[发明专利]基于RBF神经网络的多点式流量计的校正方法和装置

权利要求书

1.一种基于RBF神经网络的多点式流量计的校正方法，其特征在于，包括以下步骤：

将一次风机频率、送风机频率、引风机频率和机组负荷作为RBF神经网络的输入量，将烟气量校正系数作为所述RBF神经网络的输出量，获取涵盖火电机组多个工况的输入输出数据集；

将所述输入输出数据集作为训练数据集，对预设的所述RBF神经网络进行训练，调整所述RBF神经网络的参数；

获取实时的输入量和多点式流量计测量的实时烟气流量，将所述实时的输入量输入训练完成的RBF神经网络计算实时的烟气量校正系数；

将所述实时烟气流量乘以所述实时的烟气量校正系数，获得校正后的烟气流量测量值。

2.根据权利要求1所述的校正方法，其特征在于，所述获取涵盖火电机组多个工况的输入输出数据集，包括：

在同一工况下，通过人工测量和多点式流量计测量两种方式同时测量烟气流量；

通过计算测量时间内的平均值，分别获取当前工况下所述人工测量和所述多点式流量计测量的测量结果；

将所述人工测量的测量结果作为真实值，计算所述人工测量的测量结果与所述多点式流量计测量的测量结果的比值，将所述比值作为所述当前工况下所述RBF神经网络的输出量，并从所述火电机组的分散控制系统DCS中获取所述当前工况下所述RBF神经网络的输入量；

切换至不同的工况，并重复进行烟气流量测量对比试验和读取每个工况下的输入量。

3.根据权利要求1所述的校正方法，其特征在于，所述RBF神经网络包括输入层、隐含层和输出层，通过以下公式表示所述隐含层中i个节点的输出：

其中，i是隐含层中任一节点，u_i是隐含层第i个节点的输出，是输入样本向量，高斯函数的中心向量，σ_i是标准化常数。

4.根据权利要求3所述的校正方法，其特征在于，通过以下公式表示所述输出层的输出：

其中，y是RBF神经网络的输出，w_i是隐含层到输出层的加权系数。

5.根据权利要求4所述的校正方法，其特征在于，对预设的所述RBF神经网络进行训练，包括：

优化以下公式表示的目标函数：

其中，N是样本数量，t_p为输出量的期望值，y_p为输出量的实际值；

通过以下公式对所述w_i的值进行学习：

其中，η为学习速率，0η1。

6.根据权利要求1所述的校正方法，其特征在于，所述获取多点式流量计测量的实时烟气流量，包括：

与所述火电机组的烟气在线监测系统CEMS建立通讯连接，从所述在线监测系统CEMS中读取所述多点式流量计测量的实时烟气流量。

7.一种基于RBF神经网络的多点式流量计的校正装置，其特征在于，包括以下模块：

获取模块，用于将一次风机频率、送风机频率、引风机频率和机组负荷作为RBF神经网络的输入量，将烟气量校正系数作为所述RBF神经网络的输出量，获取涵盖火电机组多个工况的输入输出数据集；

训练模块，用于将所述输入输出数据集作为训练数据集，对预设的所述RBF神经网络进行训练，调整所述RBF神经网络的参数；

第一计算模块，用于获取实时的输入量和多点式流量计测量的实时烟气流量，将所述实时的输入量输入训练完成的RBF神经网络计算实时的烟气量校正系数；

第二计算模块，用于将所述实时烟气流量乘以所述实时的烟气量校正系数，获得校正后的烟气流量测量值。