锅炉燃烧含氧量中的大数据与神经网络技术分析

高 菲

（宝鸡职业技术学院，陕西 宝鸡 721000）

从应用形式上考虑，锅炉燃烧系统常见于火电厂中，通过对出口烟气含氧量的观察可以直接得知锅炉所对应的实际燃烧效率。当前我国已经在此基础上提出了相应的神经网络技术，其对于锅炉的燃烧而言起到了一定的控制作用，但也应意识到的是，其依然没有发挥出大数据的优势，因此不具备智能辨识能力。对此，本文则以火电厂锅炉燃烧过程中的含氧量控制为基本背景，围绕其运行数据展开探讨，在此基础上依托于大数据建立出对应的神经网络模型，由此提升锅炉燃烧的可辨识性，由此可以提升火力发电燃烧效率，降低对污染物排放量，控制对周边环境的污染程度，具有明显的现实意义。

1 锅炉燃烧系统

火电厂锅炉燃烧控制是一项系统性工程，具体围绕燃料量、送风量以及引风量这三大指标而展开。伴随着机组负荷指令的改变，对应的三大指标也会出现成比例变化关系，由此提升对负荷改变状态下的适应能力。所谓的风煤比，指的是锅炉内的风量与煤量的比值，控制好此参数至关重要，可以显著提升煤的燃烧效率，推动锅炉燃烧的持续运行[1]。此外，基于对风煤比的调控，可以降低NOx的含量，创造更为稳定的燃烧环境，对环境的保护作用也尤为明显。

在进行风煤比控制时，应重点围绕炉膛出口烟气含量而展开，基于对此指标的分析可以明确锅炉燃烧情况。基于降低能耗以及提升锅炉效率的目的，应将该含量控制在3%～6%，在满足此条件后既可以提升煤粉的燃烧率，又可以避免过度消耗风机的问题。

相比于专家系统而言，本文所探讨的系统具有特殊之处，其知识库由4个规则库所构成。以炉温设定值作为指导，由此引申出空间剖分-启发式匹配搜索算法。在四大类型库中，启发库出于对其余三个库协调性的目的，其内部设置了大量的“元规则”，由此起到与其余库的访问、修改等作用，此外还能确定搜索方向。在设定值规则选择器的作用下，可以发挥出开关的效果，并与启发式规则库进行协同作用。关于本文的燃烧控制系统结构可详见图1。

图1 燃烧控制图

2 基于大数据的神经网络模型辨识

2.1 数据平滑

经平滑处理后可以消除大部分数据所产生的“噪音”问题。对于传统平滑处理方式而言，过分侧重于整体平滑效果，从而降低了对局部细节的重视程度；相比之下，非参数平滑法可以摆脱总体分布的束缚，因此具有更强的灵活性，其中又以局部加权回归散点平滑法最为重要。基于该方法，可以形成一个低阶多项式，由于它与数据具有高度相似性，因此可以获得良好的LOESS平滑效果。

2.2 数据零初始处理

一个完整的系统模型必须包含输入与输出模型两大部分，由此反映出某一平衡点状态下对应的增量传递关系。而要想达到此要求，就必须确保数据统计特性与时间不具备任何关联，由于实测所得的数据为随机时间序列，因此所产生的“零点”具有任意性，当采集到现场数据后需要利用式（1）对其进行处理：

式中：N为数据总个数；u为输入序列；y为输出序列。

2.3 归一化处理

实际研究表明，输入与输出对应的量纲并非完全相同，有时二者的差距甚至达到了几十倍之多，将其直接引入神经网络后将会对小量级数据造成影响，此外平均值还将表现出明显的波动现象。基于提升数据平衡性的目的，应对所有数据进行处理，将其归一到（-1，1）区间内。基于线性函数转换的方式可以提升数据的均衡性，但受实际情况的制约，输入数据的采集并不能事先确定出来，因此只能对训练样本进行归一化处理，此时神经网络所得到的预测值将控制在（-1，1）范围内，此时需要依托于目标数据的归一化属性，在此基础上进行反归一化处理，经此操作后所得到的结果才与实际情况相符。

3 神经网络技术与大数据

3.1 BP神经网络

对于一个高效的BP神经网络而言，应将其设置为多层结构形式，具体又可划分为输入层、输出层以及隐层，其中隐层的数量与前两类有着明显的差别，可以是单层也可以是多层，基于神经元的作用可以实现各个邻层之间的连接，当神经元处于同一层时则无需进行连接。整个过程均建立在样本数据的基础上，由此进行正向传播与误差反向传播作业。以事先准备好的各类型层为基础，由此展开网络训练，而后将所得到的输出结果与预期值进行对比分析，当达到不要求后需要随之提升训练次数，基于权值调节的方式可以提升模型的适应能力。伴随着网络拓扑结构的改变，所对应的学习与泛化能力也存在差异，除了该因素外，诸如学习样本以及算法等均会对二者造成影响。需要强调的是，当前行业内依然没有形成关于神经元个数的标准界定依据，此环节仅依赖于经验而展开。经多次测试后，将本文的神经网络模型确定为3 层形式。关于本文所探讨的神经网络拓扑结构，具体如图2所示：

图2 神经网络拓扑结构

3.2 BP学习算法介绍

BP神经网络所实行的学习算法类型较多，其中以学习规则最为典型，这是基于梯度下降法而建立出来的一种方法，此时所带来的输出值与期望值之间的误差将处于最小状态。关于BP 算法的具体内容，如下所示：

（1）对BP 网络权值进行初始化处理，对应取值范围通常以[0，1]为宜，选定P个元素，由此构成训练样本集，具体有

（2）在指定公式的作用下得出各个单元所对应的输出情况，具体有

以所得到的新权值与阀值为基础，从而分析实际值与预期值之间的差距，当误差控制在预期范围内时则可以停止学习；若超出了预期规定的范围，则需要继续进行训练。

但BP算法也存在一定的不足之处，诸如收敛速度缓慢、乏化能力弱等，为了改善以上问题，可采取如下两方面工作：其一，依托于启发式信息技术，在此基础上引入BP 算法；其二，依托于BP 算法，在此基础上引入数值优化技术。

3.3 神经网络特征参数的确定

基于某些特定的系列数值，在此基础上神经网络将会对其进行计算，由此模拟出人类思维。无论是神经网络的输入输出还是阀值，其对应的均是某一具体的数值，但伴随着应用领域的改变，数值所赋予的物理意义均存在差别。在此背景下，在将神经网络应用于某一具体领域时，首先应明确输入与输出所对应的特征值；当锅炉处于加热运行状态时，输入值可以视为炉压偏差；此外，将空气与煤气两大物质的实际流量作为输出值[2]。

3.4 神经网络拓扑结构的确定

基于Hecht-Nielsen 的证明可以得知：对于任意L2上的[0，1]到R 的映射G，其均对应了一个三层前向网络，由此不断地与G 进行逼近。考虑到此特性，本文选取了三层BP神经网络，将其作为主要的控制模型。

当结束特征参数的确定工作后，此时所有的输入均可视为网络的输入，对应的输出则可视为网络的输出，基于BP网络的作用可以实现多目标输出。此外，还可以引入多个BP 网络，确保所有输入特征均相同。基于对上述两类方法的对比可知，后者所带来的收敛性更为良好，其涉及的隐节点数量明显偏少。

在进行初始流量设定时，单个炉号均对应了2 个三层BP网络，所产生的两个输出量分别为空气流量与煤气流量。基于缩减网络训练时间的目的，应确保任何一个时期对应的输入量均相同[3]。

对于燃料与空气流量神经网络系统而言，均采用的是三层BP神经网络的形式，其对应的数量以8个为宜。将输入参数设定为4，在进行加热时对应的输入结点数为7，最终的输出结点数均为1。

3.5 隐结点数的确定

确定隐结点数是一各极为复杂的问题，为了提升所得结果的精确新，本文基于如下方法展开：

当含有n+1个隐结点时，其具备记忆n条规则的能力，此时可以根据所给出的学习规则数量通过计算得出对应的隐结点数；而后基于自组织自学习算法对冗余结点做进一步处理，具体有：

式中：hi为隐结点；hj为输出层的结点数目；Oik为与hi相关的输出结点；Ojk为与hj相关的输出结点。

4 结 语

综上所述，本文围绕锅炉燃烧系统展开探讨，以所得的大数据为基础采取滤波、删选等操作，经以上环节后可以得到相应的系统样本数据，而后基于智能辨识体系展开相应的燃烧系统建模工作。本文重点围绕锅炉燃烧过程中的含氧量展开探讨，提出了相应的BP神经网络模型，由此具有针对性的对含氧量这一指标进行分析，明确系统中各个数据的关系。基于本文的探讨，旨在给相关行业提供可行参考。