基于BP神经网络的燃煤机组NOx排放浓度预测系统

朱斌

(浙能乐清发电有限责任公司，浙江乐清 325600)

基于BP神经网络的燃煤机组NOx排放浓度预测系统

朱斌

(浙能乐清发电有限责任公司，浙江乐清 325600)

建立了BP神经网络对燃煤电厂机组NOx排放浓度的预测模型，探索BP神经网络系统对污染物排放浓度预测的可行性。通过对某电厂660MW机组实时的不同机组负荷、脱销进口烟温、进口NOx浓度、进口O2浓度、出口NOx浓度的样本进行训练，得出训练模型。通过训练后的BP神经网络模型对未知的NOx排放浓度进行预测，预测精度达到93．48%以上，完全能够满足实际中的预测需求。结论:BP神经网络系统对燃煤电厂实时的NOx排放浓度的预测具有技术上的可行性，能有效的对NOx排放浓度进行监测。

BP神经网络;燃煤电厂;NOx浓度

1 BP神经网络预测模型的建立

在人工神经网络当中BP神经网络占有非常重要的地位，其本身具有丰富的理论基础和学习能力，从本质上看其是采用负梯度下降算法，目标函数是采用的是网络函数的平方和。BP神经网络有非常强的纠错能力，这是它得以广泛应用的前提条件［1］。其减小误差的方法是通过反方向的传播从而以网络的方式输出误差，然后利用调整网络的权值连接和修正梯度下降法，这样便可以使得误差修正到最小值［2］。整个过程有从两个方面展开，一是正向的计算，二是反方向的传播，BP神经网络训练步骤如下:

(1)对待测数据进行初始化

利用MATLAB中自带的函数初始化命令对待测数据网络中进行初始化，这些初始化的数据包括输入向量、隐含向量相互之间的连接权值，隐含向量与输出向量相互之间的隐含神经元阈值和输出神经元阈值。

(2)对测试样本进行训练

对于待测试的训练样本包括两个部分，定义其中一部分的输入训练样本集为 p=〔p1，p2，…，pn〕T，所对应的另一部分为输出训练样本集为t=〔t1，t2，…，tn〕T。

(3)计算隐层节点和输出层节点的阈值

计算隐层节点的阈值函数如公式1:

计算输出层节点的阈值函数如公式2:

在公式(1)和(2)中，k为待训练样本的第k个样本，θs输出层的阈值，θh隐层的阈值，f和 g是MATLAB中自带函数sigmoid中的转移函数［J］。

(4)计算网络函数的误差

误差的计算对于输入样本的准确性非常重要，它能够有效的判断所要训练的样本和期望输出的样本差距的大小，尽量把误差控制在最小［3］。其中误差计算函数公式如下:

(5)对训练样本是否结束进行判断

有两种情况BP神经网络的训练会结束:一是当BP网络程序中的设定值大于当前运算的最大误差;二是当训练的次数超过了训练程序中的最大训练次数的时候。

其他情况下则训练将会继续下去。

(6)对BP网络训练过程中输出层和隐含层的误差进行修正

输出层修正误差计算公式如公式4［4］:

隐含层修正误差如公式5其中dks为输出层:

(7)权值和阈值的调整方式权值和阈值是按照函数最快的下降方向和梯度的负方向进行运算处理。权值通过输出层进行调整，进而对隐含层的权值进行修正［5］。

(8)重新回到第(3)步并开始下面的训练，直到达到训练结束的条件为止，即为训练次数达到程序中规定的次数和BP网络训练误差超过程序中规定的误差。

2 BP神经网络模型在燃煤电厂中预测NOx排放量的建立及运用

面对日益严重的污染问题，对于燃煤电厂NOx排放浓度的预测成为研究者的一个重要课题，对于燃煤电厂NOx排放量的预测精确度与否直接关系到对电厂NOx排放量监管和国家相关政策的制定，甚至有助于推动整个环保行业的发展［6－7］。燃煤电厂NOx的产生是一个非常复杂的过程，NOx产生受到许多因素的影响，这样就加大了研究者对其模型建立的难度，经过对燃煤电厂数据的分析，发现机组负荷、脱销进口烟温、进口NOx浓度、进口O2浓度这几项参数对NOx排放浓度影响最大。然后利用BP神经网络在这类算法预测上判断能力强、预测能力强、运算速度快等优势，这些优势大大的强于传统的预测方法。BP神经网络在公式的表达方面简化了描述和避开了一些特殊的参数影响。

选取了某660MW机组实时的24个学习样本，具体的数据如表1。

表1 某电厂660MW机组实时数据

在表1当中，输入因子为机组负荷、脱销进口温度、进口NOx浓度、进口O2浓度四个影响输出因子NOx排放浓度的学习样本，利用BP神经网络对表1中的输入因子和输出因子进行训练，在对这些数据作出训练之前，要对表中的24组数据进行归一化数据整理，整理的代码如下:

在表1中输入向量有4个输入因子，这4个输入因子对应BP神经网络的4个神经元，除去首尾两个神经元，中间层有13个神经元，BP神经网络中的输出向量为出口NOx浓度，数量为1。此处建立的BP神经网络为4×13×1的结构，利用如下代码创建所需的神经网络:

对表1某电厂660MW机组实时数据进行训练，在进行训练后的神经网络能够作为处理分析的数据。训练次数1000和训练目标0．001，其他BP网络中的参数为默认的数据。利用MATLAB对BP神经网络训练的结果见图1。

图1 BP神经网络训练过程图像

从图1中可以得出结论，整个训练过程为57次，神经网络的误差大小符合实际工况的要求。训练后的神经网络，可以对一组没有计算过出口NOx浓度的数据进行预测。在用于实际工况的预测之前，利用这组实际数据来检测BP神经网络对NOx排放浓度的预测精度，进行测试的数据是某燃煤电厂660MW实际运行工况下的数据，如表2所示。

表2 某燃煤电厂660MW实际工况测试数据

对测试所输出的结果进行归一化，然后再将输出结果经过反归一化处理得到燃煤电厂NOx排放浓度的最终预测结果，这个结果与表2中的实际NOx排放浓度工况理测得的相比较可以得出BP神经网络的预测精度见表3。从表3可以看出，通过训练后的BP神经网络模型对NOx排放浓度的预测精度达到93．48%以上。

表3 NOx排放浓度的预测精度

3 结语

经过对某燃煤电厂660MW机组实时数据的分析，本文选取机组负荷、脱销进口烟温、进口NOx浓度、进口O2浓度作为输入因子，出口NOx浓度作为输出因子，取得了很好建模效果，建的BP神经网络预测模型在实际工况情况下预测NOx排放浓度是可行的，预测精度达到93．48%以上，完成能够满足实际工况的需要。

［1］也正，顾钧．NOx预测排放监测系统的可行性分析［J］．污染防治技术，2013(2):26－28．

［2］Long Jiangqi，Lan Fengchong．Mechanical properties prediction of the mechanical clinching joints based on genetic algorithm and BP neural network［J］．Chinese Journal of Mechancal Englneering，2009，22 (1):36－41．

［3］师洪涛，杨静玲．基于小波－BP神经网络的短期风电功率预测方法［J］．电力系统自动化，2011，35(16):44－48．

［4］胡蓉．增量机器学习算法研究［D］．南京:南京理工大学，2013，75－76．

［5］徐军．递归神经网络稳定性分析［D］．杭州:浙江大学，2007，66－67．

［6］梁怀涛．火电行业氮氧化物排放量预测研究［D］．保定:华北电力大学，2012，25－26．

［7］刘天舒．BP神经网络的改进研究及应用［D］．哈尔滨:东北农业大学，2011，11－12．

Prediction system of coal－fired power plants NOxemission concentration based on BP neural network

The prediction model of NOxdischarge concentration is proposed by establish the BP neural network to unit from coal－fired power plant，to explore the feasibility of BP neural network system for the pollutant concentration prediction．Through the train for current time different unit load，stock imported smoke temperature，concentration of NOxand O2import，export NOxconcentration of certain power plant 660MW unit，it is concluded that the training model，after training the BP network to forecast the unknown concentration of NOxemission，prediction accuracy above 93．48%．That method can meet the actual forecast of demand completely．Conclusion:the BP neural network system of coal－fired power plant NOxemission concentrations of real－time prediction is technical feasible，can monitor the quality of NOxemission concentration effectively．

BP neural network;coal－fired power plant;NOxemission

X701．7

B

1674－8069(2015)03－012－03

2014-12-21;

2015-02-12

朱斌(1986-)，男，浙江温州人，硕士，主要从事火电厂设备管理工作。E－mail:wszdzdhan2006@qq．com