凡榮榮 楊巨生 謝克昌

（1.太原理工大學電氣與動力學院，太原 030024；2.太原理工國內(nèi)大學生命與技術(shù)山西省教育部重點實驗室 太原 030024）

由于煤的成本較低且儲藏豐富，目前以及以后很長時期內(nèi)，煤在我國能源結(jié)構(gòu)中仍占主導地位。燃煤電廠是煤炭的主要用戶，大量的煤炭燃燒，隨之而來的是嚴重的環(huán)境污染問題。氮氧化物就是煤燃燒過程中產(chǎn)生的主要污染源之一，它對酸雨和光化學煙霧的形成，地球臭氧層的破壞都有直接關(guān)系。所以非常有必要根據(jù)燃煤特性及各種操作參數(shù)準確預報鍋爐在不同工況下的氮氧化物排放特性，這也為燃煤電站鍋爐通過燃燒調(diào)整降低氮氧化物排放提供有效手段。

近年來，BP神經(jīng)網(wǎng)絡(luò)模型在非線性系統(tǒng)建模和控制方面得到廣泛應(yīng)用，這種模型也應(yīng)用到燃煤電站鍋爐氮氧化物排放預測控制。但是 BP神經(jīng)網(wǎng)絡(luò)是基于梯度下降的方法，比較容易陷入局部最小值而無法得到最好的權(quán)值分布，最終影響網(wǎng)絡(luò)的泛化能力。而且在訓練過程中，有關(guān)參數(shù)（如學習速率）的選取也沒有理論指導，完全憑借經(jīng)驗來確定，一旦取之不當，就會引起網(wǎng)絡(luò)振蕩而不能收斂，即使收斂也會因為收斂速度慢而導致訓練時間長。AdaBoost算法能夠提高任意給定弱預測器的預測精度，在許多機器學習的問題中都得到了成功的應(yīng)用。為了提高BP神經(jīng)網(wǎng)絡(luò)的預測精度，克服BP神經(jīng)網(wǎng)絡(luò)權(quán)值初始化的局限性和訓練樣本的主觀因素，本文將AdaBoost算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建了BP-adaboost算法來預測電廠氮氧化物排放量。

本文利用BP-adaboost算法，以某電廠600MW機組鍋爐為例建立了氮氧化物排放特性預測模型。結(jié)果表明，與單純的 BP網(wǎng)絡(luò)所建模型相比，所建模型能夠更加準確地預測不同運行工況下的氮氧化物排放量。

1 研究對象

某電廠4#爐為600MW四角煤粉燃燒鍋爐，該爐為亞臨界控制固態(tài)排渣爐，爐膛尺寸為19558mm×16432mm。采用正壓直吹式制粉系統(tǒng)，配5臺中速磨煤機，爐膛四角布置燃燒器，燃燒器為一二次風間隔布置，滿負荷下投入 5層一次風，6層二次風。

本文從電廠DCS系統(tǒng)中每隔15S下載一組鍋爐運行參數(shù)。鍋爐運行參數(shù)包括鍋爐負荷，一次風風量，二次風開度，燃盡風開度，給煤機開度，二次風箱與爐膛之間差壓，省煤器之后氧量，飛灰含碳量，氮氧化物排放量，排煙溫度，飛回含碳量。一共下載 1200組數(shù)據(jù)來研究鍋爐運行參數(shù)對氮氧化物排放的影響。在此次研究中，煤質(zhì)保持不變，運行工況的范圍如表1所示，燃用煤種特性示于表2。

表1 鍋爐運行工況

表2 試驗煤種

2 BP-adaboost算法建立氮氧化物排放模型

2.1 BP-adaboost算法

Adaboost算法是一種迭代算法。目前，對Adaboost算法的研究及應(yīng)用大多集中于分類問題，同時近年也出現(xiàn)了一些在預測問題上的應(yīng)用。Adaboost算法能夠提高任意給定弱預測器預測精度，因此，本文針對 BP神經(jīng)網(wǎng)絡(luò)自身的局限性和訓練樣本選擇的主觀因素，為提高其預測精度，將Adaboost算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立了BP-adaboost神經(jīng)網(wǎng)絡(luò)預測模型。

該模型采用 BP神經(jīng)網(wǎng)絡(luò)作為弱預測器，根據(jù)每次訓練樣本預測的優(yōu)劣，減少或增加其對應(yīng)的權(quán)重，并使用改變權(quán)重后的樣本重新對弱預測器進行訓練，得出一系列弱預測器與其權(quán)重；最后將這些弱預測器的訓練結(jié)果進行集成，得到最終的輸出。

BP-adaboost算法具體實現(xiàn)過程如下：

首先對樣本進行歸一化處理，從樣本中隨機選擇m組訓練數(shù)據(jù)，初始化測試數(shù)據(jù)的分布權(quán)值Dt（i）=1/m,根據(jù)樣本輸入輸出維數(shù)確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初始BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。

其次，對所有的t=1,2,…,T（共T次循環(huán)，即有T個弱預測器）：

1）用訓練數(shù)據(jù)訓練BP神經(jīng)網(wǎng)絡(luò)并且預測訓練數(shù)據(jù)輸出，得到預測序列個 g(t)的預測誤差和式中 g(t)為預測結(jié)果；y為預期結(jié)果。

2）根據(jù)預測序列g(shù)(t)的預測誤差et計算序列的權(quán)重

3）根據(jù)序列權(quán)重 at調(diào)整下一輪訓練樣本權(quán)重，調(diào)整公式為Dt+1=Dt×1.1。

最后，利用最大加權(quán)投票原則融合各基本預測器f(gt,at)，得到最后的預測結(jié)果

2.2 建立模型

根據(jù)上述步驟，利用BP-adaboost算法建立氮氧化物排放預測模型，模型的輸入條件如下：氧量，5個一次風量，6個二次風量，5個給煤機給煤量，1個燃盡風量，1個二次風箱與爐膛之間差壓，另外，煤種特性取收到基水分 Mad、灰分Aar、揮發(fā)分 Var、含碳量 Car、低位發(fā)熱量 Qnet,ar共 25個輸入?yún)?shù)。輸出參數(shù)為氮氧化物的排放量。算法流程如圖1所示。

圖1 BP-adaboost的算法流程

在電廠DCS分散控制系統(tǒng)采集的1200組數(shù)據(jù)中，960組作為訓練數(shù)據(jù)，240組作為測試數(shù)據(jù)。根據(jù)數(shù)據(jù)維數(shù)采用的 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為25-20-1，共訓練生成10個弱預測器。經(jīng)過預測后輸出氮氧化物的預測值，根據(jù)預測結(jié)果調(diào)整測試樣本權(quán)重值，把預測誤差超過 1.0的樣本作為應(yīng)該加強學習的樣本。得出一系列弱預測器及其權(quán)值。最后利用10組弱預測器組成強預測器預測氮氧化物的輸出。預測結(jié)果如圖2所示。

圖2 預測結(jié)果

圖2為BP-adaboost算法對測試樣本訓練后預測值與期望值的誤差?！皁”代表弱預測器即 BP神經(jīng)網(wǎng)絡(luò)對測試樣本訓練后的誤差，“+”代表強預測器對測試樣本訓練后的誤差。從圖2中可以看出氮氧化物排放特性的 BP-adaboost模型的預測準確率遠遠高于BP預測模型。BP-adaboost預測值的絕對誤差大部分集中在15mg/N3左右，99%樣本的相對誤差控制在 3%以內(nèi)?？梢?，BP-adaboost算法網(wǎng)絡(luò)模型繼承了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點，具有很強的自學習、自組織能力，建立起輸入與輸出之間的復雜的非線性對應(yīng)關(guān)系。而且網(wǎng)絡(luò)中得大量參數(shù)均由學習所得，避免了人為因素的影響。同時當傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)在訓練數(shù)據(jù)量較大、輸入?yún)?shù)過多，模型的泛化能力降低，對于非訓練樣本不能精確預測的情況，BP-adaboost算法可以通過融合多個弱預測器的信息，更加充分利用給定的鍋爐運行參數(shù)，提高模型的繁華能力，對氮氧化物排放量的預測有更高的準確度，得到的預測結(jié)果更加客觀，更加合理。表明了BP-adaboost預測模型的可行性及結(jié)果的有效性和準確性，并且說明BP-adaboost算法可以應(yīng)用于大型燃煤電廠氮氧化物的排放預測。

3 結(jié)論

針對 BP 神經(jīng)網(wǎng)絡(luò)預測存在局部極小缺陷和收斂速度慢的問題，提出了一種基于 BP-adaboost神經(jīng)網(wǎng)絡(luò)的預測模型。將其應(yīng)用于燃煤鍋爐氮氧化物的預測，并與 BP 模型進行了比較。仿真結(jié)果表明，BP-adaboost 模型具有良好的收斂性，預測結(jié)果令人滿意，有較高的精度和良好的實用性，可以為燃煤鍋爐氮氧化物排放量的預測提供依據(jù)。

[1]周昊,朱洪波,岑可法.基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的火電廠鍋爐實時燃燒優(yōu)化系統(tǒng)[J].動力工程,2003,34(5);49-51.

[2]王春林,周昊.基于遺傳算法和支持向量機的低 NOx燃燒優(yōu)化[J].中國電機工程學報, 2007,11:40-44.

[3]吳仕勇. 基于數(shù)值計算方法的 BP神經(jīng)網(wǎng)絡(luò)及遺傳算法的優(yōu)化研究[J].計算機技術(shù)理論,2009,12:2966-2967,3025.

[4]侯林波.基于遺傳神經(jīng)網(wǎng)絡(luò)算法的基坑工程優(yōu)化反饋分析[D].大連:大連海事大學,2009.

[5]周昊.大型電站鍋爐氮氧化物控制和燃燒優(yōu)化中若干關(guān)鍵性問題的研究[D].杭州:浙江大學,2004.

[6]葉銀蘭.基于boosting RBF神經(jīng)網(wǎng)絡(luò)的人體行為識別[J].計算機工程與應(yīng)用,2008:44(3),188-191.

[7]葛啟發(fā)，馮夏.基于Adaboost組合學習方法的巖爆分類預測研究[J].巖土力學,2008,29(4):943-948.

[8]LI K, THOMPSON S. Modeling and predicition of NOx emission in a coal-fired power generation plant[J].Control Engineering Practice, 2004(12):707-723.

[9]KALOGIROR S A. Artificial intelligence for the modeling and control of combustion processes:a review[J]. Progress in Energy and Combustion Science,2003.

[10]ZHOU H, ZHENG L G, CEN K F. Computationl intelligence approach for NOx emissions minimization in a coal-fired utility boiler[J].Engrgy Conversion and Management.2010

[11]ZHENG L G, ZHOU H, CEN K F, WANG C L. A comparatiove study of optimization algorithms for low NOx combustion modification at a coal-fired utility boiler[J].Sciencedirect.2009.