时序-神经网络模型在磨煤机一次风量测量中的应用

金秀章, 张少康, 尹子剑, 刘 潇

(华北电力大学控制与计算机工程学院，河北 保定 071003)

时序-神经网络模型在磨煤机一次风量测量中的应用

金秀章, 张少康, 尹子剑, 刘 潇

(华北电力大学控制与计算机工程学院，河北 保定 071003)

针对制粉系统存在的大惯性和大迟延等特点，提出了一种基于时序-神经网络的一次风量软测量模型。在建模过程中，考虑了生产过程输入变量和输出变量的时序，给出了辅助变量选取和数据预处理方法。某电厂实际运行结果表明，该模型的准确性较目前广泛应用的静态神经网络软测量模型有显著提高。该研究为磨煤机一次风量的测量提供了一定的理论基础。

火电厂; 制粉系统; 磨煤机; 风量; 软测量; 时间序列;BP神经网络; 人工智能; 归一化处理; 数据挖掘

0 引言

磨煤机一次风量对锅炉配风、磨煤机风煤比、优化燃烧有很大影响。因为火电厂烟道成分非常复杂，环境恶劣，容易造成皮托管的堵塞或磨损，加之制粉系统的空间有限、测点不易布置等原因，使得电厂的现场仪表测得的一次风量和实际值存在较大的偏差。因此，准确测量磨煤机一次风量非常关键[1]。

针对仪表测量不准确问题，软测量技术是一个不错的解决方法。软测量技术是应用统计学知识或者人工智能等方法，通过建立软测量模型，利用可在线测量的变量来推断和估计不可在线测量的数据。因为软测量技术不需要进行直接测量，所以不会出现仪表测量不准确的问题[2]。

本文在静态神经网络软测量的基础上，加入了对输入变量和输出变量的时序分析，并通过仿真验证了时序-神经网络模型的准确性较静态神经网络模型有明显提高[3]。

1 基于相似度函数的样本优化

由于目前选择样本数据的原则还没有统一，如果把历史数据都作为样本输入，计算量会很大，所以要对样本进行优化。样本优化的基本思想是对已有数据进行比较，计算任意两组数据之间的相似度。如果相似度高，说明这两组数据包含的信息相似，也就是冗余信息，这时我们可以通过剔除操作来简化模型的输入样本，提高运行效率。

下面是相似度函数公式：

(1)

式中:xj=Rm,j为数据样本,m为数据样本的维数；‖·‖为矩阵二范数；δ为归一化参数；Rij为第i组数据和第j组数据之间的相似度。

针对数据信息，选取归一化参数δ，其表达式为：

(2)

式中：Di为第i组数据;m为每组数据中的个数。

如果两个数据越相近，则经过相似度函数计算后的相似度就越接近1，说明两组数据包含的信息越相似。为了避免运算时出现大量的冗余信息，就剔除其中一组数据[4]。

2 数据的归一化处理

数据的标准化处理是数据挖掘的一项基本工作，因为选取的变量有不同的量纲，在不同的量纲下比较是没有意义的。为了消除指标间量纲的影响，需要对数据进行标准化处理，使各指标处于同一个数量级，适合综合评价。

(3)

式中：xmin为样本数据x的最小值；xmax为样本数据x的最大值。

上式也称为离差标准化，是对原始数据进行线性变换，将结果映射到(0,1)之间。这种方法的缺点就是当xmin和xmax相等时，分母为0，归一化不能进行。

假设当样本数据x的最大值和最小值相等时，即分母为0，令y=ymin，就解决了分母中出现0的情况。

(4)

式中：y为样本数据x经过标准化后的数据;ymax和ymin为定义的两个最值。改进之后的归一化不仅包含了原来归一化的内容，而且可以在编程中得到应用，提高了应用范围[5]。

3 BP神经网络

3.1 BP神经网络原理

人工神经网络简称神经网络，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法模型。神经网络模型包括输入层、隐含层、输出层。神经网络的过程是数据经过输入层进入到隐含层，经过隐含层的处理，最后传输到输出层。如果训练的输出和期望值不一样，则通过差值对传输过程中的权值进行修正，直到满足设定的目标[6]。

设BP神经网络的输入层节点数为M、隐含层节点数为q、输出层节点数为L、学习样本的个数为N、样本输入为p，隐含层的第i个神经元在样本p作用下的输入为：

(5)

隐含层的输出经过激励函数作用，公式如下：

(6)

隐含层第i个神经元的输出，通过隐含层与输出层神经元之间的连接权值作用之后，传输到输出层。输出层的第k个神经元的输入为：

(7)

式中：Wki为隐含层第i个神经元到输出层第k个神经元之间的权值；θk为输出层神经元的阈值。

输出层第k个神经元经过激励函数作用以后的输出为：

(8)

对系统的输出值与给定值进行比较，如果不一样，则通过误反传对连接权值进行修正，经过多次训练得到最终结果[7]。

3.2 隐含层节点数的确定

目前，关于隐含层节点数的确定并无一个准确的方法。对于3层BP神经网络，采用以下隐含层节点数的判断方法：

(9)

式中：S为隐含层节点数;k为输入层节点数;n为输出层节点数。

S要经过四舍五入取整得到，公式与大多数的应用实例相符。本文采用上述经验公式，确定BP神经网络隐含层节点数[8]。

4 软测量模型的建立

软测量主要由辅助变量的选择、数据的分析与处理、软测量模型的建立、在线校正等步骤构成。其中，软测量模型的建立是核心任务。本文根据机理分析初步得到辅助变量，通过一次风量和辅助变量之间相关系数的大小和辅助变量之间相关性，得到最终的辅助变量(样本1)，然后分析一次风量和辅助变量之间的时序关系，得到另一组辅助变量(样本2)。在样本1的基础上加上一个辅助变量(磨煤机的瞬时给煤量)作为样本3，然后分别对样本进行优化和数据的归一化。通过BP神经网络进行建模，比较各个样本输入时的结果并加以分析。样本1的软测量模型建立示意图如图1所示。样本1～样本3流程相同。

图1 样本1的软测量模型建立示意图

4.1 辅助变量的选取

根据机理分析寻找辅助变量，了解对象的工艺流程和机理，可以初步确定多个和一次风量相关的辅助变量；然后根据一次风量和辅助变量之间的相关性来进一步确定。通过机理分析，由流量公式Q=k×(Δ×σP)1/2可以知道，流量和气体的密度Δ和差压σP有直接关系。气体的密度受温度和压力的影响，所以选取进出口的温差、一次风机进口的压力作为辅助变量。风量是由风机动叶开度和风机电流大小来调节的，风量和给煤量有关。风量过多或过少都会对燃烧效率产生影响。在制粉系统中，一般采用皮带式称重来计算煤量，所以磨煤机电流和磨煤机的瞬时给煤量可以作为辅助变量。一次风是冷风和热风的混合，所以可以把冷风开度和热风开度作为辅助变量[9]。

根据机理分析，得到的初步辅助变量如表1所示。

表1 初步辅助变量表

(10)

最终辅助变量如表2所示。

表2 最终辅助变量表

因为在实际工业运行中，机器设备不可能瞬时响应，所以筛选后的辅助变量在时间序列上会有一定的超前或滞后。处理方法为：选取超前或滞后的辅助变量，然后和一次风量求取相关系数，通过仿真得到相关系数的曲线；再根据设备的实际工作情况，得到一次风量和辅助变量之间时序上的差别。综合上述方法得到最终的结果：热风门开度要超前一次风量130s；磨煤机一次风压力和一次风机电流在时序上相差很小，时延近似为0。通过分析得到磨煤机电流和一次风进出口温差的时序相关性较差；此外，还加入一个辅助变量(磨煤机的瞬时给煤量)进行分析。

4.2 数据的预处理

相似度函数阈值和剩余样本容量关系曲线如图2所示。

图2 相似度函数阈值和剩余样本容量关系曲线图

电厂的历史数据是带有量纲的，在不同的量纲下没有比较的意义，所以要对数据进行归一化处理。本文选用的是改进的max-min标准化处理[10]。

5 结果与分析

在样本1、样本2、样本3输入下的BP模型测试曲线如图3所示。

图3 BP模型测试曲线图

根据某电厂的历史数据，一共等间隔选取了3 650组数据，经过样本优化和数据的归一化处理后，进入BP神经网络模型进行训练。同时，从3 650组数据中随机抽取80组数据进行测试，比较选取3种不同的辅助变量的精确性。最大绝对值误差(Emax)、均方根误差(RMSE)、平均绝对误差(MAE)的公式如下：

(11)

(12)

(13)

不同模型的输入分析如表3所示。

表3 不同模型的输入分析

6 结束语

通过机理分析、一次风量和辅助变量相关性分析选择辅助变量，然后分析辅助变量之间的时序关系，得到最终的辅助变量。由表3可知，样本2作为输入时的准确性较样本1有明显的提高，说明分析一次风量和辅助变量之间时序关系是正确的；样本2和样本3作为输入时，准确性相差不大，可以得到分析辅助变量之间相关性的必要性，减少辅助变量的个数，精简软测量模型，提高运算速度。通过分析一次风量和辅助变量时序关系，可以提高准确性，为以后一次风量的分析提供了理论依据。

[1] 王守会,林云芳,杨耀权,等.基于LSSVR的磨煤机一次风量软测量[J].电子世界,2012,34(14):73-75.

[2] 俞金寿.软测量技术及其应用[J].自动化仪表,2008,29(1):1-7.

[3] 杨耀权,张新胜.LSSVM动态软测量模型在磨煤机一次风预测方面的应用[J].动力工程学报,2016,36(3)：207-217.

[4] 张传标,倪建军,刘明华,等.样本优化核主元分析及其在水质监测中的应用[J].中国环境监测,2012,28(2):92-96.

[5] 柳小桐.BP神经网络输入层数据归一化研究[J].机械工程与自动化,2010,39(3):122-127.

[6] 姚健.群搜索算法与二次插值法的混合算法及其应用研究[D].太原:太原科技大学,2010.

[7] 魏星华.量子神经网络辨识方法的研究[D].保定:华北电力大学,2013.

[8] 尚长军,陈曦,钱积新.基于PCA-BP神经网络的精馏塔产品组成软测量模型[J].工业仪表与自动化装置,2003，33(4):33-36.

[9] 王建,杨耀权,马高伟.软测量辅助变量选择方法研究[J].电力科学与工程,2011,27(7):37-40.

[10]金秀章,韩超.KPCA-LSSVM在磨煤机一次风量预测中的应用[J].自动化仪表,2015,36(3):62-67.

[11]唐春霞,杨春华,桂卫华,等.基于KPCA-LSSVM的硅锰合金熔炼过程炉渣监督预测研究[J].仪器仪表学报,2010,31(3):689-693.

ApplicationoftheTimeSequence-NeuralNetworkModelinMeasurementofPrimaryAirFlowofPulverizer

JINXiuzhang,ZHANGShaokang,YINZijian,LIUXiao

(SchoolofControlandComputerEngineering,NorthChinaElectricPowerUniversity,Baoding071003,China)

Inaccordancewiththecharacteristicsoflargeinertiaandlargetimelagofthecoalpurverizingsystem,themodelofsoftmeasurementofprimaryairflowbasedontimesequence-neuralnetworkisproposed.Inthemodelingprocess,thetimesequencesofinputvariablesandoutputvariablesofproductiveprocessareconsidered,themethodsofsecondaryvariablesselectionanddatapretreatmentaregiven.Thesimulationverificationofmodelisconductedusingthepracticalhistoricaloperationdataofcertainpowerplant,theresultsindicatethatcomparingwiththecommonlyusedstaticneuralnetworksoftmeasurementmodels;theprecisionofthismodelisobviouslyimproved.Theresearchprovidescertaintheoreticalbasisforthemeasurementofprimaryairflowofpulverizers.

Thermalpowerplant;Coalpulverizingsystem;Pulverizer;Airflow;Softmeasurement;Timeseries;BPneuralnetwork;Artificialintellegence;Normalizedprocessing;Datamining

金秀章(1969—)，男，博士,副教授,主要从事大型发电机组先进控制策略的研究。E-mail:jinxzsys@163.com。张少康(通信作者)，男，在读硕士研究生,主要研究方向为信号分析与处理、智能控制。E-mail:15530204649@163.com。

TH71;TP

ADOI: 10686/j.cnki.issn1000-0380.201701011

修改稿收到日期:2016-05-24