[发明专利]基于时延神经网络的锅炉参数建模方法

说明书

本发明公开了基于时延神经网络的锅炉参数建模方法，包括如下步骤：步骤S1：选取静态辅助变量和动态辅助变量；步骤S2：对静态辅助变量和动态辅助变量进行时延神经网络拟合，获得基于时延神经网络结构的锅炉参数排放动态预测模型；步骤S3：对时延神经网络参数进行调整，得到基于时延神经网络的锅炉参数模型。本发明基于时延神经网络的锅炉参数建模方法，利用输入量动态化构造方法，融合静态建模和动态建模的优点，选取总燃料量的时延单元作为动态辅助变量，通过神经网络拟合，得到充分包含锅炉制粉系统动态特性的模型。

技术领域

本发明属于热工技术和人工智能技术领域，具体涉及基于时延神经网络的锅炉参数建模方法。

背景技术

为了确保锅炉装置稳定、高效、绿色运行，需要获取锅炉尾部烟气中飞灰含碳量、含氧量和NOx排放等参数的相关信息，实现对与系统安全生产、经济运行、环保排放密切相关的重要过程变量的实时监测和优化控制。但是，上述重要参数往往处于高温、高压、高粉尘、高腐蚀性的环境，难以直接测得。以燃煤电厂CEMS仪表为例，通过取样分析装置测得的数据只具有短期时效性，长期运行难免出现测点无信号，或者测量值误差超出允许范围，需要人工定期检查维护(相关行业标准规定每天用标准样气校准)，探头定时吹扫，仪表定期校验等，消耗了大量的人力与物力。

目前，锅炉参数的神经网络建模方法普遍采用将对象黑箱化处理的通用建模方法：选取总燃料量、锅炉负荷、排烟温度、给煤机瞬时煤量(或给煤机开度)、二次风门开度、CCOFA 燃尽风开度、省煤器出口氧量、煤种特性参数、磨煤机通风量等辅助变量作为输入量来预测锅炉参数。但是，工业锅炉具有大惯性大迟延特点(正压直吹式制粉系统的纯迟延时间在25 s以上，惯性时间在150s以上)，剧烈的升降负荷过程中，由实时给煤量表征的炉膛实时进粉量严重失准。通用建模方法通过增加模型复杂程度力求达到理想训练效果，必然会造成模型训练时间长且测试(泛化)效果不佳。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于时延神经网络的锅炉参数建模方法。

为实现上述技术目的，本发明采取的技术方案为：

基于时延神经网络的锅炉参数建模方法，包括如下步骤：

步骤S1：选取静态辅助变量和动态辅助变量；

步骤S2：对静态辅助变量和动态辅助变量进行时延神经网络拟合，获得基于时延神经网络结构的预测锅炉参数模型；

步骤S3：对时延神经网络参数进行调整，得到基于时延神经网络的动态锅炉参数模型。

为优化上述技术方案，采取的具体措施还包括：

进一步地，步骤S1中的静态辅助变量包括总燃料量、二次风门开度、CCOFA燃尽风开度、省煤器出口氧量、煤种特性参数、磨煤机通风量；所述动态辅助变量为总燃料量的数量、分布密度、分布总长。

进一步地，总燃料量的数量包括若干个平均分布的时延单元，所述时延单元为一段时间内的瞬时总燃料量，后一个时延单元的时间段包含前面所有时延单元的时间段；所述分布密度为每50—70秒一个时延单元，所述分布总长为三至五分钟。

进一步地，步骤S2中的时延神经网络包括输入层、隐含层、输出层，所述输入层包括n 个采样点，所述隐含层包括N个节点，所述输出层包括1个RBF神经网络输出；

S21：计算任意n个采样点{(x_i,t_i)|x_i∈Rⁿ,t_i∈R}，i＝1,2,...,n，结构为n-N-1的RBF神经网络输出为：