Adaboost集成BP神经网络在火电厂SO2浓度检测中的应用*

严　玥, 严　实, 杨永斌, 江　赟

(1.重庆工商大学 检测控制集成系统重庆市市级工程实验室，重庆 400067;2.重庆川仪分析仪器有限公司，重庆 400060)



应用技术

Adaboost集成BP神经网络在火电厂SO2浓度检测中的应用*

严玥1, 严实2, 杨永斌1, 江赟1

(1.重庆工商大学 检测控制集成系统重庆市市级工程实验室，重庆 400067;2.重庆川仪分析仪器有限公司，重庆 400060)

针对火电厂在线SO2浓度检测中，检测精度受到温度、压力(大气压及烟气压力)、燃煤质量、水分含量、电子器件噪声、光学镜片老化、气体吸收峰值交叉干扰等多种因素的干扰，很难以单一方法进行改进这一问题。以国内某中型火电厂2015年实际生产数据为依据，设计预处理装置完成气体的前期处理，以尽可能达到分析仪分析要求(温度、流量、含水量等)，减少可预见干扰，采用Adaboost算法集成BP神经网络进行优化，降低其他因素对检测结果的干扰，仿真测试分析，证明了该方法的有效性。

浓度检测； 干扰； BP神经网络； Adaboost

0　引　言

2014年发改委《煤电节能减排升级与改造行动计划(2014-2020年)》[1]以及环境保护部颁布的火电厂大气污染物排放新标准规定[2]，重点地区须执行大气污染物特别排放限值，其中SO2的排放标准为35 mg/m3(标准状态)，对红外线气体分析仪器的检测精度、可携带型、经济性能以及在线性提出了更高的要求。目前的红外气体测量装置大多采用最小二乘法(或相关改进的算法)对气体的测量误差进行拟合。但当多种气体以及水分、粉尘混合时，相互干扰会造成主成分特征丢失或者退化[3,4]，另外电子器件噪声、光学镜片老化等也会对检查造成一定程度的干扰。这些干扰具有多样性、非线性、形成因素复杂的特点，因此,很难用单一某种方法来提高检测精度。

本文采用2015年国内某大型火电厂经脱硫系统改造后的排放气体为依据，以气体中SO2浓度检测为研究对象，采用硬件处理方式设计了样气预处理装置，使得气体达到分析仪器的测试要求，并为提高系统的检测精度，设计了切实可行的BP神经网络结构，并在此基础上引入Adaboost算法对其进行优化，最后对实验结果、预测精确度进行了分析。

1　分析系统结构设计

1.1预处理装置

预处理装置如图1，样气(待检气体)由A口被抽气泵101抽入，(压力为-3～20 kPa,样气进入冷凝器102(冷却温度至3～5 ℃)，然后通过气路切换阀103进入过滤器104(过滤的颗粒直径小于0.5 μ)，经流量调节单元105调整流量至40～60 L/h，最后由流量调节单元105的C口进入红外线气体分析单元吸收室进行分析；冷凝器102通过管道连接排液装置106，处理过程中的水分经由排液装置106的B口直接排到仪器外。并在气路切换阀103上设置D 口，D口可方便通入第三方标准气体对仪器进行精度检验。经过预处理装置的样气能达到分析仪器对温度、压力、流量、洁净度等技术指标的需要。

图1　预处理装置结构示意图

1.2系统结构

系统中采用的红外线气体分析单元如图2所示。

图2　红外线气体分析单元结构图

光源1选用直径0.5 mm的镍络丝，绕成螺旋体，接通功率为21 W的7 V稳定交流电，外用石英管保护。通电后温度约为700 ℃，通电后产生波长为4～7 μm的红外光，并由切光轮2斩波(切光频率5～10 Hz)，以得到均等的红外线光经由光窗3(透红外线的氯化钙晶片)射入吸收气室4，吸收气室分为样品气室(用于样气测量)以及参比气室，其中参比气室内充装不吸收红外线能量的高纯度氮气(浓度需高于99.999 %)，

其工作流程可描述为：在切光轮的运行下，单位周期内红外光会分别进样品气室和参比气室抵达接收气室。当样品气室无红外线能损失，接收器得到了一个稳定的连续的信号。但有样品气连续通过样品气室时，由于样气会吸收特定波长的红外线能量，导致进入接收器的红外辐射能降低。而一个周期内，接收器会得到两个不同信号，根据朗伯特—比尔定律可以计算出样品额定浓度。

标定单元实现仪器的量程自动标定。

干涉滤光片轮用于将气体非待测成份气体过滤掉，以减少干扰，提高检测精度。接收气室中，设置薄膜电容对气体进行检测，由于红外线能量即红外线辐射能的不同，将导致接收气室内的气体压力的微弱变化，通过压力平衡毛细管感应后推动薄膜电容中的动片(采用钛膜材质，厚度3 μm)，相对于定片移动(定片与薄膜片间距0.1～0.33 mm)，从而把被测样气浓度变化转变成电容变化，从而输出电信号提供给信号预处理单元。信号预处理单元通过电荷放大器将高内阻的电荷变化转换为低内阻的电压变化，并经过放大、整形和滤波处理后将信号(电压值)提供给主监控单元；主监控单元的核心部件为MSP430F5510单片机主监控单元，根据朗伯特—比尔定律测量出红外光被(A，B两侧)气体吸收前后的能量差，计算得出样气的浓度。 输入/显示单元将主监控单元的处理结果显示出来。

2　实验数据说明

根据SO2的排放规定和火电厂分析仪敏感范围，选定气体浓度的区间为20～200 mg/m3，为了尽可能保证研究运用价值和误差分析符合实际生产环境，本文抽取国内某大型火力发电厂的2015年实际数据240组为训练样本(参比大气压30～56 Pa)，再采用美国ThermoScientificTM61i型多分组气体校准仪提供的同等浓度区间下的60组实验数据作为测试样本，进行测试，采用美国万机公司MultiGasTM2030对比检测，完成测试结果分析。

3　神经网络设计

3.1单个BP神经网络设计

根据Lambert-Beer定律，尽管存在多种不确定因素对最终测量值造成影响，但待测气体的浓度与电压仍就一一对应，因此，可以利用大量数据训练BP神经网络，得到训练后的神经网络权值和阈值，并通过已知的数据作为测试样本对网络进行验证。

由于前面的预设装置可以保证样气能够达到气体分析所需要的温度、压力、流量、洁净度等技术指标的需要，且可靠度和环境适应性高于软件，因此，无需对样本进行归一化处理。

BP神经网络的网络隐含层层数递增与系统的性能提升不成正相关性[5，6],因此为了控制神经网络的规模以尽可能地保证工程化，无需将BP网络的隐含层设置过多，此处隐含层为1层。神经网络设置为批量训练方式。选取量Levenberg-Marquardt方向传播算法训练，trainlm函数为误差回传训练函数；神经网络层结构为：3—n—1，采用实验方式确定神经元节点数。

3.2改进依据

BP神经网络是通过不断训练样本，不断修正权值和阈值，使得误差逼近输出的，网络学习率的值取得过大或者过小都不利于网络的收敛于稳定，可能因为训练样本导致出现局部极小值[7～9]，目前关于如何改进BP神经网络的方法有很多种[10]，其中Boostiong的基本思想是采用组合学习的方法，将预测精度很低的弱学习器进行集中学习以达到要求精度[11]。

3.3整体设计

基于Boostiong思想的AdaBoost.M1算法[12]用于解决多类单标签问题，其实现思想如下：

1)初始化

训练集S={xi,yi},i=1,2,3,…,n,yi∈{Y},Y={c1,c2,…cn};迭代次数M；初始化分布权重为

D(x)=1/n

(1)

2)调用弱分类器进行M次迭代，该过程将产生一个预测序列h1，h2，h3，…，hM,在该迭代过程中，首先得到弱假设

hm=X→{c1,c2,c3,…,cn}

(2)

根据训练结果更新样本上的权重，每次迭代后都会得到一个预测函数，每个预测函数根据预测精度也赋予一个权重。其中计算分类错误率公式为

(3)

权重更新每次都从1到n,函数为

(4)

其中

(5)

一般当εm<0.5时作为迭代终止条件。

3)最后对预测序列采用带权重的投票法得到最终的预测函数H为

(6)

如前所述，为了保证整体设计的工程可行性，BP神经网络采用单隐含层结构，因此可以上述的单个BP神经网络看成一个弱分类器，用不同的60组数据采用相同的结构训练生成4个BP神经网络，用4个BP神经网络组成强分类器进行最后的气体浓度测试。

4　测试过程与分析

首先以随机方式选取的实际产生环境中的240组数据作为训练样本，采用预处理装置对样本数据进行处理，而不再对样本进行归一化。采用串行方式，每次迭代从样本随机取一个样本输入完成单个BP神经网络的训练，神经网络的结构为：3—n—1，训练完成后保存网络参数。部分训练数据如表1所示。

单个隐含层的BP神经网络可以通过适当增加神经元节点的个数实现任意非线性映射。但神经元个数过多，将导致网络规模过大。因此，在保证较高识别精度的前提下，需要通过经验和多次试验才能确定，当神经元个数分别为30,40,50时，回归相关性(R)测试结果如表2所示。

表1　部分训练样本数据

表2　采用不同神经元个数测试的回归相关性

由表2可知，隐含层神经元为30个或者50个，均能取得较好的预测效果，但对于同样的样本数据，其均方误差(mean squared error，MSE)值如图3所示。从图中可以看到，隐含层神经元个数为30不仅具有较好的MSE，且最佳Epochs值为4，小于隐含层神经元为50的网络，从而具有较高的执行效率。另外在识别准确率上(以误差范围为0.05为准确识别)，分别为92.5 %(30个神经元)和94.5 %(50个神经元)，综合考虑到成本效率等因素，隐含层神经元个数为30个用于最终的BP神经网络结构。

图3　BP神经网络隐含层不同神经元数数目的MSE

以上述60组测试样本输入到已训练好的网络中来检测神经网络的准确性。测试结果:最大绝对误差为2.249 3 mg/m3，最小绝对误差为0.284 7 mg/m3，平均绝对误差为0.565 mg/m3，最大相对误差为3.4 %，最小相对误差为0.435 8 %，平均绝对误差为0.865 1 %。

实验样本中，其预测的平均相对误差小于1 %，预测结果与真实实际值得重合度较高，能够很好预测SO2气体的含量，说明该算法模型为SO2浓度检测精度的提高提供了有效的方法。

5　结　论

针对火电厂在线SO2浓度检测精度问题，在气体检测之前设计了一个预处理装置，以尽可能保证分析器要求的物理参数检测要求，而对于其他诸多不确定干扰因素，利用AdaBoost.M1算法结合BP神经网络进行优化，以实际生产数据和实验室数据相结合的方法选取300组数据进行测试，其预测的平均误差小于1 %，识别率达到了92.5 %，从而证明了该神经网络设计的正确性和可行性，为今后的工程化提供了理论基础。

[1]国家发展与改革委员会.煤电节能减排升级与改造行动计划(2014-2020年)[EB/OL].2014—09—12.http:∥www.sdpc.gov.cn/gzdt/201409/t20140919_626240.html.

[2]环境保护部,国家质量监督检验检疫总局.GB13223—2011火电厂大气污染物排放标准[S].北京:中国环境科学出版社,2012.

[3]Wang H F,Moon I ,Yang S X,et al.A memetic particle swarm optimization algorithm for multi-modal optimization problems[J].Information Sciences,2012,197:38-52.

[4]梅军鹏，韩雪亮.Mn 掺杂纳米SnO2的气敏性能研究[J].传感器与微系统,2013,32(1):76-78.

[5]Dong C,Dong L,Yang M.The application of the BP neural network in the nonlinear optimization[J].Advances in Intelligent and Soft Computing,2011,78:727-732.

[6]Izeboudjen N,Bouridane A,Farah A,et al.Application of design reuse to artificial neural networks:Case study of the back propagation algorithm[J].Neural Computing and Applications,2011,21:1-14.

[7]陈明.Mathlab神经网络原理与实例精解[M].北京:清华大学出版社,2013:156-172.

[8]张国翊,胡铮.改进BP神经网络模型及其稳定性分析[J].中南大学学报:自然科学版，2011，42(1):115-124.

[9]Izeboudjen N,Bouridane A,Farah A,et al.Application of design reuse to artificial neural networks:Case study of the back propagation algorithm[J].Neural Computing and Applications,2011,21:1-14.

[10] 李诒靖,郭海湘,李亚楠,等.一种基于Boosting的集成学习算法在不均衡数据中的分类[J].系统工程理论与实践，2016,36(1):189-199.

[11] Naimul M K ,Riath K ,Imran S A,et al.Covariance-guided one-class support vector machine[J].Pattern Recognition,2014,47(6):2165-2177.

[12] 曹莹.AdaBoost算法研究与展望[J].自动化学报,2013,39(6):745-758.

Application of Adaboost integrated BP neural network in SO2concentration detection in power plant*

YAN Yue1, YAN Shi2, YANG Yong-bin1, JIANG Yun1

(1.Chongqing Engineering Laboratory for Detection,Control and Integrated System,Chongqing Technology and Business University,Chongqing 400067,China;2.Chongqing Chuanyi Analyzer Co Ltd,Chongqing 400060,China)

Aiming at problem of online SO2concentration detection in power plant,detection precision may be interfered by all kinds of factors,such as temperature,pressure (which includes atmosphere and smoke pressure),coal mass,moisture content,noise of electric devices,optical lens aging,interference at spectral of gas absorption,it is difficult to improve by a single way.According to real production data of a large thermal power plant in 2015,a kind of gas pretreatment device is developed in order to meet the requirements of analyzer and reduce predictable interference.Adopt Adaboost algorithm to optimize integrated BP neural network in order to avoid unpredictable interference.By simulation,test and analysis,it is verified that this method is effective.

concentration detection; interfere;BP neural network; Adaboost

10.13873/J.1000—9787(2016)09—0148—04

2016—05—05

国家自然科学基金资助项目(61502063)；重庆市教委科研项目(KJ1500639)

TP 212.1

A

1000—9787(2016)09—0148—04

严玥(1976-)，女，满族，四川成都人，硕士，讲师，主要从事信号处理与运用、传感器技术与软件方向研究。