基于BP神經(jīng)網(wǎng)絡(luò)的燃煤機組NOx排放濃度預(yù)測系統(tǒng)

朱斌

(浙能樂清發(fā)電有限責(zé)任公司，浙江樂清 325600)

基于BP神經(jīng)網(wǎng)絡(luò)的燃煤機組NOx排放濃度預(yù)測系統(tǒng)

朱斌

(浙能樂清發(fā)電有限責(zé)任公司，浙江樂清 325600)

建立了BP神經(jīng)網(wǎng)絡(luò)對燃煤電廠機組NOx排放濃度的預(yù)測模型，探索BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)對污染物排放濃度預(yù)測的可行性。通過對某電廠660MW機組實時的不同機組負荷、脫銷進口煙溫、進口NOx濃度、進口O2濃度、出口NOx濃度的樣本進行訓(xùn)練，得出訓(xùn)練模型。通過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型對未知的NOx排放濃度進行預(yù)測，預(yù)測精度達到93．48%以上，完全能夠滿足實際中的預(yù)測需求。結(jié)論:BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)對燃煤電廠實時的NOx排放濃度的預(yù)測具有技術(shù)上的可行性，能有效的對NOx排放濃度進行監(jiān)測。

BP神經(jīng)網(wǎng)絡(luò);燃煤電廠;NOx濃度

1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

在人工神經(jīng)網(wǎng)絡(luò)當(dāng)中BP神經(jīng)網(wǎng)絡(luò)占有非常重要的地位，其本身具有豐富的理論基礎(chǔ)和學(xué)習(xí)能力，從本質(zhì)上看其是采用負梯度下降算法，目標(biāo)函數(shù)是采用的是網(wǎng)絡(luò)函數(shù)的平方和。BP神經(jīng)網(wǎng)絡(luò)有非常強的糾錯能力，這是它得以廣泛應(yīng)用的前提條件［1］。其減小誤差的方法是通過反方向的傳播從而以網(wǎng)絡(luò)的方式輸出誤差，然后利用調(diào)整網(wǎng)絡(luò)的權(quán)值連接和修正梯度下降法，這樣便可以使得誤差修正到最小值［2］。整個過程有從兩個方面展開，一是正向的計算，二是反方向的傳播，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如下:

(1)對待測數(shù)據(jù)進行初始化

利用MATLAB中自帶的函數(shù)初始化命令對待測數(shù)據(jù)網(wǎng)絡(luò)中進行初始化，這些初始化的數(shù)據(jù)包括輸入向量、隱含向量相互之間的連接權(quán)值，隱含向量與輸出向量相互之間的隱含神經(jīng)元閾值和輸出神經(jīng)元閾值。

(2)對測試樣本進行訓(xùn)練

對于待測試的訓(xùn)練樣本包括兩個部分，定義其中一部分的輸入訓(xùn)練樣本集為 p=〔p1，p2，…，pn〕T，所對應(yīng)的另一部分為輸出訓(xùn)練樣本集為t=〔t1，t2，…，tn〕T。

(3)計算隱層節(jié)點和輸出層節(jié)點的閾值

計算隱層節(jié)點的閾值函數(shù)如公式1:

計算輸出層節(jié)點的閾值函數(shù)如公式2:

在公式(1)和(2)中，k為待訓(xùn)練樣本的第k個樣本，θs輸出層的閾值，θh隱層的閾值，f和 g是MATLAB中自帶函數(shù)sigmoid中的轉(zhuǎn)移函數(shù)［J］。

(4)計算網(wǎng)絡(luò)函數(shù)的誤差

誤差的計算對于輸入樣本的準(zhǔn)確性非常重要，它能夠有效的判斷所要訓(xùn)練的樣本和期望輸出的樣本差距的大小，盡量把誤差控制在最?。?］。其中誤差計算函數(shù)公式如下:

(5)對訓(xùn)練樣本是否結(jié)束進行判斷

有兩種情況BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練會結(jié)束:一是當(dāng)BP網(wǎng)絡(luò)程序中的設(shè)定值大于當(dāng)前運算的最大誤差;二是當(dāng)訓(xùn)練的次數(shù)超過了訓(xùn)練程序中的最大訓(xùn)練次數(shù)的時候。

其他情況下則訓(xùn)練將會繼續(xù)下去。

(6)對BP網(wǎng)絡(luò)訓(xùn)練過程中輸出層和隱含層的誤差進行修正

輸出層修正誤差計算公式如公式4［4］:

隱含層修正誤差如公式5其中dks為輸出層:

(7)權(quán)值和閾值的調(diào)整方式權(quán)值和閾值是按照函數(shù)最快的下降方向和梯度的負方向進行運算處理。權(quán)值通過輸出層進行調(diào)整，進而對隱含層的權(quán)值進行修正［5］。

(8)重新回到第(3)步并開始下面的訓(xùn)練，直到達到訓(xùn)練結(jié)束的條件為止，即為訓(xùn)練次數(shù)達到程序中規(guī)定的次數(shù)和BP網(wǎng)絡(luò)訓(xùn)練誤差超過程序中規(guī)定的誤差。

2 BP神經(jīng)網(wǎng)絡(luò)模型在燃煤電廠中預(yù)測NOx排放量的建立及運用

面對日益嚴(yán)重的污染問題，對于燃煤電廠NOx排放濃度的預(yù)測成為研究者的一個重要課題，對于燃煤電廠NOx排放量的預(yù)測精確度與否直接關(guān)系到對電廠NOx排放量監(jiān)管和國家相關(guān)政策的制定，甚至有助于推動整個環(huán)保行業(yè)的發(fā)展［6－7］。燃煤電廠NOx的產(chǎn)生是一個非常復(fù)雜的過程，NOx產(chǎn)生受到許多因素的影響，這樣就加大了研究者對其模型建立的難度，經(jīng)過對燃煤電廠數(shù)據(jù)的分析，發(fā)現(xiàn)機組負荷、脫銷進口煙溫、進口NOx濃度、進口O2濃度這幾項參數(shù)對NOx排放濃度影響最大。然后利用BP神經(jīng)網(wǎng)絡(luò)在這類算法預(yù)測上判斷能力強、預(yù)測能力強、運算速度快等優(yōu)勢，這些優(yōu)勢大大的強于傳統(tǒng)的預(yù)測方法。BP神經(jīng)網(wǎng)絡(luò)在公式的表達方面簡化了描述和避開了一些特殊的參數(shù)影響。

選取了某660MW機組實時的24個學(xué)習(xí)樣本，具體的數(shù)據(jù)如表1。

表1 某電廠660MW機組實時數(shù)據(jù)

在表1當(dāng)中，輸入因子為機組負荷、脫銷進口溫度、進口NOx濃度、進口O2濃度四個影響輸出因子NOx排放濃度的學(xué)習(xí)樣本，利用BP神經(jīng)網(wǎng)絡(luò)對表1中的輸入因子和輸出因子進行訓(xùn)練，在對這些數(shù)據(jù)作出訓(xùn)練之前，要對表中的24組數(shù)據(jù)進行歸一化數(shù)據(jù)整理，整理的代碼如下:

在表1中輸入向量有4個輸入因子，這4個輸入因子對應(yīng)BP神經(jīng)網(wǎng)絡(luò)的4個神經(jīng)元，除去首尾兩個神經(jīng)元，中間層有13個神經(jīng)元，BP神經(jīng)網(wǎng)絡(luò)中的輸出向量為出口NOx濃度，數(shù)量為1。此處建立的BP神經(jīng)網(wǎng)絡(luò)為4×13×1的結(jié)構(gòu)，利用如下代碼創(chuàng)建所需的神經(jīng)網(wǎng)絡(luò):

對表1某電廠660MW機組實時數(shù)據(jù)進行訓(xùn)練，在進行訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)能夠作為處理分析的數(shù)據(jù)。訓(xùn)練次數(shù)1000和訓(xùn)練目標(biāo)0．001，其他BP網(wǎng)絡(luò)中的參數(shù)為默認(rèn)的數(shù)據(jù)。利用MATLAB對BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的結(jié)果見圖1。

圖1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程圖像

從圖1中可以得出結(jié)論，整個訓(xùn)練過程為57次，神經(jīng)網(wǎng)絡(luò)的誤差大小符合實際工況的要求。訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，可以對一組沒有計算過出口NOx濃度的數(shù)據(jù)進行預(yù)測。在用于實際工況的預(yù)測之前，利用這組實際數(shù)據(jù)來檢測BP神經(jīng)網(wǎng)絡(luò)對NOx排放濃度的預(yù)測精度，進行測試的數(shù)據(jù)是某燃煤電廠660MW實際運行工況下的數(shù)據(jù)，如表2所示。

表2 某燃煤電廠660MW實際工況測試數(shù)據(jù)

對測試所輸出的結(jié)果進行歸一化，然后再將輸出結(jié)果經(jīng)過反歸一化處理得到燃煤電廠NOx排放濃度的最終預(yù)測結(jié)果，這個結(jié)果與表2中的實際NOx排放濃度工況理測得的相比較可以得出BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度見表3。從表3可以看出，通過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型對NOx排放濃度的預(yù)測精度達到93．48%以上。

表3 NOx排放濃度的預(yù)測精度

3 結(jié)語

經(jīng)過對某燃煤電廠660MW機組實時數(shù)據(jù)的分析，本文選取機組負荷、脫銷進口煙溫、進口NOx濃度、進口O2濃度作為輸入因子，出口NOx濃度作為輸出因子，取得了很好建模效果，建的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型在實際工況情況下預(yù)測NOx排放濃度是可行的，預(yù)測精度達到93．48%以上，完成能夠滿足實際工況的需要。

［1］也正，顧鈞．NOx預(yù)測排放監(jiān)測系統(tǒng)的可行性分析［J］．污染防治技術(shù)，2013(2):26－28．

［2］Long Jiangqi，Lan Fengchong．Mechanical properties prediction of the mechanical clinching joints based on genetic algorithm and BP neural network［J］．Chinese Journal of Mechancal Englneering，2009，22 (1):36－41．

［3］師洪濤，楊靜玲．基于小波－BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測方法［J］．電力系統(tǒng)自動化，2011，35(16):44－48．

［4］胡蓉．增量機器學(xué)習(xí)算法研究［D］．南京:南京理工大學(xué)，2013，75－76．

［5］徐軍．遞歸神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析［D］．杭州:浙江大學(xué)，2007，66－67．

［6］梁懷濤．火電行業(yè)氮氧化物排放量預(yù)測研究［D］．保定:華北電力大學(xué)，2012，25－26．

［7］劉天舒．BP神經(jīng)網(wǎng)絡(luò)的改進研究及應(yīng)用［D］．哈爾濱:東北農(nóng)業(yè)大學(xué)，2011，11－12．

Prediction system of coal－fired power plants NOxemission concentration based on BP neural network

The prediction model of NOxdischarge concentration is proposed by establish the BP neural network to unit from coal－fired power plant，to explore the feasibility of BP neural network system for the pollutant concentration prediction．Through the train for current time different unit load，stock imported smoke temperature，concentration of NOxand O2import，export NOxconcentration of certain power plant 660MW unit，it is concluded that the training model，after training the BP network to forecast the unknown concentration of NOxemission，prediction accuracy above 93．48%．That method can meet the actual forecast of demand completely．Conclusion:the BP neural network system of coal－fired power plant NOxemission concentrations of real－time prediction is technical feasible，can monitor the quality of NOxemission concentration effectively．

BP neural network;coal－fired power plant;NOxemission

X701．7

B

1674－8069(2015)03－012－03

2014-12-21;

2015-02-12

朱斌(1986-)，男，浙江溫州人，碩士，主要從事火電廠設(shè)備管理工作。E－mail:wszdzdhan2006@qq．com