一种确定飞灰含碳量ANN模型输入参数的方法.pdf

一种确定飞灰含碳量 ANN 模型输入参数的方法 李露 杜艳玲 华北电力大学 河北保定071003 摘要 为使用尽量少的输入参数使 ANN Artificial neural network 模型达到较高的预测精度 利用某电厂运行数据 通过 不同参数组合的灵敏度分析 探讨了不同参数组合对基于人工神经网络的飞灰含碳量预测精度的影响 结果表明 通过灵 敏度分析 能够确定既满足小数目输入参数 又满足较高预测精度的最终输入参数组合 用精简后的输入参数可以实现对 飞灰含碳量的准确预测 关键词 灵敏度分析 飞灰含碳量 输入参数 预测精度 中图分类号 TK222 文献标志码 A 文章编号 1004 7913 2012 11 0017 03 A Method on the Determination of Input Parameters of Fly Ash Carbon Content ANN Model LI Lu DU Yan ling North China Electric Power University Baoding Hebei 071003 China Abstract In order to make the ANN Artificial neural network model a higher prediction accuracy with less possible input parame ters With operation data of a power plant through different parameter combinations of sensitivity analysis the effect of the combina tion of different parameters on artificial neural network prediction accuracy for fly ash carbon content is discussed in this paper The re sults show that through the sensitivity analysis the final input parameter combination could be determined with less input parameters and high prediction accuracy The streamline input parameters may be sufficient to obtain accurate fly ash carbon content Key words Sensitivity analysis Fly ash carbon content Input parameter Prediction accuracy 人工神经网络是近年来得到迅速发展的一个前 沿课题 神经网络由于其并行处理规模大 容错性 好 自组织和自适应能力强等特点 已经广泛应用 于各领域 1 4 目前 基于神经网络的飞灰含碳量 预测研究主要集中在提高预测结果的精度 其中 大量的研究是针对神经网络的结构和算法 5 7 模 型输入对神经网络输出精度影响的研究并不多 本 文分析了影响飞灰含碳量的因素 得到预测模型的 初期输入参数 并利用最常用的 BP Back propa gation 神经网络 通过不同参数组合的灵敏度分 析 确定模型的最终输入参数 为提高飞灰含碳量 预测精度提供了参考依据 1神经网络模型算法 BP 网络属于一种按误差逆向传播的多层前馈 网络 是目前应用最广泛的神经网络模型之一 它 能学习和存贮大量的输入 输出模式映射关系 且 无需事前揭示描述这种映射关系的数学方程 其最 基本的学习规则是使用梯度下降法 通过反向传播 来不断调整网络的权值和阈值 使网络的误差平方 和最小 这种算法由于学习速率是固定的 因此网 络的收敛速度慢 BP 算法可以使权值收敛到某个 值 但并不保证其为误差平面的全局最小值 即易 陷入局部极小 通过比较 本文采用基于数值优化 技术的 L M Levenberg marquardt 算法进行网 络训练 该算法是梯度下降法和高斯 牛顿法的结 合 既具有高斯 牛顿法的局部收敛性 又具有梯 度下降法的全局特性 在飞灰含碳量预测的研究中 取得良好结果 5 L M 优化算法对权值调整公式为 W k 1 W k J J I 1J e i 1 误差平方和为 E 1 2 e 2 i 2 式中 W 为神经元连接的权值矩阵 J e i W 为网络 误差对权值导数的雅可比 Jacobian 矩阵 ei为 训练误差 为比例系数 I 为单位矩阵 当 很 大时 式 1 接近于梯度法 当 很小时 式 712012 年第 11 期东北电力技术 1 则变成了高斯 牛顿法 在实际计算过程中 调节 的大小 开始时可以选择一个 值 在每步 观察 E 的变化 来调节 的大小 8 由于 L M 算 法采用近似二阶导数 比梯度下降法快很多 实践 证明 采用 L M 算法相较于梯度下降算法 收敛 速度提高几十甚至上百倍 2数据的预处理和选择 本文所使用的数据是从某电厂机组的 DCS 控 制系统中获取 在线获取的海量数据难免存在一些 错误 即通常所说的 坏点 而这些 坏点 会 影响预测结果的准确性 因此 在利用这些数据训 练模型之前 需要对其进行一些预处理 2 1数据过滤 将大量数据中所有的异常值都去掉是非常困难 的 因此 在神经网络模型发展的不同时期都要发 现并除去异常值 在初期 将数据分成若干部分 那些与相邻数据点发展趋势不一致的数据点需要剔 除 此外 高度相关的两个参数的发展趋势应该是 一致的 比如 燃料量的增加对应锅炉负荷的增 大 9 图 1 展示了主蒸汽流量随时间的变化规律 采集数据时每 min 取一次数据 采集时间是 2011 年 6 月 3 日 15 23 时 由图 1 可见 随圆框 里的样本点与周围临近点的发展趋势不同 这些点 就是 坏点 需要剔除 图 1主蒸汽流量变化图 2 2训练样本的选择 神经网络模型训练样本的选择也很重要 样本 数量过多难免造成样本间相互矛盾 使网络收敛性 能变差 样本数量过少又不足以反映总体情况 因 此 从大量数据中选择合适数目的训练样本可以使 模型的预测结果更加准确 为了使选择的样本能够正确反映总体情况 样 本应包括总体所有的类 同一样本间距离需要达到 一定的密集程度 因此 必须遵守随机化原则 按 照一定的抽样规则从总体中取出一部分个体 假定 需要得到的样本量为 N 则将采集的所有样本划分 为 N 组 从每个组里任选一个样本组成样本集 该样本集可以作为网络的训练样本 10 令 N 分别 取不同的值 通过不同样本量对预测结果的对比试 验 可得训练样本量为 25 35 时 预测精度较高 因此 本文选择训练样本数量为 28 组 另外选择 28 组不同于训练样本的数据作为检验样本 3神经网络模型的建立 神经网络模型的建立包括合理选择输入输出参 数 定义神经网络模型结构 确定隐层神经元的数 目等 用初期选择的输入参数训练神经网络之后 采用灵敏度分析来识别多余的输入参数 从而确定 最终的输入参数集 最后 用检验样本的预测结果 来判定神经网络模型的预测效果 其中检验样本中 的数据不同于之前的训练样本 3 1初期输入参数的选择和网络结构的确定 输入参数的选择既要满足输入参数数目相对 少 又要满足模型预测精度高的特点 本文以某电 厂 350 MW 超临界热电联产机组为研究对象 锅炉 采用前后墙对冲燃烧方式 从锅炉的各项热损失看 机械不完全燃烧热损 失是主要热损失之一 而飞灰含碳量是衡量机械不 完全燃烧热损失的重要指标 影响飞灰含碳量的主 要因素有 燃烧方式 燃料性质 煤粉细度 过量 空气系数 炉膛结构及运行工况等 11 如果这些 因素都作为网络的输入参数 会使问题复杂化 对 于实际已投入运行的锅炉 它的炉膛结构参数已经 确定 锅炉飞灰含碳量特性主要受煤质特性参数和 锅炉运行工况的影响 本文是在同一煤质特性下对 飞灰含碳量进行研究 故煤质特性不作为输入参 数 由于分析的是夏季工况 无供热抽汽 因此在 锅炉运行工况中可采用发电负荷描述锅炉负荷的影 响 基于上述 确定模型的初期输入参数为主蒸汽 流量 主蒸汽温度 主蒸汽压力 送风量 引风 量 发电负荷 总煤量 一次风压 二次风压 二 次风门开度 中心风门开度及排烟温度 输出参数 为飞灰含碳量 利用 MATBAB 程序设计 1 个单隐 层神经网络模型 该模型有 6 个输入节点 12 个 隐层节点和 1 个输出节点 并利用 MATLAB 神经 网络工具箱中 L M 算法训练该网络模型 3 2灵敏度分析 初期确定的输入参数有12个 为了验证每个 81东北电力技术2012 年第 11 期 表 1不同输入参数组合预测结果的平均相对误差 序号1234567891011121314 平均相对误差 0 026 2 0 015 90 0150 019 2 0 013 7 0 017 2 0 016 3 0 017 10 0180 022 3 0 011 2 0 014 8 0 016 5 0 012 9 输入参数对输出结果的影响程度 以便去掉多余的 输入参数 采用灵敏度分析对初期输入参数进行筛 选 在进行灵敏度分析之前 需要做如下假设 每 次用于训练的模型结构和参数是固定的 不同参数 组合所采用的训练样本组是相同的 训练后的模型 检验预测所采用的检验样本组也是相同的 在灵敏度分析中 用平均相对误差作为预测效 果的评价指标 每次去掉一个输入参数 用余下的 11 个参数进行预测 将每次预测结果的平均相对 误差记录在表 1 中 即表中第 1 12 个数据 将 12 个参数全部作为输入参数 其结果同样记录在 表 1 中 即表中第 13 个数据 为了能够更直观地观察各输入参数对预测结果 的影响程度 上述预测结果的平均误差如图 2 所 示 序号 1 12 是每次去掉第 1 12 个参数后剩下 的 11 个参数组合预测结果的平均相对误差 序号 13 是 12 个参数组合预测结果的平均相对误差 序 号 14 是用精简后的 8 个参数组合得到的平均相对 误差 图 2不同输入参数组合预测结果的平均相对误差图 由图 2 可见 第 3 5 11 12 个参数 即主 蒸汽压力 引风量 中心风门开度 排烟温度对预 测结果不敏感 去掉它们对预测结果的影响不大 将这 4 个参数剔除 用余下的 8 个参数在相同条件 下再次预测 预测结果的平均相对误差如表 1 中第 14 个数据和图 2 所示 可见这 8 个参数的预测结 果良好 通过上述分析 从初期输入参数中去掉 4 个敏 感感不高的参数后得到的 8 个参数为最终确定的模 型输入 输入参数分别为主蒸汽流量 主蒸汽温 度 送风量 发电负荷 总煤量 一次风压 二次 风压及二次风门开度 最终实现了用较少的输入参 数达到了较高的精度要求 4结束语 通过对不同输入参数组合下基于人工神经网络 的飞灰含碳量预测结果分析可见 灵敏度分析可以 分辨每个输入参数对预测结果的影响程度 即参数 的敏感性 保留敏感性高的参数 去掉敏感性低的 参数 余下的参数组合既能满足小数目的模型输入 参数 又满足良好的预测精度 通过灵敏度分析 确定了主蒸汽流量 主蒸汽温度 送风量 发电负 荷 总煤量 一次风压 二次风压及二次风门开度 为飞灰含碳量预测模型的输入参数 为提高飞灰含 碳量预测精度提供了参考 参考文献 1 燕洁 神经网络在电力负荷预测中的应用 J 东北电 力技术 2007 28 12 47 48 2 孟懿 钟兆欣 基于 RAN 网及小波神经网电力系统短期 负荷预测 J 东北电力技术 2010 31 5 1 4 3 王广军 陈红 何祖威 基于神经网络的锅炉系统漏风状况监 测与诊断 J 中国电机工程学报 2002 22 11 141 145 4 杨涛 党芙蓉 人工神经网络在发电量预测中的应用 J 东北电力技术 2001 22 5 33 36 5 地力木拉提 哈米达 基于改进 BP 网络的煤粉锅炉飞灰含 碳量预测 J 煤气与热力 2007 27 4 59 61 6 Marta Sebastia Inaki Fernandez Olmo Angel Irabien Neural network prediction of unconfined compressive strength of coal fly ash cement mixtures J Cement and Concrete Research 2003 33 8 1 137 1 146 7 李智 蔡九菊 郭 宏 基于神经网络的电站锅炉飞灰 含碳量测量系统 J 节能技术 2004 22 4 6 7 8 黄豪彩 黄宜坚 杨冠鲁 基于 LM 算法的神经网络系统辩识 J 组合机床与自动化加工技术 2003 46 2 6 11 9 J Smrekar M Assadi M Fast Development o