[发明专利]一种燃煤机组水冷壁壁温预测神经网络模型

权利要求书

1.一种燃煤机组水冷壁壁温预测神经网络模型的构建方法，其特征在于：由多个神经网络递次连接组成，每一个神经网络由输入层、隐含层和输出层组成；所述输入层分为预测受热面壁温变量输入、上游受热面壁温变量输入和其他关键变量输入三类，既考虑了影响壁温的关键因素以及上游受热面壁温变化情况，同时考虑了预测受热面壁温历史数据对自身的影响；

所述预测受热面壁温变量输入即锅炉某墙垂直水冷壁壁温最大值；所述上游受热面壁温变量输入是指垂直水冷壁的上一级受热面或设备的温度，即省煤器出口蒸汽温度、螺旋水冷壁壁温平均值；所述其他关键变量输入是指信号的变化对垂直水冷壁壁温影响显著的参数，包括机组实际负荷、煤量、一次风压和二次风流量；所述输出层为锅炉某墙垂直水冷壁壁温最大值预测值；

所述多个神经网络中第一个神经网络输入神经元包括锅炉某墙垂直水冷壁壁温最大值、省煤器出口蒸汽温度、螺旋水冷壁壁温平均值、机组实际负荷、煤量、一次风压和二次风流量七个输入神经元；第一个神经网络输出神经元为预测周期1的垂直水冷壁壁温最大值预测值；将第一个神经网络输出神经元与第二个神经网络输入连接，将预测周期1的垂直水冷壁壁温最大值预测值送入第二个神经网络垂直水冷壁壁温最大值输入神经元进行历史数据更新，其余输入神经元与省煤器出口蒸汽温度、螺旋水冷壁壁温平均值、机组实际负荷、煤量、一次风压、二次风流量六个输入神经元进行连接并进行输入更新，第二个神经网络输出神经元为预测周期2的垂直水冷壁壁温最大值预测值；依次类推，从而获得第n个神经网络输出神经元的预测结果，即预测周期n的垂直水冷壁壁温最大值预测值；所述神经网络模型中的隐含层神经元分别与所有的输入神经元、输出神经元相连，将神经网络输入神经元归一化输入变量与各输入的权值相乘，并通过激活函数进行计算叠加神经元偏置获得神经元输出；

所述多个神经网络输出神经元与输入神经元之间的数学关系如下式表示：

第1个神经网络：

Z(1)＝f(X₁(t-1),X₁(t-2),…X₁(t-P),X₂(t-1),X₂(t-2),…X₂(t-P),

…Y(t-1),Y(t-2),…Y(t-P))

第2个神经网络：

Z(2)＝f(X₁(t-1),X₁(t-1),X₁(t-2),…X₁(t-P+1),X₂(t-1),X₂(t

-1),X₂(t-2),…X₂(t-P+1),…Z(1),Y(t-1),Y(t-2),…Y(t

-P+1))

…

第n个神经网络：

其中，X₁、X₂…X₆分别表示神经网络的输入层中6个影响因素，即省煤器出口蒸汽温度、螺旋水冷壁壁温平均值、机组实际负荷、煤量、一次风压、二次风流量六个输入；Y表示神经网络的输入层中的1个影响因素，即垂直水冷壁壁温最大值；Z表示神经网络的预测输出，即垂直水冷壁壁温最大值预测值；n表示神经网络个数，即预测周期数；P表示神经网络输入神经元的延迟数；X₁(t-1),X₁(t-2),…,X₁(t-P)表示输入变量X₁的第1个至第P个历史数据值；Y(t-1),Y(t-2),…Y(t-P)表示输入变量Y的第1个至第P个历史数据值；Z(1),Z(2),…Z(n)表示第1至第n个周期的垂直水冷壁壁温最大值预测值；

每一个神经网络的隐含层节点个数由公式确定，其中l为输入层节点个数，m为输出层节点个数，a为1-10之间的常数；同时根据模型计算确定输入变量的延迟阶数、隐含层节点数；输入输出激活函数均选择线性激活函数，避免训练模型弱化壁温超温点，从而造成泛化能力减弱；通过遗传算法确定隐含层权值，即通过选择、交叉、变异操作来寻找最优适应度对应个体，从而确定隐含层最佳权值；

每一个神经网络中输入神经元的计算，采用如下传递函数：

其中：f为激活函数；w_i为上一层第i个神经元输出至该神经元的权值；u_i为上一层第i个神经元输出，也即该神经元的第i个输入；b为该神经元的偏置。