主蒸汽压力建模结果与分析

第1章绪论背景与内容的介绍1.1.1研究背景在当下以科学与技术为主要的发展动力背景下，发电这个重要的研究领域取得了飞快的进步。近年来，虽然在核电，水电和新能源发电等领域发展迅速，但是在未来较长的时间里，火电是发电中的最大动力。在火力发电这方面，实现了迄今最高的能源效率是燃气轮机和蒸汽轮机发电厂。锅炉运行过程中，有许多的参数存在，其中最重要之一就是主蒸汽压力，它是经济和安全的反映，因此，主蒸汽压力保持在允许的范围内，严格控制压力尤为重要，有一个严重的限制系统控制质量的改善，因为燃料主蒸汽压力传输通道是一个纯延迟的对象。学者们不仅提出了关键的对于主蒸汽压力预测的相关问题，也提出了许多新的控制策略。为了确保系统的安全运行在主蒸汽压力控制回路，必须燃烧的内部扰动和外部扰动的蒸汽有足够的调整速度，同时使控制系统有足够的稳定性和良好的质量控制策略。并为此做出了大量的研究。其中本文所应用的预测方法是选用了回声状态网络这个方法，对主蒸汽压力预测。回声状态网络是新型的递归神经网络[2]，因为他有训练方法简单，预测结果准确的特点，一经提出就称为了学者专家研究的热点之一。此神经网络，它引入了一种新的训练方案，是储备池计算。它的有点事避免了血多学习算反的收敛的速度慢局部不准确等问题。许多的专家学者对这种新的神经网络进行了多种多样的研究，并得出了许多结论。而其中最大的研究热点是关于它的理论探索，毕竟这是基础。其次是网络优化这方面。随着研究的进步，有更多的研究已经发展起来了，所以涌现出了许多关于储备池的理论。主蒸汽压力预测的一些研究同样取得了不俗的进展，而其中的原因就是神经网络的兴起。本课题通过回声状态网络（EchoStateNetwork，ESN）的这一预测方法来进行对主蒸汽压力的预测，和经典的预测方法相比较，ESN可以更加快速的得到精准的预测结果，并且以此为依据来制定合适的决策对主蒸汽压力进行调节，仅为保证锅炉在正常情况下安全运行。不仅提高了发电厂运行的安全性，而且对资源的利用也会更合理。对于火电厂的发展起到了促进作用，间接的起到了保护环境的良好作用。因此针对火力发电锅炉主蒸汽压力对象动态特性饨滞和不易直接测量等问题。因此应用到了回声状态网络（ESN）的这一预测方法。以上为课题的研究背景及意义，在有如今良好的科研环境下，和获取知识的途径更便捷的情况下，为此课题的研究提供了更好的环境。国内外研究现状1.2.1主蒸汽压力的研究现状 在锅炉燃烧过程中，其中最基础的一项步骤就是燃料燃烧。在燃烧过程中，产生的蒸汽用来对汽轮机起到驱动的作用。而对蒸汽是否符合相应的要求，所关注的参数就是主蒸汽压力[22]。下面将从两个方面对主蒸汽压力的研究状况进行分析。（1）控制结构研究现状在超调量这个问题的研究中，因为火电机组的控制结构有缺点，所以其中的蒸汽压力的超调量会增大。在这个问题中郭亦文等人，在研究当中，他们将传统的时间序列预测控制当做基础，加上模糊控制，推导出一种的新预测控制算法，它是依据AR模糊模型的。此种方法能够确保主蒸汽压力的优秀特性，并且还可以通过这种预测，改变负荷上升下降的速率，从而进一步优化AGC的响应能力和良好品质。（2）主蒸汽压力动态特性的研究现状有了这么久的研究，已经非常明确了一条信息，主蒸汽压力在众多参数中是相比较难以控制的。因为他的特性很独特，就像大滞后特性，大惯性和非线性等特点。但是许多的研究人员对此都有各自的理解，所关注的重点也不一样。有的是在理论分析中见长，还有实际应用的基础上研究的出色，就像荣潘祥等人对此得出的研究成果。综合了模糊控制和PID控制的突出特点，进而展现出一种模糊PI控制系统。该系统能够将SIMULINK与模糊工具箱有机地结合在一起，进而大大提高非线性滞后系统的控制效果；钱虹等人[3]针对主蒸汽压力的动态特性，提出一种基于模型预测控制（modelpredictivecontrol，MPC）的主蒸汽压力控制方法，并将其运用于系统主调节器，从而很好地解决了调节时间滞后等问题，系统的稳定性、抗干扰能力和适应性都得到了提高；贺暒豪等人[4]提出一种将预测函数控制（predictivefunctioncontrol，PFC）与PID相结合的主蒸汽压力预测方法，并将该算法运用于系统的主控制器，常规的PI控制器是副控制器所采用的，从而增强系统的抗干扰能力和鲁棒性。（3）综合动态特性和控制结构的研究现状薛美盛等人[23]研究了主蒸汽压力特性还有串级控制的一些数据，基于此设计出了新的控制模式。这种模型叫作阶梯式控制模型，他能够进行的功能就是对主蒸汽压力的主蒸汽压力的广义的预测。从实际角度看，这个方法作用效果较好，可以维持主蒸汽压力稳定，而且拥有抵抗干扰的作用，有很好的应用前景。1.2.2神经网络的研究现状神经网络加入反馈连接后（称为递归神经网络），它是通过一种新的方法来建模，对动态系统在实际问题中进行建模。它虽然与生物自然界的神经网络有相似之处，对于它的研究也有许多的结论，比较完善。但是网络的状态会发生改变，特别是随着时间改变。这是由于网络中有递归信号。信号运动时会存在不稳定的问题。因此得到相对实用的学习算法是比较困难的。这也是他不容易被广泛的应用。并且递归网络的训练收敛慢，训练复杂度高。这个难题并没有阻止Jaeger和Haas的探索，回声状态网络就此被他们二人所提出。这一重大发现为递归神经网络的发展提供了更加清晰的道路。这是一种被称为储备池计算模式的新方法。因为他引入了新的概念，储备池。用它来做内部网络。他工作的特点如下，当有外部的序列输入时，它会产生许多的非线性空间，但是他可以通过一个简单地方式读出网络，继而的到输出。这种新的方式与原始相比最突出的地方就是训练，他改变的参数是输入的值，其中的权值并没有做出改变，所以这种方法的计算精简了许多，并且可以去的非常高的建模精度，预测精度。因此这项新的发现的到了众多的关注，一时成为了递归神经网络的重点和热门。因为研究的深入，这项技术被大量的应用到诸多行业中。并且在很多研究的领域中都可以看到他的身影。动态模式分类、对象跟踪核运动目标检测、机器人控制、事件监测等，其中有一项研究做出了很高的贡献，就是时间序列预测问题。提出者本人（Jaeger）在提出他突出的研究之后，在第二年就在知名的国际期刊发辫了关于时间序列的文章，同时他最大的特点就是将ESN网络应用在了神经序列上。这一举动，为将来发展做出了突出的贡献。此外，，国内大连理工大学的韩敏等人在ESN的使用方面也做出了突出的贡献主要研究内容通过一定的了解和学习，对主蒸汽压力有了跟深刻的了解，明确了它的特性和目前的研究状态。显而易见的，它是整个火电机组中重要的一项参数。只要对主蒸汽压力预测的研究取得质的进步，那么火力发电才会有更好的发展状况。无论是怎样的火电机组，都是离不开主汽压力这一项预测的。所以，这也成了许多学者专家研究的对象之一。基于此，我通过多方位的学习查找，询问探访。得到了许多的知识填补，让我受益匪浅。同时这也让我更加坚定的完成本次研究。在得到了知识后，最重要到就是实践，通过不断地实验，不断地改进，最终不负所望。我得出了想要证明的结论，那就是回声状态网络这种方法是可以能够对主蒸汽压力进行准确高速的预测。并且我将所有数据资料，整理起来以便于论证。我具体的研究过程，大致整理如下四个方向：放在首位的就是明确研究此次课题的意义，通过课上的学习加上在网络上的搜素，首先明白了主蒸汽压力在锅炉燃烧中作为重要参数，其次是蒸汽本身具有特性就是可以压缩，还可以冷凝。可是不利的环境下，温度太高，一般的压力变送器没有耐高温的特性，不能够实现测量这项工作。因此对主蒸汽压力的预测就有很重要的意义。在有了大学期间所学专业课的基础上，对知识的获取方面得很大的帮助，我通过书籍填补了自己以往的漏洞，并且还通过互联网进行查阅，通过多方面的学习，我对所需要研究的课题得到了充分的了解。最后为了明确所需要的研究重点，我请教了老师，得到了醍醐灌顶的帮助。因为最重要的工作是预测的仿真实验，而在实验之前对数据进行整理的工作也是尤为重要的。因此需要掌握多种数据处理的方法，比较适合此次试验的一种。最终我选用的方案是进行特征选取。使用的方法的是excel软件中correl函数进行的统计，通过相关系数的比较的从九组数据中选取了七组。（3）实验的步骤很清晰明确，确定输入和输出变量，通过建模得到所需要的预测数据。通过python软件对模型进行仿真，此模型是以主蒸汽压力为输出，的正选取后的影响因素作为输入。所用方法是ESN的训练和预测。此次共有302组数据采用了随机的200组数据作为训练集剩余的作为预测集。并且建模所应用的软件是通过Anaconda以配置python环境。（4）通过仿真实验获得预测结果，判断其真实性和可靠性，并且针对研究目的对结果进行细致的比较和分析。来确定效果最好的模型，从而获得精确的预测数据。并且对结果进行总结的到最终结论。本章小结本章第一节主要分析主蒸汽压力预测的研究背景，通过提供大量的论据论证主蒸汽压力预测的不可忽视的作用。第二节为了确立研究的方向进展等问题对研究现状进行描述。第三节主要介绍自己经过谨慎思考后的研究思路和研究方向，并制定了与之对应的研究任务，为今后的研究工作提供便利。第2章主蒸汽压力的分析2.1影响主蒸汽压力的因素锅炉燃烧控制有许多参数，主蒸汽压力就是其中之一，并且是一个重要的主参数[1]。它的高低代表了燃烧系统的安全与否。这个参数的高低会直接反应出机组的性能，太高的参数代表承受压力的部件会增加承受压力，将提高了设备损坏的风险。还代表蒸汽湿度变高，会降低汽轮机末几级叶片的使用寿命；过低机组经济性无法保证外，同时还需要增加蒸汽流量来维持安全运行，汽轮机组轴向位移变大，动静碰摩的可能性增大[14]。同时因为蒸汽本身有可压缩和冷凝特性，同时由于温度太高，一般的压力变送器膜盒不能承受高温，直接测量会很快损坏传感器[11]。还有借助冷凝管的一类指针式压力表进行检测。由此可见预测主蒸汽压力的重要性。2.1.1主汽压力影响因素的分析通过查与以往的研究资料和相关书籍，可以将主蒸汽压力的影响因素主要分为以下几组。给水流量和主蒸汽流量成正比，主蒸汽流量和主蒸汽压力成正比关系。所以主蒸汽压力随着给水流量的升高而增大。还有一点流量和汽温都有影响，但是流量的影响更大，所以主要看的是流量。喷水流量几乎与给水流量的情况一样，都是成正比的关系。但是喷水流量的变化量很小，所以对主蒸汽压力的影响可以忽略。调节阀的开关大小，直接影响主蒸汽压力的大小，开口大这蒸汽压力降低，开口销主蒸汽压力升高。将这个变化量称为调节阀阻力系数。给水焓的影响可以简单地看给水温度，锅炉在工作中有预热，蒸发，过热这三段。主蒸汽温度会随着给水焓的下降而间接的下降，因此主蒸汽压力也会下降。喷水焓与主蒸汽温度成正比关系，主蒸汽压温度和主蒸汽压力成正比关系。因此主蒸汽压力会随着喷水焓的变化而改变，二者也成正比关系。燃煤两的影响因素显而易见，当给水量不改变的情况下，主蒸汽温度会随着燃煤量的增加而升高，因此主蒸汽压力也如此。锅炉输入热量受燃煤质量的影响，发热量较高的煤，对锅炉输入的热量就多，因此在燃煤量不改变的情形下，蒸汽获得的热量就更多，主蒸汽温度会变高，所以主蒸汽压力也同样变高。相反，输入热量降低是，主蒸汽压力也降低。锅炉的效率高低，代表燃料燃烧的充分与否，效率越高，燃烧越充分，热量利用率越高，因此主蒸汽吸收热量也就多，所以主蒸汽温度会升高，主蒸汽压力增大。与之相反则主蒸汽压力下降。再热蒸汽的总吸收热量随着再热蒸汽流量的增加而增加，若BQrVl不变，由能量守恒知主蒸汽总吸热量就变小，主蒸汽温度就下降，随之主蒸汽压力就下降。与之相反就是主蒸汽压力变大。再热蒸汽比焓比的高低受再热汽温的调节方式影响，它变大时，如果再热蒸汽流量不变，会有再热蒸汽总吸收热量变大，根据能量守恒可有主蒸汽吸收热量降低，主蒸汽温度也降低，这蒸汽压力就同样下降。相反的主蒸汽压力就会增大。锅炉外的影响因素：蒸汽量的改变，用户所用的蒸汽量是在变化的，用户的蒸汽用量变多，则用气量上涨，汽压就会减少。锅炉内的影响因素：燃烧状况的改变，锅炉内传热的改变，锅炉受热面存在泄露与否，给水温度的改变。以给水温度为例。尾水温度下降，汽压就会减少。火焰高度在炉膛内的变化、安全门是否动作。2.1.2主汽压力波动的后果主蒸汽压力通常会在一定的安全裕度内上下波动[13]，一旦超过安全裕度，则会造成很严重的后果。首先最大的影响就是安全问题，蒸汽的压力对管道等硬件都有一定的影响；如果主蒸汽压力低于变换范围的最小值，会对整体的做功降低。其次对于主蒸汽压力波动，需要进行相应的调整，假如要是对蒸汽流量上调，就会增加消耗的成本，对经济性会造成损坏。而且负荷也会超标，造成的影响非常大。维持锅炉主蒸汽压力的稳定不但能够保证机组的安全运行，也能保证燃烧过程的经济性[14]。遇到困难的首要想法就是解决办法，在产生影响之前，就对其加以一致。首先考虑影响因素的原因，通过预测，得到相关的数据。将所得数据进行分析，找出其中的问题，通过提前的纠正，严格的执行，可以保证机组的正常运行。由此可见，针对主蒸汽压力波动的后果虽然严重，但是可以通过预测手段进行改正，有着关键重要的作用。2.2主汽压力动态特性的分析锅炉的燃烧过程利用燃料燃烧产生的热量生产蒸汽，再利用蒸汽驱动汽轮机做功[20]。在动态特性分析中，主汽压力可以从两方面俩分析，其一是从内部，其二是从外部。内部则是内部扰动的分析关于燃烧量。外部则是外部扰动的分析关于汽轮机。下面分析在上述两种扰动下锅炉主蒸汽压力的动态特性[21]。（1）锅炉内部的扰动通过公式对锅炉内部的扰动进行分析总结。记燃烧量为uB。当uB发生阶跃变化之后，炉膛热负荷就会随之立刻增大，汽包的压力变大，蒸汽流量D同样变大。如果汽轮机调汽阀的开度不变，主蒸汽压力同样会增大，反之就会降低。从而使蒸汽流出量增加，通过这种方法得到平衡。公式表示如下：（2-31）（2-32）其中：KB为过程增益，TB为时间常数，τB为纯滞后时间，ΔQr为热负荷阶跃变化，D为蒸汽流量，pd为蒸汽压力，i’’（2）锅炉外部的扰动通过公式对锅炉外部的扰动进行分析与总结，针对主蒸汽压力特性，外部扰动是因为外部的电网负荷波动引发的，它通过改变蒸汽阀开度ug，使汽轮机进汽量产生改变。公式表示如下：Ggs=−[A+Kg其中：A为主蒸汽压力突跳值，Kg2.3本章小结本章的第一小节主要是针对主蒸汽压力的影响因素进行推导和总结，从最基本的公式来明确其影响因素，从未更明确了预测主蒸汽压力重要意义。分为三点来进行阐述。第二小节是对主蒸汽压力的动态特性进行分析总结分为内部扰动和外部扰动。神经网络与预测算法的分析3.1人工神经网络为了更深入的对所研究课题的理解，加深对回声状态网络的认知，首先需要对神经网络的分类进行一定的了解。神功神经网络的研究成功，得益于生物神经网络。在一定程度下的技术表现。它实现的功能是依据生物神经网络的理论和现实应用的要求建出便于使用的神经网络模型，加入合适的学习算法，模仿人类大脑的一些职能动作，之后应用于实际中解决现实问题。所以，生物神经网络主要的研究方向是要就智能的机体理论；而人工神经网络主要研究实现智能机理，这二者相辅相成。神经网络（NNs）是人工神经网络（ArtificialNeuralNetworks，ANNs）的另一种说法。顾名思义，它的基础就是动物的神经网络，人工神经网络通过对动物神经网络的模拟，再加上适合的算法数学模型，就能够成功。但是与之不同的是，人工神经网络凭借着复杂的特点，再加上大量节点之间的联系，下能达到成功地处理信息的目的。3.1.1前馈神经网络的介绍它也是人工神经网络的一类，之所以称之为前馈神经网络，是因为在这个网络中并没有反馈产生，全部都是单方向的传播。并且它具备的结构特点是多层的单项的结构。在每个层里面都有大量的神经元。其中的输入层就是最开始的第0层，输出层就一定是最后一层。最后就是中间层，称之为隐含层。它可以是单层，同时也能够是很多的层。这个网络在当今的许多地方都有较为广泛的应用。在人工神经网络中它是发展迅速的一种。（1）前馈神经的网络结构之前介绍了它的网络结构，下面将是结构设计的三种方法介绍：直接成形法、修剪法和生长法。第一种方法是用来构建真实网络的，其二是具有指导意义的剪枝法。这种方法需要有一个充足的初始网络，所需要的是一个长时间又复杂的过程。但是这不是总有效的，另一点是成长方式，这更加符合我们对知识学习的习惯，是一个积累知识的过程，生长方式具有自组织性的特点，具有广阔的发展前景。（2）前馈网络的分类先根据系统来观察，前馈神经网络是一种静态的非线性映射，是以简单地非典型处理地方的复映射，通过此方法，得到复杂的非线性处理能力。在计算方面来观察，他缺少充足的动态行为运动。但是他可以实现有线的训练样本的数据集。在学习这方面，前馈网络的几项能力相比于反馈网络是比较优良的，包括分类和模拟识别的能力。下面是几种网络：人工神经网络中，最简单的一个就是结构最简单的，是单层前馈神经网络。因为它输出层仅仅有一个。同时在这层上的节点个数世界以利用计算所获的。其次是多层前项神经网络，它的结构式是输入层和输出层各一个。隐层可以是多个亦或是一个。用于模型分类的一种神经网络是感知器网络，可以应用于多种控制。包括了学习，分类等多模态控制。3.1.2递归神经网络的介绍这中网络英勇的算法是一种深度学习算法，它是人工神经网络中一种特殊的网络，因为它拥有特殊的结构。它是树形结构，输入信息是根据他的网络节点的连接顺序。在1990年，RNN（递归神经网络）被提出，它是一种推广形的神经网络。节点中含有父节点和子节点，二者互相连接，并且两两单个相连。相当于联通的神经网络。在诸多的领域都得到了大量的关注，在结构关系的机器学习项目中得到了充分的应用。具有拓扑结构可变、权值共享的特点。下面是它的网络结构和理论的叙述。递归神经网络的理论递归神经网络可以使用两种方法理论进行训练。分别是监督学习和非监督学习另一个是应用于结构的信息与学习中的递归神经网络，称之为非监督学习算法。其中最常见的组织形式是递归自编码器（RecursiveAuto-Encoder,RAE）。另一个是递归神经网络通过\t"/item/%E9%80%92%E5%BD%92%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"反向传播的算法，进一步改善权重参数，与循环神经网络相互对比可知，计算过程可学习随时间反向传播算法。这是监督学习算法。另一个是应用于结构的信息与学习中的递归神经网络，称之为非监督学习算法。其中最常见的组织形式是递归自编码器（RecursiveAuto-Encoder,RAE）。（2）递归神经网络的结构主要是节点构成了核心部分，分为高阶层和低阶层。其中分别表示为父节点和子节点。输出节点是末端子节点，通过观察，它的特点和性质与树中的节点相同。不一样的是，在树状图中，输出在上，因为这个结构是自下而上绘制的。数据的输入和输出都可以在节点中进行，因为递归神经网络可以单输入多输出。单输入情况，通过输出函数的到结果。这是在末端子系统中发生的。多输入情况中拓扑结构决定了神经网络的输出，并且每个节点的系统状态都可以进行输出。3.2ESN网络的介绍在2001年Jaeger提出了ESN，这是一种新的递归神经网络。上一节有一些知识。ESN一经提出，就成为学术界的热门话题[3]，并被广泛应用于各种领域，包括动态模式分类、机器人控制、目标跟踪、核运动目标检测、事件监测等，特别是在时间序列预测方面，做出了突出的贡献。在提出ESN神经网络后的第二年，Jaege在世界著名期刊上发表了一篇关于ESN在时间序列预测中的应用的文章，为以后的发展做出了巨大贡献。此外，来自大连理工大学的韩敏等人在ESN的使用方面也做出了突出贡献。与RNN不同的是，ESN的隐藏层，在输入层到隐含层中，连接权值不是一直改变的，他可以随机的进行初始化和固定操作。同时因为训练的只有输出层，并不用到BP，所以他的训练速度十分的快，训练的这一过程我们称它为线性回归。3.2.1基本介绍ESN是一种新型递归神经网络，它有储备池的计算[12]，ESN是有输入层，储备池和输出层等组成的，其拓扑结构如下图：图3.1ESN网络结构ESN网络的基本方程描述（3-1）（3-2）上述等式中：x(k)代表状态向量在储备池中；u(k)代表输入向量；y(k)代表输出向量；f(·)为储备池节点的激活函数；Win为输入连接权值；Wout为输出反馈连接权值；W为储备池内部连接的权值；Wout为输出权值；fout(·)为输出层函数。通常作为线性函数，神经网络可以看作是一个非线性系统，他的训练过程可以看做是非线性优化问题，目标是最小误差函数[13]。对神经网络的分析，必不可少的就是其影响因素，对于网络性能的影响有如下几点因素，网络的结构模型，训练使用的算法，激活函数还有初始的权值如何选择。其中网络的性能主要有无法离开变量的初始化，比如训练的时间和测试时的误差程度。还有在训练过程中对权值的调节。由此可见，在对网络训练的这一过程，找到有效地初始化权值是多么的重要。这个权值的初始化在前项神经网络中到目前为止已经大量的应用了。但是在递归神经网络的权值初始化这方面，研究的相对比较少。目前已经知道的结论有关于ESN储备池的一些特点，在其中存在的大量的神经元，在储备池中随机的连接着，呈现的状态是稀疏的，偶合的。从结构上来观察，ESN相比其他的神经网络更接近于生物神经网络[15]，没有输出反馈的基本ESN方程为（3-3）（3-4）其中：u（n），x(y)，y(n)依次称为网络的输出变量，储备池神经元状态和网络输出变量；Win，W，Wout依次称为入权值矩阵，储备池权值矩阵，输出权值矩阵，并且可以通过计算得出相应的维数；还需要对有储备池神经元及输出神经的激活函数这两个取为双曲正切函数tanh和线性函数。ESN的Win和W是随机确定的，在训练之前，并且，是保持不改变的状态在训练和测试中，对内部的状态矩阵定义。回声状态网络提出于2001年，曾经是研究的热点，但近年来随着RNN，LSTM与一些其他变种网络的出现，相对研究变少了[16]，但是它在时间序列预测上有着很不错的应用。我们知道MLP神经元全部连接在一起并且是层与层之间的，而ESN与他不同的就是，ESN有一个全新的结构取替了原始的隐层。不仅储备池的性能优良，而且特点鲜明，其中包括，大量的神经元；每个神经元在储备池内随机产生连接关系；并且连接的状态拥有稀疏特点。从以上的特点可以看出储备池是有许多的有点的，首先训练的计算量会明显的降低，其次会避免一些算法中出现异常的状况。最后是他的建模能力，相当的出众ESN的基本思想就是由储备池生成一个随输入不断变化的复杂动态空间，当这个状态空间足够复杂时，就可以利用这些内部状态，线性的组合所需要的对应输出（实际上这就是传统的MLP拟合的能力）[17]。那么如何训练这个网络首先是了解其数学符号和数学定义，之后是其构造的过程，训练及测试。下图为ESN的构造过程，从初始化到训练到使用的结构图：图3.2ESN构造过程在整个构造的过程中，有一项任务多次出现，就是空转。其实，就此来讲，他就代表着出贝齿的一种初始化状态。这项操作的意义是为了降低噪声产生的影响。在储备池的特点中可看出去它内部是随机连接的。所以会在输入序列带下一步的过程中会产生比较大的影响。因此会先用一些数据来做初始化。从左到右一个一个的来观察，初始化中，首先需要对比MLP来找到相同点和不同点。所以有下述的过程，与之相比较，ESN的网络节点个数越多，就表明你喝的能力越强。但是也不是无限大就是最好。要根据情况而定。还有ESN是以调节输出权值这一项操作来改变线性拟合结果的。因此可以看出，ESN的节点模式正常情况下是要比普通的神经网络节点规模更大。下一步就是连接矩阵的随机生成，这是有图的向一种矩阵表示。表示神经元在其中是有链接的。并且他们的一些权值与运动方向都可以通过这个矩阵来表示。在其中缩放因子的使用虽然可以对特征值进行缩放来使他变得更加的快，可是与此同时在一定的程度上，降低了精度。通过观察，对于一些神经网络的初始化时相似的。以上就是整个构造过程，其中的一次无参数会对网络的记忆产生影响。其中的一项输入权值和矩阵的谱半径。在靠近1的时候，网络的记忆时间会很长。但是，增强记忆能力的同时，这种操作也造成了网络对快速变化系统的建模能力下降[19]。3.2.2相关的参数ESN的网络隐层有许多参数，在随机的大规模的神经元连接中，通常将此称为储备池。而ESN网络具有的特点是包含数目相对较多的神经元；神经元之间随机的产生连接关系；具有稀疏性的神经元链接。因而对于ESN的预测精确度要有准确的了解，以下四个参数影响着预测精度。有储备池规模，谱半径设置，输入尺度因子，输出正规化因子这四个参数。要想得到准确的模型，必须通过计算和实验找到最合适的值。3.3BP，MLP和RBF神经网络的介绍3.3.1BP的介绍称为BP神经网络的预测方法，其中的特点是对于在任何闭区间的连续函数都能用一个隐含层进行逼近，RobertHecht-Nielsen在1989年验证了这一点。众所周知，称之为万能逼近定理。它的隐含层在输入和输出层之间有很多个，进行着工作信号正向传递的子过程，还有误差信号反向传递子过程。因此三层的网络是可以实现任何维到维的映射。它的网络结构可见下图，如下图示：图3.3BP网络结构输入和输出这两个层中的节点个数全部是一定的，在这个神经网络中。但是无法确定隐含层里面的节点个数。事实上，对神经网络的性能有一定的影响包含隐含层节点的个数，而与此同时可以通过一些公式计算隐含层中的节点的个数，如下其中h代表隐含层节点的个数，n代表输出层的节点个数，m代表输入层的节点个数，a是调节常数，取值范围是1-10。（3-6）设：输入神经元个数为M，隐含层神经元个数为I，输出层神经元个数为J；输入层第m个神经元为xm，隐含层第i个神经元为ki，输出层第j个神经元为yj，xm到ki的权值为wmi，ki到yj的权值为w（1）工作信号正向传播[19]输入层的输出等于整个网络的输入：。（3-7） （3-8）（3-9） （3-10） （3-11）（3-12）其中，uIin为隐含层第i个神经元的输入，vIi(n)为隐含层第i个神经元的输出，uJjn为输出层第（2）误差信号反向传播=1\*GB3①调整权值wij。 （3-13） （3-14） （3-15） （3-16） （3-17）输出层传递函数的导数为： （3-18） （3-19）引入梯度： （3-20） （3-21）因此，可得： （3-22） （3-23） （3-24）=2\*GB3②误差信号向前传播，调整权值wmi。 （3-25）以上，可以看出Bp神经网络拥有非线性映射能力，在理论上可以用任何精度来向任何非线性连续函数靠近。3.3.2MLP的介绍MLP叫做多层感知器，从结构上来看，他最大的特点就是三层，它将输入的数据集全部都映射到单一的输出数据集。正是如下三层：输入层，隐层与输出层。在层与层之间都是有连接的，通过任何一个神经元，将上一层与下一层进行连接，称为全连接。具体结构可见下图，可以清晰地看到。3.3.3RBF的介绍这个网络叫做径向基函数，他可以逼近非线性函数。还具备学习收敛速度快的特点。在主多的技术中都出现过RBF,非线性函数逼近、时间序列分析、数据分析、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等领域。Broomhead等人在1988年将径向基函数（radialbasisfunction，RBF）归入到了神经网络，并且说明了它收敛快是有原因的，可调参数在网络中受到影响时，任意一个输入，权值都必须进行调整。从而径向基函数神经网络的到了提出。RBF网络使用的函数是Gauss函数等径向基函数[35]，对非线性网络具有一致逼近的性能，它的优点是结构简单、收敛速度快。一般，径向基函数记为Φx,y=φ(x−y)，x指欧几里得范数（2-范数），而且它必须满足以下条件：如果x1 （3-28）RBF网络只由三层神经元就构成了。输入层，第一层是输入维数和节点个数相等；隐含层，第二层是复杂度确定了节点个数；输出层，第三层是输出维数和节点个数相等。在这里，隐含层的基函数是非线性的径向基函数，输出层是选用线性函数[26]。通过详细的介绍不难看出他网络结构的特点，结构相对来说是简单的。学习的速率也是相对较高。以上就是对于RBF的基本介绍，目的是为了后面做对比实验。 3.4本章小结第一小节所讨论的是神经网络的基础知识，为后面几个小节做铺垫打基础。第二小节主要就是讨论的重点，给出了ESN的算法特点应用要求等。剩余四节是为了给出其他的网络预测方法，通过对比来更准确的分析ESN算法。其中的RBF与MLP预测方法都是通过SPSS软件所完成的效果较python与matlab的要好。所以选用了SPSS。通过本章的分析，对神经网络的已经有了充分了解，对后续实验的到了较大的帮助。主蒸汽压力建模结果与分析4.1数据预处理数据预处理这一步骤，是必不可少的。他真是的目的就是为了把原始数据的样式加工改变成我们需要的格式。因为原始数据有许多的数据集组成，在这些数据集当中，会存在低质量的数据，这景会导致后续的训练预测结果产生偏差，所以我们可以对数据做一下处理。具体步骤如下图所示。图4.1数据预处理步骤第一步是除掉无关的数据，接下来就是把这些数据集整理在一起，放在同一位置储存。最后就是转好数据，把原始数据转换成我们所需要的数据。这样方便我们后续的实验。并且这一项步骤的做用就是可以去除异常的数据，把缺失的遗漏的在找回来。数据预处理就是解决上面所提到的数据问题的可靠方法。表4.1主汽压力相关变量描述序号变量名单位变化范围标签1炉膛温度℃84.617-108.920T12一次风t/h187.668-233.375P13一次风出口温度℃306.221-320.979P24二次风入口流量t/h130.179-147.951S5锅炉二次风风温℃293.322-311.237B6给水流量t/h481.214-690.271F7氧量控制输入%3.760-7.645O8总风量t/h962.673-106.089Q9给煤量反馈信号t/h111.014-176.717C通过表4.1中信息可知，各个过程参数的数据量级有很大差别，这会影响建模的精度。因此，通过求取相关系数r来做选取的标准。4.2输入变量特征选取特征选取效果分析：本节主要讨论特征选取前后对算法预测建模精度的影响。需要说明的是，实验只是针对输入模型特征变量的数量不同而引起性能上的差异，其他条件不改变。根据掌握的知识可知9个输入变量可引起主蒸汽压力的变化，为了进一步降低计算的复杂度，提高效率，提高精确度，来对输入变量进行特征选取，从而来降低维数。本文根据变量重要性数据结果对变量进行选取，剔除相关性较低变量,选取重要性在0.2以上参变量作为后续模型建模的特征输入。信息重要性排序如图1所示。最终选择7个参数作为模型最终输入，分别为一次风P1，一次风出口温度P2，二次风入口流量S，锅炉二次风风温B，给水流量F，氧量控制输入O，总风量Q。图4.2相关系数4.3评价指标本小节主要阐明几个评价指标，他们代表的就是预测结果的准确度，回归算法的评价指标就是：均方误差（MSE），RMSE，平均绝对误差（MAE）、平均相对误差（MAPE）和R-Squared。MSE，MAE，MAPEMSE（MeanSquaredError）中文是均方误差，重要的评价指标之一。这个计算比较简单，首先计算真实值和预测值之差，其次将所得到的差进行平方计算。然后把得到的所有平方进行求和。得到所有平方的和。最后将其作为分子。样本数作为分母，求得平均数。这就是计算方法，可见下方公式4-1。这个评价指标所表示的含义，从公式中可以看出它是表示数据变化的程度的。所计算的结果越小，就代表误差小，结果准确。（4-1）RMSE（RootMeanSquardError）均方根误差。此评价标准与MSE有相之处。但是区别是对结果进行了开方，这就使得误差结果与测试结果是同等的了。公式如下：（4-2）MAE指标可以准确的表示预测误差量大小，因此这是一个评价的重要参数。公式如下：（4-3）R-Squared的计算结过表示的是拟合程度。详细来说就是方程和真是的样本有多少的相似程度。分子是真实值减去预测，再求和。分母表示部分是真实值与君知的平方差，再求和。通过拟合程度的大小可以看出这个构建的模型是否好，通过计算的结果可以明显看出，当计算的值是0，那就相当于效果极差，不适合实验。当计算的结果是1，那么模型构建的非常成功，可以用来做实验。综上所述，R-Squared的值大，说明模型好，实验结果可以使用。公式如下：（4-4）MAPE(MeanAbsolutePercentageError）平均绝对百分比误差。得数是一个大于等于0的数。和上一个评价指标相反，此MAPE越小，表明模型越好。所以当MAPE为0%时，就代表，模型非常完美。可以用于实验。但是当MAPE大于100%时，魔性不可用。不仅缩写与MAE相似，它的计算也是相似的。仅仅是再求和前多了一项运算。所以这里有一项特殊情况，当分母，也就是真实值是0的时候公示无法使用。综上所述，总结这个评价指标就是用来体现模型的可信度。具体公式如下：（4-5）4.4仿真实验4.4.1实验过程为了更加具体形象的证明ESN网络预测更具有优势，本节通过描述相应的实验和一些实验数据的体现来加以印证。下面所描述的就是ESN对主汽压力的仿真实验，以此来体现回声状态网络的可用性与准确性。本次实验应用的软件是python，通过Anaconda以配置python环境。通过前面对主蒸汽压力的影响因素和特性分析，并且继而进行了数据的预处理，最终生成了本次所使用的实验数据。输入变量7组，输出变量1组。第一步，因为数据较多，为了简便数据的计算，接下来将数据来进行特殊的处理，归一化就是其中的一种，并且这个方法具有两种应用方法，其一是把数据变为（0，1）之间的\t"/item/%E5%BD%92%E4%B8%80%E5%8C%96%E6%96%B9%E6%B3%95/_blank"小数，其二是把有量纲表达式变为无量纲表达式。本次实验应用的是第一种，主要是为了计算过程简便。第二步，实验有两大部分训练和预测，为了增加结果的准确性并且更加的明显，先将数据集进行打乱处理，将其作为原始数据，下一步将原始数据划分成训练的样本与测试的样本，然后是确定输入变量。划分情况如图一所示。图4.2测试和训练集的划分第三步，建立主蒸汽压力的预测模型，建立基于回声状态网络的预测模型，并应用已经处理好的训练样本进行相应的训练，因为ESN的特点就是训练快学习快，所以这是ESN的一个优势，训练之后就是预测。因为ESN网络预测的核心就是储备池，所以此处关于储备池参数的设定与调整是很关键的一项步骤，有储备池的规模（ressize）谱半径（spectralradius)连通率（connectivityratio）泄漏率（leakingrate）。通过接下来的调试选择出最合适的值，以便于得到最完美的模型。通过了训练和预测，再将结果进行反归一化处理，恢复到原来的状态。第四部将通过四种评价指标：均方误差（MSE），平均绝对误差（MAE），平均绝对百分比误差（MAPE)和RSquared来进行评价，最后是保存图像和相关数据，以便于结尾进行研究与分析。以上是实验过程的体现，先将进行实验结果和一些对比分析。4.4.2实验结果和对比分析从实验结果来看，本次课题所研究的内容是可以实现的，并且完成的效果也是较好的准确度相比较高。在基于本次课题所应用python软件进行的主蒸汽压力预测实验中，所得到的结果如下：首先通过实验对特征选取前后的实验结果进行了对比，如图4.3所示，图中所示是特征选取前后的预测数据与