[发明专利]基于锅炉燃烧特性的神经网络预测方法

说明书

本发明提出了基于锅炉燃烧特性的神经网络预测方法，基于两层遗传算法和BP神经网络建立锅炉燃烧预测模型，通过第一层遗传算法保留群体精英，可保证收敛性，第二层遗传算法添加新的种群至第一层遗传算法保留下的精英群体中，可保证遗传算法的群体多样性，防止群体收敛在个别少数解上；第一层遗传算法中交叉概率在迭代前期取较大值可快速找到全局最优点；在迭代后期交叉概率取较小值，可避免破坏已找到的最优点的结构而导致不能收敛的情况；第一层遗传算法中变异概率采用变概率的方法可以避免遗传算法陷入局部最优点；第二层遗传算法选出适应度最高的个体并直接进行解码操作，不需要进行交叉和变异操作，可保证遗传算法尽快地收敛至极值点。

技术领域

本发明涉及自动化控制技术领域，尤其涉及基于锅炉燃烧特性的神经网络预测方法。

背景技术

为了降低NO_x的排放量所采用的低氧燃烧方式，虽然可以有效抑制 NO_x的生成，但也会造成CO浓度和飞灰含量急剧升高，同时也降低了锅炉的燃烧效率；当增大含烟气含氧量，虽然提高了锅炉运行效率以及炉膛温度，但也会造成 NO_x增多，同时由于风量增大，排烟热损失也会增加。从理论上而言存在一个最优点可以平衡这二者的矛盾。目前多采用BP神经网络建立锅炉燃烧预测模型并基于遗传算法对BP神经网络的输出进行全面寻优，找到最佳的锅炉效率设定值和最佳NO_x排放量设定值，通过调整BP神经网络的输入，使锅炉效率和NO_x排放量达到最优。但是上述方法中由于使用了一次遗传算法寻优，存在初始种群范围过大导致遗传算法收敛时间较长的问题。因此，为了解决上述问题，本发明提供基于锅炉燃烧特性的神经网络预测方法，采用BP神经网络和两层遗传算法的结合，可以加快收敛时间，并快速准确地找到最佳锅炉效率设定值和最佳NO_x排放量设定值。

发明内容

有鉴于此，本发明提出了基于锅炉燃烧特性的神经网络预测方法，采用BP神经网络和两层遗传算法的结合，可以加快收敛时间，并快速准确地找到最佳锅炉效率设定值和最佳NO_x排放量设定值。

本发明的技术方案是这样实现的：本发明提供了基于锅炉燃烧特性的神经网络预测方法，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；

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。

在以上技术方案的基础上，优选的，BP神经网络为单隐层的BP神经网络。

在以上技术方案的基础上，优选的，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。

在以上技术方案的基础上，优选的，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）