時(shí)序-神經(jīng)網(wǎng)絡(luò)模型在磨煤機(jī)一次風(fēng)量測(cè)量中的應(yīng)用

金秀章, 張少康, 尹子劍, 劉 瀟

(華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003)

時(shí)序-神經(jīng)網(wǎng)絡(luò)模型在磨煤機(jī)一次風(fēng)量測(cè)量中的應(yīng)用

金秀章, 張少康, 尹子劍, 劉 瀟

(華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003)

針對(duì)制粉系統(tǒng)存在的大慣性和大遲延等特點(diǎn)，提出了一種基于時(shí)序-神經(jīng)網(wǎng)絡(luò)的一次風(fēng)量軟測(cè)量模型。在建模過程中，考慮了生產(chǎn)過程輸入變量和輸出變量的時(shí)序，給出了輔助變量選取和數(shù)據(jù)預(yù)處理方法。某電廠實(shí)際運(yùn)行結(jié)果表明，該模型的準(zhǔn)確性較目前廣泛應(yīng)用的靜態(tài)神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型有顯著提高。該研究為磨煤機(jī)一次風(fēng)量的測(cè)量提供了一定的理論基礎(chǔ)。

火電廠; 制粉系統(tǒng); 磨煤機(jī); 風(fēng)量; 軟測(cè)量; 時(shí)間序列;BP神經(jīng)網(wǎng)絡(luò); 人工智能; 歸一化處理; 數(shù)據(jù)挖掘

0 引言

磨煤機(jī)一次風(fēng)量對(duì)鍋爐配風(fēng)、磨煤機(jī)風(fēng)煤比、優(yōu)化燃燒有很大影響。因?yàn)榛痣姀S煙道成分非常復(fù)雜，環(huán)境惡劣，容易造成皮托管的堵塞或磨損，加之制粉系統(tǒng)的空間有限、測(cè)點(diǎn)不易布置等原因，使得電廠的現(xiàn)場(chǎng)儀表測(cè)得的一次風(fēng)量和實(shí)際值存在較大的偏差。因此，準(zhǔn)確測(cè)量磨煤機(jī)一次風(fēng)量非常關(guān)鍵[1]。

針對(duì)儀表測(cè)量不準(zhǔn)確問題，軟測(cè)量技術(shù)是一個(gè)不錯(cuò)的解決方法。軟測(cè)量技術(shù)是應(yīng)用統(tǒng)計(jì)學(xué)知識(shí)或者人工智能等方法，通過建立軟測(cè)量模型，利用可在線測(cè)量的變量來推斷和估計(jì)不可在線測(cè)量的數(shù)據(jù)。因?yàn)檐洔y(cè)量技術(shù)不需要進(jìn)行直接測(cè)量，所以不會(huì)出現(xiàn)儀表測(cè)量不準(zhǔn)確的問題[2]。

本文在靜態(tài)神經(jīng)網(wǎng)絡(luò)軟測(cè)量的基礎(chǔ)上，加入了對(duì)輸入變量和輸出變量的時(shí)序分析，并通過仿真驗(yàn)證了時(shí)序-神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性較靜態(tài)神經(jīng)網(wǎng)絡(luò)模型有明顯提高[3]。

1 基于相似度函數(shù)的樣本優(yōu)化

由于目前選擇樣本數(shù)據(jù)的原則還沒有統(tǒng)一，如果把歷史數(shù)據(jù)都作為樣本輸入，計(jì)算量會(huì)很大，所以要對(duì)樣本進(jìn)行優(yōu)化。樣本優(yōu)化的基本思想是對(duì)已有數(shù)據(jù)進(jìn)行比較，計(jì)算任意兩組數(shù)據(jù)之間的相似度。如果相似度高，說明這兩組數(shù)據(jù)包含的信息相似，也就是冗余信息，這時(shí)我們可以通過剔除操作來簡(jiǎn)化模型的輸入樣本，提高運(yùn)行效率。

下面是相似度函數(shù)公式：

(1)

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

針對(duì)數(shù)據(jù)信息，選取歸一化參數(shù)δ，其表達(dá)式為：

(2)

式中：Di為第i組數(shù)據(jù);m為每組數(shù)據(jù)中的個(gè)數(shù)。

如果兩個(gè)數(shù)據(jù)越相近，則經(jīng)過相似度函數(shù)計(jì)算后的相似度就越接近1，說明兩組數(shù)據(jù)包含的信息越相似。為了避免運(yùn)算時(shí)出現(xiàn)大量的冗余信息，就剔除其中一組數(shù)據(jù)[4]。

2 數(shù)據(jù)的歸一化處理

數(shù)據(jù)的標(biāo)準(zhǔn)化處理是數(shù)據(jù)挖掘的一項(xiàng)基本工作，因?yàn)檫x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(biāo)間量綱的影響，需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使各指標(biāo)處于同一個(gè)數(shù)量級(jí)，適合綜合評(píng)價(jià)。

(3)

式中：xmin為樣本數(shù)據(jù)x的最小值；xmax為樣本數(shù)據(jù)x的最大值。

上式也稱為離差標(biāo)準(zhǔn)化，是對(duì)原始數(shù)據(jù)進(jìn)行線性變換，將結(jié)果映射到(0,1)之間。這種方法的缺點(diǎn)就是當(dāng)xmin和xmax相等時(shí)，分母為0，歸一化不能進(jìn)行。

假設(shè)當(dāng)樣本數(shù)據(jù)x的最大值和最小值相等時(shí)，即分母為0，令y=ymin，就解決了分母中出現(xiàn)0的情況。

(4)

式中：y為樣本數(shù)據(jù)x經(jīng)過標(biāo)準(zhǔn)化后的數(shù)據(jù);ymax和ymin為定義的兩個(gè)最值。改進(jìn)之后的歸一化不僅包含了原來歸一化的內(nèi)容，而且可以在編程中得到應(yīng)用，提高了應(yīng)用范圍[5]。

3 BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，它是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法模型。神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層、輸出層。神經(jīng)網(wǎng)絡(luò)的過程是數(shù)據(jù)經(jīng)過輸入層進(jìn)入到隱含層，經(jīng)過隱含層的處理，最后傳輸?shù)捷敵鰧?。如果?xùn)練的輸出和期望值不一樣，則通過差值對(duì)傳輸過程中的權(quán)值進(jìn)行修正，直到滿足設(shè)定的目標(biāo)[6]。

設(shè)BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為M、隱含層節(jié)點(diǎn)數(shù)為q、輸出層節(jié)點(diǎn)數(shù)為L(zhǎng)、學(xué)習(xí)樣本的個(gè)數(shù)為N、樣本輸入為p，隱含層的第i個(gè)神經(jīng)元在樣本p作用下的輸入為：

(5)

隱含層的輸出經(jīng)過激勵(lì)函數(shù)作用，公式如下：

(6)

隱含層第i個(gè)神經(jīng)元的輸出，通過隱含層與輸出層神經(jīng)元之間的連接權(quán)值作用之后，傳輸?shù)捷敵鰧?。輸出層的第k個(gè)神經(jīng)元的輸入為：

(7)

式中：Wki為隱含層第i個(gè)神經(jīng)元到輸出層第k個(gè)神經(jīng)元之間的權(quán)值；θk為輸出層神經(jīng)元的閾值。

輸出層第k個(gè)神經(jīng)元經(jīng)過激勵(lì)函數(shù)作用以后的輸出為：

(8)

對(duì)系統(tǒng)的輸出值與給定值進(jìn)行比較，如果不一樣，則通過誤反傳對(duì)連接權(quán)值進(jìn)行修正，經(jīng)過多次訓(xùn)練得到最終結(jié)果[7]。

3.2 隱含層節(jié)點(diǎn)數(shù)的確定

目前，關(guān)于隱含層節(jié)點(diǎn)數(shù)的確定并無一個(gè)準(zhǔn)確的方法。對(duì)于3層BP神經(jīng)網(wǎng)絡(luò)，采用以下隱含層節(jié)點(diǎn)數(shù)的判斷方法：

(9)

式中：S為隱含層節(jié)點(diǎn)數(shù);k為輸入層節(jié)點(diǎn)數(shù);n為輸出層節(jié)點(diǎn)數(shù)。

S要經(jīng)過四舍五入取整得到，公式與大多數(shù)的應(yīng)用實(shí)例相符。本文采用上述經(jīng)驗(yàn)公式，確定BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)[8]。

4 軟測(cè)量模型的建立

軟測(cè)量主要由輔助變量的選擇、數(shù)據(jù)的分析與處理、軟測(cè)量模型的建立、在線校正等步驟構(gòu)成。其中，軟測(cè)量模型的建立是核心任務(wù)。本文根據(jù)機(jī)理分析初步得到輔助變量，通過一次風(fēng)量和輔助變量之間相關(guān)系數(shù)的大小和輔助變量之間相關(guān)性，得到最終的輔助變量(樣本1)，然后分析一次風(fēng)量和輔助變量之間的時(shí)序關(guān)系，得到另一組輔助變量(樣本2)。在樣本1的基礎(chǔ)上加上一個(gè)輔助變量(磨煤機(jī)的瞬時(shí)給煤量)作為樣本3，然后分別對(duì)樣本進(jìn)行優(yōu)化和數(shù)據(jù)的歸一化。通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，比較各個(gè)樣本輸入時(shí)的結(jié)果并加以分析。樣本1的軟測(cè)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(cè)量模型建立示意圖

4.1 輔助變量的選取

根據(jù)機(jī)理分析尋找輔助變量，了解對(duì)象的工藝流程和機(jī)理，可以初步確定多個(gè)和一次風(fēng)量相關(guān)的輔助變量；然后根據(jù)一次風(fēng)量和輔助變量之間的相關(guān)性來進(jìn)一步確定。通過機(jī)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(guān)系。氣體的密度受溫度和壓力的影響，所以選取進(jìn)出口的溫差、一次風(fēng)機(jī)進(jìn)口的壓力作為輔助變量。風(fēng)量是由風(fēng)機(jī)動(dòng)葉開度和風(fēng)機(jī)電流大小來調(diào)節(jié)的，風(fēng)量和給煤量有關(guān)。風(fēng)量過多或過少都會(huì)對(duì)燃燒效率產(chǎn)生影響。在制粉系統(tǒng)中，一般采用皮帶式稱重來計(jì)算煤量，所以磨煤機(jī)電流和磨煤機(jī)的瞬時(shí)給煤量可以作為輔助變量。一次風(fēng)是冷風(fēng)和熱風(fēng)的混合，所以可以把冷風(fēng)開度和熱風(fēng)開度作為輔助變量[9]。

根據(jù)機(jī)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?yàn)樵趯?shí)際工業(yè)運(yùn)行中，機(jī)器設(shè)備不可能瞬時(shí)響應(yīng)，所以篩選后的輔助變量在時(shí)間序列上會(huì)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(fēng)量求取相關(guān)系數(shù)，通過仿真得到相關(guān)系數(shù)的曲線；再根據(jù)設(shè)備的實(shí)際工作情況，得到一次風(fēng)量和輔助變量之間時(shí)序上的差別。綜合上述方法得到最終的結(jié)果：熱風(fēng)門開度要超前一次風(fēng)量130s；磨煤機(jī)一次風(fēng)壓力和一次風(fēng)機(jī)電流在時(shí)序上相差很小，時(shí)延近似為0。通過分析得到磨煤機(jī)電流和一次風(fēng)進(jìn)出口溫差的時(shí)序相關(guān)性較差；此外，還加入一個(gè)輔助變量(磨煤機(jī)的瞬時(shí)給煤量)進(jìn)行分析。

4.2 數(shù)據(jù)的預(yù)處理

相似度函數(shù)閾值和剩余樣本容量關(guān)系曲線如圖2所示。

圖2 相似度函數(shù)閾值和剩余樣本容量關(guān)系曲線圖

電廠的歷史數(shù)據(jù)是帶有量綱的，在不同的量綱下沒有比較的意義，所以要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。本文選用的是改進(jìn)的max-min標(biāo)準(zhǔn)化處理[10]。

5 結(jié)果與分析

在樣本1、樣本2、樣本3輸入下的BP模型測(cè)試曲線如圖3所示。

圖3 BP模型測(cè)試曲線圖

根據(jù)某電廠的歷史數(shù)據(jù)，一共等間隔選取了3 650組數(shù)據(jù)，經(jīng)過樣本優(yōu)化和數(shù)據(jù)的歸一化處理后，進(jìn)入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。同時(shí)，從3 650組數(shù)據(jù)中隨機(jī)抽取80組數(shù)據(jù)進(jìn)行測(cè)試，比較選取3種不同的輔助變量的精確性。最大絕對(duì)值誤差(Emax)、均方根誤差(RMSE)、平均絕對(duì)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(jié)束語

通過機(jī)理分析、一次風(fēng)量和輔助變量相關(guān)性分析選擇輔助變量，然后分析輔助變量之間的時(shí)序關(guān)系，得到最終的輔助變量。由表3可知，樣本2作為輸入時(shí)的準(zhǔn)確性較樣本1有明顯的提高，說明分析一次風(fēng)量和輔助變量之間時(shí)序關(guān)系是正確的；樣本2和樣本3作為輸入時(shí)，準(zhǔn)確性相差不大，可以得到分析輔助變量之間相關(guān)性的必要性，減少輔助變量的個(gè)數(shù)，精簡(jiǎn)軟測(cè)量模型，提高運(yùn)算速度。通過分析一次風(fēng)量和輔助變量時(shí)序關(guān)系，可以提高準(zhǔn)確性，為以后一次風(fēng)量的分析提供了理論依據(jù)。

[1] 王守會(huì),林云芳,楊耀權(quán),等.基于LSSVR的磨煤機(jī)一次風(fēng)量軟測(cè)量[J].電子世界,2012,34(14):73-75.

[2] 俞金壽.軟測(cè)量技術(shù)及其應(yīng)用[J].自動(dòng)化儀表,2008,29(1):1-7.

[3] 楊耀權(quán),張新勝.LSSVM動(dòng)態(tài)軟測(cè)量模型在磨煤機(jī)一次風(fēng)預(yù)測(cè)方面的應(yīng)用[J].動(dòng)力工程學(xué)報(bào),2016,36(3)：207-217.

[4] 張傳標(biāo),倪建軍,劉明華,等.樣本優(yōu)化核主元分析及其在水質(zhì)監(jiān)測(cè)中的應(yīng)用[J].中國(guó)環(huán)境監(jiān)測(cè),2012,28(2):92-96.

[5] 柳小桐.BP神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)歸一化研究[J].機(jī)械工程與自動(dòng)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(yīng)用研究[D].太原:太原科技大學(xué),2010.

[7] 魏星華.量子神經(jīng)網(wǎng)絡(luò)辨識(shí)方法的研究[D].保定:華北電力大學(xué),2013.

[8] 尚長(zhǎng)軍,陳曦,錢積新.基于PCA-BP神經(jīng)網(wǎng)絡(luò)的精餾塔產(chǎn)品組成軟測(cè)量模型[J].工業(yè)儀表與自動(dòng)化裝置,2003，33(4):33-36.

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

[10]金秀章,韓超.KPCA-LSSVM在磨煤機(jī)一次風(fēng)量預(yù)測(cè)中的應(yīng)用[J].自動(dòng)化儀表,2015,36(3):62-67.

[11]唐春霞,楊春華,桂衛(wèi)華,等.基于KPCA-LSSVM的硅錳合金熔煉過程爐渣監(jiān)督預(yù)測(cè)研究[J].儀器儀表學(xué)報(bào),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(fā)電機(jī)組先進(jìn)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?yàn)樾盘?hào)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