CN111222284B - 一种中速磨煤机组入口一次风量整体软测量方法 - Google Patents

Abstract

一种中速磨煤机组入口一次风量整体软测量方法，属于流体介质流量测量技术领域，其特征在于：基于锅炉DCS数据实时采集系统，将与磨煤机入口一次风量相关的特征参量作为粒子群优化的PSO‑BP网络模型的输入；磨煤机组入口一次风质量流量作为网络模型输出；接着构建样本数据库并进行数据预处理；再利用粒子群算法对初始网络权值、阈值进行寻优迭代；最后得到最优网络参数配置进行PSO‑BP网络模型的训练，网络模型训练完毕后输入待测工况特征参数，即可一次性得到制粉系统磨煤机组内全部磨煤机入口一次风质量流量值。本发明适用于宽范围内的风量测量，适用于不同冷、热风量配比下的一次风量测量，可一次性给出磨组所包含的全部磨煤机的入口一次风质量流量值。

Description

一种中速磨煤机组入口一次风量整体软测量方法

技术领域

本发明属于流体介质流量测量技术领域，尤其涉及一种中速磨煤机组入口一次风质量流量的整体测量方法。

背景技术

磨煤机入口一次风量与入炉煤量之比是运行人员评估锅炉燃烧工况的重要依据参数，也是进行燃烧调整的重要控制对象。对于现代采用直吹式制粉系统中速磨煤机的电站燃煤锅炉，合理的磨煤机入口一次风量和入炉煤量之比可保证各燃烧器运行在最佳热负荷下，煤粉颗粒充分燃烧。若一次风量不足，煤粉颗粒射入炉膛的速度降低，着火提前，可能导致燃烧器喷口烧损，一次风刚性差，影响炉内正常的空气动力场，较低的一次风速还可能导致煤粉沉积，引发输粉管道堵塞甚至爆燃事故；若一次风量偏大，入炉煤粉变粗，煤粉颗粒在炉内的停留时间变短，不利于煤粉燃尽，较大的一次风动量还易引起火焰偏斜刷墙、高温腐蚀、磨煤机风环磨损加剧系列问题。因此，控制合理的磨煤机入口一次风量对锅炉安全、经济运行具有十分重要的意义。目前电站燃煤锅炉通常在磨煤机入口一次风道内装设差压式流量计进行风量测量。尽管风量测量元件的型式多种多样，然而，测风装置上游冷、热风管道汇合后产生分层贴壁流，又存在急转弯头，直管段一般都较短，故而风道内部流场紊乱，导致大多数电厂磨煤机入口一次风流量测量误差极大，风量自动投入率很低。

随着人工智能技术的兴起，软测量在工业上的应用逐渐增多。人工神经网络是一种具有代表性的软测量方法。该方法通过测量易测、可靠性高的参数，通过海量数据的迭代学习，建立反映输入量与输出量的非线性映射关系。从而实现目标参数的间接测量。该方法规避了流场分布不均、风门挡板线性差，一、二次测量元件误差等外部因素，选取易测、准确性较高的参数建模，适应性广，理论上可应用于任何风道结构，可用于解决设备改造无法解决的问题。

已有的一种磨煤机入口一次风量软测量方法通过采集一次风沿程参数，采用未经优化的BP神经网络进行建模，采用基本的梯度下降学习算法进行权值的更新迭代，且对于输入网络的多维参数未采用降维处理。鉴于基础的BP网络极易陷入局部最小，且输入的高维参量极易导致网络训练产生“过拟合”，网络实际泛化能力并不理想，容错性较低；故这种方法得到的网络模型对一次风量的预测效果鲁棒性较差，不具备规模化推广的价值。

发明内容

本发明旨在解决上述问题，提供一种适用于中速磨煤机组入口一次风量整体软测量方法。该方法可一次性给出锅炉全部磨煤机入口一次风质量流量值，为司炉人员提供直观准确的监控参数。

本发明所述中速磨煤机组入口一次风量整体软测量方法，基于锅炉DCS数据实时采集系统，将与磨煤机入口一次风量相关的特征参量作为粒子群优化的PSO-BP网络模型的输入；以所有磨煤机组入口一次风质量流量作为模型的输出；通过构建样本数据库并进行数据预处理，再利用粒子群算法对模型的初始网络权值、阈值(初始网络权值、阈值随机产生)进行寻优迭代，最后得到最优网络参数配置进行PSO-BP网络模型的训练，网络训练完毕后输入待测工况特征参数，即可一次性得到全部磨煤机入口一次风质量流量值。

本发明所述中速磨煤机组入口一次风量整体软测量方法，所述的特征参量包括一次风机电流、一次风机出口风温、一次风机出口风压、一次风机动叶开度、空预器进口一次风压、空预器出口一次风压、空预器出口热一次风温、磨煤机组入口一次风温、磨煤机组入口一次风压、磨煤机组冷风调门开度、磨煤机组热风调门开度、磨煤机组出口风粉混合温度、磨煤机组分离器出口压力、磨煤机组进出口差压、磨煤机组密封风与一次风差压，磨煤机电流、给煤机瞬时给煤量共17类参量；所述PSO-BP网络模型由1个输入层、1个隐含层和1个输出层组成；所述输入层神经节点数A等于全部磨煤机对应的17类特征参量的总和经主元分析降维处理后的剩余维度；隐含层神经节点数B在1-30范围内选取定，遍历1-30范围内的不同B取值，根据模型误差最小原则确定最佳数目；输出层神经节点数C等于待测磨煤机组所包含的磨煤机台数。输入层至隐含层的传递函数为tansig函数，隐层至输出层传递函数为线性函数purelin函数；种群规模M取10-20间的整数，粒子维度D＝A×B+B×C，由最终模型结构的复杂程度确定最大迭代次数E_max及最大速度V_max，以模型输出的均方根误差作为适应度函数。

tansig函数与purelin函数解析式如下：

purelin(n)＝n。

本发明所述中速磨煤机组入口一次风量整体软测量方法，所述构建样本数据库并进行数据预处理的具体步骤如下：

步骤1：按照等间距采样法从所采集DCS样本中取500组样本构建初始样本数据库Ω_t；

步骤2：对新输入的样本，计算其与初始样本数据库各特征参数的欧式距离d_e，计算式为：

其中，N为磨煤机组中所有磨煤机对应的17类特征参量的总维度,x_t为新输入样本；

步骤3：设定相似判定阈值ε，当d_e≤ε时，认为新输入样本为冗余样本，舍弃，否则将其纳入初始样本数据库，遍历所有采集样本后形成具有一定样本容量的样本数据库；

步骤4：样本数据库形成后，针对各台磨煤机对应的17类特征参量的总维度采用主元分析法进行降维处理，再对其依次进行Savitzky-Golay滤波、归一化，最终作为PSO-BP网络模型的输入。

本发明所述中速磨煤机组入口一次风量整体软测量方法，所述PSO-BP网络模型的训练步骤为：

步骤1：设定PSO-BP网络模型结构，设定输入层、隐含层、输出层神经元节点数目A、B、C，设定输入层至隐层传递函数、隐层至输出层传递函数，确定训练集样本数P和测试集样本数Q；

步骤2：初始化粒子种群参数；设定种群规模M，粒子维度D＝A×B+B×C，自身加速因子f₁，全局加速因子f₂，惯性系数ω，约束系数λ，随机数μ₁、μ₂，最大迭代次数E_max，最大速度V_max；

步骤3：随机初始化粒子的位置矢量X和速度矢量Φ；

步骤4：对第p个训练集样本，计算隐含层第r个节点的输入net_r ^p：

其中，A为输入层节点数，v_rq ^p为第q个输入层节点与第r个隐含层节点间的连接权值，q∈[1,A]，r∈[1,B]，x_q ^p为输入层输入，p∈[1,P]；

步骤5：计算隐含层第r个节点的输出y_r ^p：

步骤6：计算输出层第s个节点的输入net_s ^p：

其中，ω_sr ^p为第s个输出层节点与第r个隐含层节点间的连接权值；

步骤7：计算输出层第t个节点的输出值O_t ^p，t∈[1,C]：

步骤8：计算各粒子的适应度函数值J_i，i∈[1,M]：

其中，P为训练集样本数，O_t ^p为模型预测的第p个训练样本的第t个输出层节点输出，U_t ^p为期望输出；

步骤9：搜索各粒子的个体极值pbest和全局极值gbest，分别代表单一粒子搜索到的最佳位置及粒子群搜索到的最佳位置；对每个粒子，先将当前计算的适应度值与pbest比较；若当前适应度值优于pbest，则更新pbest，否则更新粒子的位置和速度矢量；再将所有粒子当前的全局适应度值与gbest比较，若所有粒子全局最佳适应度值优于gbest，则更新gbest；

步骤10：依据如下规则对粒子位置X、速度矢Φ进行更新：

Φ_id ^k+1＝ω×Φ_id ^k+f₁×μ₁×(P_id-X_id ^k)+f₂×μ₂×(P_gd-X_id ^k)

X_id ^k+1＝X_id ^k+λΦ_id ^k+1

其中，Φ_id ^k+1、X_id ^k+1分别表示第k+1次迭代时，第i个粒子速度矢的第d维分量和位置矢的第d维分量；Φ_id ^k、X_id ^k分别表示第k次迭代时，第i个粒子速度矢的第d维分量和位置矢的第d维分量；f₁、f₂分别为粒子自身加速因子和全局加速因子；μ₁、μ₂取[0,1]间的随机值；λ为约束系数；ω为惯性系数，用以维持粒子在空间的惯性搜索能力，ω更新规则为：

其中，ω_max、ω_min分别为最大、最小惯性系数；t_max、t_now分别为最大迭代次数与当前迭代次数；

步骤11：查看是否满足迭代终止条件：迭代次数达到预设最大迭代次数5000次或适应度函数值小于10，若满足以上任意一项条件，则终止运算，输出gbest，即为PSO-BP网络模型的最优权值和阈值，否则返回步骤3重新计算适应度值，直至满足迭代终止条件；

步骤12：由以上寻优算法确定PSO-BP网络模型的最优权值、阈值，完成网络训练。

本发明所述中速磨煤机组入口一次风量整体软测量方法同现有测量方法相比较，其优点在于：1)规避了一次风道内冷热混合流体流场分布不均对传统的阵列式、文丘里式风量测量装置的影响，另辟蹊径，采用现场易测且可靠性高的参数通过PSO-BP网络模型间接实现风量的准确测量；2)相较于传统的BP神经网络采用的梯度下降算法，PSO-BP网络模型引入粒子群算法优化网络权值的调整策略，有效避免了BP网络陷入局部最小或“过拟合”，提高了模型的鲁棒性和测量准确性；3)样本数据库构建时引入最近邻法筛选样本，保证了所训练样本的差异性，提高网络泛化能力；4)数据预处理时引入主成分分析法对原始数据进行降维处理，有效地剔除了冗余，保留了原始数据主要特征信息，提高了网络训练的速度；5)基于庞大的版本数据库，本发明适用于宽范围内的风量测量，适用于不同冷、热风量配比下的一次风量测量，可一次性给出磨组所包含的全部磨煤机的入口一次风质量流量值。

附图说明

图1为本发明所述中速磨煤机组入口一次风量整体软测量方法流程图；

图2为本发明所述PSO-BP网络模型结构示意图；

图3为本发明实施例所述模型仿真值与DCS值拟合图；

图3(a)为本发明实施例所述A磨模型仿真值与DCS值拟合图；

图3(b)为本发明实施例所述B磨模型仿真值与DCS值拟合图；

图3(c)为本发明实施例所述C磨模型仿真值与DCS值拟合图；

图3(d)为本发明实施例所述D磨模型仿真值与DCS值拟合图；

图3(e)为本发明实施例所述E磨模型仿真值与DCS值拟合图；

图4为本发明实施例所述50个典型测试样本模型仿真值与DCS值对比示意图；

图4(a)本发明实施例所述A磨入口一次风量模型仿真值与DCS值对比示意图；

图4(b)本发明实施例所述B磨入口一次风量模型仿真值与DCS值对比示意图；

图4(c)本发明实施例所述C磨入口一次风量模型仿真值与DCS值对比示意图；

图4(d)本发明实施例所述D磨入口一次风量模型仿真值与DCS值对比示意图；

图4(e)本发明实施例所述E磨入口一次风量模型仿真值与DCS值对比示意图。

具体实施方式

下面通过附图及实施例对本发明所述中速磨煤机组入口一次风量整体软测量方法进行详细说明。

本发明将机器学习领域的神经网络模型引入传统的燃煤电站中速磨煤机组入口一次风量测量中，结合粒子群优化算法(PSO)优化BP神经网络的权值配置，最终得到的模型能够准确拟合磨煤机组入口一次风质量流量。本发明所采用的软测量模型的特征参量都是电厂易测且可靠性强的参数，包括一次风机电流、一次风机出口风温、一次风机出口风压、一次风机动叶开度、空预器进口一次风压、空预器出口一次风压、空预器出口热一次风温、磨煤机组入口一次风温、磨煤机组入口一次风压、磨煤机组冷风调门开度、磨煤机组热风调门开度、磨煤机组出口风粉混合温度、磨煤机组分离器出口压力、磨煤机组进出口差压、磨煤机组密封风与一次风差压，磨煤机电流、给煤机瞬时给煤量。通过大量有指导的样本的训练学习，借助于BP神经网络强大的泛化能力，最终形成上述特征参量与磨煤机组入口一次风质量流量的非线性映射关系，达到软测量的目的。在建模过程中，为了提高模型迭代速度和预测准确性，本发明引入了一系列优化算法。如在数据预处理时引入主元分析算法降低输入参数的维度，剔除冗余信息，提高了网络训练速度，在权值调整时摒弃了传统的最速下降法，引入PSO算法优化权值调整策略，规避了网络陷入局部最小或过拟合。经过海量样本的训练，最终获得具有丰富经验的待测参数与特征参量之间的非线性映射模型。测试结果显示，模型精度较高，可用于燃煤电站中速磨煤机组入口一次风质量流量整体在线软测量。

本发明涉及的软测量模型不需加装新的硬件设备，不需重建机组原有控制系统逻辑。样本数据库的建立完全借助机组现有的成熟的分散控制系统(DCS)，最终只需在控制逻辑架构上外挂一个软测量模块即可。本发明可适用于任何风道结构下、任何冷、热风混合方式下的磨煤机组入口一次风质量流量的测量，不受一次风携灰等恶劣测量环境的影响。

本发明的实施流程图见附图1：

本发明具体的实施步骤说明如下：

1)借助分散控制系统(DCS)实时采集一次风机电流、一次风机出口风温、一次风机出口风压、一次风机动叶开度、空预器进口一次风压、空预器出口一次风压、空预器出口热一次风温以及磨煤机组中所有磨煤机的入口一次风温、入口一次风压、冷风调门开度、热风调门开度、出口风粉混合温度、分离器出口压力、进出口差压、密封风与一次风差压，电流、给煤机瞬时给煤量共17类特征参量。以上特征参量经后续预处理后将作为模型输入；

2)样本数据库的构建；依据最近邻法则进行样本筛选，目的是减少样本冗余信息，提高网络训练的准确性。具体的筛选方法如下：

首先采用等间距法从DCS系统中选取500个历史数据样本构建初始样本库Ω_i，对新输入的样本，计算其与初始样本数据库各特征参数的欧式距离d_e，计算式如下：

其中，N为磨煤机组中所有磨煤机对应的17类特征参量的总维度，x_t为新输入样本；

设定相似判定阈值ε，当d_e≤ε时，认为新输入样本为冗余样本，舍弃，否则将其纳入初始样本数据库，遍历所有采集样本后形成最终样本数据库；

3)数据预处理。将筛选出的样本进行数据预处理。次序为：主元分析、滤波、归一化；初始的特征参量囊括了从锅炉一次风机出口至所有磨煤机出口全过程的相关信息，数据很全面，有利于建立精准的特征参量与目标参量间的映射关系，缺点是数据维度较高、信息之间存在大量冗余，重复训练导致模型训练速度慢，经过主元分析，将其维度降低，但依然能保留原始信号中99％的有用信息，这样加快了模型训练速度，模型更加轻量化。

采用Savitzky-Golay滤波器进行滤波。Savitzky-Golay滤波器是一种时域内基于局域多项式最小二乘法拟合的滤波方法，属于低通滤波器，尤其适合平滑干扰信号。最大的特点是在剔除干扰信号的同时，可以保留信号的相对极大值、极小值和宽度等分布特性。

归一化的目的主要有二：一是原始信号包含电流、风压、冷热风调门开度、风粉混合温度等不同量纲、不同量级的数据，因而需要对其去量纲化，统一评价标准；二是传递函数tansig的非线性区间在[-1.7，1.7]之间，要使得隐含层输入落在传递函数的有效区间内，输入值与连接权值的乘积必须在[-1，1]之间，这就要求当输入参数量级较大时，连接权值必须为较小量级的数，此时二者乘积易出现数值问题，需要通过归一化来规避。

4)初始化PSO-BP网络的结构，以附图2为例进行说明。附图2所示模型结构采用1个输入层，1个隐含层，1个输出层的三层结构。输入层至隐层的传递函数为tansig函数，隐层至输出层传递函数为线性函数purelin。各层之间各个神经元交错连接，每个连接箭头都对应一个连接权值，连接权值的总个数就是粒子维度D。输入层的神经节点数A等于磨煤机组中每台磨煤机对应的特征参量的总和经过主元分析降维处理后的剩余维度，如附图2中A＝36，隐含层神经节点数B在1-30范围内选取，遍历1-30范围内的不同取值，根据模型误差最小原则确定最佳数目，如附图2中B＝10，输出层神经节点数C等于待测磨煤机组中所包含的磨煤机台数，如附图2中C＝5。种群规模M取10-20间的整数，粒子维度D＝A×B+B×C，由最终模型结构的复杂程度确定最大迭代次数E_max及最大速度V_max，以模型输出的均方根误差作为适应度函数。

5)随机初始化粒子的位置矢量X和速度矢量Φ；

对第p个训练集样本，计算隐含层第r个节点的输入net_r ^p：

其中，A为输入层节点数，v_rq ^p为第q个输入层节点与第r个隐含层节点间的连接权值，q∈[1,A]，r∈[1,B]，x_q ^p为输入层输入，p∈[1,P]；

计算隐含层第r个节点的输出y_r ^p：

计算输出层第s个节点的输入net_s ^p：

其中，ω_sr ^p为第s个输出层节点与第r个隐含层节点间的连接权值。

计算输出层第t个节点的输出值O_t ^p，t∈[1,M]：

计算各粒子的适应度函数值J_i，i∈[1,M]：

其中，P为训练集样本容量，O_t ^p为模型预测的第p个训练样本的第t个输出层节点输出，U_t ^p为期望输出；

搜索各粒子的个体极值pbest和全局极值gbest，分别代表单一粒子搜索到的最佳位置及粒子群搜索到的最佳位置。对每个粒子，先将当前计算的适应度值与pbest比较。若当前适应度值优于pbest，则更新pbest，否则更新粒子的位置和速度矢量；再将所有粒子当前的全局适应度值与gbest比较，若所有粒子全局最佳适应度值优于gbest，则更新gbest；

依据如下规则对粒子位置X、速度矢Φ进行更新：

Φ_id ^k+1＝ω×Φ_id ^k+f₁×μ₁×(P_id-X_id ^k)+f₂×μ₂×(P_gd-X_id ^k)

X_id ^k+1＝X_id ^k+λΦ_id ^k+1

其中，Φ_id ^k+1、X_id ^k+1分别表示第k+1次迭代时，第i个粒子速度矢的第d维分量和位置矢的第d维分量；Φ_id ^k、X_id ^k分别表示第k次迭代时，第i个粒子速度矢的第d维分量和位置矢的第d维分量；f₁、f₂分别为粒子自身加速因子和全局加速因子；μ₁、μ₂取[0,1]间的随机值；λ为约束系数；ω为惯性系数，用以维持粒子在空间的惯性搜索能力，ω更新规则为：

其中，ω_max、ω_min分别为最大、最小惯性系数；t_max、t_now分别为最大迭代次数与当前迭代次数。

查看是否满足迭代终止条件。迭代终止条件为迭代次数达到预设最大迭代次数5000次或适应度函数值小于10，若满足以上任意一项条件，则终止运算，输出gbest，即为网络最优权值和阈值，训练结束，否则重新计算适应度值，直至满足迭代终止条件。

利用训练完成后得到的网络模型，对测试集中所有样本进行测试，得到所有磨煤机入口一次风量的模型预测值，并与期望值对比，分析预测误差，评价模型的预测性能。

本发明将机器学习软测量算法融入传统火电机组中速磨煤机组入口一次风量测量中，引入一系列信号处理技术对数据进行预处理，使模型轻量化，且增强了模型的鲁棒性和运算速度，同时引入优化算法对软测量模型进行优化，提升了网络的泛化能力和预测精度。本发明适用于解决中速磨煤机组入口一次风量测量误差大的难题，尤其适用于通过更换流量计或风道结构改造均无法解决的情况可以借助本发明达到足够的一次风量测量精度，满足集控运行人员控制风煤比、保证锅炉安全经济稳定运行的需求。

本发明的具体实施例说明如下：

某300MW四角切圆燃煤机组，锅炉型号WGZ670/13.7-11，制粉系统为直吹式，磨煤机组共包含5台型号为ZGM-95中速磨煤机，分别为A磨、B磨、C磨、D磨和E磨。锅炉为双辅机运行，一次风机、空预器分A、B两侧布置。磨入口一次风道尺寸1.10m×1.20m。由于现场场地限制，冷、热风汇合后马上经过急转弯头进入磨煤机，下游测风装置采用5×4阵列式测风装置，距急转弯头2.60m，冷热风汇合后无充分发展空间，导致分层流动现象明显，风量测量装置所测一次风量与实际值偏差可达50％，风量自动无法投入，影响机组安全经济运行。

步骤1：利用DCS系统采集电厂15天运行数据。每组数据包括一次风机电流、一次风机出口风温、一次风机出口风压、一次风机动叶开度、空预器进口一次风压、空预器出口一次风压、空预器出口热一次风温、磨煤机组入口一次风温、磨煤机组入口一次风压、磨煤机组冷风调门开度、磨煤机组热风调门开度、磨煤机组出口风粉混合温度、磨煤机组分离器出口压力、磨煤机组进出口差压、磨煤机组密封风与一次风差压，磨煤机电流、给煤机瞬时给煤量共17类特征参量，由于磨煤机组包含5台磨煤机，故预处理前总的参量共64维，分别是：A侧一次风机电流、B侧一次风机电流、A侧一次风机动叶开度、B侧一次风机动叶开度、A侧空预器进口一次风压、B侧空预器进口一次风压、A侧空预器出口一次风压、B侧空预器出口一次风压、A侧空预器出口热一次风温、B侧空预器出口热一次风温、A磨-E磨冷风调门开度、A磨-E磨热风调门开度、A磨-E磨出口风粉温度、A磨-E磨入口一次风温、A磨-E磨入口一次风压、A磨-E磨密封风与一次风差压、A磨-E磨分离器出口压力、A磨-E磨进出口差压、A磨-E磨电流、A磨-E磨给煤机瞬时给煤量。以上64维参量经预处理后将作为PSO-BP网络模型的输入，5台磨煤机入口一次风质量流量信号将作为模型输出。根据最近邻法则从15天运行数据中最终筛选出10800个样本构成样本数据库。对样本数据库进行简单划分，其中训练集样本数P＝7200，测试集样本数Q＝3600；

步骤2：每组训练集样本都包含64维参量，同时对7200组训练样本依次进行主元分析、滤波、归一化处理，作为PSO-BP网络的输入，A-E磨煤机入口一次风量作为网络输出。

步骤3：初始化PSO-BP网络的结构。采用1个输入层，1个隐含层，1个输出层的3层结构。输入层至隐层的传递函数为tansig函数，隐层至输出层传递函数为线性函数purelin。64维参量经预处理后维度减少为36维，故输入层神经节点数A＝36；经过1-30之间不同取值的对比，当隐层神经节点数取10时，模型输出误差最小，故B＝10，5台磨煤机对应输出层神经节点数C＝5。根据模型结构确定粒子群的种群规模M＝20，粒子维数D＝410，最大迭代次数为E_max＝2000，最大速度V_max＝3.5。初始化自身加速因子f₁，全局加速因子f₂，惯性系数ω，约束系数λ，随机数μ₁、μ₂，以上参数均随机取小于1的正数。适应度函数设置为模型输出的均方根误差。

步骤4：随机初始化粒子的位置矢量X和速度矢量Φ；

步骤5：对第p个训练集样本，计算隐含层第r个节点的输入net_r ^p：

其中，v_rq ^p为第q个输入层节点与第r个隐含层节点间的连接权值，q∈[1,36]，r∈[1,10]，x_q ^p为输入层输入，p∈[1,7200]；

计算隐含层第r个节点的输出y_r ^p：

计算输出层第s个节点的输入net_s ^p：

其中，ω_sr ^p为第s个输出层节点与第r个隐含层节点间的连接权值。

计算输出层第t个节点的输出值O_t ^p，t∈[1,5]；

计算各粒子的适应度函数值J_i，i∈[1,20]：

其中，P为训练集样本容量，O_t ^p为模型预测的第p个训练样本的第t个输出层节点输出，U_t ^p为期望输出；

搜索各粒子的个体极值pbest和全局极值gbest，分别代表单一粒子搜索到的最佳位置及粒子群搜索到的最佳位置。对每个粒子，先将当前计算的适应度值与pbest比较。若当前适应度值优于pbest，则更新pbest，否则更新粒子的位置和速度矢量；再将所有粒子当前的全局适应度值与gbest比较，若所有粒子全局最佳适应度值优于gbest，则更新gbest；

依据如下规则对粒子位置X、速度矢Φ进行更新：

Φ_id ^k+1＝ω×Φ_id ^k+f₁×μ₁×(P_id-X_id ^k)+f₂×μ₂×(P_gd-X_id ^k)

X_id ^k+1＝X_id ^k+λΦ_id ^k+1

其中，Φ_id ^k+1、X_id ^k+1分别表示第k+1次迭代时，第i个粒子速度矢的第d维分量和位置矢的第d维分量；Φ_id ^k、X_id ^k分别表示第k次迭代时，第i个粒子速度矢的第d维分量和位置矢的第d维分量；f₁、f₂分别为粒子自身加速因子和全局加速因子；μ₁、μ₂取[0,1]间的随机值；λ为约束系数；ω为惯性系数，用以维持粒子在空间的惯性搜索能力，ω更新规则为：

其中，ω_max、ω_min分别为最大、最小惯性系数；t_max、t_now分别为最大迭代次数与当前迭代次数。

步骤6：查看是否满足迭代终止条件。迭代终止条件为迭代次数达到预设最大迭代次数5000次或适应度函数值小于10。若满足以上任意一项条件，则终止运算，输出gbest，即为网络最优权值和阈值，否则重新计算适应度值，直至满足迭代终止条件。

寻优结束后即可得到最终的PSO-BP网络模型，利用3600组测试样本对该模型预测的准确性进行测试，测试结果见附图3(a)、图3(b)、图3(c)、图3(d)、图3(e)，以上各图给出了3600组测试样本的模型仿真值与DCS值的拟合式，A-E磨煤机入口一次风量的模型仿真值与DCS值的拟合关系分别为：Y＝0.99T+0.26，R＝0.99439；Y＝0.97T+2.3，R＝0.98368；Y＝0.98T+0.8，R＝0.99102；Y＝0.96T+3.1，R＝0.97255；Y＝0.99T+0.2，R＝0.9965。其中，Y值为期望输出，T为模型预测输出，R为拟合优度，R值越接近1，说明回归直线对观测值的拟合程度越好。可知，该磨煤机组系统所包含的5台磨煤机入口一次风量的模型仿真值和DCS期望值的拟合式都很接近Y＝T，说明模型预测效果较好。选择其中50组典型测试样本进行详细比对，结果见附图4(a)、图4(b)、图4(c)、图4(d)、图4(e)，可知对于绝大多数测试样本，模型仿真值与DCS值之间的绝对误差小于5t/h，这与一般磨煤机进口60t/h-80t/h的一次风质量流量的量级相比，误差不到10％。极个别样本误差稍大，但并不影响整体的仿真效果。这一结果进一步说明了该软测量模型的准确性。该模型最终可以用于中速磨煤机组入口一次风量的整体软测量中。

Claims (2)

1.一种中速磨煤机组入口一次风量整体软测量方法，其特征在于：基于锅炉DCS数据实时采集系统，将与磨煤机入口一次风量相关的特征参量作为粒子群优化的PSO-BP网络模型的输入；磨煤机组入口一次风质量流量作为网络模型输出；接着构建样本数据库并进行数据预处理；再利用粒子群算法对初始网络权值、阈值进行寻优迭代；最后得到最优网络参数配置进行PSO-BP网络模型的训练，网络模型训练完毕后输入待测工况特征参数，即可一次性得到制粉系统磨煤机组内全部磨煤机入口一次风质量流量值；

所述构建样本数据库并进行数据预处理的具体步骤如下：

步骤1：按照等间距采样法从所采集原始DCS样本中取500组样本构建初始样本数据库Ω_t；

步骤2：对新输入的样本，计算其与初始样本数据库各特征参量的欧式距离d_e，计算式为：

其中，N为磨煤机组中所有磨煤机对应的特征参量的总维度，x_t为新输入样本；

步骤3：设定相似判定阈值ε，当d_e≤ε时，认为新输入样本为冗余样本，舍弃，否则将其纳入初始样本数据库，遍历所有原始采集样本后形成具有一定样本容量的样本数据库；

步骤4：样本数据库形成后，对磨煤机组中所有磨煤机的对应的特征参量的总和采用主元分析法进行降维处理，再对其依次进行Savitzky-Golay滤波、归一化，作为PSO-BP网络模型的最终输入；

所述PSO-BP网络模型的训练步骤为：

步骤1：设定PSO-BP网络模型结构，设定输入层、隐含层、输出层神经元节点数目A、B、C，设定输入层至隐层传递函数、隐层至输出层传递函数，确定训练集样本数P和测试集样本数Q；

步骤2：初始化粒子种群参数；设定种群规模M，粒子维度D＝A×B+B×C，自身加速因子f₁，全局加速因子f₂，惯性系数ω，约束系数λ，随机数μ₁、μ₂，最大迭代次数E_max，最大速度V_max；

步骤3：随机初始化粒子的位置矢量X和速度矢量Φ；

步骤4：对第p个训练集样本，计算隐含层第r个节点的输入net_r ^p：

其中，A为输入层神经节点数，v_rq ^p为第q个输入层节点与第r个隐含层节点间的连接权值，q∈[1,A]，r∈[1,B]，x_q ^p为输入层输入，p∈[1,P]；

步骤5：计算隐含层第r个节点的输出y_r ^p：

步骤6：计算输出层第s个节点的输入net_s ^p：

其中，ω_sr ^p为第s个输出层节点与第r个隐含层节点间的连接权值；

步骤7：计算输出层第t个节点的输出值O_t ^p，t∈[1,C]：

步骤8：计算各粒子的适应度函数值J_i，i∈[1,M]：

其中，P为训练集样本数，O_t ^p为模型预测的第p个训练样本的第t个输出层节点输出，U_t ^p为期望输出；

步骤9：搜索各粒子的个体极值pbest和全局极值gbest，分别代表单一粒子搜索到的最佳位置及粒子群搜索到的最佳位置；对每个粒子，先将当前计算的适应度值与pbest比较；若当前适应度值优于pbest，则更新pbest，否则更新粒子的位置和速度矢量；再将所有粒子当前的全局适应度值与gbest比较，若所有粒子全局最佳适应度值优于gbest，则更新gbest；

步骤10：依据如下规则对粒子位置X、速度矢Φ进行更新：

Φ_id ^k+1＝ω×Φ_id ^k+f₁×μ₁×(P_id-X_id ^k)+f₂×μ₂×(P_gd-X_id ^k)

X_id ^k+1＝X_id ^k+λΦ_id ^k+1

其中，Φ_id ^k+1、X_id ^k+1分别表示第k+1次迭代时，第i个粒子速度矢的第d维分量和位置矢的第d维分量；Φ_id ^k、X_id ^k分别表示第k次迭代时，第i个粒子速度矢的第d维分量和位置矢的第d维分量；f₁、f₂分别为粒子自身加速因子和全局加速因子；μ₁、μ₂取[0,1]间的随机值；λ为约束系数；ω为惯性系数，用以维持粒子在空间的惯性搜索能力，ω更新规则为：

其中，ω_max、ω_min分别为最大、最小惯性系数；t_max、t_now分别为最大迭代次数与当前迭代次数；

步骤11：查看是否满足迭代终止条件：迭代次数达到预设最大迭代次数5000次或适应度函数值小于10，若满足以上任意一项条件，则终止运算，输出gbest，即为网络模型最优权值和阈值，否则返回步骤3重新计算适应度值，直至满足迭代终止条件；

步骤12：由以上粒子群寻优算法确定模型的最优权值、阈值，完成网络训练。

2.根据权利要求1所述中速磨煤机组入口一次风量整体软测量方法，其特征在于：所述的特征参量包括一次风机电流、一次风机出口风温、一次风机出口风压、一次风机动叶开度、空预器进口一次风压、空预器出口一次风压、空预器出口热一次风温、磨煤机组入口一次风温、磨煤机组入口一次风压、磨煤机组冷风调门开度、磨煤机组热风调门开度、磨煤机组出口风粉混合温度、磨煤机组分离器出口压力、磨煤机组进出口差压、磨煤机组密封风与一次风差压，磨煤机电流、给煤机瞬时给煤量；所述PSO-BP网络模型由1个输入层、1个隐含层和1个输出层组成；输入层的神经节点数A等于磨煤机组中每台磨煤机对应的上述特征参量的总和经过主元分析降维处理后的剩余维度；隐含层神经节点数B在1-30范围内选取，遍历1-30范围内的不同B取值，根据模型误差最小原则确定最佳数值；输出层神经节点数C等于待测磨煤机组中所包含的磨煤机台数；输入层至隐含层的传递函数为tansig函数，隐层至输出层传递函数为线性函数purelin函数；种群规模M取10-20间的整数，粒子维度D＝A×B+B×C，由最终模型结构的复杂程度确定最大迭代次数E_max及最大速度V_max，以模型输出的均方根误差作为适应度函数；

tansig函数与purelin函数解析式如下：

purelin(n)＝n。

Images