CN112836902B - 一种基于改进型bp神经网络的煤燃烧发热量预测方法 - Google Patents
一种基于改进型bp神经网络的煤燃烧发热量预测方法 Download PDFInfo
- Publication number
- CN112836902B CN112836902B CN202110264630.XA CN202110264630A CN112836902B CN 112836902 B CN112836902 B CN 112836902B CN 202110264630 A CN202110264630 A CN 202110264630A CN 112836902 B CN112836902 B CN 112836902B
- Authority
- CN
- China
- Prior art keywords
- coal
- value
- neural network
- air
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000010438 heat treatment Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 64
- 210000000349 chromosome Anatomy 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 20
- 238000000921 elemental analysis Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 10
- 229910052799 carbon Inorganic materials 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 7
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 5
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- 239000001257 hydrogen Substances 0.000 claims description 5
- 229910052757 nitrogen Inorganic materials 0.000 claims description 5
- 229910052717 sulfur Inorganic materials 0.000 claims description 5
- 239000011593 sulfur Substances 0.000 claims description 5
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 22
- 239000002956 ash Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 206010064571 Gene mutation Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000007614 genetic variation Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000010883 coal ash Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种基于改进型BP神经网络的煤燃烧发热量预测方法，包括以下步骤：(1)对待测煤质进行工业分析与元素分析，将待测煤质的工业分析与元素分析数据作为预测样本，并根据预测样本的特征构建归一化的特征矩阵；(2)根据最优权值与阈值以及步骤(1)中归一化的特征矩阵，计算待测煤质的归一化输出；(3)对待测煤质的归一化输出反归一化，得到煤燃烧发热量。将该改进型的BP神经网络应用于煤质工业分析与元素分析基础数据计算其燃烧发热量的体系中，有效克服了传统燃烧发热量预测方法计算精度低、实用性差的缺点。本发明具有计算速度快、预测精度高、适应性强、利于快速推广等诸多优点。
Description
技术领域
本发明属于煤炭燃烧发热量计算技术领域，具体涉及到一种基于改进型BP神经网络的煤燃烧发热量预测方法。
背景技术
煤炭是我国重要的基础能源和工业原料，为国民经济发展和社会稳定提供了重要支撑，目前，煤炭在我国的主要利用方式是直接燃烧发电和供热。煤直接燃烧是煤炭利用最直接的方式，主要目的是利用其燃烧时产生的热量。因此，煤燃烧的发热量成为了煤质特性中的一个关注焦点。煤的发热量，又常常被称为热值，是指单位质量的煤在完全燃烧的状态下所释放出的热量，一般用Kcal/Kg或MJ/Kg表示。煤的发热量不仅是煤质分析中的一个重要指标，而且还是热平衡计算、煤质鉴定、热使用效率、煤耗计算以及煤(热值)计价的基础，同时也对煤炭后续深加工具有重要的影响。
目前，在国内、外常用的煤发热量测量的方法大多采用氧弹法进行，该方法也是我国国标中的煤发热量测量方法。它具有测量结果准确的优点，但同时也存在着对外界环境温度要求高、过程繁琐、测量时间长等缺点，具有很多的局限性。氧弹法在发热量在线检测等工业实际应用中存在着明显的滞后性，最终使得该测量方法在工业上不具备快速检测混煤或多批次入厂煤发热量变化的特质。研究表明，煤的发热量是煤分子组成以及结构信息的集中体现，其实质主要来源于煤中有机质的燃烧以及少部分无机物(如矿物中的可燃硫，FeS2)的放热。因此，许多学者借助煤的工业分析或者元素分析等数据开展了大量的针对煤发热量的数据回归“软测量”研究。但由于各类分析参量与发热量之间存在明显的非线性关系，进而造成通过数据回归计算煤发热量的软测量方法存在着预测精度差的缺点，难以满足人们的需求。近年来，学者们为了更为精准的预测出煤燃烧发热量，尝试通过以BP神经网络为代表的智能算法在煤质工业分析或元素分析与燃烧发热量之间建立了预测关系，但由于传统BP神经网络存在易陷入局部最小值、随机初始值、收敛速度慢等缺点，造成了其预测效果也不够理想。
因此，如何高效、准确的预测出煤燃烧发热量对高效利用煤炭资源、计算燃煤锅炉热平衡以及科学合理地为煤计价等方面均具有重要的意义。
发明内容
本发明针对现有煤燃烧发热量预测方法中存在的预测精度差等缺点，提供一种具有操作方便、预测精度高以及普适性强的基于改进型BP神经网络的煤燃烧发热量预测方法。
为实现上述目的，本发明采用的技术方案如下：
一种基于改进型BP神经网络的煤燃烧发热量预测方法，包括以下步骤：
(1)对待测煤质进行工业分析与元素分析，将待测煤质的工业分析与元素分析数据作为预测样本，并根据预测样本的特征构建归一化的特征矩阵；
(2)根据最优权值与阈值以及步骤(1)中归一化的特征矩阵，计算待测煤质的归一化输出；
(3)对待测煤质的归一化输出反归一化，得到煤燃烧发热量。
本发明进一步的改进在于，步骤(1)中，煤质的工业分析与元素分析数据包括空干基水分Mad、空干基灰分Aad、空干基固定碳FCad、空干基碳含量Cad、空干基氢含量Had、空干基氮含量Nad和空干基硫含量Sad。
本发明进一步的改进在于，步骤(1)中，归一化的特征矩阵通过下式计算：
式中，Xs代表归一化后的样本数据，xs代表煤质的工业分析与元素分析数据；s代表一个因素，xs,min代表煤质的工业分析与元素分析数据中的最小值；xs,max代表煤质的工业分析与元素分析数据中的最大值。
本发明进一步的改进在于，步骤(3)中，待测煤质的归一化输出如下：
式中，y为待测煤质的归一化输出，w1为输入到隐含的最优权值，w2为隐含到输出的最优权值，b1为隐含到输出的最优阈值，b2为隐含到输出的最优阈值，Xs为归一化的特征矩阵，a为系数。
本发明进一步的改进在于，步骤(2)中，最优权值与阈值通过以下过程得到：
(a)对煤质进行工业分析与元素分析，将煤质的工业分析与元素分析数据作为输入，以煤燃烧发热量作为输出，采用试错法确定BP神经网络的拓扑结构，并获取BP神经网络初始权值以及阈值的编码长度；
(b)按照公式(2)和公式(3)更新每一个粒子的速度V和位置X：
式中，vid表示d维空间中第i个粒子的速度，xid表示d维空间中第i个粒子的位置，qid表示d维空间中第i个粒子的历史最优位置，qgd表示d维空间全体粒子的历史最优位置，r1表示0～1之间的第一随机数，r2表示表示0～1之间的第二随机数，c1表示第一个加速因子，c2表示第二个加速因子，k为粒子群更新次数，ω取值为0.5～1的惯性权重；
(c)对更新速度V和位置X后的粒子群进行遗传操作，将每个粒子视为一个染色体对每个染色体再次进行适应度评价，并保留最优染色体；
(d)循环进行步骤(c)至粒子群最大更新次数Maxiter，得到全局最优粒子；
(e)根据BP神经网络初始权值、阈值的编码长度对全局最优粒子进行解码，得到优秀的网络初始权值、阈值；
(f)将优秀的网络初始权值、阈值作为BP神经网络算法的初始权值、阈值，进行寻优计算，当计算的均方误差小于目标均方误差E0或运行次数达到网络最大运算次数MaxE时结束，得到最优权值与阈值。
本发明进一步的改进在于，步骤(a)中输入报空干基水分Mad、空干基灰分Aad、空干基固定碳FCad、空干基碳含量Cad、空干基氢含量Had、空干基氮含量Nad和空干基硫含量Sad7个输入变量，输出为空干基低位发热量Qnet,ad。
本发明进一步的改进在于，将优秀的网络初始权值、阈值作为BP神经网络算法的初始权值、阈值，进行寻优计算时，学习率自动调节，调节过程如下式所示：
式中，η为学习率，γ为1～2之间的常数，β为0～1之间的常数，n为网络当前的迭代次数，dt为第t数据的个样本值，at为第t个数据的网络计算值，mse(n)表示网络第n次迭代网络的计算值与样本值之间的均方误差，mse(n-1)表示网络第n-1次迭代网络的计算值与样本值之间的均方误差，N为训练样本数。
本发明进一步的改进在于，步骤(d)的具体过程包括以下步骤：
6.1采用轮盘赌法对群体进行选择操作，群体中个体i被选择的概率pi如公式(4)所示：
式中，N为粒子总数，Fi为第i个粒子的适应度值；
6.2根据交叉概率Pc，从进行步骤6.1后的群体中随机挑选出两个父代个体进行部分信息交换，从而产生两个新的子代染色体；
新的子代染色体产生的方式如下：挑选出的两个父代染色体个体ai和ak进行交叉操作；
6.3根据设定的变异的概率Pm从交叉操作后的群体中选出部分染色体，并对该染色体中的部分基因信息进行修改。
本发明进一步的改进在于，所述的步骤6.2中交叉操作通过下式进行：
式中，a* i和a* k分别表示交叉后的两个新的子代染色体个体，b表示0-1之间的随机数。
本发明进一步的改进在于，步骤6.3中对该染色体中的部分基因信息进行修改时，通过下式进行：
式中，是变异后的基因信息，rand为0-1之间的随机数，R表示调整参数，gj表示变异前的基因信息。
与现有的技术相比，本发明具有的有益效果：本发明不仅有效的解决了传统BP神经网络易陷入局部优值、收敛速度慢的缺点，而且建立出了基于煤质工业分析与元素分析精确预测燃煤发热量的方法，解决了传统模型计算繁杂、精度低的缺点。具体如下：
(1)本发明具有预测精度高的特点：使用本发明提供的燃煤发热量计算方法，经检验后发现其计算数据的绝对平均绝对误差低于0.3MJ/Kg；
(2)本发明具有计算速度快的特点：本发明采用的改进型BP神经网络集成了多种智能算法的优点，有效提升了网络的高效学习与快速收敛，相较于传统BP神经网络的计算速度大幅提高；
(3)本发明具有普适性强的特点：本发明提供的方法是基于煤质工业分析与元素分析基础数据进行的，采样中涵盖了绝大多数的煤样本，这使得本发明提供的方法具有良好的普适性。
(4)本发明具有节能降耗的特点：本发明提供的方法可以有效减少煤发热量的实际测量过程，大大降低实验测试过程的中消耗的能源、物资以及人力等成本。
附图说明
图1为本发明的改进型BP神经网络的算法流程图。
图2为采用试错法确定的隐含层节点数，即确定出的网络拓扑结构。
图3为83组训练样本的计算值与实验值的关系图。
图4为15组预测样本的计算值与实验值的关系图。
图5为本发明的流程示意图。
具体实施方式
下面结合附图和实施案例对本发明的技术进进行详细的说明，但是本发明的保护范围不限于下述的实施案例。
参见图1和图2，一种基于改进型BP神经网络的煤燃烧发热量预测方法，主要由以下步骤组成：
(1)以煤质基础分析数据(工业分析与元素分析)作为输入，以煤燃烧发热量(Qnet,ad)作为输出，采用试错法确定出网络的拓扑结构，并以此获取到网络初始权值、阈值的编码长度；
其中，输入组成为空干基水分Mad、空干基灰分Aad、空干基固定碳FCad、空干基碳含量Cad、空干基氢含量Had、空干基氮含量Nad和空干基硫含量Sad 7个输入变量，输出结果为空干基低位发热量Qnet,ad。
(2)根据训练样本以及预测样本的特征构建出归一化的特征矩阵，归一化操作公式(1)所示：
式中，Xs代表归一化后的样本数据(代表工业分析与元素分析数据中一个，如，水分或灰分等)，xs代表煤质的工业分析与元素分析数据；s代表一个因素，xs,min代表煤质的工业分析与元素分析数据中的最小值；xs,max代表煤质的工业分析与元素分析数据中的最大值；
(3)初始化各类参数，如粒子群数目sizepop、粒子群最大更新次数Maxiter、遗传交叉概率Pc、遗传变异概率Pm、网络学习率η，目标均方误差E0、网络最大运算次数MaxE等；
(4)初始化每一个粒子的速度(V)和位置(X)，并计算粒子的适应度值；
(5)按照公式(2)和公式(3)更新每一个粒子的V和X：
式中，vid表示d维空间中第i个粒子的速度，xid表示d维空间中第i个粒子的位置，qid表示d维空间中第i个粒子的历史最优位置，qgd表示d维空间全体粒子的历史最优位置，r1表示0～1之间的第一随机数，r2表示表示0～1之间的第二随机数，c1表示第一个加速因子，c2表示第二个加速因子，k为粒子群更新次数，ω取值为0.5～1的惯性权重；
(6)对更新速度V和位置X后的粒子群进行遗传操作，将每个粒子视为一个染色体对每个染色体再次进行适应度评价，并保留最优染色体；具体过程如下：
6.1选择操作：采用轮盘赌法进行，个体i被选择的概率pi如公式(4)所示：
式中，N为粒子总数，Fi为第i个粒子的适应度值。
6.2交叉操作：据交叉概率Pc，从选择操作后的染色体群中随机挑选出两个个体(父代)进行部分信息交换，从而产生两个新的染色体。假设第i条染色体(ai)和第k条染色体(ak)在基因j的位置进行交叉。
其中交叉操作的过程如公式(6)所示：
式中，a* i和a* k分别表示交叉后的两个新的子代染色体个体，b表示0-1之间的随机数。
6.3变异操作：变异操作类似于现实中的基因突变，即根据设定的变异的概率Pm选出部分染色体，并对该染色体中的部分基因信息进行修改，增加获取最优粒子的可能性。
其中变异操作的过程如公式(7)所示：
式中，是变异后的基因信息，rand为0-1之间的随机数。
(7)对步骤(6)产生的最优染色体再次进行适应度评价，并保留最最优染色体；而后返回步骤(5)进行循环，循环运行至粒子群最大更新次数Maxiter，得到全局最优粒子；
(8)对得到的全局最优粒子根据网络结构进行解码，得到优秀的网络初始权值、阈值；
(9)将得到的优秀初始权值、阈值赋予附加动量项及自适应学习率优化的BP神经网络算法(A-BP)，A-BP算法可在网络得运行过程中差自动调节学习率。
其中学习率自动调节的方式(8)所示：
式中，η为学习率，γ为1～2之间的常数，β为0～1之间的常数，n为网络当前的迭代次数，dt为第t数据的个样本值，at为第t个数据的网络计算值，mse(n)表示网络第n次迭代网络的计算值与样本值之间的均方误差，mse(n-1)表示网络第n-1次迭代网络的计算值与样本值之间的均方误差，N为训练样本数。
(10)当网络产生的均方误差小于E0或运行次数达到设定的MaxE时结束运行，并输出训练样本产生的最优权值、阈值；
(11)提取步骤(2)中预测样本的特征矩阵以及步骤(10)产生的最优权值、阈值，根据公式(5)方可计算出预测样本的输出归一化输出(y)。
式中，y为待测煤质的归一化输出，w1为输入到隐含的最优权值，w2为隐含到输出的最优权值，b1为隐含到输出的最优阈值，b2为隐含到输出的最优阈值，Xs为归一化的特征矩阵，a为系数。
(12)对步骤(11)计算的y值反归一化后，即可得到预测样本的发热量。
下面为具体实施例。
实施例1
参见图1和图5，本实施例的基于改进型BP神经网络的煤燃烧发热量预测方法，包括以下步骤：
(1)基于98组煤灰样本，选取Mad、Aad、FCad、Cad、Had、Nad和Sad 7个输入变量，Qnet,ad为输出结果，采用试错法确定出网络的拓扑结构(如图2所示)，并以此获取到网络初始权值、阈值的编码长度；各个输入变量以及Qnet,ad的取值范围如表1所示：
表1各个输入变量及Qnet,ad的取值范围
(2)根据83组训练样本以及15组预测样本的特征构建出归一化的特征矩阵，归一化操作公式(1)所示：
式中，xi代表训练样本对的输入数据；xmin代表训练样本中的最小值；xmax代表训练样本中的最大值；
(3)初始化各类参数，如粒子群数目sizepop、粒子群最大更新次数Maxiter、遗传交叉概率Pc、遗传变异概率Pm、网络学习率η，目标均方误差E0、网络最大运算次数MaxE等；
(4)初始化每一个粒子的速度(V)和位置(X)，并计算粒子的适应度值；
(5)按照公式(2)和公式(3)更新每一个粒子的V和X：
式中，vid表示d维空间中第i个粒子的速度，xid表示d维空间中第i个粒子的位置，qid表示d维空间中第i个粒子的历史最优位置，qgd表示d维空间全体粒子的历史最优位置，r1、r2为0～1之间的随机数，c1、c2表示加速因子，k为粒子群更新次数，ω取值为0.5～1的惯性权重；
(6)对粒子群进行遗传操作，进一步探查出最优粒子
6.1选择操作：采用轮盘赌法进行，个体i被选择的概率pi如公式(4)所示：
式中，N为粒子总数，Fi为第i个粒子的适应度值。
6.2交叉操作：据交叉概率Pc，从群体中随机挑选出两个个体进行部分信息交换，从而产生两个新的染色体。假设第i条染色体(ai)和第k条染色体(ak)进行交叉。所述的交叉操作的过程如公式(5)所示：
式中，a* i和a* k分别表示交叉后的两个新的子代染色体个体，b表示0-1之间的随机数。
6.3变异操作：变异操作类似于现实中的基因突变，即根据设定的变异概率Pm选出部分染色体，并对该染色体中的部分基因信息进行修改。所述的变异操作的过程如公式(6)所示：
式中，是变异后的基因信息，rand为0-1之间的随机数。
(7)对步骤(6)产生的新粒子再次进行适应度评价，并保留最优粒子；而后返回步骤(5)进行循环，循环运行至粒子群最大更新次数Maxiter，得到全局最优粒子；
(8)对得到的全局最优粒子根据网络结构进行解码，得到优秀的网络初始权值、阈值；
(9)将得到的优秀初始权值、阈值赋予附加动量项及自适应学习率优化的BP神经网络算法(A-BP)，A-BP算法可在网络得运行过程中差自动调节学习率。
(10)当网络产生的均方误差小于E0或运行次数达到设定的MaxE时结束运行，并输出训练样本产生的最优权值、阈值；
(11)提取步骤(2)中预测样本的特征矩阵以及步骤(10)产生的最优权值、阈值，根据公式(7)方可计算出预测样本的输出归一化输出(y)。
式中，y为待测煤质的归一化输出，w1为输入到隐含的最优权值，w2为隐含到输出的最优权值，b1为隐含到输出的最优阈值，b2为隐含到输出的最优阈值，Xs为归一化的特征矩阵，a为系数。
(12)对步骤(11)的y值进行反归一化即可得到实际的发热量。
基于本发明计算的83组训练样本与实验的结果如图3所示；15组预测样本的计算值与实验值的结果如图4所示。由图3可以看出，本发明训练样本的计算值与其实验值收敛于对角线附近且其数据点的相关性为R2＝0.9913。由图4可以看出，15组检验样本同样收敛于对角线附近，且其数据的点的相关性为R2＝0.9761。此外，经量化计算总样本集的计算值与实验值的平均绝对误差为0.22MJ/Kg。这直接说明了本发明提出关于预测Qnet，ad的新方法具有良好的实用性。
本发明创新性的提出粒子群算法(PSO)联合遗传算法(GA)的方法对传统BP神经网络的随机初始权值、阈值进行优化；与此同时，本发明进一步的在传统BP神经网络的算法中嵌入可调变的学习率以及动量项，以提升BP神经网络的收敛性以及泛化能力。进一步的，将该改进型的BP神经网络应用于煤质工业分析与元素分析基础数据计算其燃烧发热量的体系中，有效克服了传统燃烧发热量预测方法计算精度低、实用性差的缺点。本发明具有计算速度快、预测精度高、适应性强、利于快速推广等诸多优点。
Claims (6)
1.一种基于改进型BP神经网络的煤燃烧发热量预测方法，其特征在于，包括以下步骤：
(1)对待测煤质进行工业分析与元素分析，将待测煤质的工业分析与元素分析数据作为预测样本，并根据预测样本的特征构建归一化的特征矩阵；
(2)根据最优权值与阈值以及步骤(1)中归一化的特征矩阵，计算待测煤质的归一化输出；其中，最优权值与阈值通过以下过程得到：
(a)对煤质进行工业分析与元素分析，将煤质的工业分析与元素分析数据作为输入，以煤燃烧发热量作为输出，采用试错法确定BP神经网络的拓扑结构，并获取BP神经网络初始权值以及阈值的编码长度；
(b)按照公式(2)和公式(3)更新每一个粒子的速度V和位置X：
式中，vid表示d维空间中第i个粒子的速度，xid表示d维空间中第i个粒子的位置，qid表示d维空间中第i个粒子的历史最优位置，qgd表示d维空间全体粒子的历史最优位置，r1表示0～1之间的第一随机数，r2表示表示0～1之间的第二随机数，c1表示第一个加速因子，c2表示第二个加速因子，k为粒子群更新次数，ω取值为0.5～1的惯性权重；
(c)对更新速度V和位置X后的粒子群进行遗传操作，将每个粒子视为一个染色体对每个染色体再次进行适应度评价，并保留最优染色体；
(d)循环进行步骤(c)至粒子群最大更新次数Maxiter，得到全局最优粒子；具体过程包括以下步骤：
6.1采用轮盘赌法对群体进行选择操作，群体中个体i被选择的概率pi如公式(4)所示：
式中，N为粒子总数，Fi为第i个粒子的适应度值；
6.2根据交叉概率Pc，从进行步骤6.1后的群体中随机挑选出两个父代个体进行部分信息交换，从而产生两个新的子代染色体；
新的子代染色体产生的方式如下：挑选出的两个父代染色体个体ai和ak进行交叉操作；
6.3根据设定的变异的概率Pm从交叉操作后的群体中选出部分染色体，并对该染色体中的部分基因信息进行修改；通过下式进行：
式中，是变异后的基因信息，rand为0-1之间的随机数，R表示调整参数，gj表示变异前的基因信息；
(e)根据BP神经网络初始权值、阈值的编码长度对全局最优粒子进行解码，得到优秀的网络初始权值、阈值；
(f)将优秀的网络初始权值、阈值作为BP神经网络算法的初始权值、阈值，进行寻优计算，当计算的均方误差小于目标均方误差E0或运行次数达到网络最大运算次数MaxE时结束，得到最优权值与阈值；
将优秀的网络初始权值、阈值作为BP神经网络算法的初始权值、阈值，进行寻优计算时，学习率自动调节，调节过程如下式所示：
式中，η为学习率，γ为1～2之间的常数，β为0～1之间的常数，n为网络当前的迭代次数，dt为第t数据的个样本值，at为第t个数据的网络计算值，mse(n)表示网络第n次迭代网络的计算值与样本值之间的均方误差，mse(n-1)表示网络第n-1次迭代网络的计算值与样本值之间的均方误差，N为训练样本数；
(3)对待测煤质的归一化输出反归一化，得到煤燃烧发热量。
2.根据权利要求1所述的一种基于改进型BP神经网络的煤燃烧发热量预测方法，其特征在于，步骤(1)中，煤质的工业分析与元素分析数据包括空干基水分Mad、空干基灰分Aad、空干基固定碳FCad、空干基碳含量Cad、空干基氢含量Had、空干基氮含量Nad和空干基硫含量Sad。
3.根据权利要求1所述的一种基于改进型BP神经网络的煤燃烧发热量预测方法，步骤(1)中，归一化的特征矩阵通过下式计算：
式中，Xs代表归一化后的样本数据，xs代表煤质的工业分析与元素分析数据；s代表一个因素，xs,min代表煤质的工业分析与元素分析数据中的最小值；xs,max代表煤质的工业分析与元素分析数据中的最大值。
4.根据权利要求1所述的一种基于改进型BP神经网络的煤燃烧发热量预测方法，其特征在于，步骤(3)中，待测煤质的归一化输出如下：
式中，y为待测煤质的归一化输出，w1为输入到隐含的最优权值，w2为隐含到输出的最优权值，b1为隐含到输出的最优阈值，b2为隐含到输出的最优阈值，Xs为归一化的特征矩阵，a为系数。
5.根据权利要求1所述的一种基于改进型BP神经网络的煤燃烧发热量预测方法，其特征在于，步骤(a)中输入报空干基水分Mad、空干基灰分Aad、空干基固定碳FCad、空干基碳含量Cad、空干基氢含量Had、空干基氮含量Nad和空干基硫含量Sad 7个输入变量，输出为空干基低位发热量Qnet,ad。
6.根据权利要求1所述的一种基于改进型BP神经网络的煤燃烧发热量预测方法，其特征在于，所述的步骤6.2中交叉操作通过下式进行：
式中，a* i和a* k分别表示交叉后的两个新的子代染色体个体，b表示0-1之间的随机数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110264630.XA CN112836902B (zh) | 2021-03-11 | 2021-03-11 | 一种基于改进型bp神经网络的煤燃烧发热量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110264630.XA CN112836902B (zh) | 2021-03-11 | 2021-03-11 | 一种基于改进型bp神经网络的煤燃烧发热量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112836902A CN112836902A (zh) | 2021-05-25 |
| CN112836902B true CN112836902B (zh) | 2024-03-22 |
Family
ID=75930054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110264630.XA Active CN112836902B (zh) | 2021-03-11 | 2021-03-11 | 一种基于改进型bp神经网络的煤燃烧发热量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112836902B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115631158B (zh) * | 2022-10-18 | 2023-05-12 | 中环碳和(北京)科技有限公司 | 一种用于碳核查的煤料检测方法 |
| CN116307376A (zh) * | 2023-02-24 | 2023-06-23 | 国能南京煤炭质量监督检验有限公司 | 获取煤炭单位热值含碳量的方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729691A (zh) * | 2013-12-20 | 2014-04-16 | 西安理工大学 | 基于均匀设计的多目标配煤方法 |
| CN108229721A (zh) * | 2017-12-04 | 2018-06-29 | 西北大学 | 基于改进型bp神经网络的煤热解产物的预测方法 |
| CN109919489A (zh) * | 2019-03-08 | 2019-06-21 | 北京工业大学 | 基于企业资产管理系统和ga-bp的企业设备寿命预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443002A (zh) * | 2019-08-16 | 2019-11-12 | 中国水利水电科学研究院 | 一种高边坡形变预测方法及系统 |
-
2021
- 2021-03-11 CN CN202110264630.XA patent/CN112836902B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729691A (zh) * | 2013-12-20 | 2014-04-16 | 西安理工大学 | 基于均匀设计的多目标配煤方法 |
| CN108229721A (zh) * | 2017-12-04 | 2018-06-29 | 西北大学 | 基于改进型bp神经网络的煤热解产物的预测方法 |
| CN109919489A (zh) * | 2019-03-08 | 2019-06-21 | 北京工业大学 | 基于企业资产管理系统和ga-bp的企业设备寿命预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于极限学习机的燃煤热值预测研究;韩立芳;赵中义;;热力发电(第04期);148-153 * |
| 基于遗传算法优化的煤粉着火温度BP神经网络预测模型;杨建国;赵虹;岑可法;;煤炭学报(第02期);77-80 * |
| 基于遗传算法的BP神经网络优化动力配煤模型的研究;李吉朝;张海英;王惠琴;;微型机与应用(第09期);60-63+66 * |
| 遗传神经网络在煤质测井评价中的应用;陈钢花;董维武;;测井技术(第02期);171-175 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112836902A (zh) | 2021-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112836902B (zh) | 一种基于改进型bp神经网络的煤燃烧发热量预测方法 | |
| CN106202946A (zh) | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 | |
| CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
| CN108760592B (zh) | 一种基于bp神经网络的飞灰含碳量在线测量方法 | |
| CN114358213B (zh) | 非线性时序数据预测的误差消融处理方法及系统与介质 | |
| CN106442470A (zh) | 一种基于激光诱导击穿光谱和遗传神经网络的煤质特性定量分析方法 | |
| CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
| CN112069656A (zh) | 基于lssvm-nsgaii耐久性混凝土配合比多目标优化的方法 | |
| CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
| CN110570042B (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
| Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
| CN109934421B (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
| Li et al. | Research on air quality prediction based on machine learning | |
| CN114721263A (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
| CN112329269B (zh) | 一种基于工况识别的烧结点火温度建模预测方法 | |
| CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
| CN101339177A (zh) | 基于神经网络的烧结矿FeO预报系统 | |
| CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
| CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
| Wang et al. | Application research based on GA-FWA in prediction of sintering burning through point | |
| CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
| CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 | |
| Pan et al. | Air visibility prediction based on multiple models | |
| CN111046612B (zh) | 一种基于多目标集成学习的高炉铁水硅含量预测方法 | |
| Sun et al. | Research on short-term power load forecasting based on Elman neural network with Genetic Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |