基于对象燃烧机理的改进神经网络锅炉燃烧系统建模方法.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CN107977539A(43)申请公布日2018.05.01(21)申请号201711472558.X(22)申请日2017.12.29(71)申请人华能国际电力股份有限公司玉环电厂地址317604浙江省台州市玉环县大麦屿经济开发区(72)发明人李法众郑卫东马巧春张志挺李德友孙文程(74)专利代理机构南京瑞弘专利商标事务所(普通合伙)32249代理人沈廉(51)Int.Cl.G06F17/50(2006.01)G06N3/04(2006.01)G06N3/00(2006.01)权利要求书4页说明书8页附图1页(54)发明名称基于对象燃烧机理的改进神经网络锅炉燃烧系统建模方法(57)摘要本发明公开了一种基于对象燃烧机理的改进神经网络锅炉燃烧系统建模方法，该神经网络由7层神经元组成，顺序为机理分解层、模糊输入层、模糊化层、模糊推理层、推理补偿层、归一化层和输出层；采用EKF算法和改进粒子群算法对网络结构参数进行学习和辨识。相比于传统模糊神经网络减少了模糊规则不确定性造成的模型计算精度随机性大等问题，提高了模型的稳定性和泛化能力，相比于自适应模糊神经网络减少了确定模糊规则数算法的计算量，并且赋予每个模糊规则以实际的物理意义，增加了模型的可读性和认知性，可以为现场锅炉燃烧改造和在线调整燃烧参数提供理论参考。CN107977539ACN107977539A权利要求书1/4页1.一种基于对象燃烧机理的改进神经网络锅炉燃烧系统建模方法，其特征在于：该神经网络由7层神经元组成，顺序为机理分解层、模糊输入层、模糊化层、模糊推理层、推理补偿层、归一化层和输出层；采用EKF算法和改进粒子群算法对网络结构参数进行学习和辨识；先初始化神经网络，精简化网络结构后赋予各参数初始值，通过EKF算法迭代计算模糊规则高斯函数的中心、宽度以及输出层的加权系数，再通过改进粒子群算法迭代计算补偿系数和加乘型模糊推理的比例系数，在一定范围之内对输出层的加权系数进行二次优化训练，保证网络的训练精度和收敛速度。2.根据权利要求1所述的基于对象燃烧机理的改进神经网络锅炉燃烧系统建模方法，其特征在于：所述模糊神经网络的机理分解层是将神经网络的输入参数进行分类；机理分解层共有7个隐节点分别代表6组燃烧器喷口和1组燃尽风门，前6个隐节点分别包含有11个独立的输入参数，分别为负荷、二次风温、该台磨煤机煤量、该台磨煤机入口风量、对应二次风门开度、全水分、灰分、挥发分、燃料低位发热量、烟气氧含量、二次风箱差压，最后1个隐节点包含的参数有负荷、二次风温、燃尽风OFA和OFB的开度、全水分、灰分、挥发分、燃料低位发热量、烟气氧含量、二次风箱差压10个输入参数；机理分解层将实际输入参数分解成7组参数的同时也确定了模糊神经网络的模糊规则数为7。3.根据权利要求1所述的基于对象燃烧机理的改进神经网络锅炉燃烧系统建模方法，其特征在于：所述模糊神经网络的模糊输入层，将机理分解层的7组参数传递给第三层神经元即模糊化层。4.根据权利要求1所述的基于对象燃烧机理的改进神经网络锅炉燃烧系统建模方法，其特征在于：所述模糊神经网络的模糊化层，将模糊输入层的输出参数根据隶属度函数即高斯函数进行模糊化处理，该层的输出为：其中，OFij(k)是第i个输入和第j条模糊规则之间相连接的神经元的输出；cij和σij分别是该神经元隶属度函数的中心和宽度，xi(k)是模糊输入层的第i个输出。5.根据权利要求1所述的基于对象燃烧机理的改进神经网络锅炉燃烧系统建模方法，其特征在于：所述模糊神经网络的模糊推理层是根据模糊规则库实现模糊推理，第j条模糊规则的形式如下：Ifx1isF1j,x2isF2j,...,xmisFmj,Thenyjiswj.j＝1,2,...,n.其中，x1,x2,xm是示意的输入，F1j,F2j,Fmj是第j条模糊规则，wj是符合规则的输出，yj是示意的实际输出，n代表输出总个数；采用加乘型模糊推理，该层的第一步运算结果为：其中，OQj(k)是第j条模糊规则的单纯加法和乘法推理结果，m是输入参数的维数；将加法运算结果和乘法运算结果按比例分配，最终模糊推理层的运算结果为：2CN107977539A权利要求书2/4页其中，OPj(k)是第j条模糊规则的最终推理结果，α为模糊推理的加乘运算比例系数。6.根据权利要求1所述的基于对象燃烧机理的改进神经网络锅炉燃烧系统建模方法，其特征在于：所述模糊神经网络的推理补偿层是对模糊推理的结果进行补偿运算，1/mUp＝OPj(k),Uo＝(OPj(k))其中，Up代表模糊推理的消极结果，Uo代表模糊推理的积极结果；该层的输出为：其中，νj为第j条模糊规则对应的补偿系数。7.根据权利要求1所述的基于对象燃烧