基于BP神经网络的煤矸石电厂烟气脱硫效果评价

薛宝华,郭 凯(.北京万方创杰科技有限公司 ,北京00083;2.河南科技大学管理学院,河南洛阳47003;3.中国矿业大学 (北京)资源与安全学院,北京00083)

随着我国经济的持续发展,对煤炭资源的需求不断增加。这就必然要求在保证现有矿井产量下,加大新型矿井的建设活动以满足这种需求。可是,煤炭资源的不断的开发,伴随着大量煤矸石的产生。目前,煤矸石已经成为我国累计堆存量最大的工业固体废物。大量的煤矸石,不但侵占了大量的农田,如果不能有效处理,还会造成大气、土壤水和水体污染[1],极大改变和破坏了矿区周围的自然环境、社会生存环境和地质条件,成为矿区的主要污染源。解决这个问题,已经成为当务之急。用煤矸石来发电,已经成为资源综合利用的循环经济发展模式的途径之一。作为低热值燃料,煤矸石具有高灰份、高硫份的特点,在燃烧发电的同时产生大量的二氧化硫 (SO2)污染物。作为一种刺激性气体,SO2对人和环境的危害极大它在空气中的日均值浓度只要达到一定浓度,就会危及人体健康,引起叶片组织的局部损坏,造成植物枯萎甚至死亡。此外,SO2形成的酸雨,会造成土壤酸化和贫瘠化,对森林、文物古迹与水生生物等造成严重的破坏。因此,控制和治理煤矸石电厂SO2污染,已经成为紧迫的环保任务之一。为控制二氧化硫排放,我国已制订了相关政策法规,积极推动煤矸石电厂安装脱硫装置。本文将BP神经网络运用到煤矸石电厂烟气脱硫效果的评价中,根据其自适应、自学习和非线性处理等优点,对各个煤矸石电厂的脱硫效果进行评价,促进电厂改进技术,为生态环境的平衡与和谐提供科学的指导依据。

1 BP神经网络的基本原理

1.1 BP神经网络简介

BP神经网络是目前应用最广泛也是最成功的神经网络之一。它是基于误差反向传播 (Backp ropagation)算法的多层前馈网络 (M ultip le layer feed forward network),其拓扑结构一般由输入层、输出层以及一个或多个隐层节点互连而成的一种多层网络。

它的计算过程由信息正向传播和误差反向传播两个过程组成。输入层各神经元负责接收外界的输入信息,并传递给中间层的神经元;中间层是内部信息处理层,负责信息变换,中间层可以设计为单隐层或者多隐层结构;最后隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止,最后得出输出结果。

1.2 BP神经网络计算过程

2) 正向计算 o′j,o′k:

计算输出层各节点输出:

计算输出层节点k的δ:

计算隐层节点 j的δ:

4)调整权值。按下式调整权值,进行修正:

其中:η,α是 [0,1]间的系数。

5)转向步骤 (2)。 (2)～ (4)完成一轮训练。不断重复这一过程,直到实际输出与期望的样本输出误差足够小为止。

2 BP神经网络对煤矸石电厂烟气脱硫效果的评价

2.1 指标体系的构建

电厂脱硫效果评价是一个复杂的系统,因此只有构建了科学合理的评价指标体系,才能做出科学公正的评价结论。评价指标的建立,必须要遵循一定的原则,否则所建指标体系将杂乱无章,无法对电厂的脱硫效果进行有效评价。这些原则主要包括:

1)重要性原则。应该按照对脱硫工艺效果影响的贡献程度来取舍指标,严格区分主次,不能一概而论。

2)针对性原则。评价中,一定要注意考虑电厂的具体情况,所选取的指标应该有体现电厂具体情况适应性的指标,不能泛泛而论。

3)可比性原则。选取的指标要能具有同行业间的可比性和历史可比性。

4)定性与定量相结合原则。电厂脱硫效果评价,不但要涉及脱硫效率、钙硫比与总投资等量化指标,还要涉及对环境的污染情况等难以量化的定性指标,做到定性与定量相结合。

按照以上评价指标选择的原则,本文向多位从事电厂脱硫研究的专家进行调查咨询,并参考有关研究资料,经过分析,从技术、环境和经济三个方面建立了煤矸石电厂烟气脱硫效果的评价指标体系,如图1所示。

图1 煤矸石电厂烟气脱硫效果的评价体系

2.2 煤矸石电厂烟气脱硫效果的评价模型的设计

建立一个神经网络模型并完成训练和学习,需要合理的确定网络层数与各层的神经元数。本文根据前人的研究成果,设计的BP神经网络结构如下:

1)输入层神经元的个数。根据前文建立的指标体系,确认BP神经网络的输入层神经元个数为12个,即上述12个脱硫效果评价指标,每个指标依次用字母 ZB11、ZB12、ZB13、ZB14、ZB21、ZB22、ZB23、ZB24、ZB31、ZB32、ZB33和 ZB34表示。

2)输出层神经元的个数。在本文中,选取了7个采用石灰石—石膏湿法脱硫工艺的煤矸石电厂,每一个电厂对应一个评价结果,其高低代表烟气脱硫效果的情况,越高就代表烟气脱硫效果越佳。因此,输出层神经元数设定为1。已知7个样本电厂的脱硫效果评价情况分别为 0.6017、0.5212、0.5838、0.5193、0.6108、0.5481、0.6189。

3)隐层数和隐层神经元的个数。经过研究证明,单隐含层的神经网络,如果隐层节点数足够多的话,那么它就能以任意精度去逼近一个非线性函数。所以,本文确定隐含层数为1。

关于隐层节点数的确定,是一个较复杂的问题。一般参考以下公式进行试验:式中,m为输出神经元数;n为输入神经元数,a为0～10间的常数。因此,经过试验,a取5,则隐含层的神经元数数为9个。

2.3 煤矸石电厂烟气脱硫效果评价模型的训练和检测

选取7个已完成烟气脱硫效果评价的煤矸石电厂的指标数据,作为BP神经网络训练样本和检测样本,其中5个作为训练样本,2个作为检测样本。将5个作为训练样本输入网络模型,进行学习和训练,样本输入数据如表1所示。

表1 BP神经网络模型训练和检测样本

使用Matlab的神经网络工具箱对BP神经网络进行训练和检验,直到误差满足预先设定的要求时,停止学习,此时权值矩阵和阀值向量固定下来,成为模型的内部知识。本文设定的学习步长为500步,学习速率为0.1,误差限制在0.0001[3]。

程序执行后,该BP神经网络模型进行了学习,在第105步模型达到收敛,总体误差也满足要求,如图2所示。

图2 BP神经网络煤矸石电厂烟气脱硫效果的评价模型收敛图

将2个检测电厂的数据输入已经训练好的神经网络模型 ,进行模拟。模拟的结果为0.5475、0.6223,与6号和7号电厂的已知的烟气脱硫效果评价 (0.5481、0.6189)基本吻合。所以,用于煤矸石电厂烟气脱硫效果的评价已经训练成功,可以对烟气脱硫效果做出科学评价。

4 结语

用煤矸石来发电,在燃烧发电的同时会产生大量的二氧化硫,对环境造成污染,因此对煤矸石电厂的烟气脱硫效果进行评价就显得非常有必要。本文使用BP神经网络建立了煤矸石电厂烟气脱硫效果的评价模型,用已知数据对模型进行了训练、仿真、检验以及应用。该模型不但具有很强的适应和自学能力,使结果更加有效和直观,避免了主观因素造成的评估失真,而且可以利用相关工具,使计算过程更加简单可靠。所以,其能够对矸石电厂烟气脱硫效果状况进行有效地评价。

[1] 林国栋.煤矸石电厂烟气脱硫方案的选择与评价 [J].氮肥技术,2007,28(4):51.

[2] 徐君.矿井安全生产的神经网络评价 [J].辽宁工程技术大学学报,2005(24):28-29.

[3] 葛哲学,孙志强.神经网络理论与 MatlabR2007实现[M].北京:电子工业出版社,2007:288.