[發明專利]基于時延神經網絡的鍋爐參數建模方法

在審

• 申請號: 202010996988.7
• 申請日: 2020-09-21
• 公開（公告）號: CN112231970A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 張衛慶;管詩駢;于國強
• 申請（專利權）人: 江蘇方天電力技術有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 王磊

1.基于時延神經網絡的鍋爐參數建模方法，其特征在于，包括如下步驟：

步驟S1：選取靜態輔助變量和動態輔助變量；

步驟S2：對靜態輔助變量和動態輔助變量進行時延神經網絡擬合，獲得基于時延神經網絡結構的預測鍋爐參數模型；

步驟S3：對時延神經網絡參數進行調整，得到基于時延神經網絡的動態鍋爐參數模型。

2.根據權利要求1所述的基于時延神經網絡的鍋爐參數建模方法，其特征在于：所述步驟S1中的靜態輔助變量包括總燃料量、二次風門開度、CCOFA燃盡風開度、省煤器出口氧量、煤種特性參數、磨煤機通風量；所述動態輔助變量為總燃料量的數量、分布密度、分布總長。

3.根據權利要求2所述的基于時延神經網絡的鍋爐參數建模方法，其特征在于：所述總燃料量的數量包括若干個平均分布的時延單元，所述時延單元為一段時間內的瞬時總燃料量，后一個時延單元的時間段包含前面所有時延單元的時間段；所述分布密度為每50—70秒一個時延單元，所述分布總長為三至五分鐘。

4.根據權利要求3所述的基于時延神經網絡的鍋爐參數建模方法，其特征在于：所述步驟S2中的時延神經網絡包括輸入層、隱含層、輸出層，所述輸入層包括n個采樣點，所述隱含層包括N個節點，所述輸出層包括1個RBF神經網絡輸出；

S21：計算任意n個采樣點{(x_i,t_i)|x_i∈Rⁿ,t_i∈R}，i＝1,2,...,n，結構為n-N-1的RBF神經網絡輸出為：

其中，w_j(j＝1,2,...,N)是第j個隱含層節點到輸出層節點的權值；φ_j(x)(j＝1,2,…,N)為第j個隱含層節點的高斯核函數，c_j為核函數的數據中心，σ_j為該核函數的擴展常數；

S22：計算n個采樣點的隱含層節點輸出矩陣為：

S23：時延神經網絡輸出的實際輸出矩陣為:Y＝φW

其中，W為連接隱含層與輸出層的權值矩陣，Y為RBF神經網絡的實際輸出矩陣，即為預測鍋爐參數模型。

5.根據權利要求4所述的基于時延神經網絡的鍋爐參數建模方法，其特征在于：所述步驟S3具體為：

S31：實時采集鍋爐尾氣的代表數據，將數據分為待優化樣本和檢測樣本，所述代表數據包括NOx的含量、含碳量或含氧量；

S32：將時延神經網絡輸出值Y和待優化樣本的真實值T＝(t₁ t₂…t_n)之間的誤差平方和作為時延神經網絡的訓練目標誤差函數：

S33：對時延神經網絡參數進行優化，計算最優輸出權值W，使時延神經網絡輸出值Y和真實值T＝(t₁ t₂…t_n)之間的誤差平方和以及輸出權值W范數最小；

通過矩陣φ的廣義逆求得W的最優值：W＝φ⁺T；

S34：以輸出值Y和真實值T的誤差平方和為目標函數，通過梯度下降算法優化隱含層中的節點數據中心c_j以及擴展常數σ_j，目標函數對c_j和σ_j的梯度分別為：

數據中心c_j以及擴展常數σ_j的更新公式為：

其中，η為學習率，k＝1,2…,n；

S35：根據優化的輸出權值、節點數據中心和擴展常數，計算得到基于時延神經網絡的動態鍋爐參數模型為：

其中，為n個采樣點的隱含層節點優化后的輸出矩陣，為連接隱含層與輸出層的優化后的權值矩陣，為RBF神經網絡的動態輸出矩陣，即為動態鍋爐參數模型；

S36：將檢測樣本代入動態鍋爐參數模型進行檢測驗算。