BP神经网络预测技术在脱硫系统pH值中的应用

程换新,于沙家

(青岛科技大学 自动化与电子工程学院,山东 青岛　266061)



BP神经网络预测技术在脱硫系统pH值中的应用

程换新,于沙家

(青岛科技大学 自动化与电子工程学院,山东 青岛266061)

摘要在热电厂脱硫过程中,pH值的稳定性对脱硫效率影响重大,在实际生产中因受到各种环境因素及主观因素的影响,pH测量仪器在现场操作中易受到破坏或腐蚀,给生产造成很大损失,为了降低这种损失,提出了基于BP神经网络的预测技术。运用此预测算法对系统参数进行数学建模,设计了三层网络预测模型,同时用Matlab工具箱对pH数据进行仿真,使系统实现在线控制和实时控制。结果表明,BP神经网络对脱硫系统中pH值的预测精度很高,产生误差也很小,取得了满意的预测效果。因此,用BP神经网络预测技术对烟气脱硫系统中的pH值进行预测,能提前预知脱硫过程中pH值的变化情况,有助于改善脱硫装置的效率。

关键词BP神经网络;脱硫pH值;预测技术;Matlab

在我国,煤炭作为热电厂的主要能源,其燃烧产生的SO2对环境污染很严重,因此火电厂在排放SO2之前需要安装脱硫装置,达到国家SO2的排放标准。目前主要的脱硫方式是烟气脱硫,在这个脱硫过程中pH值作为石膏浆液酸碱度的度量,是脱硫工序中一个重要的技术参数。在实际生产中,脱硫环境一般都很恶劣,例如烟尘较多、空气潮湿、噪音大及震动剧烈等,使pH计表头或测量设备易损害或腐蚀,影响系统的脱硫效率。为了保证pH值的准确无误需要建立一个扰动较小、比较稳定的环境,在实际生产中却很难做到。因此针对此控制过程带有非线性、大惯性以及延迟性特点,提出BP神经网络预测技术。用BP神经网络预测技术对脱硫系统中pH值进行预测,能提前预知脱硫过程中pH值的变化情况,有助于改善脱硫装置的效率。

1BP神经网络的预测模型

1.1BP神经网络的预测算法

人工神经网络有非线性映射、自学习及记忆功能,它不需要建立精确的数学模型,就能够解决传统自动化没法解决的复杂性、非线性等问题,因此很适合应用于非线性系统中[1]。实际应用最多的是BP神经网络,由于其网络结构简单和非线性逼近能力很好,在工业生产中得到了广泛地推广,其在网络传播中正向传播信号,反向传播误差,并且要求误差最小[2]。利用多个样本不断训练,训练出结果并且保存,以建立的网络结构对新样本预测。通过大量训练来不断调整权值和阈值,使误差达到最小。一个BP神经网络结构主要有输入层、隐含层和输出层[3]。

假设一个三层BP神经网络,输入层节点、隐含层节点、输出层节点分别是xi,yj,zk,输入层与隐含层之间的权值、隐含层和输出层之间的权值分别是wji和vkj,隐含层节点和输出层节点的阈值分别是θj和θk[4]。

输入层到隐含层的计算模型为

,

(1)

隐含层到输出层的计算模型为

。

(2)

BP神经网络在训练过程中采用变学习速率梯度下降法,主要采用误差减少方式来逼近目标,并且通过调整权值和阈值使均方差达到最小。通过大量训练样本,建立输入和输出之间的非线性关系,以权值和阈值“记忆”这些非线性关系来建立数据的预测。

,其中{Xn,Xn+1,Xn+m}为已知数据,通过这些已知数据建立关系,对Xn+m+k(k>0)时刻数进行预测,得到这些数据之间的关系:Xn+m+k=F(Xn,Xn+1,…,Xn+m),这种方式只对下个参数进行估计预测,将{Xn,Xn+1,Xn+m}定为输入参数,通过这一方式获得输出的预测值为Xn+m+1。在大量的数据训练中,可以根据实际要求,选取一些有规律性或有特点性的数据。

1.2BP神经网络模型结构的设计

BP神经网络的结构参数主要根据经验和实际检验来确定。理论上讲,三层神经网络能任意逼近一个非线性函数,并且三层神经网络简单,操作量比较小,所以优先考虑三层神经网络。

(1)确定BP神经网络输入层和输出层对BP神经网络的输入层和输出层个数的计算没有具体的理论公式,一般是通过实际情况来确定其个数[5]。在脱硫系统pH预测设计方案中需要一个输入层和一个输出层,脱硫过程中把pH值影响较大的因子作为输入层,一般影响因子数目与输入层神经元的数目相等,但是若输入层神经元的数目过多会加大输入层和隐含层之间权重值,影响训练速度[6]。脱硫生产中影响pH值的因素很多,例如烟气含氧量、入口烟气温度、入口烟气压力、入口烟气SO2浓度、入口烟气含尘量及石灰石浆液密度等。在训练选取样本时,要选择恰当的影响因子,样本和影响因子选择不当都不利于训练。对脱硫系统的pH值影响较大的因素是烟气含氧量、入口烟气温度、入口烟气含尘量、入口烟气SO2浓度及石灰石浆液密度[7],确定该五项为脱硫系统pH值的预测模型的输入神经元的个数,输入节点为5个,输出节点为1个,即pH值。

(2)确定BP神经网络的隐含层数第一步:确定隐含层的个数。设计网络时,重点是确定隐含层个数,一般要从最少数目开始,先从一个隐含层的设计开始,若一个不能满足网络性能要求,再逐步添加隐含层的个数。研究采用一个隐含层来设计此网络结构。第二步:确定隐含层的节点数。设计网络时,主要用试凑法来确定隐含层的节点数,先采用少量节点数然后再不断增加其个数,通过样本训练网络并不断比较来找出网络误差最小的节点数[8]。研究通过大量训练确定了8个隐含层节点数。

(3)确定BP神经网络的预测模型以上分析,在设计中选择了三层BP神经网络预测结构,输入层节点数为5个,输出层节点数为1个,隐含层节点数为8个,隐含层函数采用tansig函数,输出层函数采用purelin函数。因此可以确定脱硫系统pH值的网络预测模型,见图1。

图1　脱硫系统的BP神经网络的预测模型Fig.1　Forecasting model of BP neural networkof desulfurization system

由于脱硫系统中输入和输出数据的量纲不同,直接进行训练会影响网络训练精度和速度,并对预测结果产生影响,所以在网络训练前要对这些数据进行归一化处理,从而改善其效果[9]。在对数据进行归一化处理时,采用公式使每个节点的输出值规范在-1~1之间。具体公式为

(3)

2BP神经网络的预测结果和分析

2.1BP神经网络预测结果及分析

使用某石化公司现场历史数据,将需要的数据导出,并将无效的数据删除,得到样本参数,如表1所列。

表1　脱硫系统样本参数

BP神经网络对pH值预测主要分为两个过程:网络训练过程和预测过程。网络训练过程主要包含:(1)选取训练的样本数据,由于脱硫过程是个非线性过程,并且设备一旦投入运行其参数无法改变,又加之影响因素较多,所以要合理选择影响pH值的因子,最终选定烟气含氧量、入口烟气温度、入口烟气含尘量、入口烟气SO2浓度及石灰石浆液密度这五项因子,即表1中前5项为输入因子;(2)在构造训练样本时,考虑到输入因子和pH值之间的非线性关系,在选择数据时为了减小误差将无效数据进行删除;(3)建立三层BP神经网络,一个输入层(5个神经元构成),一个隐含层(8个神经元构成),一个输出层(1个神经元构成);(4)训练网络,利用BP神经网络训练算法对网络进行不断训练,直到达到要求为止;(5)用训练好的网络对新的数据进行预测。所以在仿真过程中,输入层有5个神经元,输出层有1个神经元且采用purelin函数,隐含层有8个神经元且采用tansig函数,初始权值自动生成,网络的误差精度要小于10-3,设置网络学习速率的初始值为0.06,用12组数据来训练网络,得到脱硫系统pH值的预测值和实际值对比图,如图2所示。

由图2可以看出,期望值和实际值走向是一致的,并且期望值和实际值吻合程度很高,其精度也很高。脱硫系统预测值和实际值的绝对误差值如图3所示。

由图3得到脱硫系统预测值和实际值的绝对误差值,利用平均相对模拟误差计算公式[10]

(3)

计算出BP神经网络预测模型对脱硫系统pH值的平均相对误差为2.89‰,其模拟精度很高。

图2　某热电厂脱硫系统pH值预测值和实际值对比 Fig.2　Comparison between predicted value andactual value of pH value of desulfurization systemof certain thermal power plant

图3　脱硫系统预测值和实际值的绝对误差值Fig.3　Absolute error of predicted value andactual value of desulfurization system

2.2BP神经网络预测模型检验

通过以上12组数据训练神经网络预测模型,利用三组数据对这个预测模型进行验证,其结果见表2,并利用式(3)计算这三组数据预测值的相对误差。

表2　BP神经网络预测结果

由表2可以看出,pH值实际值与预测值的相对误差很小,其误差精度能达到10-4,说明BP神经网络对脱硫系统中的pH值具有很好的预测能力。

3结语

通过建立基于BP神经网络的脱硫系统pH值的预测模型,对预测结果进行分析,证实了脱硫系统pH值预测过程中性能比较稳定,预测结果比较准确,误差也很小,精度能够达到10-4,取得了很好的预测效果,因此BP神经网络预测模型可以实现对热电厂的脱硫过程中的pH值的预测。

参考文献:

[1]高雪鹏.基于神经网络与模糊推理系统的非线性系统辩方法的比较研究[D].合肥:中国科学技术大学,2001.

[2]李华.双权值神经网络理论及其在控制中的应用研究[D].杭州:浙江工业大学,2006.

[3]韩红桂,李淼,乔俊飞.基于模型输出敏感度分析的动态神经网络结构设计[J].电子学报,2010,38(3):731-736.

[4]程华农,韩方煜,钱宇.基于主成分分析的输出集成反馈网络及其在化工动态过程建模中的应用[J].化工自动化及仪表,2003,30(2):22-25.

[5]朱丽娜.基于电离层异常现象的数据挖掘方法研究[D].哈尔滨:哈尔滨工业大学,2012.

[6]曹虹.基于BP神经网络的交通流量预测[D].西安:长安大学,2012.

[7]产文兵,万皓,宋桂东,等.钠碱法烟气脱硫工艺技术[J].上海大学学报:自然科学版,2013,19(5):474-478.

[8]张鸿,丁以中.基于BP神经网络的企业信用评级模型[J].上海海事大学学报,2007,28(3):64-68.

[9]陈国辉,卢双舫,田善思,等.RBF神经网络法在泥页岩有机非均质性测井评价中的应用[J].甘肃科学学报,2014,26(1):104-108.

[10]张德刚,翟娟.基于BP人工神经网络的公路软土地基沉降预测[J].交通科技,2010,36(3):75-77.

Application of BP Neural Network Forecasting Technology in pH Value of Desulfurization System

Cheng Huanxin,Yu Shajia

(CollegeofAutomationEngineering,QingdaoUniversityofScience&Technology,Qingdao266061,China)

AbstractStability of pH value has great impact on desulfurization efficiency during desulfurization process of the thermal power plant and might be affected by all kinds of environmental factors and subjective factor during actual production;and the pH measuring instrument causes great loss to production as a result of being damage or corroded easily during operations on site.Therefore,the forecasting technology based on BP neural network was proposed in order to reduce the loss.Three-layer network forecasting model was designed after mathematical modeling for the parameters of the system by using the forecasting algorithm;at the same time,on-line control and real-time control were carried out for the system after simulating pH data by using Matlab toolkit.The result showed that BP neural network had very high forecasting precision of the pH value in the desulfurization system and satisfactory forecasting effect due to its minor error to be generated.Therefore,the BP neural network forecasting technology could forecast the changing condition of pH value during desulfurization process in advanced and was useful for improving efficiency of the desulfurization apparatus if applied to forecasting of pH value in the flue gas desulfurization system.

Key wordsBP neural network;Desulfurizing pH value;Forecasting technology;Matlab

中图分类号:X701.3

文献标志码:A

文章编号:1004-0366(2016)01-0069-04

作者简介:程换新(1966-),男,新疆乌鲁木齐人,教授,研究方向为测控技术与仪表.E-mail:chenghuanxin@126.com.通讯作者:于沙家.E-mail:yushajiaysj@163.com.

收稿日期:2015-04-30;修回日期:2015-06-22.

doi:10.16468/j.cnki.issn1004-0366.2016.01.016.

引用格式:Cheng Huanxin,Yu Shajia.Application of BP Neural Network Forecasting Technology in pH Value of Desulfurization System[J].Journal of Gansu Sciences,2016,28(1):69-72.[程换新,于沙家.BP神经网络预测技术在脱硫系统pH值中的应用[J].甘肃科学学报,2016,28(1):69-72.]