一种改进的神经网络锅炉燃烧系统动态建模方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114282439A(43)申请公布日2022.04.05(21)申请号202111604558.7G06N3/08(2006.01)(22)申请日2021.12.25G06F111/04(2020.01)(71)申请人内蒙古大唐国际锡林浩特发电有限责任公司地址026000内蒙古自治区锡林郭勒盟锡林浩特市东郊哈那乌拉嘎查(72)发明人沈庆东和占强石明然赵文艺岑峰(74)专利代理机构北京盛凡佳华专利代理事务所(普通合伙)11947代理人安学慧(51)Int.Cl.G06F30/27(2020.01)G06Q50/06(2012.01)G06N3/04(2006.01)权利要求书2页说明书3页附图1页(54)发明名称一种改进的神经网络锅炉燃烧系统动态建模方法(57)摘要本发明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。CN114282439ACN114282439A权利要求书1/2页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wij，第一个隐藏层与第二个隐藏层之间的权重为wjk，第二个隐藏层与输出层之间的权重为wkl，第一个隐藏层神经元的阈值为aj，第二个隐藏层神经元的阈值为ak，输出层神经元的阈值为al，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；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；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；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。5.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C中，对PID控制参数进行优化包括以下步骤，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；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；C3、计算初始抗体种群中每个抗体的适应度和亲和力；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；C5、记忆细胞通过克隆、交叉与变异产生新一代抗体种群；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。6.根据权利要求5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。7.根据权利要求6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2CN114282439A权利要求书2/2页骤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。3CN114282439A说明书1/3页一种改进的神经网络锅炉燃烧系统动态