适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型制造技术

适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，包括模型输入、模型输出和神经网络，模型输入分为全局影响性输入和燃烧器局部影响性输入两类，神经网络包括输入层神经元、隐含层神经元和输出层神经元，输入层神经元燃烧器局部影响性输入神经元仅与所属燃烧器局部影响性隐含层神经元相连，不与其它燃烧器所属局部影响性隐含层神经元相连，也不与一般隐含层神经元相连，一般隐含层神经元和燃烧器局部影响性隐含层神经元均与输出层神经元相连；将电站锅炉结构转化为对应的神经网络特殊结构，可天然适应不同磨煤机组合条件，不仅具有更加优异的性能，且大幅降低模型对样本的依赖，显著提高神经网络模型的建模、训练、学习效率及模型应用成功率。

【技术实现步骤摘要】
【专利摘要】适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，包括模型输入、模型输出和神经网络，模型输入分为全局影响性输入和燃烧器局部影响性输入两类，神经网络包括输入层神经元、隐含层神经元和输出层神经元，输入层神经元燃烧器局部影响性输入神经元仅与所属燃烧器局部影响性隐含层神经元相连，不与其它燃烧器所属局部影响性隐含层神经元相连，也不与一般隐含层神经元相连，一般隐含层神经元和燃烧器局部影响性隐含层神经元均与输出层神经元相连；将电站锅炉结构转化为对应的神经网络特殊结构，可天然适应不同磨煤机组合条件，不仅具有更加优异的性能，且大幅降低模型对样本的依赖，显著提高神经网络模型的建模、训练、学习效率及模型应用成功率。【专利说明】适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型
本专利技术涉及电站锅炉燃烧特性建模
，具体涉及一种适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型。
技术介绍
锅炉燃烧系统是电站系统最复杂最难建模的部分，其涉及大空间场内的复杂的物理和化学变化，其热量的传递又引起工质的相变，燃烧的高温两相流缺乏有效的测试手段，因此，很难用经典数学方法加以描述，尚无成熟可靠的经典数学模型。神经网络技术以其适合于复杂非线性系统和自学习特性在大量工业系统的建模领域取得了广泛的应用。锅炉的数学模型较多集中于汽水一侧的建模，但这类模型难以反映锅炉的燃烧效率，为了用数学模型描述燃煤锅炉的煤粉投入及配风分布的影响，必须建立评价锅炉燃烧特性的数学模型，反映锅炉风、粉系统输入与锅炉燃烧效率输出之间的关系。现有技术绝大多数都采用前向多层神经网络或神经网络序列来模拟锅炉的燃烧性能，不同的建模实例可能采用不同的隐含层神经元数量，但这类神经网络属于经典的神经网络结构，但用于锅炉燃烧性能的模型存在以下几个问题:1.锅炉燃烧输入参数多，系统复杂，需要较多神经元组成网络，其训练和学习都需要海量的样本，而实际的锅炉运行过程工况常常波动，难以在短时间内获得足够数量的样本；2.常规神经网络模型适应性广泛，但无法将锅炉系统的特殊结构和物理规律转化为神经网络结构或参数，隐含层神经元数量难以确定，建模过程复杂耗时，初始权值矩阵数值影响大，训练成功率低；3.锅炉系统输入量多，但不同输入之间的相关性要么很强，要么很弱，对于常规神经网络技术中采用的对称结构(前一层神经元的输出与下一层的每个神经元都有连接)模型的训练来说极易因学习的早熟而失败。4.电站锅炉负荷波动大，因此常常存在低负荷时部分磨煤机无需工作的状态，此夕卜，磨煤机因配煤或故障的原因可能经常变换磨煤机组合，导致对应的燃烧器组出力波动巨大，现有技术在燃烧器出力较低时，会因为风煤比的巨大偏离而出现局部饱和，严重影响整个网络输出的精度和可靠性，因此采用现有技术的国外产品多针对不同的磨煤机组合单独进行模型的学习和训练，从而对样本数量要求更加强烈，也常因对应工况样本严重不足使训练周期大幅延长。
技术实现思路
为了解决上述现有技术存在的问题，本专利技术的目的在于提出一种适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，可将电站锅炉结构转化为对应的神经网络特殊结构，可天然适应不同磨煤机组合条件，不仅具有更加优异的性能，且大幅降低模型对样本的依赖，可显著提高神经网络模型的建模、训练、学习效率及模型应用成功率。为了实现上述目的，本专利技术采用以下技术方案:适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，包括模型输入、模型输出和神经网络，所述的模型输入分为全局影响性输入和燃烧器局部影响性输入两类，所述燃烧器局部影响性输入是指其信号的变化对所属燃烧器的燃烧状态和特性影响显著，但对整个炉膛或其他燃烧器的影响相对较小；所述神经网络包括输入层神经元、隐含层神经元和输出层神经元，所述输入层神经元分为分别与模型输入的全局影响性输入和燃烧器局部影响性输入对应的全局影响性输入层神经元和燃烧器局部影响性输入层神经元两类，所述隐含层神经元分为分别与全局影响性输入层神经元和燃烧器局部影响性输入层神经元对应的一般隐含层神经元和燃烧器局部影响性隐含层神经元两类，所述输出层神经元数量包括与模型输入的全局影响性输入和燃烧器局部影响性输入对应的两类；燃烧器局部影响性输入神经元仅与所属燃烧器局部影响性隐含层神经元相连，不与其它燃烧器所属局部影响性隐含层神经元相连，也不与一般隐含层神经元相连，所述一般隐含层神经元和燃烧器局部影响性隐含层神经元均与输出层神经元相连；燃烧器局部影响性隐含层神经元的输出计算与该燃烧器归一化的相对出力或相对出力比进行耦合，耦合方法为:将燃烧器局部影响性隐含层神经元各输入的权值与该燃烧器归一化的相对出力或相对出力比相乘或在燃烧器局部影响性隐含层神经元输出计算中叠加偏置之前与该燃烧器归一化的相对出力或相对出力比相乘。所述神经网络中燃烧器局部影响性隐含层神经元采用如下公式进行计算:【权利要求】1.适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，其特征在于:包括模型输入、模型输出和神经网络，所述模型输入分为全局影响性输入和燃烧器局部影响性输入两类，所述燃烧器局部影响性输入是指其信号的变化对所属燃烧器的燃烧状态和特性影响显著，但对整个炉膛或其他燃烧器的影响相对较小；所述神经网络包括输入层神经元、隐含层神经元和输出层神经元，所述输入层神经元分为分别与模型输入的全局影响性输入和燃烧器局部影响性输入对应的全局影响性输入层神经元和燃烧器局部影响性输入层神经元两类，所述隐含层神经元分为分别与全局影响性输入层神经元和燃烧器局部影响性输入层神经元对应的一般隐含层神经元和燃烧器局部影响性隐含层神经元两类，所述输出层神经元数量包括与模型输入的全局影响性输入和燃烧器局部影响性输入对应的两类；燃烧器局部影响性输入神经元仅与所属燃烧器局部影响性隐含层神经元相连，不与其它燃烧器所属局部影响性隐含层神经元相连，也不与一般隐含层神经元相连，所述一般隐含层神经元和燃烧器局部影响性隐含层神经元均与输出层神经元相连；燃烧器局部影响性隐含层神经元的输出计算与该燃烧器归一化的相对出力或相对出力比进行耦合，耦合方法为:将燃烧器局部影响性隐含层神经元各输入的权值与该燃烧器归一化的相对出力或相对出力比相乘或在燃烧器局部影响性隐含层神经元输出计算中叠加偏置之前与该燃烧器归一化的相对出力或相对出力比相乘。2.根据权利要求1所述的适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，其特征在于: 所述神经网络中燃烧器局部影响性隐含层神经元采用如下公式进行计算: 3.根据权利要求1所述的适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，其特征在于:所述燃烧器局部影响性输入包括燃烧器组的煤质参数、煤粉浓度、一次风速、风粉混合物温度、二次风量和二次风挡板开度；所述全局影响性输入包括机组负荷、排烟含氧量、炉膛负压、燃尽风量、燃尽风门开度、烟气一氧化碳含量和一次风压。【文档编号】G06N3/02GK103886370SQ201410122688【公开日】2014年6月25日 申请日期:2014年3月28日 优先权日:2014年3月28日 【专利技术者】高林, 薛建中, 高海东, 王春利, 曾卫东, 肖勇 申请人:西安西热控制技术有限公司, 西安热工研究院有限公司本文档来自技高网...

【技术保护点】
适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，其特征在于：包括模型输入、模型输出和神经网络，所述模型输入分为全局影响性输入和燃烧器局部影响性输入两类，所述燃烧器局部影响性输入是指其信号的变化对所属燃烧器的燃烧状态和特性影响显著，但对整个炉膛或其他燃烧器的影响相对较小；所述神经网络包括输入层神经元、隐含层神经元和输出层神经元，所述输入层神经元分为分别与模型输入的全局影响性输入和燃烧器局部影响性输入对应的全局影响性输入层神经元和燃烧器局部影响性输入层神经元两类，所述隐含层神经元分为分别与全局影响性输入层神经元和燃烧器局部影响性输入层神经元对应的一般隐含层神经元和燃烧器局部影响性隐含层神经元两类，所述输出层神经元数量包括与模型输入的全局影响性输入和燃烧器局部影响性输入对应的两类；燃烧器局部影响性输入神经元仅与所属燃烧器局部影响性隐含层神经元相连，不与其它燃烧器所属局部影响性隐含层神经元相连，也不与一般隐含层神经元相连，所述一般隐含层神经元和燃烧器局部影响性隐含层神经元均与输出层神经元相连；燃烧器局部影响性隐含层神经元的输出计算与该燃烧器归一化的相对出力或相对出力比进行耦合，耦合方法为：将燃烧器局部影响性隐含层神经元各输入的权值与该燃烧器归一化的相对出力或相对出力比相乘或在燃烧器局部影响性隐含层神经元输出计算中叠加偏置之前与该燃烧器归一化的相对出力或相对出力比相乘。...

【技术特征摘要】

【专利技术属性】
技术研发人员：高林，薛建中，高海东，王春利，曾卫东，肖勇，
申请(专利权)人：西安西热控制技术有限公司，西安热工研究院有限公司，
类型：发明
国别省市：陕西;61