凡榮榮 楊巨生 謝克昌

（1.太原理工大學(xué)電氣與動(dòng)力學(xué)院，太原 030024；2.太原理工國(guó)內(nèi)大學(xué)生命與技術(shù)山西省教育部重點(diǎn)實(shí)驗(yàn)室 太原 030024）

由于煤的成本較低且儲(chǔ)藏豐富，目前以及以后很長(zhǎng)時(shí)期內(nèi)，煤在我國(guó)能源結(jié)構(gòu)中仍占主導(dǎo)地位。燃煤電廠(chǎng)是煤炭的主要用戶(hù)，大量的煤炭燃燒，隨之而來(lái)的是嚴(yán)重的環(huán)境污染問(wèn)題。氮氧化物就是煤燃燒過(guò)程中產(chǎn)生的主要污染源之一，它對(duì)酸雨和光化學(xué)煙霧的形成，地球臭氧層的破壞都有直接關(guān)系。所以非常有必要根據(jù)燃煤特性及各種操作參數(shù)準(zhǔn)確預(yù)報(bào)鍋爐在不同工況下的氮氧化物排放特性，這也為燃煤電站鍋爐通過(guò)燃燒調(diào)整降低氮氧化物排放提供有效手段。

近年來(lái)，BP神經(jīng)網(wǎng)絡(luò)模型在非線(xiàn)性系統(tǒng)建模和控制方面得到廣泛應(yīng)用，這種模型也應(yīng)用到燃煤電站鍋爐氮氧化物排放預(yù)測(cè)控制。但是 BP神經(jīng)網(wǎng)絡(luò)是基于梯度下降的方法，比較容易陷入局部最小值而無(wú)法得到最好的權(quán)值分布，最終影響網(wǎng)絡(luò)的泛化能力。而且在訓(xùn)練過(guò)程中，有關(guān)參數(shù)（如學(xué)習(xí)速率）的選取也沒(méi)有理論指導(dǎo)，完全憑借經(jīng)驗(yàn)來(lái)確定，一旦取之不當(dāng)，就會(huì)引起網(wǎng)絡(luò)振蕩而不能收斂，即使收斂也會(huì)因?yàn)槭諗克俣嚷鴮?dǎo)致訓(xùn)練時(shí)間長(zhǎng)。AdaBoost算法能夠提高任意給定弱預(yù)測(cè)器的預(yù)測(cè)精度，在許多機(jī)器學(xué)習(xí)的問(wèn)題中都得到了成功的應(yīng)用。為了提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度，克服BP神經(jīng)網(wǎng)絡(luò)權(quán)值初始化的局限性和訓(xùn)練樣本的主觀(guān)因素，本文將AdaBoost算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建了BP-adaboost算法來(lái)預(yù)測(cè)電廠(chǎng)氮氧化物排放量。

本文利用BP-adaboost算法，以某電廠(chǎng)600MW機(jī)組鍋爐為例建立了氮氧化物排放特性預(yù)測(cè)模型。結(jié)果表明，與單純的 BP網(wǎng)絡(luò)所建模型相比，所建模型能夠更加準(zhǔn)確地預(yù)測(cè)不同運(yùn)行工況下的氮氧化物排放量。

1 研究對(duì)象

某電廠(chǎng)4#爐為600MW四角煤粉燃燒鍋爐，該爐為亞臨界控制固態(tài)排渣爐，爐膛尺寸為19558mm×16432mm。采用正壓直吹式制粉系統(tǒng)，配5臺(tái)中速磨煤機(jī)，爐膛四角布置燃燒器，燃燒器為一二次風(fēng)間隔布置，滿(mǎn)負(fù)荷下投入 5層一次風(fēng)，6層二次風(fēng)。

本文從電廠(chǎng)DCS系統(tǒng)中每隔15S下載一組鍋爐運(yùn)行參數(shù)。鍋爐運(yùn)行參數(shù)包括鍋爐負(fù)荷，一次風(fēng)風(fēng)量，二次風(fēng)開(kāi)度，燃盡風(fēng)開(kāi)度，給煤機(jī)開(kāi)度，二次風(fēng)箱與爐膛之間差壓，省煤器之后氧量，飛灰含碳量，氮氧化物排放量，排煙溫度，飛回含碳量。一共下載 1200組數(shù)據(jù)來(lái)研究鍋爐運(yùn)行參數(shù)對(duì)氮氧化物排放的影響。在此次研究中，煤質(zhì)保持不變，運(yùn)行工況的范圍如表1所示，燃用煤種特性示于表2。

表1 鍋爐運(yùn)行工況

表2 試驗(yàn)煤種

2 BP-adaboost算法建立氮氧化物排放模型

2.1 BP-adaboost算法

Adaboost算法是一種迭代算法。目前，對(duì)Adaboost算法的研究及應(yīng)用大多集中于分類(lèi)問(wèn)題，同時(shí)近年也出現(xiàn)了一些在預(yù)測(cè)問(wèn)題上的應(yīng)用。Adaboost算法能夠提高任意給定弱預(yù)測(cè)器預(yù)測(cè)精度，因此，本文針對(duì) BP神經(jīng)網(wǎng)絡(luò)自身的局限性和訓(xùn)練樣本選擇的主觀(guān)因素，為提高其預(yù)測(cè)精度，將Adaboost算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立了BP-adaboost神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

該模型采用 BP神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測(cè)器，根據(jù)每次訓(xùn)練樣本預(yù)測(cè)的優(yōu)劣，減少或增加其對(duì)應(yīng)的權(quán)重，并使用改變權(quán)重后的樣本重新對(duì)弱預(yù)測(cè)器進(jìn)行訓(xùn)練，得出一系列弱預(yù)測(cè)器與其權(quán)重；最后將這些弱預(yù)測(cè)器的訓(xùn)練結(jié)果進(jìn)行集成，得到最終的輸出。

BP-adaboost算法具體實(shí)現(xiàn)過(guò)程如下：

首先對(duì)樣本進(jìn)行歸一化處理，從樣本中隨機(jī)選擇m組訓(xùn)練數(shù)據(jù)，初始化測(cè)試數(shù)據(jù)的分布權(quán)值Dt（i）=1/m,根據(jù)樣本輸入輸出維數(shù)確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初始BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。

其次，對(duì)所有的t=1,2,…,T（共T次循環(huán)，即有T個(gè)弱預(yù)測(cè)器）：

1）用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并且預(yù)測(cè)訓(xùn)練數(shù)據(jù)輸出，得到預(yù)測(cè)序列個(gè) g(t)的預(yù)測(cè)誤差和式中 g(t)為預(yù)測(cè)結(jié)果；y為預(yù)期結(jié)果。

2）根據(jù)預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差et計(jì)算序列的權(quán)重

3）根據(jù)序列權(quán)重 at調(diào)整下一輪訓(xùn)練樣本權(quán)重，調(diào)整公式為Dt+1=Dt×1.1。

最后，利用最大加權(quán)投票原則融合各基本預(yù)測(cè)器f(gt,at)，得到最后的預(yù)測(cè)結(jié)果

2.2 建立模型

根據(jù)上述步驟，利用BP-adaboost算法建立氮氧化物排放預(yù)測(cè)模型，模型的輸入條件如下：氧量，5個(gè)一次風(fēng)量，6個(gè)二次風(fēng)量，5個(gè)給煤機(jī)給煤量，1個(gè)燃盡風(fēng)量，1個(gè)二次風(fēng)箱與爐膛之間差壓，另外，煤種特性取收到基水分 Mad、灰分Aar、揮發(fā)分 Var、含碳量 Car、低位發(fā)熱量 Qnet,ar共 25個(gè)輸入?yún)?shù)。輸出參數(shù)為氮氧化物的排放量。算法流程如圖1所示。

圖1 BP-adaboost的算法流程

在電廠(chǎng)DCS分散控制系統(tǒng)采集的1200組數(shù)據(jù)中，960組作為訓(xùn)練數(shù)據(jù)，240組作為測(cè)試數(shù)據(jù)。根據(jù)數(shù)據(jù)維數(shù)采用的 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為25-20-1，共訓(xùn)練生成10個(gè)弱預(yù)測(cè)器。經(jīng)過(guò)預(yù)測(cè)后輸出氮氧化物的預(yù)測(cè)值，根據(jù)預(yù)測(cè)結(jié)果調(diào)整測(cè)試樣本權(quán)重值，把預(yù)測(cè)誤差超過(guò) 1.0的樣本作為應(yīng)該加強(qiáng)學(xué)習(xí)的樣本。得出一系列弱預(yù)測(cè)器及其權(quán)值。最后利用10組弱預(yù)測(cè)器組成強(qiáng)預(yù)測(cè)器預(yù)測(cè)氮氧化物的輸出。預(yù)測(cè)結(jié)果如圖2所示。

圖2 預(yù)測(cè)結(jié)果

圖2為BP-adaboost算法對(duì)測(cè)試樣本訓(xùn)練后預(yù)測(cè)值與期望值的誤差?！皁”代表弱預(yù)測(cè)器即 BP神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試樣本訓(xùn)練后的誤差，“+”代表強(qiáng)預(yù)測(cè)器對(duì)測(cè)試樣本訓(xùn)練后的誤差。從圖2中可以看出氮氧化物排放特性的 BP-adaboost模型的預(yù)測(cè)準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于BP預(yù)測(cè)模型。BP-adaboost預(yù)測(cè)值的絕對(duì)誤差大部分集中在15mg/N3左右，99%樣本的相對(duì)誤差控制在 3%以?xún)?nèi)。可見(jiàn)，BP-adaboost算法網(wǎng)絡(luò)模型繼承了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，具有很強(qiáng)的自學(xué)習(xí)、自組織能力，建立起輸入與輸出之間的復(fù)雜的非線(xiàn)性對(duì)應(yīng)關(guān)系。而且網(wǎng)絡(luò)中得大量參數(shù)均由學(xué)習(xí)所得，避免了人為因素的影響。同時(shí)當(dāng)傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練數(shù)據(jù)量較大、輸入?yún)?shù)過(guò)多，模型的泛化能力降低，對(duì)于非訓(xùn)練樣本不能精確預(yù)測(cè)的情況，BP-adaboost算法可以通過(guò)融合多個(gè)弱預(yù)測(cè)器的信息，更加充分利用給定的鍋爐運(yùn)行參數(shù)，提高模型的繁華能力，對(duì)氮氧化物排放量的預(yù)測(cè)有更高的準(zhǔn)確度，得到的預(yù)測(cè)結(jié)果更加客觀(guān)，更加合理。表明了BP-adaboost預(yù)測(cè)模型的可行性及結(jié)果的有效性和準(zhǔn)確性，并且說(shuō)明BP-adaboost算法可以應(yīng)用于大型燃煤電廠(chǎng)氮氧化物的排放預(yù)測(cè)。

3 結(jié)論

針對(duì) BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)存在局部極小缺陷和收斂速度慢的問(wèn)題，提出了一種基于 BP-adaboost神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。將其應(yīng)用于燃煤鍋爐氮氧化物的預(yù)測(cè)，并與 BP 模型進(jìn)行了比較。仿真結(jié)果表明，BP-adaboost 模型具有良好的收斂性，預(yù)測(cè)結(jié)果令人滿(mǎn)意，有較高的精度和良好的實(shí)用性，可以為燃煤鍋爐氮氧化物排放量的預(yù)測(cè)提供依據(jù)。

[1]周昊,朱洪波,岑可法.基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的火電廠(chǎng)鍋爐實(shí)時(shí)燃燒優(yōu)化系統(tǒng)[J].動(dòng)力工程,2003,34(5);49-51.

[2]王春林,周昊.基于遺傳算法和支持向量機(jī)的低 NOx燃燒優(yōu)化[J].中國(guó)電機(jī)工程學(xué)報(bào), 2007,11:40-44.

[3]吳仕勇. 基于數(shù)值計(jì)算方法的 BP神經(jīng)網(wǎng)絡(luò)及遺傳算法的優(yōu)化研究[J].計(jì)算機(jī)技術(shù)理論,2009,12:2966-2967,3025.

[4]侯林波.基于遺傳神經(jīng)網(wǎng)絡(luò)算法的基坑工程優(yōu)化反饋分析[D].大連:大連海事大學(xué),2009.

[5]周昊.大型電站鍋爐氮氧化物控制和燃燒優(yōu)化中若干關(guān)鍵性問(wèn)題的研究[D].杭州:浙江大學(xué),2004.

[6]葉銀蘭.基于boosting RBF神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用,2008:44(3),188-191.

[7]葛啟發(fā)，馮夏.基于A(yíng)daboost組合學(xué)習(xí)方法的巖爆分類(lèi)預(yù)測(cè)研究[J].巖土力學(xué),2008,29(4):943-948.

[8]LI K, THOMPSON S. Modeling and predicition of NOx emission in a coal-fired power generation plant[J].Control Engineering Practice, 2004(12):707-723.

[9]KALOGIROR S A. Artificial intelligence for the modeling and control of combustion processes:a review[J]. Progress in Energy and Combustion Science,2003.

[10]ZHOU H, ZHENG L G, CEN K F. Computationl intelligence approach for NOx emissions minimization in a coal-fired utility boiler[J].Engrgy Conversion and Management.2010

[11]ZHENG L G, ZHOU H, CEN K F, WANG C L. A comparatiove study of optimization algorithms for low NOx combustion modification at a coal-fired utility boiler[J].Sciencedirect.2009.