(软件导刊)基于BP网络的火力发电厂锅炉管壁温度预测的研究

基于BP网络的火力发电厂锅炉管壁温度预测的研究张家港沙洲电力有限公司王鹏215624摘要:锅炉管壁超温现象的存在严重影响了锅炉的安全及可靠性。本文在对BP神经网络简介的基础上，详细研究了基于BP的锅炉管壁温度预测的数字模型，并通过应用样本的获取，分析BP神经网络在锅炉管壁温度预测方面的设计、不足及具体的参数选择，从而降低了火力发电厂锅炉管壁超温情况的发生，延长了锅炉的使用寿命。关键词:神经网络；管壁超温；温度预测；ResearchofThermalPowerPlantBoilerWallTemperatureForecastbasedonBPxxx，WangPeng，215624Abstract:Over-temperatureboilerwalloftheexistenceofthephenomenonhasseriouslyaffectedthesafetyandreliabilityoftheboiler.Inthispaper,BPneuralnetworkintheIntroduction,basedonadetailedstudyofBPbasedonthetemperatureoftheboilerwallforecastmodel,andthroughtheapplicationofsampleacquisition,analysisofBPneuralnetworkpredictionoftemperatureintheboilerwalldesign,andlackofspecificchoiceofparameters,therebyreducingtheover-temperaturethermalpowerplantboilerwallfromhappening,toextendthelifeoftheboiler.Keywords:NeuralNetwork;WallOver-temperature;TemperaturePrediction;1引言国内外诸多电力系统专家和学者研究了通过热力计算分析的方法对锅炉管壁超温进行研究，其中较为成熟的研究成果有前苏联1973年出版的《锅炉机组热力计算标准方法》，国内目前很多研究仍是在此基础上进行的[1]。热力计算分析的方法有一定实用性，但是当机组运行条件发生交化时，如火焰中心的位置变化、燃烧器区域结渣及联箱及管道内水力持性变化等，就必须通过实践经验加以必要的修正，其应用难度大，并且如修正不准确很有可能会到错误结论，因此，有必要对这种传统的计算方法通过新技术而有所突破。2基于BP的锅炉管壁温度预测模型分析2.1基本分析BP神经网络(BackPropagationNeuralNetwork)是1986年由DE.Rumelhart和J.L.Mccelland及其研究小组研究并设计出来的，通常有一个输入层、一个输出层、一个或多个隐层构成。输入信号从输入节点依次传过各隐含层，然后传到输出节点，每一层节点的输出只影响下一层节点的输出，它是前馈网络的核心部分，并体现了人工神经网络最精华的部分。由于即神经网络能实现了一个从输入到输出的映射功能，数学理论己证明它具有实现任何复杂非线性映射的功能，这使得它特别适合于求解内部机制复杂的问题；同时，它通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力。因此，BP网络可看作是一个从输入到输出的高度非线性映射，即mnRRf:，其本质是从输入nRxi到输出mRyi可存在某一映射，使),...2,1()(Niyxgii，要求出映射f，使得在某种意义下(通常指在满足最小二乘条件下)，f是g的最佳逼近，因此，BP神经网络通过对简单的非线性函数进行数次拟合，可近似表达复杂的函数[2]。由传统的热力学计算方法可知，锅炉管壁温度与管壁的吸热量存在一定函数关系，同时，在火力发电厂中锅炉外部安装了许多测点，能长时间地提供实时数据，这为我们采用即神经网络来估算锅炉炉内某段点管壁温度，并了解其变化规律提供了可能。我们可以利用与锅炉管壁某段有关的易于测量的几个点的测量值来预测锅炉管壁上不易于测量管壁点的温度，我们选取了二级减温器后、启动减温器前的一段管道为研究对象。2.2数学模型分析(1)传递函数：是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0，1)内连续取值Sigmoid函数：)1/(1)(xexf(2)误差计算模型：反映神经网络期望输出与计算输出之间误差大小的函数。第j个单元节点的输出的误差：21)(21nkjkjkkTyE，总误差:NkkENE121，jkT是j节点的期望输出值；jky是j节点实际输出值。(3)中间层节点的数学模型：)(11jijjkxwfO，1jkO表示中间层上，输入第k个样本时，第j个节点的输出。jx为第j个节点输入。1ijw为输入层到中间层的权值。(4)输出节点的数学模型：)(122jkijjkOwfO，2jkO表示输出层上，输入第k个样本时，第j个节点的输出，2ijw为中间层到输出层的权值。(5)修正权值:ijijijwEww其原理过程：输入信号P通过中间节点(隐层点)作用于输出节点，经过非线形变换，产生输出信号，网络训练的每个样本包括输入向量P和期望输出量T，网络输出值与期望输出值之间的偏差，通过调整输入节点与隐层节点的联接权值和隐层节点与输出节点之间的联接权值以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，停止训练，此时经过训练的BP神经网络能对在输入范围内的输入信息自行处理，然后输出误差最小的经过非线形转换的输出信息[3]。其主要步骤如下:第一步：初始化权值和阈值。第二步：对样本信息进行训练：给出输入信息向量P和目标向量T；对输入P进行标准化；计算隐含层和输出层的实际输出；求目标向量与实际输出的偏差；若误差在要求内到第二步中的最后小步；计算隐含层单元误差；求误差梯度；对权值和阈值进行修改，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，再经过正向传播过程，这两个过程反复进行使得误差信号最小；返回到计算隐含层和输出层的实际输出步骤；计算全部误差是否满足要求，若满足则学习结束，否则回到计算隐含层单元误差。第三步：输入信息向量X，经仿真计算预测输出向量Y。3锅炉管壁温度BP神经网络应用3.1应用样本的获取样本数据的获取来源于锅炉管壁超温中间数据库中的数据表，经简化后的数据点，如表3-1所示。表3-1选取神经网络输入输出节点列表方向序号测点内容备注输出-1炉内测点的温度甲侧高过管壁温度输入1主蒸汽的流量值甲侧锅炉出口主汽流量输入2管子入口处炉外测点壁温甲侧二级减温器后管壁温度输入3管子出口处炉外测点壁温甲侧集汽联箱管壁温度输入4管子入口蒸汽温度甲侧二级减温器后汽温输入5管子出口蒸汽温度甲侧集汽联箱汽温3.2锅炉管壁温度BP的设计BP神经网络设计的主要任务是选择、确定网络节点数，包括：网络输入层神经元节点数(系统的特征因子个数)、输出层神经元节点数(系统目标个数)、隐层节点。输出层1个节点，y炉内临时增加的热电偶所得到的温度值作为期望输出温度样本数据，隐层节点选取主要按经验选取，一般设为输入层节点数的75%。那么隐含层可暂设为4个节点，如果学习样本较多，网络的隐层单元数可适当增加，即构成一个BP神经网络模型。在系统训练时，实际还要对不同的隐层节点数分别进行比较，最后确定出最合理的网络结构。3.3锅炉管壁温度BP的不足在所进行的基于BP神经网络电厂锅炉管壁温度预测的研究中，经过对BP神经网络经典算法进行分析，发现其在应用中主要存在以下不足：(1)即算法的学习速度很慢。主要原因：由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得BP算法低效；存在麻痹现象，由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿；为了使网络执行BP算法，不能用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法将引起算法低效。(2)网络训练失败的可能性较大。主要原因：BP算法为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。(3)网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定，而网络的结构直接影响网络的逼近能力及推广性质，因此，应用中如何选择合适的网络结构是一个重要的问题；(4)网络的预测能力(也称泛化能力、推广能力)与训练能力(也称逼近能力、学习能力)的矛盾。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训练能力地提高，预测能力也提高，但这种趋势有一个极限，当达到此极限时，随训练能力的提高，预测能力反而下降，即出现所谓“过拟合”现象，此时，网络学习了过多的样本细节，而不能反映样本内含的规律。3.4锅炉管壁温度BP的参数选取为了防止神经元网络出现过适应现象(过适应现象即神经元网络对训练样本很适应，而对新的数据记录的预测效果很差)和提高学习速度，根据经验在运用BP网络预测电厂锅炉管壁温度研究中对网络参数作以下选取:(1)训练速率：在经典的即算法中，训练速率是由经验确定，训练速率越大，权重变化越大，收敛越快，但训练速率过大，会引起系统的振荡，因此，训练速率在不导致振荡前提下，越大越好，因此，一般选取训练速率为0.5。为了加快网络训练的收敛速度，对输入矢量作标准化处理，并对各连接权值赋予初值。(2)动态系数：动态系数的选择也是经验性的，一般取0.6-0.8。(3)允许误差：一般取0.001-0.00001，当2次迭代结果的误差小于该值时，系统结束迭代计算，给出结果。一般设置为0.10，如果希望根据迭代次数来终止训练，则应该设置为一个任意小的值。(4)迭代次数：一般取1000次。由于神经网络计算并不能保证在各种参数配置下迭代结果收敛，当迭代结果不收敛时，允许最大的迭代次数。(5)sigmoid参数：该参数调整神经元激励函数形式，一般取0.9-1.0之间。(6)实例：如样本个数足够多，一般选取样本总数的60%，也可以选择全部，则训练数据被用来检验网络。4小结由于神经网络具有自适应性、自组织性、高度并行性、鲁棒性和容错性等智能信息处理功能，而且善于联想、概括、类比和推理，所以能够从大量的统计资料中分析提炼实用的统计规律，特别是能逼近任意非线性函数，所以人工神经网络被广泛地应用于非线性系统建模。本文针对管子入口炉外测点壁温、管子出口炉外测点壁温、蒸汽流量、管子入口蒸汽温度、管子出口的蒸汽温度和炉内测点的温度的预测值的非线性关系，采用BP神经网络建立预测模型非常可行。为了加快网络训练的收敛速度，对输入矢量作标准化处理，并对各连接权值赋予初值，同时网络的学习率采用自适应学习速率梯度下降反向传播算法，能加快网络的收敛速度，从而能有效地提高网络的预报精度。参考文献[1]东南大学电厂热能动力教研室编.华能南京电厂超临界锅炉原理[M].南京.2005.[2]FayyadU，Piatesky-ShapiroG.DataMiningtoKnowledgeDiscovery:An0verviewInAdvancesinKnowledgeDisvoveryandDataMining[M].AAAI/MITPress，Canlbirdge，Mass，2007(12):24-28.[3]吴蓉晖,荣宏.数据预处理在电力远程智能监测系统的应用[J].高电压技术.2005,31(7)58-60.简介：王鹏（1974-），男，山东烟台人，张家港沙洲电力有限公司计算机工程师。（江苏张家港215624）用稿通知和刊物邮递地址：江苏省张家港市锦丰镇三兴街道张家港沙洲