[發明專利]一種循環流化床鍋爐燃燒過程的動態建模方法

在審

• 申請號: 201810936443.X
• 申請日: 2018-08-16
• 公開（公告）號: CN109063359A
• 公開（公告）日: 2018-12-21
• 發明（設計）人: 牛培峰;馬云鵬
• 申請（專利權）人: 燕山大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/08
• 代理公司: 秦皇島一誠知識產權事務所(普通合伙) 13116
• 代理人: 李合印

本發明公開了一種循環流化床鍋爐燃燒過程的動態建模方法，其內容包括：調取鍋爐燃燒過程的主要影響鍋爐熱效率和氮氧化合物排放濃度的運行參數，記為輸入數據和輸出數據；首先根據量子計算規則，確定樣本增量量子神經網絡的輸入權值和隱藏層閾值，然后基于輸入數據和輸出數據，計算出輸出層權值和輸入層與輸出層之間的權值矩陣，即建立了鍋爐熱效率和氮氧化合物排放濃度的初始化模型；基于初始化模型，在線采集鍋爐運行參數，并計算樣本增量，實時更新樣本增量量子神經網絡的模型參數，包括輸入權值和隱藏層閾值、輸出權閾值和輸入層與輸出層之間的權值；從而建立熱效率和氮氧化合物排放濃度的在線模型，實現鍋爐運行參數實時建模。

技術領域

本發明涉及復雜過程系統控制領域，具體涉及一種循環流化床鍋爐燃燒過程的動態建模方法。

背景技術

目前火力發電仍然在電能供應中占主要地位，其中以煤炭為主要熱力供應資源。然而，作為不可再生能源的煤炭隨著火力發電的大量消耗已越來越匱乏，而且在燃燒過程中會伴有大量的污染物排入大氣，如氮氧化合物、二氧化硫、粉塵等，嚴重影響了大氣環境和人們的生活，尤其是近年來霧霾嚴重，這與火電廠排污不無關系。因此，提高鍋爐的燃燒熱效率和降低污染物排放是火力發電企業亟需解決的問題。

循環流化床鍋爐的燃燒過程具有強耦合、大滯后、非線性等復雜特性，而且影響鍋爐熱效率和氮氧化合物排放濃度的因素眾多，數據之間具有很強的非線性和耦合性，難以基于機理建立鍋爐燃燒特性模型。目前，國內外研究學者多采用BP神經網絡和支持向量機等方法建立鍋爐燃燒特性的離線模型。但是，關于循環流化床鍋爐的熱效率和氮氧化合物排放濃度的在線建模研究是很少的。

實現鍋爐燃燒優化的前提是建立精準的鍋爐燃燒特性模型。因此，有必要設計一種新型的人工神經網絡用于建立循環流化床鍋爐燃燒特性的在線模型，以解決上述提到的兩個問題。

發明內容

針對循環流化床鍋爐燃燒過程的在線建模問題，本發明的目的是提供一種循環流化床鍋爐燃燒過程的動態建模方法，該方法是基于樣本增量量子神經網絡(SampleIncrement Quantum Neural Network,SIQNN)來建立循環流化床鍋爐燃燒過程的動態模型。SIQNN是一種具有在線學習能力的神經網絡，其建立的模型能夠實時反映鍋爐熱效率和氮氧化合物排放濃度，并且SIQNN的模型參數可以實時調整，包括輸入權值和隱藏層閾值、輸出權閾值和輸入層與輸出層之間的權值。

為了解決上述存在的技術問題，本發明采用的技術方案為：

一種循環流化床鍋爐燃燒過程的動態建模方法，其內容包括如下步驟：

(1)調取鍋爐燃燒過程的主要影響鍋爐熱效率和氮氧化合物排放濃度的運行參數，記為輸入數據和輸出數據；

(2)首先根據量子計算規則，確定樣本增量量子神經網絡的輸入權值和隱藏層閾值，然后基于步驟(1)中的輸入數據和輸出數據，計算出輸出層權值和輸入層與輸出層之間的權值矩陣，即建立了鍋爐熱效率和氮氧化合物排放濃度的初始化模型；

(3)基于初始化模型，在線采集鍋爐運行參數，并計算樣本增量，實時更新樣本增量量子神經網絡的模型參數，包括輸入權值和隱藏層閾值、輸出權閾值和輸入層與輸出層之間的權值，以此保證模型參數對輸入數據的自適應性；從而建立熱效率和氮氧化合物排放濃度的在線模型，實現鍋爐運行參數實時建模。

在步驟(2)中，所述樣本增量量子神經網絡，其隱藏層的神經元為量子神經元，量子神經元的數學描述表達如下式：