[发明专利]基于构造－剪枝混合优化RBF网络的煤灰熔点预测方法

说明书

技术领域

本发明涉及一种煤灰熔点的预测方法，尤其涉及一种融合了神经网络构造算法与剪枝算法优点的混合优化RBF网络的煤灰熔点预测方法。 

背景技术

灰熔点对锅炉结渣特性与热效率都有很大影响，很多国家都制定了以灰熔点来评判锅炉结渣特性的指标，国内有些电厂也把灰熔点作为衡量煤质的重要指标。对于固态排渣锅炉，通常需要燃用较高灰熔点的煤以防止炉内结渣，当煤灰变形温度高于炉膛出口烟温50～100℃时就不会造成对流受热面结渣；而对于液态排渣锅炉则燃用灰熔点低的煤以防止流渣不畅，减少炉膛结渣。因此，对煤灰熔点进行准确预测至关重要。 

煤灰中含有多种氧化物，包括SiO2，Al2O3，Fe2O3，CaO，MgO，TiO2，K2O及Na2O。很多学者研究表明，煤灰中各氧化物决定了煤灰熔点。基于该结论，有一些传统的计算煤灰熔点的方法，如常见的经验回归公式。然而使用这类静态的方法进行预测是一个极其复杂的问题，其中掺杂着很多不确定的又相互作用的影响因素。此外，一些相关的参数有时还不准确。所以使用这类传统的计算煤灰熔点的方法往往得不到理想的预测效果。 

鉴于神经网络技术有着强大的非线性映射的能力，一些学者采用了神经网络技术对煤灰熔点进行建模，以实现非线性映射。由于BP网络比较简单，目前使用的神经网络绝大部分都是BP网络。但是，BP网络本身依然存在许多问题：易陷入局部最小点，收敛速度较慢，很难确定学习精度，结构设计困难等。另外，如何选择合理的拓扑结构也是一个很现实的问题。这些问题给基于BP网络的煤灰熔点预测建模带来了难度。 

RBF网络是非线性系统建模时另一种应用十分广泛的模型。相比BP网络，RBF网络在模型的建立、预测的精度以及模型的精简度等方面都有明显的优势。然而，RBF网络在实际应用中的性能还与网络的结构设计密切相关。RBF网络设计的核心问题是确定隐节点的数目及相应的数据中心，设计出满足目标误差要求的尽可能小的神经网络，以保证神经网络的泛化能力。 

发明内容

发明目的：本发明的目的在于针对现有灰熔点预测方法精度不高，模型结构不合理、泛化能力不强等问题，提供一种基于构造-剪枝混合优化RBF网络的煤灰熔点预测方法，以达到预测精度高，网络结构精简、泛化能力好、鲁棒性强的目的。 

技术方案：本发明所述的基于构造-剪枝混合优化RBF网络的煤灰熔点预测方法，该方法分为“粗调”和“精调”两个阶段，粗调阶段按照以使能量函数最小为原则动态增加隐节点数目，选取相应的样本输入作为数据中心，直至隐节点数满足停止准则时停止；精调阶段用Gaussian正则化方法对粗调得到的RBF网络的结构和参数作进一步调整，调整对象为数据中心调整、输出权值调整、冗余隐节点删除和正则化系数的动态调整；基于煤灰的化学组成成分建立相应的构造-剪枝混合优化RBF网络，并以该网络预测煤灰熔点。 

所述粗调具体步骤如下： 

(A1)先从样本输入中选取网络的第一个数据中心，然后每次增加一个隐节点，逐步调整该数据中心的值，新的隐节点数据中心的选取以使能量函数最小为原则；采用Gaussian正则化方法时的能量函数为： 

E=(Y=P~MW~)T(Y-P~MW~)+λW~TW~---(1)]]>