基于L-M算法优化BP神经网络的飞灰含碳量测量

崔 锐，刘国栋，李晓江（京能山西漳山发电有限责任公司，山西 长治 046021）

·发电技术及其他·

基于L-M算法优化BP神经网络的飞灰含碳量测量

崔 锐，刘国栋，李晓江
（京能山西漳山发电有限责任公司，山西 长治 046021）

针对目前用于测量飞灰含碳量的烟道微波飞灰测碳仪没有充分考虑烟气密度影响的问题，设计了一种微波幅度和相位组合测试系统用于补偿烟气密度变化。通过对飞灰含碳量影响因素的机理分析以及灰色关联法对其相关性的计算，以微波功率衰减、微波相移量、燃烧器摆角、一次风总风压、二次风挡板开度作为模型输入参数，构造了基于L-M算法优化BP神经网络的数据融合技术的飞灰含碳量测量系统。仿真实验结果表明该系统对飞灰含碳量的测量较烟道式飞灰测碳仪的测量结果更加真实和准确。

飞灰含碳量；数据融合；BP网络

0 引言

锅炉飞灰含碳量是表征锅炉燃烧效率的一个重要研究指标，快速而准确检测有助于提高机组的运行效率，提高运行人员的掺烧水平。根据当前的飞灰含碳量检测技术，构造了基于L-M（levenberg-marquardt） 算 法 优 化 BP（back propagation） 神经网络的数据融合技术[1-2]的飞灰含碳量测量系统，用于对烟气密度的变化进行有效补偿。首先，BP神经网络对信息数据进行融合；其次，应用L-M算法对BP神经网络进行优化，提高网络的训练精度。

1 数据融合方法

1.1 kalman滤波及其扩展方法

在动态环境中多传感器低层数据的融合多应用kalman滤波法[3]，该方法的核心是对动态冗余数据进行实时的融合。kalman滤波法基于测量模型的统计特性以递推的方式来确定融合数据的估计。对于数值不稳定或系统模型为线性的假设不成立的系统，通常使用扩展之后的kalman滤波器。若令X表示系统的状态矢量、Φ为状态转移矩阵；Z为系统的观测矢量、H为观测矩阵；w、v分别为系统噪声及观测噪声，k代表时刻。

则kalman滤波的动态数学模型一般为

1.2 加权平均法

加权平均方法是最直观的信号级融合，该方法的关键在于权系数的确定，而权系数又与各传感器的测量方差成反比，对一组多传感器源信息提供的冗余数据进行加权平均，其计算输出作为融合值。即

其中n为传感器个数，若第i个传感器的输出为Xi，则是加权系数为wi的加权平均融合结果。

2 飞灰含碳量测量模型设计

2.1 组合补偿法

微波的吸收率和相位与被测介质的密度/浓度和运动速度有很大关系，采用2个不同类型的测碳仪组合，消除被测介质密度影响，同时测量衰减A和相移φ。由微波测量原理可知，微波能量衰减A和相移φ都是含碳量C和密度g的函数[4]，即

由式（3）和式（4）构成的方程组不难解出一个与密度不相关的关系式

由式（5）可以得出，飞灰含碳量C的值与两个因素有关，即衰减A和相移φ。

2.2 L-M优化算法

L-M[5]算法相当于是对牛顿迭代法和梯度下降法的结合，选用目标函数的二阶微分。该算法的主要求解过程为

设：

J（x）是f（x）的雅克比矩阵。则 f（x）的海塞矩阵为

L-M算法对阈值的调整公式为

即

式中：I——单位矩阵；

μ——飞灰浓度；

e——偏差。

应用L-M算法对BP神经网络进行优化，能够很有效地降低网络权值的数目，减少迭代次数，使网络迅速收敛而且提高网络的训练精度。

2.3 模型设计

通过对飞灰含碳量影响因素的机理分析以及灰色关联法对其进行相关性的计算，得到了燃烧器摆角、一次风总风压、二次风挡板开度值这3个相关量，与微波功率和相位一起构成了对飞灰含碳量的多维数据信息描述。基于神经网络数据融合的飞灰含碳量测量系统结构如图1所示。

图1 基于神经网络数据融合的飞灰含碳量测量系统结构图

3 仿真研究

选取70组样本数据，用其中40组数据对网络进行训练，其余30组数据用以测验网络性能，采用3层BP网络，网络结构为5×15×1。设计方法依据公式

式中：c——ceil的简写，表示matlab中朝正无穷方向取整函数；

J——输出层神经元的个数；

L——输入层神经元个数；

K——标准样本数。

输入层和隐含层的传递函数采用sigmoid函数

输出层选用purelin函数，网络性能函数采用mse函数

用期望值与实际输出值之间误差平方和的平均值来衡量网络性能。设定最大轮回次数为2 000，学习速率为0.05，期望误差为10-7，网络训练误差曲线如图2所示。网络经过557次训练，误差已经达到要求。可见L-M算法网络收敛速度较快。用训练好的网络进行仿真，测试样本数据的比较如图3所示，采用本文方法测量结果的最大相对误差不超过3%，远小于烟道式微波测碳仪测量结果的最大相对误差（其值约为11.9%）。图4为测量结果的线性回归，表明网络性能良好，能够较准确地对飞灰含碳量进行预报。

图2 网络训练误差曲线

图3 融合值与实际值的比较

图4 灰含碳量测量结果的线性回归

4 结论

应用L-M算法优化BP神经网络后的飞灰含碳量测量系统，迭代次数较少、收敛速度较快，测量的真实度和准确度较高，可为运行过程的控制提供有效反馈，增强系统运行的准确性和安全性。

[1]陈立军，王莹，邹晓旭，等.锅炉飞灰含碳量检测技术的发展和现状 [J].化工自动化及仪表，2010，37(09)：1-4.

[2]化克.信息融合技术在锅炉燃烧控制系统中的应用研究 [D]．燕山大学，2009：63.

[3]骆贵兵，李崇祥．L-M算法的回热系统故障诊断人工神经网络模型 [J]．热力发电，2004，33(10)：15-18.

[4]牛培峰，化克，张现平．多传感器数据融合技术在锅炉热效率计算中应用研究 [J]．燕山大学学报，2009（01）：90-94.

[5]刘鸿，周克毅．锅炉飞灰测碳仪的技术现状及发展趋势 [J]．锅炉技术，2004，35(2)：65-68.

Measurement System for Unburned Carbon in Fly Ash Based on L-M Algorithm Optimized BP Network

CUI Rui,LIU Guodong,LI Xiaojiang
（Jingneng Shanxi Zhangshan Electric Power Generation Co.,Ltd.,Changzhi,Shanxi046021,China）

Microwave-based monitors of unburned carbon content in fly ash is widely used nowadays,but the effect of smoke density is not fully considered.A microwave amplitude and phase composition test system is designed to compensate for the change of smoke density.The fly ash carbon content measurement system which is based on L-Malgorithm to optimize the BP neural network data fusion technology is constructed,using the microwave power attenuation,microwave phase shift amount,burner tilt,primary air pressure, secondary air baffle opening angle as input.The simulation results show that the improved measurement system is more authentic and accurate.

unburned carbon content in fly ash;data fusion;BP network

TP183

A

1671-0320（2017）03-0049-03

2016-11-11，

2017-04-12

崔 锐（1987），男，山西襄汾人，2013年毕业于东北电力大学控制科学与工程专业，硕士，工程师，研究方向为火电厂热工智能控制、直驱式风力发电机组建模及控制策略优化；

刘国栋（1988），男，山西吕梁人，2013年毕业于山西大学自动化专业，助理工程师，研究方向为火电厂热工智能控制；

李晓江(1986)，男，河北邯郸人，2012年毕业于华北电力大学控制科学与控制工程专业，硕士，工程师，研究方向为复杂机组控制与建模、直驱风机控制策略优化等。