本发明专利技术公开了一种基于蚁群优化ＢＰ神经网络模型的煤灰熔点预测方法。它将蚁群优化算法与ＢＰ神经网络算法相融合共同完成神经网络训练，以提高网络模型的训练精度和预报精度；并将该网络模型应用于煤灰熔点的预测，取得了良好的预测精度。本发明专利技术的优点：１）利用蚁群优化算法具有全局搜索的特性，对网络权值进行整体寻优，克服ＢＰ算法容易陷入局部最优的不足；２）ＢＰ算法以蚁群优化算法提供的较优权值为初值，利用其强大的非线性映射能力对网络权值作进一步的优化；３）基于煤灰的化学组成成分，建立煤灰熔点的蚁群优化ＢＰ神经网络模型，该网络模型应用于煤灰熔点的预测，验证了本发明专利技术煤灰熔点预测方法的有效性。
【技术实现步骤摘要】
本专利技术涉及煤灰熔点的预测方法，尤其是指一种基于蚁群优化BP神经网络模型的煤灰熔点预测方法。
技术介绍
煤灰熔点对锅炉结渣、结焦特性和热效率都有很大影响，因此是锅炉设计和运行中都非常关注的问题。影响煤灰熔融性的主要因素是煤灰的化学组成，锅炉高温环境的介质性质亦对煤灰熔点有一定的影响[1]，前者是内因，后者是外因，本专利技术的关注点是前者对灰熔点的影响。由于煤的结渣特性是一个复杂多变的物理化学过程，各种成份相互作用的情况难以预测，到目前为止，灰熔点的计算还没有一个普遍认可且预测精度较高的计算方法[2]。国家标准GB/TZ19-1996《煤灰熔融性的测定方法》是一种试验测定方法，但由于煤灰熔融温度的测试需要专门的实验设备且操作繁琐，目前国内很多电站和中小型企业普遍不具备实测煤灰熔融性ST(软化温度)的条件，因此寻求数学模型来预测煤灰的熔融温度一直是人们努力的方向。陈文敏等[3]系统地研究了我国煤的灰熔融性软化温度(ST)与煤灰中SiO2、Al2O3、Fe2O3、CaO等主要氧化物成份之间的关系，并推导出了利用煤灰成份计算煤灰熔融性的一组多元回归方程；龚树生等[4]采用多元线性回归的方法，并利用逐步回归等技术得出了利用煤灰的成份推算灰熔点的公式。基于煤灰化学组成的经验回归公式由于使用方便而在工程中得到了一定的应用，但该方法的预报精度相对较低。于是人们把目光转向了人工神经网络等解决“黑箱”建模问题效果较好的方法。Yin等[5]利用BP神经网络的强大非线性映射能力对煤灰熔点与其化学组成之间的关系进行了建模研究，初步显示了神经网络在煤灰熔点建模方面的优势。周昊等[6]利用RBF神经网络对小样本数目的灰熔点预报进行了研究。但BP算法本质上是梯度下降算法，容易陷入局部最优值，因此算法对初值非常敏感。蚁群算法[7]是近年来兴起的一类具有全局搜索能力的群智能优化算法，其优越的分布式求解模式、隐含的并行计算特性和基于正反馈的增强型学习能力成为解决具有NP-hard特性的组合优化问题的锐利武器，引起了相关领域学者的广泛关注。蚁群算法(Ant Colony Algorithm，ACA)是以蚂蚁群体觅食行为为背景，由Dorigo[7，8]等人提出的一类群智能优化算法，在解决TSP[9](traveling salesmanproblem)、QAP[10](quadratic assignment problem)等组合优化问题中取得了较好的效果。与传统的优化算法相比，蚁群算法具有如下的优点(1)本质的并行性和分布式计算。所有蚂蚁独立、无监督的同时搜索解空间中许多点，非常适合于并行实现，因而本质上是一种高效的搜索算法。(2)强大的全局寻优能力。使用概率规则，而不是确定性规则指导搜索，使得算法能够逃离局部最优。(3)正反馈机制。蚂蚁选择路径时，根据以前蚂蚁留下的信息素信息指导搜索，这种正反馈机制有利于蚁群找到更好质量的解。(4)适应性强。蚁群算法对搜索空间没有任何特殊要求，如连通性、凸性等，不需要导数等其他信息。(5)易于与其它启发式算法结合。基于图理论的蚁群算法的求解步骤如下。关于蚁群算法的具体论述可参见文献[11]。蚁群算法步骤1、初始化初始化信息初值τ0，蚂蚁数m，信息素增量Q等参数，2、while(没有达到迭代次数){For每一只蚂蚁do随机选择出发点while{不满足结束条件}{蚂蚁依据如下概率选择下一节点pi,jk(t)=τi,jα(t)·ηi,jβ(t)Σs∉tabukτi,sα(t)·ηi,sβ(t),j∉tabuk0j∈tabuk]]>}End按下式进行信息素更新τi，j(t+1)＝ρτi，j(t)+Δτi，j(t，t+1)}3、输出最优解参考文献[1]容銮恩，袁镇福，刘志敏，等.电站锅炉原理[M].中国电力出版社，1997. 周昊，郑立刚，樊建人，等.广义回归神经网络在煤灰熔点预测中的应用 .浙江大学学报(工学版)，2004，38(11)1479-1482. 陈文敏，姜宁煤灰成分和煤灰熔融性的关系[J].洁净煤技术，1996.2(2)p.34-37. 龚树生，陈丽梅由煤灰成分推算其熔融性的多元线性回归式的研究[J].煤质技术，1998.24(5-6)p.23-25. C.Yin，Z.Luo，M.Ni，et al.Predicting coal ash fusion temperaturewith a backpropagation neural network model[J].Fuel，1998.77(15)p.1777-1782. 周昊，郑立刚，樊建人等广义回归神经网络在煤灰熔点预测中的应用[J].浙江大学学报(工学版)，2004.38(11)p.1479-1482. A.Colorni，M.Dorigo，V.Maniezzo.Distributed optimization by antcolonies.Proceedings of the First European Conference onArtificial LifeParis，1991. M.Dorigo，C.Blum.Ant colony optimization theorya survey[J].Theoretical Computer Science，2005，344243-278. M.Dorigo，V.Maniezzo，and A.Colorni.Ant systemoptimizationby a colony of cooperating agents.IEEE Transactions on Systems，Man，and Cybernetics-Part B，1996，129-41. V.Maniezzo，and A.Colorni.The ant system applied to the quadraticassignment problem.IEEE Transactions on Knowledge and DataEngineering，vol.5，1999，pp.769-778. 段海滨.蚁群算法原理及其应用[M].科学出版社，2005.
技术实现思路
本专利技术的目的是提供一种基于蚁群优化BP神经网络模型的煤灰熔点预测方法。基于蚁群优化BP神经网络模型的煤灰熔点预测方法采用蚁群觅食搜索最短路径的仿生方法，搜索煤灰熔点网络模型的网络权值；以蚁群优化算法提供的较优权值为初值，利用BP神经网络强大的非线性映射能力，对煤灰熔点网络模型的权值作进一步优化；基于煤灰化学组成成份建立相应的蚁群优化BP神经网络模型，并以该模型预测煤灰熔点。所述的蚁群优化算法采用多组精英保留策略，将网络模型权值的定义域均匀划分成若干子区域，区域数目在应用中选择一个适当值，兼顾蚁群优化所需的时间开销，以及权值定义域划分本文档来自技高网...
【技术保护点】
一种基于蚁群优化ＢＰ神经网络模型的煤灰熔点预测方法，其特征在于采用蚁群觅食搜索最短路径的仿生方法，搜索煤灰熔点网络模型的网络权值；以蚁群优化算法提供的较优权值为初值，利用ＢＰ神经网络强大的非线性映射能力，对煤灰熔点网络模型的权值作进一步优化；基于煤灰化学组成成份建立相应的蚁群优化ＢＰ神经网络模型，并以该模型预测煤灰熔点。
【技术特征摘要】
1.一种基于蚁群优化BP神经网络模型的煤灰熔点预测方法，其特征在于采用蚁群觅食搜索最短路径的仿生方法，搜索煤灰熔点网络模型的网络权值；以蚁群优化算法提供的较优权值为初值，利用BP神经网络强大的非线性映射能力，对煤灰熔点网络模型的权值作进一步优化；基于煤灰化学组成成份建立相应的蚁群优化BP神经网络模型，并以该模型预测煤灰熔点。2.根据权利要求1所述的一种基于蚁群优化BP神经网络模型的煤灰熔点预测方法，其特征在于所述的蚁群优化算法采用多组精英保留策略，将网络模型权值的定义域均匀划分成若干子区域，区域数目在应用中选择一个适当值，兼顾蚁群优化所需的时间开销...
【专利技术属性】
技术研发人员：刘彦鹏，安庆敏，吴明光，
申请(专利权)人：浙江大学，
类型：发明
国别省市：86[中国|杭州]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。