基于改进BP神经网络的烟气含氧量软测量方法

袁俊文，周正兴，王 丽，任继红

(1.黑龙江省电力科学研究院，黑龙江哈尔滨150030;2.天津国投津能发电有限公司，天津300480)

0 引言

目前，测量烟气含氧量的氧量分析仪精度差、费用高、使用寿命短，且测量滞后较大，不利于燃烧过程的在线实时监视，不能准确地提供在线闭环控制所需的反馈信号，从而直接影响着燃烧控制系统的性能指标。为此，提出采用软测量技术［1－5］，即基于BP神经网络原始算法改进的基础上，通过对网络的训练学习构造烟气含氧量的预测模型，实现锅炉燃烧系统的闭环控制和优化。

1 基于改进的BP神经网络模型

BP神经网络［6－8］的结构一般包括输入层、隐含层和输出层。网络的各层之间由输入层向输出层依次相互连接起来，并对连接进行加权，从而形成网络的拓扑结构。理论上已经证明，当隐含层神经元数目足够多时，BP神经网络可以以任意精度逼近任何一个具有有限间断点的非线性函数。

BP算法即误差逆向传播学习算法是人工神经网络最为常用的算法之一。但在实际应用中，传统的BP算法存在两个问题:收敛速度慢，目标函数存在局部极小。为了克服这两个问题，本文运用了改进算法。

采用反对称函数代替通常的Sigmoid函数，比如最常用的是双曲正切函数，即

一般取 a=1.716，b=0.667。采用该激励函数时，收敛速度通常比采用Sigmoid函数时快。

加动量项，学习步长η的选择很重要，η大收敛速度快，但过大则可能引起不稳定;η小可避免不稳定，但收敛速度就慢了。加动量项可以解决这一矛盾，即式中0＜α＜1，第一项为BP算法的修正量，第二项为动量项。在保证算法的稳定的同时，动量BP算法的收敛速度较快，学习时间较短。

在基本的BP算法中，学习率是固定不变的。实际学习率对收敛速度的影响很大，因此学习速率的在线调整可以大大提高收敛速率。当误差以减小的方式趋于目标时，说明修正方向正确，可使步长增加;而当误差增加超过事先设定值时，说明修正过头应减小步长，同时舍去使误差增加的前一次修正过程，即:

式中:kinc表示增量因子;kdec表示减量因子;E(k)表示第k次运算局部误差。

综合以上三个改进算法提出了学习率自适应的动量BP算法，该算法自适应于系统误差及误差曲面变化，有利于提高BP网络的收敛速度及避开局部极小点。

2 改进的BP神经网络模型的训练与学习

构建一个多输入单输出的BP网络预测模型，模型包括三层。输入层的输入量为主蒸汽压力(MPa)、主蒸汽流量(t/h)、总燃料量(t/h)、总风量(t/h)、一次风压(kPa)、A、B 送风机电流(A)、A、B引风机电流(A)、风箱与炉膛差压(kPa)、给水温度(℃)、给水流量(t/h);输出层的输出量为烟气含氧量。模型结构如图1所示。

针对天津国投津能一期1号1 000 MW超超临界机组，由于正常运行时机组负荷不会低于500 MW，所以在此采集了多组不同负荷(大于500 MW)运行工况下的数据作为试验数据，表1给出了锅炉部分运行工况下采集到的数据。

图1 BP神经网络预测模型

由于试验测得的数据与样本数据的物理量纲不一样，而且变化范围差别较大，作为神经网络训练样本的数据如不进行处理，势必使数值大的输出分量绝对误差大，数值小的输出分量绝对误差小，而网络训练时只是针对输出总误差调整权值，其结果将使在总误差中占分额小的输出分量相对误差较大。所以先对试验数据进行归一化处理后，送入神经网络进行训练，同时逐步调整和确定模型中隐层神经元的数目，训练中数目取为64时，可以满足网络稳定性和收敛性较好的要求。将训练样本之外的8组试验数据作为测试样本用于神经网络的预测效果检验。图2为烟气含氧量实测值与预测值的对比结果，图3为烟气含氧量相对误差曲线。从结果来看，烟气含氧量的实测值和预测值较接近，最大绝对误差为 0.37，最大相对误差为7.421%，这说明训练好的神经网络能较好地预测烟气含氧量的值，从而建立了烟气含氧量的预测模型。

氧量校正及总风量指令控制回路如图4所示。从图4可以看出由机组负荷协调控制系统来的锅炉负荷指令，通过函数模块f1(x)处理成锅炉总风量指令信号，将该风量指令信号和总燃料量信号经函数模块f2(x)形成的风量信号送入大值选择器。大值选择器输出的风量信号，经乘法器和氧量校正系数相乘得到氧量校正后的总风量指令设定值。同时该指令信号还受到最小风量的限制。当锅炉总燃料指令和实际总燃料量信号都小于最小空气流量信号时，则通过上、下限限幅块设定的最小输出值作为风量指令输出，这样可以保证锅炉的风量不会低于最小风量，同时在负荷变化过程中保证燃烧总是在富氧状态运行，防止烟囱冒黑烟现象的发生。风量控制器根据风量设定值与测量值之偏差信号，经PID控制器发出送风机动叶开度控制指令，完成风粉比粗调作用。

表1 锅炉部分运行工况试验数据

图2 烟气含氧量实测值与预测值比较

图3 烟气含氧量相对误差曲线

图4 氧量校正及总风量指令控制回路

机组给定负荷通过函数块f6(x)与来自氧量M/A操作站的偏置信号相加得到随负荷变化的最佳烟气含氧量动态设定值。为了防止偏置值的阶跃变化对控制系统的冲击，设定值需要经过速率限制块对变化率进行限制。同时，为了防止运行人员误将设定值操作到合理范围之外，设定值还需要经过上、下限幅块的限制。烟气含氧量测量值通过改进的BP神经网络实现的软测量模型得到。氧量设定值和氧量软测量模型输出之偏差经过氧量校正调节器、函数模块f5(x)后对总风量信号进行校正，使锅炉实际烟气含氧量等于其最佳值，保证燃烧过程的经济性。

氧量M/A操作站切到手动方式后，氧量校正调节器的输出跟踪氧量操作站的手动输出信号，氧量偏置信号跟踪氧量实际测量值和氧量给定值的偏差，氧量M/A操作站接通S2端，使氧量M/A操作站的输出跟踪风煤比，即函数模块f4(x)的输出。

3 结论

通过上述的论证，基于改进BP神经网络的烟气含氧量软测量方法具有如下特点。

a.锅炉是一个典型的多变量输入、输出、强非线性、无自平衡的复杂系统。燃烧过程是一个复杂的物理化学过程，对烟气含氧量的影响因素很多，所以，适合用神经网络来建立烟气含氧量预测模型。

b.通过测量表明，本模型预测的烟气含氧量相对误差具有波动性(图3所示)，反映该模型有着较强的非线性逼近能力，有着较好的自学习和适应能力。

c.在实际应用中样本数据库可以不断更新，即在存储了足够数量新样本后，将旧样本挤掉，每隔一定时间在线进行网络模型训练，对软测量模型进行修正，提高测量精度。

［1］韩璞，乔弘，王东风，等.火电厂热工参数软测量技术的发展和现状［J］.仪器仪表学报，2007，28(06):1139－1146.

［2］韩璞，王东风，翟永杰.基于神经网络的火电厂烟气含氧量软测量［J］.信息与控制，2001，30(2):189 －192.

［3］孔德奇，谷俊杰，李洋，等.基于氧量软测量的锅炉在线燃烧优化控制［J］.仪器仪表学报，2006，27(21):530 －532.

［4］仲蔚，刘爱伦，俞金寿.多变量系统的软测量建模研究［J］.控制与决策，2000，15(2):209－212.

［5］卢勇，徐向东.烟气含氧量软测量新方法研究［J］.热能动力工程，2002，17(6):614 －616.

［6］王宁会，刘敏.神经元网络软测量技术的发展［J］.自动化与仪表，2003(1):6－9.

［7］王旭，王宏，王文辉.人工神经元网络原理和应用［M］.沈阳:东北大学出版社，2000.

［8］丛爽.面向MATLAB工具箱的神经网络理论与应用［M］.合肥:中国科学技术大学出版社，2009.