所述的一种循环流化床锅炉燃烧过程的动态建模方法，其特征在于：在步骤3中，实时更新样本增量量子神经网络的模型参数的表达式如下：

在公式(3)中，是第k+1组数据对应的输入权值复合矩阵，p是随机矩阵，△x_k+1为第k+1组数据与第k组数据之间的增量，当增量的秩等于0时，k+1时刻的输入权值复合矩阵等于k时刻的复合矩阵；否则，根据样本增量进行更新；

所述输入权值和隐藏层阈值分别表示为：

在公式(4)和(5)中，m为隐藏层节点个数，n为输入层节点个数；

第k+1个样本数据对应的复合矩阵为：

所述输入层至输出层之间的权值矩阵、输出权值矩阵和输出层阈值向量表示如下：

6.如权利要求5所述的一种循环流化床锅炉燃烧过程的动态建模方法，其特征在于：所述实时更新样本增量量子神经网络的模型参数，就是根据样本增量对模型参数进行在线前馈调节，也即超前调节，满足循环流化床锅炉变工况运行时的动态优化控制要求。