基于GA-BP神經(jīng)網(wǎng)絡(luò)的煤質(zhì)元素分析預(yù)測(cè)模型及其應(yīng)用

邵志翔，劉柱，亢銀虎，盧嘯風(fēng)，王泉海

(重慶大學(xué)能源與動(dòng)力工程學(xué)院，重慶 400044)

0 引言

在實(shí)際電站鍋爐運(yùn)行過程中，對(duì)運(yùn)行數(shù)據(jù)的實(shí)時(shí)掌握是實(shí)現(xiàn)靈活調(diào)峰的前提，其中煤質(zhì)的元素分析能夠?yàn)閷?shí)時(shí)鍋爐熱效率計(jì)算提供基礎(chǔ)參數(shù)。同時(shí)隨著我國(guó)碳達(dá)峰、碳中和工作的推進(jìn)，燃煤電站鍋爐CO2排放成為重點(diǎn)監(jiān)測(cè)對(duì)象，根據(jù)《企業(yè)溫室氣體排放核算方法與報(bào)告指南 發(fā)電設(shè)施》對(duì)電站燃煤鍋爐煤燃燒產(chǎn)生碳排放的核算要求，采用物料平衡法計(jì)算煤燃燒產(chǎn)生的碳排放量[1]，涉及煤質(zhì)收到基含碳量的測(cè)定。但目前，煤質(zhì)元素分析是送往具有專業(yè)技術(shù)資質(zhì)的檢測(cè)機(jī)構(gòu)進(jìn)行檢測(cè)而獲得，該實(shí)驗(yàn)檢測(cè)項(xiàng)目多、成本高且耗時(shí)較長(zhǎng)，故無法快速提供元素分析數(shù)據(jù)，確保鍋爐高效靈活運(yùn)行。

目前，高效的煤質(zhì)元素分析方法的研究主要是從煤質(zhì)工業(yè)分析與元素分析之間的相關(guān)性出發(fā)，采用軟測(cè)量的方式得到元素分析結(jié)果。同時(shí)，擴(kuò)大該方式的可預(yù)測(cè)煤種范圍及提高預(yù)測(cè)精度是軟測(cè)量方式走向工程應(yīng)用的前提，也是軟測(cè)量方式研究的重點(diǎn)內(nèi)容。李祥[2]等以煤樣的工業(yè)分析和元素分析數(shù)據(jù)為基礎(chǔ)，對(duì)煤質(zhì)進(jìn)行機(jī)理分析，從煤的基本結(jié)構(gòu)解釋了煤質(zhì)各元素與工業(yè)分析各項(xiàng)成分的相關(guān)性，但并未通過數(shù)學(xué)公式表述兩者之間的明確聯(lián)系。李太興、李春燕、于瑞生、趙新法[3-6]等分別以不同地區(qū)的煤質(zhì)工業(yè)分析與元素分析數(shù)據(jù)為基礎(chǔ)，通過多元線性回歸的方法，建立了以熱值和工業(yè)分析作為已知量求解煤質(zhì)各元素含量的關(guān)聯(lián)式。丁皓軒[7]等分析了已有的元素分析計(jì)算公式的不足，建立了基于支持向量機(jī)的元素分析回歸模型，提高了元素分析的預(yù)測(cè)精度。

另一方面，隨著大數(shù)據(jù)和人工智能的發(fā)展，煤電數(shù)字孿生技術(shù)進(jìn)一步發(fā)展，利用人工智能算法構(gòu)建鍋爐數(shù)學(xué)模型是目前的研究熱點(diǎn)之一。神經(jīng)網(wǎng)絡(luò)模型因?yàn)檩^好的自適應(yīng)性、泛化性、魯棒性等特點(diǎn)，已被廣泛應(yīng)用于各個(gè)領(lǐng)域。在電站鍋爐研究領(lǐng)域，已有學(xué)者利用神經(jīng)網(wǎng)絡(luò)模型對(duì)煤質(zhì)可磨性[8]、底渣灰熔點(diǎn)[9]、煤質(zhì)氫元素含量[10]、灰渣含碳量[11]等進(jìn)行預(yù)測(cè)的研究。在煤質(zhì)元素預(yù)測(cè)方面，馬萌萌[12]等利用經(jīng)遺傳算法優(yōu)化后的BP(back propagation)神經(jīng)網(wǎng)絡(luò)，收集了12組煤質(zhì)信息數(shù)據(jù)作為樣本，以工業(yè)分析數(shù)據(jù)為輸入?yún)?shù)，預(yù)測(cè)了煤質(zhì)中各元素的含量，但該模型選取的煤質(zhì)樣本太少，導(dǎo)致該模型的適用范圍有限。同時(shí)，樣本集的不足使模型反映煤質(zhì)元素分析與工業(yè)分析之間相關(guān)性的能力有限，造成了最后神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)誤差較大。因此，若能夠優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，同時(shí)增加煤質(zhì)樣本，則BP神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)更準(zhǔn)確的預(yù)測(cè)結(jié)果。

綜上所述，傳統(tǒng)的關(guān)聯(lián)式的煤質(zhì)各元素含量計(jì)算方法在預(yù)測(cè)范圍和預(yù)測(cè)精確度上都存在局限性，而神經(jīng)網(wǎng)絡(luò)模型能夠克服這些局限性，實(shí)現(xiàn)更多煤種、更高精度的預(yù)測(cè)，從而實(shí)現(xiàn)電站鍋爐煤質(zhì)元素分析的在線軟測(cè)量。結(jié)合神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)和煤質(zhì)元素分析與工業(yè)分析之間的相關(guān)性，本文提出基于GA-BP神經(jīng)網(wǎng)絡(luò)利用煤質(zhì)工業(yè)分析預(yù)測(cè)元素分析的模型。

1 GA-BP神經(jīng)網(wǎng)絡(luò)模型的算法原理

1.1 煤質(zhì)工業(yè)分析與元素分析的相關(guān)性

通過煤的化學(xué)結(jié)構(gòu)可反映煤質(zhì)工業(yè)分析與元素分析之間的相關(guān)性。煤基本結(jié)構(gòu)的核心部分是縮合芳香環(huán)，其外圍還連接有烷基側(cè)鏈和酚羥基等含氧官能團(tuán)，此外還存在少量含硫和含氮官能團(tuán)[13]。

由圖1所示的熱解過程可以了解煤質(zhì)元素分析和工業(yè)分析之間的關(guān)系，碳元素除了存在于固定碳之外，還有少量存在于揮發(fā)分中，而氮、氫、氧、硫則主要存在于揮發(fā)分中，受煤質(zhì)不同變質(zhì)程度的影響，固定碳和揮發(fā)分與各元素之間的相關(guān)性會(huì)存在明顯差別。因此若用關(guān)聯(lián)式來表達(dá)它們之間的相關(guān)性會(huì)產(chǎn)生較大誤差。

圖1 煤質(zhì)結(jié)構(gòu)及熱解過程

1.2 BP神經(jīng)網(wǎng)絡(luò)和遺傳算法

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成，首先輸入層將各輸入數(shù)據(jù)通過賦予權(quán)值和閾值的方式傳遞到隱藏層，再由隱藏層通過激活函數(shù)傳遞到輸出層并計(jì)算與真實(shí)值的誤差，最后誤差反向傳播到輸入層，利用梯度下降法迭代，調(diào)整各層之間的權(quán)值和閾值，從而使真實(shí)值和輸出值之間誤差達(dá)到預(yù)期目標(biāo)。

遺傳算法(genetic algorithm，GA)是一種基于生物演化過程的模擬算法。該算法在實(shí)際應(yīng)用中，首先會(huì)產(chǎn)生一個(gè)初始化種群，然后讓種群模擬生物進(jìn)行基因選擇、交叉、變異操作，通過計(jì)算種群中個(gè)體的適應(yīng)度，迭代、進(jìn)化、尋找適應(yīng)度最高的個(gè)體[14]。

BP神經(jīng)網(wǎng)絡(luò)對(duì)具有較強(qiáng)相關(guān)性的數(shù)據(jù)有很好的處理效果，但在學(xué)習(xí)訓(xùn)練過程中，容易出現(xiàn)陷入局部最小值的情況，而遺傳算法能夠進(jìn)行全局尋優(yōu)。因此，經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法效果較好，可以提升模型性能。

1.3 GA-BP神經(jīng)網(wǎng)絡(luò)算法

GA-BP神經(jīng)網(wǎng)絡(luò)算法流程如圖2所示，首先通過遺傳算法尋找BP神經(jīng)網(wǎng)絡(luò)最優(yōu)初始權(quán)值和閾值，再進(jìn)行模型訓(xùn)練，通過計(jì)算誤差更新權(quán)值和閾值，迭代得到最后的計(jì)算結(jié)果。

圖2 GA-BP流程圖

2 GA-BP神經(jīng)網(wǎng)絡(luò)模型的建立

2.1 數(shù)據(jù)集簡(jiǎn)介

本文以289組煤質(zhì)收到基工業(yè)分析、元素分析和熱值作為數(shù)據(jù)集，按233 組數(shù)據(jù)作為訓(xùn)練集、56 組數(shù)據(jù)作為測(cè)試集的方式進(jìn)行分配。該數(shù)據(jù)集包括了褐煤、煙煤、無煙煤、貧煤等典型動(dòng)力煤種的工業(yè)分析與元素分析數(shù)據(jù)，見表1[15-19]。碳元素含量覆蓋范圍從30.08%到85.70%，同時(shí)煤的熱值也包含從10.60 MJ/kg到35.16 MJ/kg，基本包括了鍋爐燃燒的大部分煤質(zhì)，因此該數(shù)據(jù)集具有較好的泛化性。

表1 煤質(zhì)數(shù)據(jù)集信息

此外，為驗(yàn)證該數(shù)據(jù)集能否反映工業(yè)分析與元素分析之間的相關(guān)性，本文采用皮爾遜相關(guān)系數(shù)來對(duì)數(shù)據(jù)集中煤質(zhì)工業(yè)分析和元素分析各項(xiàng)成分之間的相關(guān)性進(jìn)行分析。皮爾遜相關(guān)系數(shù)的定義如式(1)所示，它能夠度量?jī)蓚€(gè)變量X和Y之間的線性關(guān)系，當(dāng)P的絕對(duì)值范圍在0.4≤P≤1.0時(shí)都能表示兩者之間存在較好相關(guān)性[20]。

(1)

圖3 皮爾遜相關(guān)系數(shù)圖

2.2 數(shù)據(jù)預(yù)處理與特征選擇

為了避免因?yàn)楦魈卣鞅旧碓诮^對(duì)數(shù)值上的小數(shù)據(jù)被大數(shù)據(jù)吞噬的情況，需對(duì)數(shù)據(jù)進(jìn)行歸一化處理，處理公式如式(2)所示[21]。

(2)

式中：Xstd為經(jīng)歸一化處理的變量；Xmin為樣本集中變量的最小值；Xmax為樣本集中變量的最大值。

根據(jù)煤質(zhì)工業(yè)分析與元素分析之間的相關(guān)性，神經(jīng)網(wǎng)絡(luò)模型以固定碳、揮發(fā)分、水分、灰分和低位發(fā)熱量5個(gè)變量作為特征(輸入變量)，以碳、氫、氮、硫含量4個(gè)變量作為標(biāo)簽(輸出變量)，最后氧元素由差減法得出。

2.3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

層數(shù)為3層的BP神經(jīng)網(wǎng)絡(luò)足以解決大部分?jǐn)?shù)據(jù)之間的相關(guān)性問題。根據(jù)選擇的特征個(gè)數(shù)，輸入層神經(jīng)元個(gè)數(shù)設(shè)置為5，即5個(gè)輸入變量；隱藏層神經(jīng)元個(gè)數(shù)為8；輸出層神經(jīng)元個(gè)數(shù)為4，即4個(gè)輸出變量。激活函數(shù)選擇有較好魯棒性的tanh函數(shù)，訓(xùn)練次數(shù)為1 000，學(xué)習(xí)率0.2。

2.4 GA算法設(shè)計(jì)

與傳統(tǒng)遺傳算法二進(jìn)制進(jìn)行基因編碼不同，本文采用實(shí)數(shù)編碼對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，根據(jù)神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的數(shù)目確定編碼長(zhǎng)度，編碼中的每一個(gè)數(shù)代表一個(gè)權(quán)值或閾值。種群規(guī)模設(shè)置為40，交叉概率為0.8，變異概率為0.05，迭代次數(shù)為100。

式(3)表示模型訓(xùn)練過程的迭代誤差，是輸出層各神經(jīng)元輸出值與真實(shí)值之間的均方誤差，適應(yīng)度函數(shù)如式(4)所示。選擇以BP神經(jīng)網(wǎng)絡(luò)中的迭代誤差的倒數(shù)作為評(píng)價(jià)指標(biāo)，迭代誤差越小，適應(yīng)度越高，所選種群越優(yōu)。

(3)

F=1/E

(4)

式中：F為適應(yīng)度；m為參與訓(xùn)練樣本數(shù)目；n為神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元個(gè)數(shù)；Pij為神經(jīng)網(wǎng)絡(luò)第j個(gè)神經(jīng)元輸出的第i個(gè)預(yù)測(cè)值；Yij為Pij對(duì)應(yīng)的真實(shí)值。

3 結(jié)果與討論

3.1 模型評(píng)價(jià)指標(biāo)

為了對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，本文采用決定系數(shù)和均方根誤差作為評(píng)判標(biāo)準(zhǔn)。式(5)為決定系數(shù)R2的表達(dá)式[22]，該值反映了預(yù)測(cè)值波動(dòng)程度和真實(shí)值波動(dòng)程度的相對(duì)大小，值越接近1，擬合程度越好。均方根誤差YRMSE的表達(dá)式如式(6)所示[23]，該值反映了真實(shí)值與預(yù)測(cè)值之間的偏差，值越小，預(yù)測(cè)效果越好。

(5)

(6)

3.2 BP與GA-BP神經(jīng)網(wǎng)絡(luò)模型的比較

為避免BP神經(jīng)網(wǎng)絡(luò)模型陷入局部極小值的問題，本文采用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行優(yōu)化，并比較兩者對(duì)碳、氫、氮、硫的預(yù)測(cè)結(jié)果，如圖4所示。通過比較可知，GA-BP模型對(duì)4個(gè)目標(biāo)值的預(yù)測(cè)結(jié)果都要優(yōu)于BP模型，因此經(jīng)遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型具有更好的預(yù)測(cè)效果。

(a)決定系數(shù)

(b)均方根誤差

3.3 GA-BP神經(jīng)網(wǎng)絡(luò)模型與關(guān)聯(lián)式的比較

神經(jīng)網(wǎng)絡(luò)模型能夠在未知煤質(zhì)工業(yè)分析與元素分析之間的線性關(guān)系的情況下，利用各神經(jīng)元之間的權(quán)值和閾值來預(yù)測(cè)元素分析各成分結(jié)果。而關(guān)聯(lián)式是利用煤質(zhì)數(shù)據(jù)探索煤質(zhì)工業(yè)分析成分與元素成分之間的線性關(guān)系，從而得到元素成分與工業(yè)分析某幾個(gè)成分的經(jīng)驗(yàn)公式。Liu[24]等利用855組煤質(zhì)信息數(shù)據(jù)，分別分析了干燥無灰基下碳、氫、氧、氮、硫元素與固定碳、揮發(fā)分之間的線性關(guān)系，得到以下關(guān)聯(lián)式。

wC=wFC/(1.06201-0.00775wV)

(7)

wO=-517.4651+22.6152wC-0.3037

(wC)2+0.0013(wC)3

(8)

wH=93.247-0.9545wC-wO

(9)

wN=100-0.0127wC-97.6204

(10)

wS=100-wC-wH-wO-wN

(11)

將本文的56 組訓(xùn)練集數(shù)據(jù)換算為干燥無灰基下的數(shù)值后帶入關(guān)聯(lián)式，求解各元素成分，最后轉(zhuǎn)化為收到基下的數(shù)據(jù)與GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果進(jìn)行比較，利用45°圖表示預(yù)測(cè)值和真實(shí)值之間的關(guān)系，結(jié)果如圖5—9所示。

圖5分別為GA-BP模型和多元回歸關(guān)聯(lián)式對(duì)碳元素的預(yù)測(cè)結(jié)果。從圖中可以看出兩種方法都能較好地預(yù)測(cè)碳元素值，但GA-BP預(yù)測(cè)結(jié)果的決定系數(shù)R2和均方根誤差YRMSE更小，能夠使大部分預(yù)測(cè)值的相對(duì)誤差保持在±5%以內(nèi)(圖5(a))；而圖5(b)的數(shù)據(jù)點(diǎn)多位于對(duì)角線的上方，這意味著關(guān)聯(lián)式對(duì)碳元素的預(yù)測(cè)值較實(shí)測(cè)值普遍偏大。

(a)GA-BP模型

(b)多元回歸關(guān)聯(lián)式

圖6和圖7是兩種方法對(duì)氫和氧元素的預(yù)測(cè)。在氫元素的預(yù)測(cè)結(jié)果中，GA-BP模型的預(yù)測(cè)效果明顯更好，能夠使絕大部分預(yù)測(cè)結(jié)果保持在相對(duì)誤差±10%的區(qū)間內(nèi)。在氧元素的預(yù)測(cè)結(jié)果中，GA-BP模型的預(yù)測(cè)值多處在相對(duì)誤差±20%區(qū)間，對(duì)實(shí)際氧含量小的煤質(zhì)預(yù)測(cè)結(jié)果誤差偏大，而多元回歸關(guān)聯(lián)式的預(yù)測(cè)結(jié)果普遍偏小。

(a)GA-BP模型

(b)多元回歸關(guān)聯(lián)式

(a)GA-BP模型

(b)多元回歸關(guān)聯(lián)式

在對(duì)氮元素和硫元素的預(yù)測(cè)中，兩種方法的預(yù)測(cè)結(jié)果都不理想，如圖8—9所示。其中訓(xùn)練集數(shù)據(jù)中煤質(zhì)的氮元素實(shí)際值在[0.5，1.5]內(nèi)，但氮元素的預(yù)測(cè)值在[0.6，1.2]內(nèi)波動(dòng)，比實(shí)測(cè)值波動(dòng)更小。而關(guān)聯(lián)式的決定系數(shù)比GA-BP模型的大，這是因?yàn)殛P(guān)聯(lián)式中預(yù)測(cè)值更加集中在[0.6，1.2]區(qū)間內(nèi)。同樣的問題出現(xiàn)在硫元素的預(yù)測(cè)中，GA-BP模型預(yù)測(cè)的硫元素值在區(qū)間[0.3，1.0]內(nèi)無規(guī)律變化，而由于關(guān)聯(lián)式中的硫元素預(yù)測(cè)值是利用式(11)求得，因此預(yù)測(cè)結(jié)果相關(guān)性不大。

(a)GA-BP模型

(b)關(guān)聯(lián)式

(a)GA-BP模型

(b)關(guān)聯(lián)式

就上述兩種方法預(yù)測(cè)結(jié)果而言，本文提出的GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果更佳，且碳元素預(yù)測(cè)效果優(yōu)于氫元素和氧元素，但在氮元素和硫元素的預(yù)測(cè)效果上仍然存在不足。造成該問題的原因可能是不同煤質(zhì)中氮、硫含量的變化與工業(yè)分析中各組分并無明確的相關(guān)性，同時(shí)氮、硫含量相對(duì)較少，變化不明顯，因此不論是神經(jīng)網(wǎng)絡(luò)模型還是多元回歸模型都不能很好地捕捉氮、硫元素隨煤質(zhì)變化的數(shù)學(xué)關(guān)系。同時(shí)結(jié)合本文數(shù)據(jù)集煤質(zhì)工業(yè)分析與元素分析之間各成分的相關(guān)性可知，氮、硫元素與工業(yè)分析中的各成分相關(guān)性都不大，因此無法用工業(yè)分析數(shù)據(jù)準(zhǔn)確地預(yù)測(cè)氮、硫兩種元素的含量。相反，由于碳元素與工業(yè)分析中的固定碳、揮發(fā)分等成分都存在強(qiáng)相關(guān)性，因而預(yù)測(cè)效果最好。

4 GA-BP模型的應(yīng)用

利用本文構(gòu)建的GA-BP神經(jīng)網(wǎng)絡(luò)模型可為鍋爐熱效率的計(jì)算或鍋爐燃燒碳排放核算提供煤質(zhì)元素分析數(shù)據(jù)。為進(jìn)一步分析該GA-BP模型應(yīng)用在鍋爐熱效率或鍋爐燃燒碳排放計(jì)算中對(duì)結(jié)果的影響，本文以某電廠600 MW 循環(huán)流化床鍋爐機(jī)組為例，該機(jī)組運(yùn)行參數(shù)見表2。

表2 600 MW鍋爐機(jī)組運(yùn)行參數(shù)

由于使用單獨(dú)的一種煤質(zhì)計(jì)算鍋爐的熱效率和碳排放量并不具代表性，因而本文用到了GA-BP模型測(cè)試集中的56種煤質(zhì)，分別在利用元素分析實(shí)測(cè)值和預(yù)測(cè)值兩種情況下，計(jì)算在這臺(tái)600 MW 鍋爐內(nèi)燃燒時(shí)的鍋爐熱效率η和二氧化碳排放量Ers?；诿嘿|(zhì)元素分析預(yù)測(cè)模型計(jì)算鍋爐熱效率和二氧化碳排放量的流程如圖10所示[25]，首先利用上述機(jī)組運(yùn)行參數(shù)及元素分析結(jié)果，計(jì)算該鍋爐實(shí)際運(yùn)行過程中的各項(xiàng)熱損失，從而通過反平衡計(jì)算鍋爐熱效率[26]；再利用輸出主蒸汽熱量及鍋爐熱效率計(jì)算煤耗量，以此排除稱煤過程中的誤差，以及煤燃燒的延時(shí)性對(duì)二氧化碳排放量的影響；最后求得鍋爐燃燒產(chǎn)生的二氧化碳排放量[27]。

圖10 GA-BP元素分析預(yù)測(cè)模型應(yīng)用流程

計(jì)算結(jié)果如圖11所示，由圖可知，在計(jì)算鍋爐熱效率時(shí)，由GA-BP預(yù)測(cè)模型產(chǎn)生的平均相對(duì)誤差為0.19%；而在計(jì)算鍋爐二氧化碳量排放時(shí)，平均相對(duì)誤差為3.56%。隨著傳統(tǒng)行業(yè)智慧化的發(fā)展，該模型在實(shí)時(shí)鍋爐熱效率和二氧化碳排放量計(jì)算上具有顯著的應(yīng)用潛力。

(a)鍋爐熱效率

(b)二氧化碳排放

圖11 鍋爐熱效率和二氧化碳排放量計(jì)算結(jié)果

為進(jìn)一步探究在計(jì)算鍋爐熱效率和二氧化碳排放量的過程中，煤質(zhì)中對(duì)計(jì)算結(jié)果影響最大的因素，本文對(duì)煤質(zhì)中的wC、wH、wO、wN、wS、wA、wM和Qnet進(jìn)行了敏感性分析和歸一化處理，計(jì)算結(jié)果如圖12所示。由圖可知，就熱效率的計(jì)算而言，煤質(zhì)的低位發(fā)熱量影響最大，煤質(zhì)中的碳元素是5種元素中對(duì)鍋爐熱效率影響最大的，相對(duì)于碳元素，其他元素(如氮、氧、硫)對(duì)鍋爐熱效率的影響很小；就鍋爐二氧化碳排放量計(jì)算而言，同樣如此。雖然GA-BP模型在對(duì)氧、氮和硫的預(yù)測(cè)上有著較大誤差，但相對(duì)于碳元素的預(yù)測(cè)誤差，其造成的影響很小。因此，GA-BP模型對(duì)碳元素的預(yù)測(cè)準(zhǔn)確性是該預(yù)測(cè)模型能否應(yīng)用的關(guān)鍵。

(a)鍋爐熱效率 (b)二氧化碳排放

圖12 鍋爐熱效率和二氧化碳排放量的敏感性分析

5 結(jié)論

相較于BP神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型能夠找到更好的初始權(quán)值和閾值，從而使預(yù)測(cè)效果更優(yōu)。

本文所構(gòu)建的GA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)訓(xùn)練集中煤質(zhì)碳、氫、氧、氮、硫5種元素的預(yù)測(cè)效果用決定系數(shù)R2評(píng)價(jià)，分別為0.935、0.811、0.779、0.430、0.051，表示對(duì)碳、氫、氧有較好的預(yù)測(cè)效果。由于氮、硫元素與工業(yè)分析各組分相關(guān)性弱且變化范圍小，因而無論是神經(jīng)網(wǎng)絡(luò)模型還是多元線性回歸模型都不能對(duì)其進(jìn)行很好的預(yù)測(cè)。

GA-BP模型在應(yīng)用中對(duì)鍋爐熱效率計(jì)算誤差影響較小，對(duì)二氧化碳排放量影響較大，在對(duì)鍋爐熱效率及二氧化碳排放量計(jì)算中具有一定的應(yīng)用潛力。同時(shí)GA-BP模型對(duì)碳元素預(yù)測(cè)值的誤差會(huì)對(duì)鍋爐熱效率和二氧化碳排放量的計(jì)算產(chǎn)生較大影響。