基于GRNN神经网络的蒸汽平衡预测

黄远红，黄清宝（广西大学电气工程学院，广西 南宁 530004）

基于GRNN神经网络的蒸汽平衡预测

黄远红，黄清宝
（广西大学电气工程学院，广西 南宁 530004）

针对大型化工企业蒸汽的生产、消耗平衡难以预测的问题，提出用GRNN神经网络进行预测的方法。采用实际生产过程中蒸汽产量、消耗量的原始数据，用MATLAB软件编程，根据蒸汽消耗量运用GRNN神经网络对蒸汽供应量进行模拟仿真；仿真效果较好，在实际中有广泛的应用前景。

蒸汽；产供平衡；GRNN神经网络；预测

大型化工企业的蒸汽用量大，供汽来源及用户种类多，蒸汽使用复杂，对于蒸汽供需平衡有极高的要求。传统方法是根据用户对蒸汽的流量、压力、温度的要求，参照在线计量数据，结合历史数据，进行大量人工的统计、分析、判断，再进行供汽的出力调整。由于工业过程复杂多变，流程长，滞后大，蒸汽流量、压力、温度测量的不确定，且与调度员工作水平和责任心等因素严重相关，使得蒸汽供需预测较难，产汽量负荷的调节非常困难。

近年来，人工神经网络的研究得到飞速发展，其具有的非线性、大量的并行分布处理以及强大的学习归纳能力使其在诸如建模、时间序列分析、模式识别、信号处理以及控制等方面得到广泛的应用，特别是面对缺乏物理或统计理解、观察数据中存在着统计变化、数据由非线性机制产生等棘手问题，神经网络都能够提供较有效的解决办法。

广义回归神经网络（generalized regression neural network，GRNN）与径向基函数网络结构类似，但在逼近能力和学习速度上较BRF网络有更强的优势，具有很强的非线性映射和柔性网络结构以及高度的容错性和鲁棒性，特别适用于函数的快速逼近和处理不稳定的数据。 GRNN的人为调节参数很少，网络的学习全部依赖数据样本，使得网络得以最大可能地避免人为主观假定对预测结果的影响。

笔者根据某化工厂的蒸汽使用结构，选取其中较有代表性的一个蒸汽流程的产、耗量数据（共1024组）作为神经网络的样本集，根据输入、输出变量数字映射关系（不考虑蒸汽的压力、温度、焓、熵等热力学、动力学、流体力学关系），利用MATLAB通过GRNN神经网络系统进行供汽量的预测，调整供汽量，达到快速调整蒸汽平衡的目的；同时也可作为新增蒸汽用户对供汽方案的预测、设计。

1　广义回归神经网络（GRNN）

1.1 GRNN的网络结构

GRNN有4层，分别为输入层（input layer）、模式层（pattern layer）、求和层（summation layer）和输出层（output layer）。与它们对应的网络分别为：

输入：X=［x1，x2，x3，……，xn］T，输出：Y=［y1，y2，y3，……，yk］T，具体见图1。

图1　广义回归神经网络（GRNN）结构图

各层表述如下：

1）输入层：输入层神经元的数目等于学习样本中输入向量维数，作用是直接将输入变量传递到模式层。

2）模式层：模式层神经元数目等于学习样本的数目n，传递函数为：

其中：X为网络输入变量，Xi为第i个神经元对应的学习样本。

3）求和层：有2种类型神经元进行求和（即用2种公式求和）：

第一类公式（算术求和）：对所有模式层神经元输出进行算术求和：

模式层与各个神经元的连接权值为1，传递函数为：

第二类公式（加权求和）：模式层中第i个神经元与求和层中第j个分子求和：

神经元之间的连接权值为第i个输出样本Yi中的第j个元素，传递函数为：

4）输出层：神经元数目等于学习样本中输出向量的位数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果（X）的第j个元素：

1.2 GRNN的理论基础

1.2.1 基于非线性回归分析

非独立变量Y相对于独立变量x（其观测值为X）的回归分析，实质上就是计算最大概率值y。假设随机变量X与y的联合概率密度函数f（x，y），则y相对于X的回归为：

其中：Y即为输入X时的预测输出。

1.2.2 密度函数的估算

其中：Xi、Yi为随机变量x、y的样本观测值，n为样本容量，p为随机变量x的维数，σ（光滑因子）为高斯函数的宽度系数。

1.2.3 光滑因子σ的影响

光滑因子σ较大，则概率密度函数的估计比较平滑，为多Gauss函数，当σ→∞时，（X）为所有样本因变量的均值；光滑因子σ较小时，概率密度函数的估计为非Gauss函数，σ→0时，（X）为与输入变量X之间Euclid距离最近的样本观测值。

2　预测模型建立与仿真分析

2.1 蒸汽流程及模型变量的选择

2.1.1 流程说明

硫酸余热锅炉和三废炉产生的中压蒸汽在中压蒸汽母管汇合后，分4路输出：一路直接外送中压蒸汽用户使用，其它3路经1#、2#汽轮机组发电做功和减温减压装置后总汇到低压过热蒸汽母管。低压过热蒸汽一路经减温装置变成低压饱和蒸汽输出，一路进入除氧器使用，另一路去造气车间使用。流程图见图2。

2.1.2 变量的选取

输入变量（4个）：消耗蒸汽用户为外送中压蒸汽（位号FT201）、外送低压饱和蒸汽（位号FT301）、造气低压过热蒸汽（位号FT303）和除氧器低压过热蒸汽（位号FT302）的流量。

目标变量（2个）：供汽方的硫酸余热锅炉中压蒸汽（位号FT101）、三废炉中压蒸汽（位号FT102）。现场生产数据见表1。

图2　蒸汽流程图

表1　现场生产数据表　　　　　　　　　　　　　　t·d-1

2.2 数据的预处理

2.2.1 主成分分析

用MATLAB工具箱自带的主元分析函数进行主成分分析。

2.2.2 归一化处理

由于生产过程复杂，设备精度不一，存在较大的误差和不确定性，需将数据进行标准化处理。先将其进行归一化（反归一化）处理，以保证程序数据处理的方便和程序运行收敛的加快；归一化公式：

其中：meanp包含p中每列平均值的向量，stdp是标准方差。

2.3 建立蒸汽平衡的预测模型

2.3.1 训练样本的选择

选取实际生产数据共1024组作为样本数据集，其中的3/4（即768组）数据作为训练样本，1/4（256组）数据作为测试样本，以测试输出均方根MSE作为网络训练的效果指标。

2.3.2 光滑因子σ的选择

确定了学习样本以后，相应的网络结构和各神经元之间的连接权值基本确定，网络训练的重要关键步骤就是确定光滑因子σ了。本文先采用试凑的方法，选取最小的σmin，然后以增量Δσ的幅度进行递增，得到不同估计值与样本值间的误差（MSE）；最后将MSEmin所对应的σ用于最适合的GRNN网络进行仿真。

2.3.3 GRNN网络预测模型

GRNN网络预测模型流程图见图3。

图3　GRNN网络预测模型流程图

2.4 仿真分析

用GRNN神经网络均能较好地对该厂蒸汽产、耗平衡进行仿真和预测，但不同的训练样本数、不同的散布常数对网络的影响各不相同；下面对其数据进行分析。

1）光滑因子σ对网络仿真的影响，具体数据见表2。从表2可以看出，随着光滑因子σ的增大，网络仿真结果的MSE就越大，同时其相关系数也跟着减小，但是对网络构建和仿真时间影响不大。

表2　不同光滑因子σ值对网络仿真MSE等的影响表

2）选取最佳的参数光滑因子σ=0.4，取3/4样本数据进行网络训练，1/4测试样本进行泛化仿真，最终仿真结果见图4、5。

图4　硫酸余热锅炉中压蒸汽（位号F101）流量泛化图

3）以上的泛化分析结果较好地反映了生产过程中作为产汽方的硫酸和三废炉的实际供应量，其中硫酸产汽量的实际MSE误差为35.2266，相关系数83.17%；三废炉产汽量的实际MSE误差为9.0906，相关系数65.29%。在纷繁复杂的生产中，该预测误差是可以接受的，能够对生产有较高的指导作用。

图5　三废炉中压蒸汽（位号F12）流量仿真泛化图

3　结语

针对化工厂的现场实际，根据蒸汽生产、消耗的实际数据，用广义回归神经网络进行供汽预测，分析了光滑因子σ、训练样本数据与拟合误差的关系，寻找较佳的光滑因子σ，根据蒸汽用户消耗情况较为准确地预测供汽量，对实际生产过程蒸汽平衡的合理调度和节约能源，有较高的实际指导意义。

［1］ 高隽.人工神经网络原理及仿真实例［M］.北京：机械工业出版社，2003.

［2］ 张德丰.MATLAB神经网络设计［M］.北京：机械工业出版社，2011.

［3］ 史峰，等.MATLAB神经网络30个案例分析［M］.北京：北京航空航天大学出版社，2010.

［4］ 朱凯，王正林.精通MATLAB神经网络［M］.北京：电子工业出版社，2010.

［5］ 邢晓哲，骆伟.GRNN算法在电力系统状态估计中的应用［J］.黑龙江电力，2011，33（1）：50-52.

［6］ 柏简，俞乐.径向基神经网络模型在滇东南金矿潜力预测中的应用［J］. 浙江大学学报，2011，38（3）：354-361.

Steam Equilibrium Prediction based on GRNN Neural Network

HUANG Yuan-hong， HUANG Qing-bao
（College of Electrical Engineering， Guangxi University， Nanning 530004， China）

The steam production and consumption balance in large chemical enterprises was difficult to predict， so a method for prediction using GRNN neural network was proposed. Using a large number of original data of steam production and consumption in the process of actual production， MATLAB software programming， according to the steam consumption， GRNN neural network was used to simulate the steam supply. The simulation result was good， and it had a broad application prospect in practice.

steam； balance of production and supply； GRNN neural network； predicte

TP 391.9

A

1671-9905（2016）07-0064-04

黄远红（1969-），男，广西大学电气工程学院控制专业在读研究生，工程师，主要从事工业过程自动化方面的研究

2016-05-16