CN103324862A - 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 - Google Patents

Abstract

本发明涉及人工智能应用领域，具体是一种基于改进神经网络与遗传算法的燃煤锅炉运行优化预测的方法。主要原理是：通过BP神经网络的优化、预测模型的建立及训练，从而实现燃煤锅炉运行优化。具体步骤是：应用基于遗传算法优化的神经网络对锅炉参数（燃料量、送风量、氧量、温差量、煤种特性）进行实验数据建模，进而利用遗传算法对某一工况进行锅炉可调参数（燃料量、送风量、氧量、温差量）的优化。该方法可以利用优化后的神经网络和遗传算法对电站锅炉进行优化。

Description

一种基于改进神经网络与遗传算法的燃煤锅炉优化方法

技术领域

本发明属于人工智能应用领域，特别是将其应用于锅炉生产运行优化的领域。

背景技术

能源是人类社会赖以生存和发展的重要物质基础，随着全球经济的发展对能源的需求也在与日俱增，由此带来能源的日益紧张，如何提高燃煤锅炉运行效率，降低生产成本变得尤为重要。此外，大量的燃煤也会带来严重的环境污染，因此世界各国都制订了相应的法规来限制工业用煤燃烧过程中NO_x（氮氧化合物）的排放。然而实际运行的燃煤锅炉经常由于燃烧组织不合理、运行操作仅靠工人经验、缺乏理论指导等原因使得锅炉偏离最佳运行工况，从而造成锅炉运行效率偏低和NO_x排放偏高的情况。

通常情况下，锅炉高效燃烧技术与低NO_x排放技术是互为矛盾的。例如，为了降低NO_x的排放量所采用的低氧燃烧方式，虽然可以有效抑制NO_x的生成，但也会造成CO浓度和飞灰含量急剧升高，同时也降低了锅炉的燃烧效率；当增大含氧量，虽然提高了锅炉运行效率以及炉膛温度，但也会造成NO_x增多，同时由于风量增大，排烟热损失也会增加。从理论上而言存在一个最优点可以平衡这二者的矛盾。目前多数情况下是运行人员根据自己长期积累的经验人工进行调整，这很难做出合适的决策。另外，燃煤锅炉系统设备众多、结构复杂，其燃烧过程的调整是一个多参数相互影响的多输入多输出的多变量相关对象，并且呈现出复杂的非线性关系。在运行中，由于要适应气候的变化及供热管网负荷变化，锅炉经常在非额定负荷下变工况运行，使各项运行参数偏离设计工况下的最优值，造成其运行效率下降。因此对燃煤锅炉的经济性和各项热损失进行分析计算，并在此基础上及时合理地对其运行过程中主要参数给予预测和指导，是提高其燃烧效率、降低NO_x排放的关键。

综上，在当前的能源和环境形势下研究一种燃煤锅炉生产运行预测与优化系统是迫切需要解决的问题，建立准确的锅炉运行性能预测模型和优化模型是指导操作人员进行锅炉生产参数调节的基础和关键。

发明内容

本发明的目的是提供一种基于改进BP神经网络与遗传算法的锅炉生产运行优化的方法。

基于改进BP神经网络与遗传算法的锅炉生产运行优化方法主要包括以下三个步骤：

A．BP神经网络的优化

采用遗传算法对神经网络权值进行优化：首先将神经网络的权值进行编码，然后利用遗传算法的选择、交叉、变异操作，得到新的权值，比较训练目标值是否达到0.05，若未达到，则继续利用遗传算法进行神经网络权值寻优；其中：

1）适应度函数为F=1/∑(t_i-x_i)²，其中t为实际输出值，x为期望值；

2）第i个个体选择概率ps(i)为ps(i)=r×(1-q)^m-1，其中

M为种群数，q为选择系数；

3）交叉操作：利用实数型的算术交叉，根据选择概率选择一对父代个体y(j,i₁)和y(j,i₂),进行如下交叉运算产生两个个子代个体y(j+1,i₁)和y(j+1,i₂)：

$\left\{\begin{array}{c}y(j+1,i_1)=\mathrm{\αy}(j,i_2)+(1-\mathrm{\α})y(j,i_1)\\ y(j+1,i_2)=\mathrm{\αy}(j,i_1)+(1-\mathrm{\α})y(j,i_2)\end{array}\right.$

其中，α是在区间(0,1)之间的随机数；

4）变异操作：产生的下一代变异个体为

$\left\{\begin{array}{c}{x}_k^j+(U_{\max }^k-x_k^j)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=1\\ x_k^j+(x_k^j-U_{\min }^k)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=0\end{array}\right.$

其中，第j代父代个体

中的

为变异点，取值范围

c是区间[0,1]上符合均匀概率分布的随机数，T为终止代数，b为调整步长参数；

B．预测模型的建立及训练

采用BP神经网络建立锅炉高效率低污染模型和生产运行模型，并将其应用到锅炉生产运行预测与优化系统中：用燃料量、送风量、氧量、温差量、煤种特性五个参数作为输入变量；用锅炉效率、NO_x排放两个参数作为输出变量，来训练神经网络模型；

C．燃煤锅炉运行优化

采用遗传算法作为优化算法，根据燃烧优化目标和燃烧过程神经网络模型将基于神经网络的燃煤锅炉预测模型的输出构造为目标函数进行工况参数寻优，应用遗传算法快速、准确地计算得到当前工况下燃料量、送风量、氧量、温差量四个操作量的最优设定值；其中：

1）目标函数：目标函数定义为minf=a(η_c/η_fc)+(1-a)([NOx]_fc/[NOx]_c)，式中，η_c，η_fc为当前炉效及优化后炉效（%）；[NOx]_c，[NOx]_fc为NO_x排放物当前值及优化后的预测值（mg/m³）；a、b为锅炉效率和NO_x浓度的加权；

2）适应度函数：第i个个体的适应度函数值Fit(i)=exp(-f(i))，其中f(i)目标函数；

3）选择操作：第i个个体选择概率ps(i)为ps(i)=r×(1-q)^m-1，其中

M为种群数，q为选择系数；

4）交叉操作：利用实数型的算术交叉，根据选择概率选择一对父代个体y(j,i₁)和y(j,i₂),进行如下交叉运算产生两个个子代个体y(j+1,i₁)和y(j+1,i₂)：

$\left\{\begin{array}{c}y(j+1,i_1)=\mathrm{\αy}(j,i_2)+(1-\mathrm{\α})y(j,i_1)\\ y(j+1,i_2)=\mathrm{\αy}(j,i_1)+(1-\mathrm{\α})y(j,i_2)\end{array}\right.,$ 式中，α是在区间(0,1)之间的随机数；

5）变异操作，产生的下一代变异个体为：

$\left\{\begin{array}{c}{x}_k^j+(U_{\max }^k-x_k^j)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=1\\ x_k^j+(x_k^j-U_{\min }^k)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=0\end{array}\right.$

其中，第j代父代个体

中的

为变异点，取值范围

c是区间[0,1]上符合均匀概率分布的随机数，T为终止代数，b为调整步长参数。

附图说明

图1是本发明的算法框图；

图2是锅炉效率实际值与预测值对比数据；

图3是NOx排放量实际值与预测值对比数据；

具体实施方式

下面结合附图说明本发明的实施方式。

图1是本发明的基于改进BP神经网络和遗传算法的锅炉生产运行优化方法的算法框图，本定位方法分为三个阶段，具体包括：

A.BP神经网络的优化

神经网络具有易陷入局部极小、收敛速度慢和引起震荡效应等缺点，而遗传算法能够收敛到全局最优解，并且遗传算法具有很强鲁棒性，将遗传算法的全局搜索能力与BP神经网络的泛化能力结合起来不仅能发挥神经网络的泛化的映射能力，而且使神经网络具有很快的收敛性以及较强的学习能力，即可以采用遗传算法对神经网络权值进行优化。

采用遗传算法对神经网络权值进行优化：首先将神经网络的权值进行编码，然后利用遗传算法的选择、交叉、变异运算，得到新的权值，比较训练目标值是否达到0.05，若未达到，则继续利用遗传算法进行神经网络权值寻优。其中：

1）确定适应度函数

遗传算法采用十进制编码，编码长度为：S=R×S₁+S₁×S₂+S₁+S₂，其中，R为输入节点个数，S₁为隐含层节点个数，S₂为输出层节点个数，R×S₁为输入层与隐含层之间的权重W₁的编码长度，S1×S₂为隐含层与输出层之间的权重W₂的编码长度，S₁为隐含层阈值b₁的编码长度，S₂为输出层阈值b₂的编码长度；遗传算法的适应度函数为：F=1/∑(t_i-x_i)²，其中t为实际输出值，x为期望值。

2）选择操作

利用基于归一化的优先选择方法，以排序策略为基础，定义种群数M，选择系数q，则

然后根据个体适应度大小排序，第i个个体的选择概率ps(i)为ps(i)=r×(1-q)^m-1。

3）交叉操作

利用实数型的算术交叉，根据选择概率选择一对父代个体y(j,i₁)和y(j,i₂),进行如下交叉运算产生两个个子代个体y(j+1,i₁)和y(j+1,i₂)：

$\left\{\begin{array}{c}y(j+1,i_1)=\mathrm{\αy}(j,i_2)+(1-\mathrm{\α})y(j,i_1)\\ y(j+1,i_2)=\mathrm{\αy}(j,i_1)+(1-\mathrm{\α})y(j,i_2)\end{array}\right.$

其中，α是在区间(0,1)之间的随机数。

4）变异操作

利用非均匀变异对原个体做随机扰动，将扰动后的结果作为变异后的新个体，随机扰动量即为变异步长，随进化代数的增加而减少；设第j代父代个体

中的

为变异点，取值范围

则产生的下一代变异个体为：

$\left\{\begin{array}{c}{x}_k^j+(U_{\max }^k-x_k^j)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=1\\ x_k^j+(x_k^j-U_{\min }^k)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=0\end{array}\right.$

其中，c是区间[0,1]上符合均匀概率分布的随机数，T为终止代数，b为调整步长参数，随着进化代数j的增加而减小。

5）进化生成子代

解码得到子代参数作为神经网络权值，若训练目标大于0.05则继续神经网络训练，重复步骤2)～4)寻找神经网络的最佳权值。

B.预测模型的建立及训练

从学习的观点看，前馈神经网络是一种强有力的学习系统，其结构简单而且易于编程从系统的观点看，前馈神经网络是一种静态非线性映射，通过简单非线性处理的复合映射可获得复杂的非线性处理能力。此外，影响锅炉运行的因素非常多，且它们之间的耦合性非常强，用一般的线性模式难以描述它们的关系，而由非线性变换单元组成的BP网络具有良好的非线性映射能力，结构简单，性能良好，所以本发明采用BP网络建立锅炉高效率低污染模型和生产运行模型，并将其应用到锅炉生产运行预测与优化系统中，以影响锅炉效率和NOx排放的因素为输入变量，以锅炉效率及NOx排放等参数为输出变量，用采集的数据样本训练网络模型，此模型可在运行中自动学习，自动适应锅炉特性的变化同时它是非线性的，适用于各种运行工况，同时在参数中加入当地实时天气作为模型输入，从而实现比较符合实时生产的预测优化模型。

采用BP神经网络建立锅炉高效率低污染模型和生产运行模型，并将其应用到锅炉生产运行预测与优化系统中：用燃料量、送风量、氧量、温差量、煤种特性五个参数作为输入变量；用锅炉效率、NOx排放两个参数作为输出变量，来训练神经网络模型。

本发明不限定BP神经网络的各层的传递函数以及训练函数，建议：输入层和隐层采用正切S型函数(logsig)，输出层采用线性函数（purelin），训练函数为trainglm。

C.燃煤锅炉运行优化

燃煤锅炉优化运行模型是一个多目标非线性优化问题，这种问题可以通过权重系数变化法将多目标变换为单目标求解。遗传算法是模拟生物在自然环境中遗传和进化过程而形成的一种自适应全局优化概率搜索算法，具有鲁棒性好和通用性强的特点，且对目标函数的形态没有特殊要求，从理论上来说，可以找到全局最优解解。所以本发明采用遗传算法作为优化算法，将基于神经网络的燃煤锅炉预测模型的输出构造为目标函数进行工况参数寻优，指导锅炉生产运行。用遗传算法求解锅炉燃烧优化问题，根据燃烧优化目标和燃烧过程神经网络模型，应用遗传算法快速、准确地计算得到当前工况下各操作量（如氧量、转速等）的最优设定值。通过遗传算法寻优，可以获得稳态工况下优化目标的最佳值，以及对应的各操作量的最佳值，进而指导操作人员对达不到理想燃烧状况的锅炉进行运行参数调节。

采用遗传算法作为优化算法，根据燃烧优化目标和燃烧过程神经网络模型将基于神经网络的燃煤锅炉预测模型的输出构造为目标函数进行工况参数寻优，应用遗传算法快速、准确地计算得到当前工况下燃料量、送风量、氧量、温差量四个操作量的最优设定值。其中：

1）确定目标函数

采用加权因子将多目标问题转化为单目标问题作为遗传算法的目标函数，并将目标函数定义为minf=a(η_c/η_fc)+(1-a)([NOx]_fc/[NOx]_c)，式中，η_c，η_fc为当前炉效及优化后炉效（%）；[NOx]_c，[NOx]_fc为NO_x排放物当前值及优化后的预测值（mg/m³）；a、b为锅炉效率和NO_x浓度的加权。

2）确定适应度函数

结合目标函数f(i),计算个体适应度，定义第i个个体的适应度函数值Fit(i)=exp(-f(i))。

3）选择操作

利用基于归一化的优先选择方法，以排序策略为基础，定义种群数M，选择系数q，则

然后根据个体适应度大小排序，第i个个体的选择概率ps(i)为ps(i)=r×(1-q)^m-1。

4）交叉操作

利用实数型的算术交叉，根据选择概率选择一对父代个体y(j,i₁)和y(j,i₂),进行如下交叉运算产生两个个子代个体y(j+1,i₁)和y(j+1,i₂)：

$\left\{\begin{array}{c}y(j+1,i_1)=\mathrm{\αy}(j,i_2)+(1-\mathrm{\α})y(j,i_1)\\ y(j+1,i_2)=\mathrm{\αy}(j,i_1)+(1-\mathrm{\α})y(j,i_2)\end{array}\right.$

式中，α是在区间(0,1)之间的随机数。

5）变异操作

利用非均匀变异对原个体做随机扰动，将扰动后的结果作为变异后的新个体，随机扰动量即为变异步长，随进化代数的增加而减少；设第j代父代个体中的

为变异点，取值范围则产生的下一代变异个体为：

$\left\{\begin{array}{c}{x}_k^j+(U_{\max }^k-x_k^j)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=1\\ x_k^j+(x_k^j-U_{\min }^k)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=0\end{array}\right.$

式中，c是区间[0,1]上符合均匀概率分布的随机数，T为终止代数，b为调整步长参数，随进化代数j的增加而减小。

通过遗传算法寻优，可以获得稳态工况下优化目标的最佳值，以及对应的各操作量的最佳值，进而指导操作人员对达不到理想燃烧状况的锅炉进行运行参数调节。

实施例1

由于采集数据单位的不同，需要对数据进行归一化使神经网络的输入值和输出值均匀的落在[0,1]区间上。

BP神经网络的输入层和隐层采用正切S型函数(logsig)，输出层采用线性函数（purelin），训练函数采用trainglm函数；输入层节点8个，隐含层节点13个，输出层节点2个，训练精度为0.02，训练步数为200。

对神经网络进行优化的遗传算法采用实数编码，种群规模为50，对目标函数采用a=0.9。优化后的BP神经网络预测结果如图2和图3所示。可以发现利用遗传算法优化的BP神经网络在建立模型时拟合效果很好，用测试数据时，锅炉效率预测值相对误差最大0.2234%，NO_x排放预测值相对误差最大8.11157%，可以认为网络具有较好的泛化能力，可以作为进行锅炉效率和氮氧化物排量预测的模型。

所以本发明可以很好地解决实际问题，同时具有较好的泛化能力。

Claims (1)

1.一种基于改进神经网络与遗传算法的燃煤锅炉优化方法其特征在于，包括以下步骤：

A．BP神经网络的优化

采用遗传算法对神经网络权值进行优化：首先将神经网络的权值进行编码，然后利用遗传算法的选择、交叉、变异操作，得到新的权值，比较训练目标值是否达到0.05，若未达到，则继续利用遗传算法进行神经网络权值寻优；其中：

1）适应度函数为F=1/∑(t_i-x_i)²，其中t为实际输出值，x为期望值；

2）第i个个体选择概率ps(i)为ps(i)=r×(1-q)^m-1，其中

M为种群数，q为选择系数；

3）交叉操作：利用实数型的算术交叉，根据选择概率选择一对父代个体y(j,i₁)和y(j,i₂),进行如下交叉运算产生两个个子代个体y(j+1,i₁)和y(j+1,i₂)：

$\left\{\begin{array}{c}y(j+1,i_1)=\mathrm{\αy}(j,i_2)+(1-\mathrm{\α})y(j,i_1)\\ y(j+1,i_2)=\mathrm{\αy}(j,i_1)+(1-\mathrm{\α})y(j,i_2)\end{array}\right.$

其中，α是在区间(0,1)之间的随机数；

4）变异操作：产生的下一代变异个体为

$\left\{\begin{array}{c}{x}_k^j+(U_{\max }^k-x_k^j)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=1\\ x_k^j+(x_k^j-U_{\min }^k)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=0\end{array}\right.$

其中，第j代父代个体

中的

为变异点，取值范围

c是区间[0,1]上符合均匀概率分布的随机数，T为终止代数，b为调整步长参数；

B．预测模型的建立及训练

采用BP神经网络建立锅炉高效率低污染模型和生产运行模型，并将其应用到锅炉生产运行预测与优化系统中：用燃料量、送风量、氧量、温差量、煤种特性五个参数作为输入变量；用锅炉效率、NO_x排放两个参数作为输出变量，来训练神经网络模型；

C．燃煤锅炉运行优化

采用遗传算法作为优化算法，根据燃烧优化目标和燃烧过程神经网络模型将基于神经网络的燃煤锅炉预测模型的输出构造为目标函数进行工况参数寻优，应用遗传算法快速、准确地计算得到当前工况下燃料量、送风量、氧量、温差量四个操作量的最优设定值；其中：

1）目标函数：目标函数定义为minf=a(η_c/η_fc)+(1-a)([NOx]_fc/[NOx]_c)，式中，η_c，η_fc为当前炉效及优化后炉效（%）；[NOx]_c，[NOx]_fc为NO_x排放物当前值及优化后的预测值（mg/m³）；a、b为锅炉效率和NO_x浓度的加权；

2）适应度函数：第i个个体的适应度函数值Fit(i)=exp(-f(i))，其中f(i)目标函数；

3）选择操作：第i个个体选择概率ps(i)为ps(i)=r×(1-q)^m-1，其中M为种群数，q为选择系数；

4）交叉操作：利用实数型的算术交叉，根据选择概率选择一对父代个体y(j,i₁)和y(j,i₂),进行如下交叉运算产生两个个子代个体y(j+1,i₁)和y(j+1,i₂)：

$\left\{\begin{array}{c}y(j+1,i_1)=\mathrm{\αy}(j,i_2)+(1-\mathrm{\α})y(j,i_1)\\ y(j+1,i_2)=\mathrm{\αy}(j,i_1)+(1-\mathrm{\α})y(j,i_2)\end{array}\right.,$ 式中，α是在区间(0,1)之间的随机数；

5）变异操作，产生的下一代变异个体为：

$\left\{\begin{array}{c}{x}_k^j+(U_{\max }^k-x_k^j)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=1\\ x_k^j+(x_k^j-U_{\min }^k)\×(1-c^{(1-\frac{j}{T})\×b}),\mathrm{Random}\left[\mathrm{0,1}\right]=0\end{array}\right.$

其中，第j代父代个体

中的

为变异点，取值范围

c是区间[0,1]上符合均匀概率分布的随机数，T为终止代数，b为调整步长参数。

Images