基于不同ANN模型对流化床颗粒内循环量的预测研究

陈鸿伟，梁锦俊，宋杨凡，刘博朝，刘玉强

(华北电力大学 能源动力与机械工程学院，河北 保定 071003)

0 引 言

由于传统的鼓泡流化床和循环流化床在实际生产中的诸多局限，双流化床开始进入视野并广泛应用于煤气化和生物质气化等领域[1，2]。较之一般流化床，双流化床气化具有燃料适应性强、气化强度大、传热效果好等优点[3]。

双流化床包括相互联通的一个主流化床和副流化床。在双循环流化床气化过程中，颗粒的内循环量是一个至关重要的参数。本文所述的颗粒的内循环量是指在实验过程中，由主流化床翻越隔墙进入到副流化床内的颗粒量。在相同的温度条件下，炉内受热面的换热强度为鼓泡流化床内最强，快速流化床条件下次之，稀相气力输送条件下最弱。因此，从主流化床到副流化床的颗粒内循环量需要足够大，以此来弥补由于稀相区换热强度下降而减少的传热量。同时，颗粒内循环量随运行参数变化的特性，涉及到实炉运行时的负荷调节问题，也需要从实验中发现其变化规律[4]。因此，需要对不同运行参数下，颗粒内循环量的变化情况进行全面而系统的研究。

人工神经网络(Artificial Neural Networks，ANN)是基于称为人工神经元的连接单元或节点所构成的集合，这些单元或节点松散地模拟生物大脑中的神经元。起初，人工神经网络模型采取与人脑相同的方式来解决实际问题。然而，随着时间的推移，科研工作者们的注意力逐渐偏离了生物学，如今人工神经网络已被广泛用于执行形形色色的任务。人工神经网络方法如BP神经网络、径向基函数神经网络(Radial Basis Function，RBF)、支持向量机(Support Vector Machine，SVM)、极限学习机(Extreme Learning Machine，ELM)以及经遗传算法(Genetic Algorithm，GA)优化的BP神经网络等在数据分类及回归预测方面已经在多个领域内得到广泛应用。陈鸿伟、史洋等[5，6]使用了BP神经网络以及经GA-BP神经网络对中心提升管内循环流化床颗粒内循环流率进行了预测研究。程琳等[7]使用了基于遗传算法优化的极限学习机(GA-ELM)对脱硝系统进行了动态建模。Shaikh A.Razzak等[8]使用了多种人工神经网络方法对循环流化床进行了建模。黄俊铭等[9]使用RBF神经网络对广义电力负荷进行了建模。舒胜文等[10]使用SVM模型基于电场特征量对空气间隙击穿电压进行了预测。张维等[11]综合BP与SVM两种算法对掺烧循环流化床进行了建模。牛培峰等[12]基于ELM和果蝇优化算法研究了循环流化床锅炉的NOx排放特性。

有鉴于此，本文选取了5种不同的人工神经网络模型来对新型双流化床实验系统的颗粒内循环量进行预测，并通过统一的评价指标比较各种模型的预测误差，籍此研究新型双流化床炉型方案中颗粒的内循环特性。

1 实验系统及运行工况

本文所研究的新型双流化床冷模实验台结构如下图1所示。实验系统主要包括离心风机、风室、炉膛、隔墙、旋风分离器、布袋除尘器、回料阀等结构，其中，隔墙将炉膛分为相互连接的主流化床和副流化床。主流化床横截面尺寸为390 mm×265 mm，副流化床横截面尺寸为390 mm×610 mm，炉膛上部空间横截面尺寸为390 mm×520 mm，炉膛高度为3 200 mm，主流化床与副流化床布风板之间的高度差为720 mm，隔墙由6块模块化隔墙板组成，单块隔墙板高度为100 mm，可根据实验工况需要进行隔墙高度调节，隔墙下部设有一排回流口。

图1 实验结构示意图

实验系统的工作过程为：主流化床中的床料，在高速流化风的流化分选和扬析夹带作用下，粗细颗粒分离，细颗粒翻越隔墙进入到副流化床中，再在副流化床流化风的作用下经过隔墙下部的回流口返回主流化床，形成颗粒内循环；主流化床中另一部分更细的颗粒在高速流化风的作用下被吹到炉膛上部，然后经过旋风分离器分离返回到副流化床中，形成颗粒外循环。由于炉膛上部稀相区横截面积自然扩大，因而炉膛上部气流速度下降，颗粒浓度低；床料内的粗颗粒将留在主流化床，经高速流化风处理后磨损破碎。通过改变主流化床的流化风速、炉膛隔墙高度和主流化床初始床层高度(本实验不考虑床料粒度分布带来的影响)，可以调节颗粒内循环量、外循环量及炉膛上部稀相区的物料浓度。实验采用循环流化床电站锅炉实炉循环灰作为床料，其真实密度为2 529 kg/m3。

实验工况如下表1所示，隔墙高度6个取值，主流化床初始床层高度2个取值，主流化床的流化风速5个取值，共计60个工况。主流化床流化风速取值均为副流化床流化风速的倍数，副流化床流化风速维持在1×Ucr(实验床料的临界流化速度Ucr由试验所得床层压降和流化风速关系曲线确定，最终求得Ucr为0.35 m/s)，只需使副流化床内床料流化并可以从回流口返回到主流化床即可。

表1 实验工况表

实验结果(即颗粒的内循环量)是通过颗粒浓度、速度测量仪测量进入副流化床内的循环灰颗粒的局部浓度和局部速度而间接求得的。

2 人工神经网络训练及预测结果

2.1 BP神经网络

BP神经网络，是一种基于误差反向传播算法的前馈型神经网络，可以用三层的神经网络完成从N维到M维的映射，结构相对较为简单[13]。它模仿人脑神经元对外部信号的应激过程，利用信号正向传播和误差反向调节的学习机制，经多次迭代，最后得到处理非线性信息的网络模型。其网络结构拓扑图如下图2，以输入层3个特征值，单隐含层5个神经元节点，单目标输出为例，权值和阈值则作用于在输入层与隐含层以及隐含层与输出层的连接。

图2 BP神经网络拓扑结构示意图

基于研究的新型双流化床冷模实验系统，把主流化床流化风速(m/s)、炉膛隔墙高度(mm)、主流化床初始床层高度(mm)这三个影响颗粒内循环量的因素作为输入变量，把颗粒内循环量(kg/(m2·s))作为输出变量。

本模型的特征值为3个，为避免模型过拟合，选用单隐含层模型，并依据经验公式确定其神经元节点数范围为3～20，经调试最终确定隐含层神经元节点数为8时模型预测误差最小。

为确保训练集具有良好的代表性和自适应能力，将使用的60组数据随机划分为50组训练样本和10组测试样本，训练样本负责训练构造的神经网络，测试样本则用以检测预测精度。

值得指出的是，在对数据进行训练之前，需要将其进行归一化处理，以平衡几个特征值因单位不同和数据范围不同等带来的影响。所谓归一化，就是将不同值域的数据都映射到[0,1]或[-1,1]的区间里。本文选择前者。

归一化公式为

(1)

使用MATLAB建立的BP神经网络模型的主要参数设置如下：输入层节点数为3，输出层节点数为1，单隐含层，隐含层神经元节点数为8，各层传递函数均设置为“tansig”，其最大训练次数为1 000，mse(均方误差)收敛目标设置为0.000 1，学习率为0.01，其余参数选择默认值。

采用均方根误差δRMSE和平均绝对百分比误差δMAPE作为预测精度的评判依据。

(2)

(3)

预测值与实验真值对比如图3所示。

图3 BP模型预测结果

训练集的均方根误差δRMSE为0.95 kg/(m2·s)，测试集的均方根误差δRMSE为1.08 kg/(m2·s)。

训练集的平均绝对百分比误差δMAPE为6.1%，而测试集的平均绝对百分比误差δMAPE为8.22%。

由图可知，大部分数据点偏差较小，小部分数据点游离于真值较远，曲线拟合差强人意；误差数值表明预测结果虽然大体上合格，但尚且称不上精确。

BP神经网络作为最常用的神经网络模型，虽然有着训练时间短，结构相对较为简单等优点，但其在内部的传递函数设置方面较为粗糙导致极有可能收敛于局部极值点，而这可能正是本模型预测精度欠高的原因。有鉴于此，下文将尝试结合GA优化算法。

2.2 GA-BP神经网络

遗传算法的基本思想基于达尔文的进化论和孟德尔的遗传学说。其基本流程为：编码→初始化种群的生成→适应度评价→选择→交叉→变异→终止条件判断。

通过GA优化BP神经网络的初始权值和阈值，得到优化后的权值和阈值后的工作流程则与BP神经网络一致。GA-BP算法流程图[14]如图4所示。

图4 GA-BP算法流程图

参数设置：种群规模为1 000，最大遗传代数为100，便于对比，其他参数设置保持与BP神经网络相同(隐含层节点数为8)或保持默认值(各层之间的传递函数等)。

GA-BP模型以及下文提及的其他模型均采取和BP神经网络模型一样的评价指标，即平均绝对百分比误差δMAPE、均方根误差δRMSE，以及曲线拟合度。训练集和测试集的预测值与实验结果对比如图5所示。

图5 GA-BP模型预测结果

训练集的均方根误差δRMSE为0.9 kg/(m2·s)，测试集的均方根误差δRMSE为0.78 kg/(m2·s)。

训练集的平均绝对百分比误差δMAPE为5.7%，而测试集的平均绝对百分比误差δMAPE为4.04%。

对比图3与图5发现，经过GA优化过后的BP神经网络的预测结果在精度上有了显著提升，且测试集的平均绝对百分比误差δMAPE也有大幅降低，这表明优化算法产生了积极影响。

2.3 RBF模型

径向基函数RBF神经网络除了输入层、具有线性神经元的输出层之外还有一个具有径向基函数神经元的隐含层，其拓扑结构类似于BP神经网络[15]。不同于其他前向型神经网络，RBF隐含层中的激活函数是局部响应的高斯函数而非全局响应函数。因此，RBF通常对神经元数量有更高要求。但是，它的训练时间更短，对函数逼近最优，性能较好。

本文采取的基于精确型RBF函数的神经网络模型，spread值选择10，传递函数选择与BP以及GA-BP保持一致。

其预测结果如图6所示。

图6 RBF模型预测结果

训练集的均方根误差δRMSE为0.62 kg/(m2·s)，测试集的均方根误差δRMSE为1.22 kg/(m2·s)。

训练集的平均绝对百分比误差δMAPE为3.89%，而测试集的平均绝对百分比误差δMAPE为7.32%。

RBF模型在训练集的预测精度，明显优于BP和GA-BP，但是其测试集的预测误差较大，远超GA-BP模型，表明该模型学习逼近能力好但是鲁棒性欠佳。

2.4 SVM模型

支持向量机SVM是在统计学习理论上发展起来的一种新型机器学习方法。SVM最初用于分类问题，它是从线性可分的情况下的最优分类面发展而来，对于多维度的样本数据，寻找最优的分类面，将样本数据分类。此外，对于样本数据线性不可分的情况下，SVM通过核函数将样本数据映射到高维空间，映射后的空间则是线性可分的[16，17]，即N维的样本集通过N-1维的最优分类面划分。在回归应用时，SVM另外引入不敏感损失函数，从而得到了回归型支持向量机，其基本思想变为寻找一个最优分类面使得所有训练样本离该平面误差最小。

预测结果如图7所示。

图7 SVM模型预测结果

训练集的均方根误差δRMSE为0.87 kg/(m2·s)，测试集的均方根误差δRMSE为0.83 kg/(m2·s)。

训练集的平均绝对百分比误差δMAPE为4.32%，而测试集的平均绝对百分比误差δMAPE为4.53%。

分析得到，SVM模型的预测精度与GA-BP接近，显著优于BP和RBF，是较为理想的模型。

2.5 ELM模型

极限学习机ELM与BP神经网络有着一样的拓扑结构，还同属于前馈型神经网络，且不需要像BP神经网络那样频繁调整权值和阈值。

与BP和SVM比较，它的可调试参数少，仅需要调节隐含层神经元节点数[18，19]，其输入层与隐含层之间的权值和阈值随机确定，隐含层与输出层之间的权值和阈值通过解方程得到。

ELM模型的隐含层神经元节点数与训练集样本数相关，通过经验公式确定范围，最终选用调试节点数为30。

预测结果如图8所示。

图8 ELM模型预测结果

训练集的均方根误差δRMSE为0.7 kg/(m2·s)，测试集的均方根误差δRMSE为0.84 kg/(m2·s)。

训练集的平均绝对百分比误差δMAPE为3.8%，而测试集的平均绝对百分比误差δMAPE为4.92%。

数据表明，ELM模型的数据拟合能力较佳、预测精度良好、鲁棒性高。

通过5种不同的人工神经网络模型对双流化床的颗粒内循环量进行了建模。均以均方根误差δRMSE以及平均绝对百分比误差δMAPE作为评价指标来判定各模型的预测性能，其中训练集的结果表征模型的学习逼近程度，测试集的结果表征模型的实际预测效果。具体结果如表2所示。

表2 各模型预测效果比较

3 结 论

(1)RBF和ELM模型的训练集预测结果较好，然后依次是SVM、GA-BP、BP，且GA-BP相较BP在误差数值上有了显著降低。

(2)测试集的预测结果显示，ELM和SVM以及GA-BP模型依然保持良好的预测效果，说明这三种模型具有较强的适应能力和鲁棒性，这与文献[20，21]调研的结果较为符合。

(3)RBF模型在预测集的预测结果误差较大，其均方根误差δRMSE甚至大于BP模型，表明该模型鲁棒性欠佳。

综合来说，ELM、SVM以及GA-BP模型对于双流化床的颗粒内循环量具有较高的预测精度，具有一定现实意义。