一种改进的神经网络锅炉燃烧系统动态建模方法技术方案

本发明专利技术公开了一种改进的神经网络锅炉燃烧系统动态建模方法，包括以下步骤：A、确定影响锅炉效率的主要参数类别，提取主要参数类别对应的数据形成输入数据集，根据控制目标确定对应的输出数据集；B、构建锅炉燃烧系统的神经网络模型，使用输入数据集和输出数据集对神经网络模型进行训练；C、提取训练后的神经网络模型中的PID控制参数，根据锅炉燃烧系统状态参数的变化对PID控制参数进行优化。本发明专利技术能够改进现有技术的不足，实现了锅炉燃烧系统的动态建模，提高了控制精度。提高了控制精度。提高了控制精度。

【技术实现步骤摘要】
一种改进的神经网络锅炉燃烧系统动态建模方法


[0001]本专利技术涉及电厂自动化
，尤其是一种改进的神经网络锅炉燃烧系统动态建模方法。

技术介绍

[0002]现阶段燃煤火电依然是我国主要的电力供应方式，在能源供应日益紧张的大环境下，提高机组的锅炉燃烧水平具有十分重要的意义。由于我国燃煤种类复杂多变，且机组工况、电网负荷等变量众多，导致机组锅炉在实际工作过程中很难运行在最优工况下。现有技术中，有众多前馈或反馈控制方法应用于锅炉燃烧控制，但是由于锅炉运行过程中各个参数变化迅速，事先设定的控制系统的控制精度会逐渐降低。

技术实现思路

[0003]本专利技术要解决的技术问题是提供一种改进的神经网络锅炉燃烧系统动态建模方法，能够解决现有技术的不足，实现了锅炉燃烧系统的动态建模，提高了控制精度。
[0004]为解决上述技术问题，本专利技术所采取的技术方案如下。
[0005]一种改进的神经网络锅炉燃烧系统动态建模方法，包括以下步骤：
[0006]A、确定影响锅炉效率的主要参数类别，提取主要参数类别对应的数据形成输入数据集，根据控制目标确定对应的输出数据集；
[0007]B、构建锅炉燃烧系统的神经网络模型，使用输入数据集和输出数据集对神经网络模型进行训练；
[0008]C、提取训练后的神经网络模型中的PID控制参数，根据锅炉燃烧系统状态参数的变化对PID控制参数进行优化。
[0009]作为优选，步骤A中，输入数据集包括总风量数据、燃料量数据、二次风开度数据、燃尽风开度数据，输出数据集包括飞灰含碳量数据、排烟温度数据、氮氧化物排放量数据、锅炉效率数据。
[0010]作为优选，步骤B中，神经网络模型包括一个输入层、两个隐藏层和一个输出层。
[0011]作为优选，步骤B中，对神经网络模型进行训练包括以下步骤，
[0012]B1、对神经网络模型进行初始化，输入层与第一个隐藏层之间的权重为w
ij
，第一个隐藏层与第二个隐藏层之间的权重为w
jk
，第二个隐藏层与输出层之间的权重为w
kl
，第一个隐藏层神经元的阈值为a
j
，第二个隐藏层神经元的阈值为a
k
，输出层神经元的阈值为a
l
，其中i为输入层的第i个神经元，j为第一个隐藏层的第j个神经元，k为第二个隐藏层的第k个神经元，l为输出层的第l个神经元，构造每一层对应的激活函数，并在每个隐藏层设置对应的核函数；
[0013]B2、使用贝叶斯公式计算各个权重的高斯分布，确定最佳权重和阈值；
[0014]B3、使用输入数据集和输出数据对最佳权重和阈值进行训练，使用梯度下降法计算损失函数的最小值解区间；
[0015]B4、在最小值解区间中，计算输出神经元的实际输出与预期输出的偏差函数，通过计算偏差函数的极值点得到修正后的最佳权重和阈值。
[0016]作为优选，步骤C中，对PID控制参数进行优化包括以下步骤，
[0017]C1、将优化目标函数和锅炉燃烧系统状态参数的约束条件识别为抗原；
[0018]C2、产生初始抗体，在约束条件控制下，随机产生若干组初始设计向量，作为免疫系统的初始抗体种群；
[0019]C3、计算初始抗体种群中每个抗体的适应度和亲和力；
[0020]C4、选择与抗原的亲和力大于阈值的抗体作为记忆细胞，加入记忆细胞池；
[0021]C5、记忆细胞通过克隆、交叉与变异产生新一代抗体种群；
[0022]C6、判定是否满足终止条件，若满足，选择与抗原亲和力最大的抗体作为PID控制参数的最优解，否则返回步骤C3。
[0023]作为优选，步骤C4中，使用加入记忆细胞池中的记忆细胞与抗原进行免疫应答，根据应答结果相似度对记忆细胞进行分组。
[0024]作为优选，步骤C5中，首先对每组记忆细胞进行组内进行交叉，保证每个记忆细胞至少进行过一次交叉运算，然后根据交叉运算前后记忆细胞的适应度变化对记忆细胞进行再次分类，将适应度增加的记忆细胞进行克隆运算，将适应度降低的记忆细胞进行变异运算。
[0025]采用上述技术方案所带来的有益效果在于：本专利技术通过建立神经网络模型对锅炉燃烧系统进行动态仿真，同时采用免疫遗传算法对PID控制参数进行优化，提高了系统控制精度。其中，通过优化神经网络模型中权重和阈值的训练方法，有效降低了传统梯度下降法的运算量。通过改进记忆细胞的克隆、交叉和变异流程，加快了抗体群的进化效率。本专利技术建立的动态模型对锅炉燃烧系统的仿真实时性高，可以根据锅炉燃烧系统工况的变化快速做出反馈，以便工作人员对锅炉控制系统进行对应的调整。
附图说明
[0026]图1本专利技术的流程图。
具体实施方式
[0027]参照图1，本专利技术一个具体实施方式包括以下步骤：
[0028]A、确定影响锅炉效率的主要参数类别，提取主要参数类别对应的数据形成输入数据集，根据控制目标确定对应的输出数据集；
[0029]B、构建锅炉燃烧系统的神经网络模型，使用输入数据集和输出数据集对神经网络模型进行训练；
[0030]C、提取训练后的神经网络模型中的PID控制参数，根据锅炉燃烧系统状态参数的变化对PID控制参数进行优化。
[0031]步骤A中，输入数据集包括总风量数据、燃料量数据、二次风开度数据、燃尽风开度数据，输出数据集包括飞灰含碳量数据、排烟温度数据、氮氧化物排放量数据、锅炉效率数据。
[0032]步骤B中，神经网络模型包括一个输入层、两个隐藏层和一个输出层。
[0033]步骤B中，对神经网络模型进行训练包括以下步骤，
[0034]B1、对神经网络模型进行初始化，输入层与第一个隐藏层之间的权重为w
ij
，第一个隐藏层与第二个隐藏层之间的权重为w
jk
，第二个隐藏层与输出层之间的权重为w
kl
，第一个隐藏层神经元的阈值为a
j
，第二个隐藏层神经元的阈值为a
k
，输出层神经元的阈值为a
l
，其中i为输入层的第i个神经元，j为第一个隐藏层的第j个神经元，k为第二个隐藏层的第k个神经元，l为输出层的第l个神经元，构造每一层对应的激活函数，并在每个隐藏层设置对应的核函数；
[0035]B2、使用贝叶斯公式计算各个权重的高斯分布，确定最佳权重和阈值；
[0036]B3、使用输入数据集和输出数据对最佳权重和阈值进行训练，使用梯度下降法计算损失函数的最小值解区间；
[0037]B4、在最小值解区间中，计算输出神经元的实际输出与预期输出的偏差函数，通过计算偏差函数的极值点得到修正后的最佳权重和阈值。
[0038]步骤C中，对PID控制参数进行优化包括以下步骤，
[0039]C1、将优化目标函数和锅炉燃烧系统状态参数的约束条件识别为抗原；
[0040]C2、产本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进的神经网络锅炉燃烧系统动态建模方法，其特征在于包括以下步骤：A、确定影响锅炉效率的主要参数类别，提取主要参数类别对应的数据形成输入数据集，根据控制目标确定对应的输出数据集；B、构建锅炉燃烧系统的神经网络模型，使用输入数据集和输出数据集对神经网络模型进行训练；C、提取训练后的神经网络模型中的PID控制参数，根据锅炉燃烧系统状态参数的变化对PID控制参数进行优化。2.根据权利要求1所述的改进的神经网络锅炉燃烧系统动态建模方法，其特征在于：步骤A中，输入数据集包括总风量数据、燃料量数据、二次风开度数据、燃尽风开度数据，输出数据集包括飞灰含碳量数据、排烟温度数据、氮氧化物排放量数据、锅炉效率数据。3.根据权利要求2所述的改进的神经网络锅炉燃烧系统动态建模方法，其特征在于：步骤B中，神经网络模型包括一个输入层、两个隐藏层和一个输出层。4.根据权利要求3所述的改进的神经网络锅炉燃烧系统动态建模方法，其特征在于：步骤B中，对神经网络模型进行训练包括以下步骤，B1、对神经网络模型进行初始化，输入层与第一个隐藏层之间的权重为w
ij
，第一个隐藏层与第二个隐藏层之间的权重为w
jk
，第二个隐藏层与输出层之间的权重为w
kl
，第一个隐藏层神经元的阈值为a
j
，第二个隐藏层神经元的阈值为a
k
，输出层神经元的阈值为a
l
，其中i为输入层的第i个神经元，j为第一个隐藏层的第j个神经元，k为第二个隐藏层的第k个神经元，l为输出层的第l个神经元，构...

【专利技术属性】
技术研发人员：沈庆东，和占强，石明然，赵文艺，岑峰，
申请(专利权)人：内蒙古大唐国际锡林浩特发电有限责任公司，
类型：发明
国别省市：