[发明专利]基于锅炉燃烧特性的神经网络预测方法

权利要求书

1.基于锅炉燃烧特性的神经网络预测方法，其特征在于：包括以下步骤：

S1、以燃气量和烟气含氧量作为BP神经网络的输入，以锅炉效率和NO_x排放量作为BP神经网络的输出建立锅炉燃烧预测模型；

S2、基于遗传算法对燃气量和烟气含氧量进行编码，产生包括N0个个体的初始种群；

S3、基于锅炉燃烧预测模型的输出构造目标函数和第一适应度函数，并计算个体适应度；

其中，目标函数为：；

式中，为目标函数；为锅炉效率设定值；为NO_x排放量设定值；为锅炉效率的权重系数；为NO_x排放量的权重系数，；

第一适应度函数为：，为第一适应度函数；

S4、基于个体适应度计算个体被选择概率，在初始种群中按照个体被选择概率由低到高的顺序选出N1个父代，对N1个父代进行预设迭代次数的遗传操作并产生第一种群；

S5、从初始种群中随机选取N0-N1个个体添加到第一种群形成第二种群，并确定第二适应度函数，选出适应度最小的个体并直接进行解码操作，其解码值为当前工况下最佳烟气含氧量操作值和最佳燃气量操作值，对应的BP神经网络输出值即为最佳锅炉效率设定值和最佳NO_x排放量设定值；

其中，第二适应度函数为：；式中，为第二适应度函数。

2.如权利要求1所述的基于锅炉燃烧特性的神经网络预测方法，其特征在于：所述BP神经网络为单隐层的BP神经网络。

3.如权利要求1所述的基于锅炉燃烧特性的神经网络预测方法，其特征在于：执行S1前还包括以下步骤：利用遗传算法对BP神经网络结构的初始权值和阈值进行全局寻优，再将遗传算法寻找的最优权值和阈值代入BP神经网络中进行样本训练。

4.如权利要求3所述的基于锅炉燃烧特性的神经网络预测方法，其特征在于：所述BP神经网络的隐含层到输出层之间的连接权值和阈值满足以下公式：

；（1）

；（2）

；（3）

其中，为迭代次数；、均为学习步长，取值为1.2，取值为0.5；为第次迭代连接权值对网络误差的一阶偏导；为第次迭代连接权值的调整量；为第次迭代连接权值调整量的阈值。

5.如权利要求1所述的基于锅炉燃烧特性的神经网络预测方法，其特征在于：所述S4中所述遗传操作包括以下步骤：

S201、选择操作采用最佳保留策略执行选择操作；

S202、执行交叉操作并预设迭代次数阈值，当迭代次数小于迭代次数阈值时，交叉概率为0.6，反之，交叉概率为0.4；

S203、执行变异操作，当迭代次数小于预设迭代次数时，变异概率为0.09，反之，变异概率为0.2。