CN114462321B - 基于锅炉燃烧特性的神经网络预测方法 - Google Patents

基于锅炉燃烧特性的神经网络预测方法 Download PDF

Info

Publication number
CN114462321B
CN114462321B CN202210378201.XA CN202210378201A CN114462321B CN 114462321 B CN114462321 B CN 114462321B CN 202210378201 A CN202210378201 A CN 202210378201A CN 114462321 B CN114462321 B CN 114462321B
Authority
CN
China
Prior art keywords
neural network
genetic algorithm
value
population
iteration
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
Application number
CN202210378201.XA
Other languages
English (en)
Other versions
CN114462321A (zh
Inventor
李超
邱丹
姚睿
龙格姝婷
刘炘坤
廖先
刘莉
杨勇
徐建局
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Bosai Environmental Protection And Energy Technology Co ltd
Original Assignee
Wuhan Bosai Environmental Protection And Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Bosai Environmental Protection And Energy Technology Co ltd filed Critical Wuhan Bosai Environmental Protection And Energy Technology Co ltd
Priority to CN202210378201.XA priority Critical patent/CN114462321B/zh
Publication of CN114462321A publication Critical patent/CN114462321A/zh
Application granted granted Critical
Publication of CN114462321B publication Critical patent/CN114462321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提出了基于锅炉燃烧特性的神经网络预测方法，基于两层遗传算法和BP神经网络建立锅炉燃烧预测模型，通过第一层遗传算法保留群体精英，可保证收敛性，第二层遗传算法添加新的种群至第一层遗传算法保留下的精英群体中，可保证遗传算法的群体多样性，防止群体收敛在个别少数解上；第一层遗传算法中交叉概率在迭代前期取较大值可快速找到全局最优点；在迭代后期交叉概率取较小值，可避免破坏已找到的最优点的结构而导致不能收敛的情况；第一层遗传算法中变异概率采用变概率的方法可以避免遗传算法陷入局部最优点；第二层遗传算法选出适应度最高的个体并直接进行解码操作，不需要进行交叉和变异操作，可保证遗传算法尽快地收敛至极值点。

Description

基于锅炉燃烧特性的神经网络预测方法
技术领域
本发明涉及自动化控制技术领域，尤其涉及基于锅炉燃烧特性的神经网络预测方法。
背景技术
为了降低NOx的排放量所采用的低氧燃烧方式，虽然可以有效抑制 NOx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；当增大含烟气含氧量，虽然提高了锅炉运行效率以及炉膛温度，但也会造成 NOx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。目前多采用BP神经网络建立锅炉燃烧预测模型并基于遗传算法对BP神经网络的输出进行全面寻优，找到最佳的锅炉效率设定值和最佳NOx排放量设定值，通过调整BP神经网络的输入，使锅炉效率和NOx排放量达到最优。但是上述方法中由于使用了一次遗传算法寻优，存在初始种群范围过大导致遗传算法收敛时间较长的问题。因此，为了解决上述问题，本发明提供基于锅炉燃烧特性的神经网络预测方法，采用BP神经网络和两层遗传算法的结合，可以加快收敛时间，并快速准确地找到最佳锅炉效率设定值和最佳NOx排放量设定值。
发明内容
有鉴于此，本发明提出了基于锅炉燃烧特性的神经网络预测方法，采用BP神经网络和两层遗传算法的结合，可以加快收敛时间，并快速准确地找到最佳锅炉效率设定值和最佳NOx排放量设定值。
本发明的技术方案是这样实现的：本发明提供了基于锅炉燃烧特性的神经网络预测方法，包括以下步骤：
S1、以燃气量和烟气含氧量作为BP神经网络的输入，以锅炉效率和NOx排放量作为BP神经网络的输出建立锅炉燃烧预测模型；
S2、基于遗传算法对燃气量和烟气含氧量进行编码，产生包括N0个个体的初始种群；
S3、基于锅炉燃烧预测模型的输出构造目标函数和第一适应度函数，并计算个体适应度；
S4、基于个体适应度计算个体被选择概率，在初始种群中按照个体被选择概率由低到高的顺序选出N1个父代，对N1个父代进行预设迭代次数的遗传操作并产生第一种群；
S5、从初始种群中随机选取N0-N1个个体添加到第一种群形成第二种群，并确定第二适应度函数，选出适应度最小的个体并直接进行解码操作，其解码值为当前工况下最佳烟气含氧量操作值和最佳燃气量操作值，对应的BP神经网络输出值即为最佳锅炉效率设定值和最佳NOx排放量设定值。
在以上技术方案的基础上，优选的，BP神经网络为单隐层的BP神经网络。
在以上技术方案的基础上，优选的，执行S1前还包括以下步骤：利用遗传算法对BP神经网络结构的初始权值和阈值进行全局寻优，再将遗传算法寻找的最优权值和阈值代入BP神经网络中进行样本训练。
在以上技术方案的基础上，优选的，BP神经网络的隐含层到输出层之间的连接权值和阈值满足以下公式：
Figure 72613DEST_PATH_IMAGE001
；（1）
Figure 989753DEST_PATH_IMAGE002
；（2）
Figure 956441DEST_PATH_IMAGE003
；（3）
其中，
Figure 351650DEST_PATH_IMAGE004
为迭代次数；
Figure 166023DEST_PATH_IMAGE005
、
Figure 926168DEST_PATH_IMAGE006
均为学习步长，
Figure 193202DEST_PATH_IMAGE005
取值为1.2，
Figure 392102DEST_PATH_IMAGE007
取值为0.5；
Figure 247931DEST_PATH_IMAGE008
为第
Figure 241295DEST_PATH_IMAGE004
次迭代连接权值对网络误差的一阶偏导；
Figure 995624DEST_PATH_IMAGE009
为第
Figure 732636DEST_PATH_IMAGE004
次迭代连接权值的调整量；
Figure 193705DEST_PATH_IMAGE010
为第
Figure 623549DEST_PATH_IMAGE004
次迭代连接权值调整量的阈值。
在以上技术方案的基础上，优选的，S3中目标函数：
Figure 865174DEST_PATH_IMAGE011
；
式中，
Figure 327249DEST_PATH_IMAGE012
为目标函数；
Figure 970720DEST_PATH_IMAGE013
为锅炉效率设定值；
Figure 305886DEST_PATH_IMAGE014
为NOx排放量设定值；
Figure 972491DEST_PATH_IMAGE015
为锅炉效率的权重系数；
Figure 51305DEST_PATH_IMAGE016
为NOx排放量的权重系数，
Figure 549282DEST_PATH_IMAGE017
。
在以上技术方案的基础上，优选的，S3中第一适应度函数为：
Figure 320929DEST_PATH_IMAGE018
，
Figure 458519DEST_PATH_IMAGE019
为第一适应度函数。
在以上技术方案的基础上，优选的，S4所述遗传操作包括以下步骤：
S201、选择操作采用最佳保留策略执行选择操作；
S202、执行交叉操作并预设迭代次数阈值，当迭代次数小于迭代次数阈值时，交叉概率为0.6，反之，交叉概率为0.4；
S203、执行变异操作，当迭代次数小于预设迭代次数时，变异概率为0.09，反之，变异概率为0.2。
在以上技术方案的基础上，优选的，S5中第二适应度函数为：
Figure 341024DEST_PATH_IMAGE020
；
式中，
Figure 693508DEST_PATH_IMAGE021
为第二适应度函数。
本发明的基于锅炉燃烧特性的神经网络预测方法相对于现有技术具有以下有益效果：
（1）基于两层遗传算法和BP神经网络建立锅炉燃烧预测模型，通过第一层遗传算法保留群体精英，可保证收敛性，第二层遗传算法添加新的种群至第一层遗传算法保留下的精英群体中，可保证遗传算法的群体多样性，防止群体收敛在个别少数解上；
（2）第一层遗传算法中交叉概率在迭代前期取较大值可以快速找到全局最优点；在迭代后期交叉概率取较小值，可避免破坏已找到的最优点的结构而导致不能收敛的情况；第一层遗传算法中变异概率采用变概率的方法可以避免遗传算法陷入局部最优点；
（3）第二层遗传算法选出适应度最高的个体并直接进行解码操作，不需要进行交叉和变异操作，这种方式可以保证遗传算法尽快地收敛至极值点；
（4）采用遗传算法与 BP 神经网络算法相结合，可以在解空间中确定出一个较好的搜索空间作为 BP 神经网络算法搜索的起点，这样可以克服传统 BP 神经网络算法随机产生网络初始连接权和阈值的缺陷，并且提高BP神经网络算法的学习速率，以及线性逼近能力；
（5）基于附加动量法公式对BP神经网络算法的连接权值和阈值调整进行优化，连接权值与幅值无关，当网络处在局部极小点或者误差曲面较平的区域时，连接权值的调整量将不受影响仍保持较大的值，GA-BP神经网络算法更能跳出局部极小点而收敛于全局极小点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于锅炉燃烧特性的神经网络预测方法的流程图；
图2为本发明基于锅炉燃烧特性的神经网络预测方法的算法框架图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例1
目前多采用BP神经网络建立锅炉燃烧预测模型并基于遗传算法对BP神经网络的输出进行全面寻优，找到最佳的锅炉效率设定值和最佳NOx排放量设定值，通过调整BP神经网络的输入，使锅炉效率和NOx排放量达到最优。但是上述方法中由于使用了一次遗传算法寻优，存在初始种群范围过大导致遗传算法收敛时间较长的问题。因此，为了解决上述问题，如图1和图2所示，本实施例提供基于锅炉燃烧特性的神经网络预测方法，其包括以下步骤：
S1、以燃气量和烟气含氧量作为BP神经网络的输入，以锅炉效率和NOx排放量作为BP神经网络的输出建立锅炉燃烧预测模型；
优选的，BP神经网络为单隐层的BP神经网络，即包括一个输入层、一个隐含层和一个输出层，输入层有2个节点，隐含层包括6个节点，输出层包含2个节点。
优选的，目前许多锅炉优化方案都是集中在如何寻找风煤比，提高锅炉燃烧效率，却同时增加了氮氧化物的排量，加重了环境污染。本实施例兼顾锅炉的燃烧效率和NOx排放量，应用遗传算法寻找烟气最佳含烟气含氧量和燃气量，进而调节锅炉效率和NOx排放量，实现锅炉燃烧的整体优化。
S2、基于遗传算法对燃气量和烟气含氧量进行编码，产生包括N0个个体的初始种群；
优选的，编码方式可选择浮点数编码方式。属于现有技术，在此不再累述。
S3、基于锅炉燃烧预测模型的输出构造目标函数和第一适应度函数，并计算个体适应度；
优选的，目标函数为：
Figure 573739DEST_PATH_IMAGE022
；式中，
Figure 11674DEST_PATH_IMAGE023
为目标函数；
Figure 432291DEST_PATH_IMAGE024
为锅炉效率设定值；
Figure 91811DEST_PATH_IMAGE025
为NOx排放量设定值；
Figure 205261DEST_PATH_IMAGE015
为锅炉效率的权重系数；
Figure 130491DEST_PATH_IMAGE016
为NOx排放量的权重系数，
Figure 292482DEST_PATH_IMAGE026
。
优选的，由于，适应度函数与锅炉燃烧预测模型的目标优化参数有关，往往目标优化参数需要同时满足多个性能优化指标，这些性能优化指标之间往往相互矛盾，因此，很难用现有的适应度函数表征性能优化指标与目标优化参数之间的关系，传统的适应度函数无法满足本实施例的目标优化参数寻优。本实施例的第一适应度函数为：
Figure 353979DEST_PATH_IMAGE018
，
Figure 638330DEST_PATH_IMAGE027
为第一适应度函数。
S4、基于个体适应度计算个体被选择概率，在初始种群中按照个体被选择概率由低到高的顺序选出N1个父代，对N1个父代进行预设迭代次数的遗传操作并产生第一种群；
优选的，个体被选择概率为：
Figure 237808DEST_PATH_IMAGE028
，其中，
Figure 265806DEST_PATH_IMAGE029
为选中第
Figure 447389DEST_PATH_IMAGE030
个个体的概率；
Figure 637062DEST_PATH_IMAGE031
为第
Figure 474568DEST_PATH_IMAGE030
个个体的适应度函数。
优选的，本实施例迭代次数设置为40次。
优选的，本步骤的遗传操作包括选择、交叉和变异，其中，选择采用最佳保留策略，即淘汰个体适应度函数值较大的值，保留较小的值。
进行交叉时，应综合利用交叉算法，并且按照一定的交叉概率进行，优选的，当迭代次数小于迭代次数阈值时，交叉概率为0.6，反之，交叉概率为0.4；本实施例中，迭代次数阈值为30。在进行交叉时，设置迭代次数阈值，当迭代次数小于迭代次数阈值时，交叉概率取较大值，可以快速找到全局最优点；当迭代次数大于迭代次数阈值时，交叉概率取较小值，可避免破坏已找到的最优点的结构而导致不能收敛的情况。
进行变异时，应采用非均匀变异的方法，并且按照一定的变异概率进行；具体的，当迭代次数小于预设迭代次数时，变异概率为0.09，反之，变异概率为0.2。本实施例中，变异概率采用变概率的方法可以避免遗传算法陷入局部最优点。
S5、从初始种群中随机选取N0-N1个个体添加到第一种群形成第二种群，并确定第二适应度函数，选出适应度最低的个体并直接进行解码操作，其解码值为当前工况下最佳烟气含氧量操作值，对应的BP神经网络输出值即为最佳锅炉效率设定值和最佳NOx排放量设定值。
优选的，第二种群的个体数量与初始种群的个体数量相等。
优选的，第二适应度函数为：
Figure 40679DEST_PATH_IMAGE032
；式中，
Figure 342347DEST_PATH_IMAGE021
为第二适应度函数。
优选的，本步骤的遗传操作相比S4的遗传操作不同之处在于本实施基于最佳保留策略选取适应度最低的个体直接进行解码，不需要进行交叉和变异操作，这种方式可以保证遗传算法尽快地收敛至极值点。
本实施例的有益效果为：基于两层遗传算法和BP神经网络建立锅炉燃烧预测模型，通过第一层遗传算法保留群体精英，可保证收敛性，第二层遗传算法添加新的种群至第一层遗传算法保留下的精英群体中，可保证遗传算法的群体多样性，防止群体收敛在个别少数解上；
第一层遗传算法中交叉概率在迭代前期取较大值可以快速找到全局最优点；在迭代后期交叉概率取较小值，可避免破坏已找到的最优点的结构而导致不能收敛的情况；第一层遗传算法中变异概率采用变概率的方法可以避免遗传算法陷入局部最优点；
第二层遗传算法选出适应度最高的个体并直接进行解码操作，不需要进行交叉和变异操作，这种方式可以保证遗传算法尽快地收敛至极值点。
实施例2
由于 BP 神经网络算法是基于梯度下降调整连接权值和阈值的方法，网络结构的初始连接权值和阈值训练前是被随机设定的，一旦初始参数设定不合理则会很容易地陷入到局部最小的缺陷中。遗传算法（GA）具有全局搜索的能力，在搜索过程中不易受局部最优的限制。将BP神经网络算法的大范围非线性映射能力和GA算法的全局寻优特点结合，可以克服传统 BP 神经网络算法随机产生网络初始连接权和阈值的缺陷，并且提高BP神经网络算法的学习速率，以及线性逼近能力。因此，在实施例1的基础上，本实施例提供了一种基于遗传算法优化BP神经网络模型的初始连接权值和阈值。具体包括以下步骤：
S101、利用遗传算法对BP神经网络结构的初始权值和阈值进行全局寻优，再将遗传算法寻找的最优权值和阈值代入BP神经网络中进行样本训练；
其中，S101具体包括以下步骤：
S201、获取初始连接权值和阈值，并对初始连接权值和阈值进行浮点数编码，产生初始种群；
S202、对R个已经初始化的连接权值和阈值进行输入信号的正向传播，进而求得BP 神经网络算法的输出值与期望值之间的误差平方和E(i)，基于误差平方和E(i)确定适应度函数，基于该函数计算个体适应度的大小；
所述个体适应度为E(i)的倒数。
S203、判断个体适应度大小是否满足优化标准，若是，则使用最优解的方式进行解码，将最优解解码作为BP 神经网络的初始连接权值和阈值；基于BP 神经网络算法进一步调整连接权值和阈值,直到达到实际输出值与期望输出值误差最小为止；反之，进行下一步；
S204、基于遗传算子产生新种群，并执行步骤S102-S103。
S102、构建具有一个输入层、一个隐含层和一个输出层的BP神经网络模型，设定迭代次数、学习步进和误差；
S103、计算隐含层的输出值与输出层的输出值，求解输出值与期望值的误差，基于误差判断是否达到预设精度要求，若达到，则训练结束；反之，进行下一步；
S104、基于附加动量法公式反向调整隐含层到输出层及输入层到隐含层的连接权值和阈值，并重复S103。
需要注意的是：由于BP神经网络算法的本质其实是梯度下降法，其连接权值调整公式为：
Figure 889872DEST_PATH_IMAGE033
，其中，
Figure 276991DEST_PATH_IMAGE034
为迭代次数；
Figure 646792DEST_PATH_IMAGE035
为学习步长；
Figure 475071DEST_PATH_IMAGE036
为第
Figure 272126DEST_PATH_IMAGE034
次迭代连接权值的调整量；
Figure 880961DEST_PATH_IMAGE037
为第
Figure 54454DEST_PATH_IMAGE034
次迭代连接权值对网络误差的一阶偏导。连接权值受学习步长
Figure 252086DEST_PATH_IMAGE035
与
Figure 220042DEST_PATH_IMAGE037
的乘积决定，因此，当
Figure 316174DEST_PATH_IMAGE037
的阈值很小时，求解燃气量和烟气含氧量的全局极值就很有可能陷入局部极值，导致训练失败。因此，为了解决上述问题，本实施例中，基于附加动量法公式对BP神经网络算法的连接权值和阈值调整进行优化。优选的，附加动量法公式为：
Figure 965461DEST_PATH_IMAGE038
；（1）
Figure 830649DEST_PATH_IMAGE002
；（2）
Figure 969506DEST_PATH_IMAGE039
；（3）
其中，
Figure 552934DEST_PATH_IMAGE004
为迭代次数；
Figure 989601DEST_PATH_IMAGE005
、
Figure 974874DEST_PATH_IMAGE040
均为学习步长，
Figure 284633DEST_PATH_IMAGE005
取值为1.2，
Figure 293040DEST_PATH_IMAGE041
取值为0.5；
Figure 346447DEST_PATH_IMAGE008
为第
Figure 186227DEST_PATH_IMAGE004
次迭代连接权值对网络误差的一阶偏导；
Figure 853837DEST_PATH_IMAGE009
为第
Figure 146278DEST_PATH_IMAGE004
次迭代连接权值的调整量；
Figure 3376DEST_PATH_IMAGE042
为第
Figure 697663DEST_PATH_IMAGE004
次迭代连接权值调整量的阈值。首先，基于公式（1）计算连接权值的幅值，然后基于公式（2）计算连接权值的调整量，最后，将本次迭代时的连接权值与计算的连接权值调整量之和作为下一次迭代的连接权值。改进后，连接权值仅由
Figure 286907DEST_PATH_IMAGE043
的符号和固定值
Figure 332223DEST_PATH_IMAGE042
决定，与幅值无关，当网络处在局部极小点或者误差曲面较平的区域时，
Figure 727432DEST_PATH_IMAGE044
将不受影响仍保持较大的值，GA-BP神经网络算法更能跳出局部极小点而收敛于全局极小点。
本实施例的有益效果为：采用遗传算法与 BP 神经网络算法相结合，可以在解空间中确定出一个较好的搜索空间作为 BP 神经网络算法搜索的起点，这样可以克服传统BP 神经网络算法随机产生网络初始连接权和阈值的缺陷，并且提高BP神经网络算法的学习速率，以及线性逼近能力；
基于附加动量法公式对BP神经网络算法的连接权值和阈值调整进行优化，连接权值与幅值无关，当网络处在局部极小点或者误差曲面较平的区域时，连接权值的调整量将不受影响仍保持较大的值，GA-BP神经网络算法更能跳出局部极小点而收敛于全局极小点。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于锅炉燃烧特性的神经网络预测方法，其特征在于：包括以下步骤：
S1、以燃气量和烟气含氧量作为BP神经网络的输入，以锅炉效率和NOx排放量作为BP神经网络的输出建立锅炉燃烧预测模型；
S2、基于遗传算法对燃气量和烟气含氧量进行编码，产生包括N0个个体的初始种群；
S3、基于锅炉燃烧预测模型的输出构造目标函数和第一适应度函数，并计算个体适应度；
其中，目标函数为：
Figure DEST_PATH_IMAGE001
；
式中，
Figure 776268DEST_PATH_IMAGE002
为目标函数；
Figure DEST_PATH_IMAGE003
为锅炉效率设定值；
Figure 248707DEST_PATH_IMAGE004
为NOx排放量设定值；
Figure DEST_PATH_IMAGE005
为锅炉效率的权重系数；
Figure 188981DEST_PATH_IMAGE006
为NOx排放量的权重系数，
Figure DEST_PATH_IMAGE007
；
第一适应度函数为：
Figure 915628DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
为第一适应度函数；
S4、基于个体适应度计算个体被选择概率，在初始种群中按照个体被选择概率由低到高的顺序选出N1个父代，对N1个父代进行预设迭代次数的遗传操作并产生第一种群；
S5、从初始种群中随机选取N0-N1个个体添加到第一种群形成第二种群，并确定第二适应度函数，选出适应度最小的个体并直接进行解码操作，其解码值为当前工况下最佳烟气含氧量操作值和最佳燃气量操作值，对应的BP神经网络输出值即为最佳锅炉效率设定值和最佳NOx排放量设定值；
其中，第二适应度函数为：
Figure 66512DEST_PATH_IMAGE010
；式中，
Figure DEST_PATH_IMAGE011
为第二适应度函数。
2.如权利要求1所述的基于锅炉燃烧特性的神经网络预测方法，其特征在于：所述BP神经网络为单隐层的BP神经网络。
3.如权利要求1所述的基于锅炉燃烧特性的神经网络预测方法，其特征在于：执行S1前还包括以下步骤：利用遗传算法对BP神经网络结构的初始权值和阈值进行全局寻优，再将遗传算法寻找的最优权值和阈值代入BP神经网络中进行样本训练。
4.如权利要求3所述的基于锅炉燃烧特性的神经网络预测方法，其特征在于：所述BP神经网络的隐含层到输出层之间的连接权值和阈值满足以下公式：
Figure 511399DEST_PATH_IMAGE012
；（1）
Figure DEST_PATH_IMAGE013
；（2）
Figure 989785DEST_PATH_IMAGE014
；（3）
其中，
Figure DEST_PATH_IMAGE015
为迭代次数；
Figure 351365DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
均为学习步长，
Figure 889794DEST_PATH_IMAGE016
取值为1.2，
Figure 353136DEST_PATH_IMAGE018
取值为0.5；
Figure DEST_PATH_IMAGE019
为第
Figure 900792DEST_PATH_IMAGE015
次迭代连接权值对网络误差的一阶偏导；
Figure 382458DEST_PATH_IMAGE020
为第
Figure 888526DEST_PATH_IMAGE015
次迭代连接权值的调整量；
Figure DEST_PATH_IMAGE021
为第
Figure 308006DEST_PATH_IMAGE015
次迭代连接权值调整量的阈值。
5.如权利要求1所述的基于锅炉燃烧特性的神经网络预测方法，其特征在于：所述S4中所述遗传操作包括以下步骤：
S201、选择操作采用最佳保留策略执行选择操作；
S202、执行交叉操作并预设迭代次数阈值，当迭代次数小于迭代次数阈值时，交叉概率为0.6，反之，交叉概率为0.4；
S203、执行变异操作，当迭代次数小于预设迭代次数时，变异概率为0.09，反之，变异概率为0.2。
CN202210378201.XA 2022-04-12 2022-04-12 基于锅炉燃烧特性的神经网络预测方法 Active CN114462321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210378201.XA CN114462321B (zh) 2022-04-12 2022-04-12 基于锅炉燃烧特性的神经网络预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210378201.XA CN114462321B (zh) 2022-04-12 2022-04-12 基于锅炉燃烧特性的神经网络预测方法

Publications (2)

Publication Number Publication Date
CN114462321A CN114462321A (zh) 2022-05-10
CN114462321B true CN114462321B (zh) 2022-06-21

Family

ID=81418345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210378201.XA Active CN114462321B (zh) 2022-04-12 2022-04-12 基于锅炉燃烧特性的神经网络预测方法

Country Status (1)

Country Link
CN (1) CN114462321B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117452828B (zh) * 2023-12-22 2024-03-01 中电行唐生物质能热电有限公司 基于神经网络的锅炉有害气体排放控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1921280A2 (en) * 2006-03-06 2008-05-14 General Electric Company Systems and methods for multi-level optimizing control systems for boilers
CN111222284A (zh) * 2019-12-27 2020-06-02 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种中速磨煤机组入口一次风量整体软测量方法
CN111881120A (zh) * 2020-06-16 2020-11-03 北京华电天仁电力控制技术有限公司 一种锅炉智能运行优化方法
CN114139785A (zh) * 2021-11-23 2022-03-04 北京华能新锐控制技术有限公司 锅炉燃烧热效率预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160520A (zh) * 2019-12-06 2020-05-15 南京理工大学 一种基于遗传算法优化的bp神经网络风速预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1921280A2 (en) * 2006-03-06 2008-05-14 General Electric Company Systems and methods for multi-level optimizing control systems for boilers
CN111222284A (zh) * 2019-12-27 2020-06-02 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种中速磨煤机组入口一次风量整体软测量方法
CN111881120A (zh) * 2020-06-16 2020-11-03 北京华电天仁电力控制技术有限公司 一种锅炉智能运行优化方法
CN114139785A (zh) * 2021-11-23 2022-03-04 北京华能新锐控制技术有限公司 锅炉燃烧热效率预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于人工智能技术的火电厂燃煤锅炉智能燃烧优化研究及应用;牛培峰，等;《智能科学与技术学报》;20190630;第201925-1至201925-8页 *

Also Published As

Publication number Publication date
CN114462321A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN114462321B (zh) 基于锅炉燃烧特性的神经网络预测方法
CN107122843A (zh) 一种基于改进遗传算法的旅行商问题求解方法
CN106327021A (zh) 一种基于在线模型预测的锅炉燃烧优化配风方法
CN110838590B (zh) 一种质子交换膜燃料电池气体供应控制系统及方法
CN110635478B (zh) 一种基于单目标的新能源接入下的输电网规划的优化方法
CN108426266A (zh) 锅炉燃烧控制系统和方法
CN110059821A (zh) 神经网络优化方法、装置、计算机设备及存储介质
CN111625998A (zh) 一种层叠太阳能电池结构优化方法
CN106919504B (zh) 一种基于ga算法的测试数据进化生成方法
CN113742997A (zh) 城市固废焚烧过程风量智能优化设定方法
Yang et al. BP neural network optimization based on an improved genetic algorithm
CN113821025A (zh) 一种神经网络优化启发函数的移动机器人路径规划方法
CN112700009A (zh) 一种基于遗传算法的城市pm2.5双目标控制策略优化算法
CN110185789B (zh) 基于蜂群神经网络集成的新能源车amt换挡策略
CN109769284B (zh) 一种msn下族内可信蚁群机会路由改进方法
Lv et al. A simulated annealing-new genetic algorithm and its application
CN111339616A (zh) 一种使机械结构基频最大化的拓扑优化方法
CN115963731A (zh) 一种基于改进遗传算法的指挥控制体系网络结构优化方法
CN102768735A (zh) 基于免疫克隆多目标优化的网络社区划分方法
CN116108982A (zh) 一种水库群多目标调度合作搜索方法及系统
CN112183843B (zh) 一种基于混合智能算法的火电厂负荷优化分配方法
CN115494840A (zh) 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法
CN112101655B (zh) 萤火虫算法在路径规划应用中的种群动态调节策略与实现
CN112308195B (zh) 模拟局部代价来求解DCOPs的方法
CN114861126A (zh) 一种燃气轮机燃烧调整过程中稳定性的预测方法及系统

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