程換新,于沙家

(青島科技大學(xué) 自動(dòng)化與電子工程學(xué)院,山東 青島　266061)

?

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)在脫硫系統(tǒng)pH值中的應(yīng)用

程換新,于沙家

(青島科技大學(xué) 自動(dòng)化與電子工程學(xué)院,山東 青島266061)

摘要在熱電廠脫硫過程中,pH值的穩(wěn)定性對(duì)脫硫效率影響重大,在實(shí)際生產(chǎn)中因受到各種環(huán)境因素及主觀因素的影響,pH測(cè)量?jī)x器在現(xiàn)場(chǎng)操作中易受到破壞或腐蝕,給生產(chǎn)造成很大損失,為了降低這種損失,提出了基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)技術(shù)。運(yùn)用此預(yù)測(cè)算法對(duì)系統(tǒng)參數(shù)進(jìn)行數(shù)學(xué)建模,設(shè)計(jì)了三層網(wǎng)絡(luò)預(yù)測(cè)模型,同時(shí)用Matlab工具箱對(duì)pH數(shù)據(jù)進(jìn)行仿真,使系統(tǒng)實(shí)現(xiàn)在線控制和實(shí)時(shí)控制。結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)對(duì)脫硫系統(tǒng)中pH值的預(yù)測(cè)精度很高,產(chǎn)生誤差也很小,取得了滿意的預(yù)測(cè)效果。因此,用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)對(duì)煙氣脫硫系統(tǒng)中的pH值進(jìn)行預(yù)測(cè),能提前預(yù)知脫硫過程中pH值的變化情況,有助于改善脫硫裝置的效率。

關(guān)鍵詞BP神經(jīng)網(wǎng)絡(luò);脫硫pH值;預(yù)測(cè)技術(shù);Matlab

在我國(guó),煤炭作為熱電廠的主要能源,其燃燒產(chǎn)生的SO2對(duì)環(huán)境污染很嚴(yán)重,因此火電廠在排放SO2之前需要安裝脫硫裝置,達(dá)到國(guó)家SO2的排放標(biāo)準(zhǔn)。目前主要的脫硫方式是煙氣脫硫,在這個(gè)脫硫過程中pH值作為石膏漿液酸堿度的度量,是脫硫工序中一個(gè)重要的技術(shù)參數(shù)。在實(shí)際生產(chǎn)中,脫硫環(huán)境一般都很惡劣,例如煙塵較多、空氣潮濕、噪音大及震動(dòng)劇烈等,使pH計(jì)表頭或測(cè)量設(shè)備易損害或腐蝕,影響系統(tǒng)的脫硫效率。為了保證pH值的準(zhǔn)確無誤需要建立一個(gè)擾動(dòng)較小、比較穩(wěn)定的環(huán)境,在實(shí)際生產(chǎn)中卻很難做到。因此針對(duì)此控制過程帶有非線性、大慣性以及延遲性特點(diǎn),提出BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)。用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)對(duì)脫硫系統(tǒng)中pH值進(jìn)行預(yù)測(cè),能提前預(yù)知脫硫過程中pH值的變化情況,有助于改善脫硫裝置的效率。

1BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

1.1BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)算法

人工神經(jīng)網(wǎng)絡(luò)有非線性映射、自學(xué)習(xí)及記憶功能,它不需要建立精確的數(shù)學(xué)模型,就能夠解決傳統(tǒng)自動(dòng)化沒法解決的復(fù)雜性、非線性等問題,因此很適合應(yīng)用于非線性系統(tǒng)中[1]。實(shí)際應(yīng)用最多的是BP神經(jīng)網(wǎng)絡(luò),由于其網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單和非線性逼近能力很好,在工業(yè)生產(chǎn)中得到了廣泛地推廣,其在網(wǎng)絡(luò)傳播中正向傳播信號(hào),反向傳播誤差,并且要求誤差最小[2]。利用多個(gè)樣本不斷訓(xùn)練,訓(xùn)練出結(jié)果并且保存,以建立的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)新樣本預(yù)測(cè)。通過大量訓(xùn)練來不斷調(diào)整權(quán)值和閾值,使誤差達(dá)到最小。一個(gè)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要有輸入層、隱含層和輸出層[3]。

假設(shè)一個(gè)三層BP神經(jīng)網(wǎng)絡(luò),輸入層節(jié)點(diǎn)、隱含層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)分別是xi,yj,zk,輸入層與隱含層之間的權(quán)值、隱含層和輸出層之間的權(quán)值分別是wji和vkj,隱含層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)的閾值分別是θj和θk[4]。

輸入層到隱含層的計(jì)算模型為

,

(1)

隱含層到輸出層的計(jì)算模型為

。

(2)

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中采用變學(xué)習(xí)速率梯度下降法,主要采用誤差減少方式來逼近目標(biāo),并且通過調(diào)整權(quán)值和閾值使均方差達(dá)到最小。通過大量訓(xùn)練樣本,建立輸入和輸出之間的非線性關(guān)系,以權(quán)值和閾值“記憶”這些非線性關(guān)系來建立數(shù)據(jù)的預(yù)測(cè)。

,其中{Xn,Xn+1,Xn+m}為已知數(shù)據(jù),通過這些已知數(shù)據(jù)建立關(guān)系,對(duì)Xn+m+k(k>0)時(shí)刻數(shù)進(jìn)行預(yù)測(cè),得到這些數(shù)據(jù)之間的關(guān)系:Xn+m+k=F(Xn,Xn+1,…,Xn+m),這種方式只對(duì)下個(gè)參數(shù)進(jìn)行估計(jì)預(yù)測(cè),將{Xn,Xn+1,Xn+m}定為輸入?yún)?shù),通過這一方式獲得輸出的預(yù)測(cè)值為Xn+m+1。在大量的數(shù)據(jù)訓(xùn)練中,可以根據(jù)實(shí)際要求,選取一些有規(guī)律性或有特點(diǎn)性的數(shù)據(jù)。

1.2BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)主要根據(jù)經(jīng)驗(yàn)和實(shí)際檢驗(yàn)來確定。理論上講,三層神經(jīng)網(wǎng)絡(luò)能任意逼近一個(gè)非線性函數(shù),并且三層神經(jīng)網(wǎng)絡(luò)簡(jiǎn)單,操作量比較小,所以優(yōu)先考慮三層神經(jīng)網(wǎng)絡(luò)。

(1)確定BP神經(jīng)網(wǎng)絡(luò)輸入層和輸出層對(duì)BP神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層個(gè)數(shù)的計(jì)算沒有具體的理論公式,一般是通過實(shí)際情況來確定其個(gè)數(shù)[5]。在脫硫系統(tǒng)pH預(yù)測(cè)設(shè)計(jì)方案中需要一個(gè)輸入層和一個(gè)輸出層,脫硫過程中把pH值影響較大的因子作為輸入層,一般影響因子數(shù)目與輸入層神經(jīng)元的數(shù)目相等,但是若輸入層神經(jīng)元的數(shù)目過多會(huì)加大輸入層和隱含層之間權(quán)重值,影響訓(xùn)練速度[6]。脫硫生產(chǎn)中影響pH值的因素很多,例如煙氣含氧量、入口煙氣溫度、入口煙氣壓力、入口煙氣SO2濃度、入口煙氣含塵量及石灰石漿液密度等。在訓(xùn)練選取樣本時(shí),要選擇恰當(dāng)?shù)挠绊懸蜃?樣本和影響因子選擇不當(dāng)都不利于訓(xùn)練。對(duì)脫硫系統(tǒng)的pH值影響較大的因素是煙氣含氧量、入口煙氣溫度、入口煙氣含塵量、入口煙氣SO2濃度及石灰石漿液密度[7],確定該五項(xiàng)為脫硫系統(tǒng)pH值的預(yù)測(cè)模型的輸入神經(jīng)元的個(gè)數(shù),輸入節(jié)點(diǎn)為5個(gè),輸出節(jié)點(diǎn)為1個(gè),即pH值。

(2)確定BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)第一步:確定隱含層的個(gè)數(shù)。設(shè)計(jì)網(wǎng)絡(luò)時(shí),重點(diǎn)是確定隱含層個(gè)數(shù),一般要從最少數(shù)目開始,先從一個(gè)隱含層的設(shè)計(jì)開始,若一個(gè)不能滿足網(wǎng)絡(luò)性能要求,再逐步添加隱含層的個(gè)數(shù)。研究采用一個(gè)隱含層來設(shè)計(jì)此網(wǎng)絡(luò)結(jié)構(gòu)。第二步:確定隱含層的節(jié)點(diǎn)數(shù)。設(shè)計(jì)網(wǎng)絡(luò)時(shí),主要用試湊法來確定隱含層的節(jié)點(diǎn)數(shù),先采用少量節(jié)點(diǎn)數(shù)然后再不斷增加其個(gè)數(shù),通過樣本訓(xùn)練網(wǎng)絡(luò)并不斷比較來找出網(wǎng)絡(luò)誤差最小的節(jié)點(diǎn)數(shù)[8]。研究通過大量訓(xùn)練確定了8個(gè)隱含層節(jié)點(diǎn)數(shù)。

(3)確定BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型以上分析,在設(shè)計(jì)中選擇了三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)構(gòu),輸入層節(jié)點(diǎn)數(shù)為5個(gè),輸出層節(jié)點(diǎn)數(shù)為1個(gè),隱含層節(jié)點(diǎn)數(shù)為8個(gè),隱含層函數(shù)采用tansig函數(shù),輸出層函數(shù)采用purelin函數(shù)。因此可以確定脫硫系統(tǒng)pH值的網(wǎng)絡(luò)預(yù)測(cè)模型,見圖1。

圖1　脫硫系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型Fig.1　Forecasting model of BP neural networkof desulfurization system

由于脫硫系統(tǒng)中輸入和輸出數(shù)據(jù)的量綱不同,直接進(jìn)行訓(xùn)練會(huì)影響網(wǎng)絡(luò)訓(xùn)練精度和速度,并對(duì)預(yù)測(cè)結(jié)果產(chǎn)生影響,所以在網(wǎng)絡(luò)訓(xùn)練前要對(duì)這些數(shù)據(jù)進(jìn)行歸一化處理,從而改善其效果[9]。在對(duì)數(shù)據(jù)進(jìn)行歸一化處理時(shí),采用公式使每個(gè)節(jié)點(diǎn)的輸出值規(guī)范在-1~1之間。具體公式為

(3)

2BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果和分析

2.1BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果及分析

使用某石化公司現(xiàn)場(chǎng)歷史數(shù)據(jù),將需要的數(shù)據(jù)導(dǎo)出,并將無效的數(shù)據(jù)刪除,得到樣本參數(shù),如表1所列。

表1　脫硫系統(tǒng)樣本參數(shù)

BP神經(jīng)網(wǎng)絡(luò)對(duì)pH值預(yù)測(cè)主要分為兩個(gè)過程:網(wǎng)絡(luò)訓(xùn)練過程和預(yù)測(cè)過程。網(wǎng)絡(luò)訓(xùn)練過程主要包含:(1)選取訓(xùn)練的樣本數(shù)據(jù),由于脫硫過程是個(gè)非線性過程,并且設(shè)備一旦投入運(yùn)行其參數(shù)無法改變,又加之影響因素較多,所以要合理選擇影響pH值的因子,最終選定煙氣含氧量、入口煙氣溫度、入口煙氣含塵量、入口煙氣SO2濃度及石灰石漿液密度這五項(xiàng)因子,即表1中前5項(xiàng)為輸入因子;(2)在構(gòu)造訓(xùn)練樣本時(shí),考慮到輸入因子和pH值之間的非線性關(guān)系,在選擇數(shù)據(jù)時(shí)為了減小誤差將無效數(shù)據(jù)進(jìn)行刪除;(3)建立三層BP神經(jīng)網(wǎng)絡(luò),一個(gè)輸入層(5個(gè)神經(jīng)元構(gòu)成),一個(gè)隱含層(8個(gè)神經(jīng)元構(gòu)成),一個(gè)輸出層(1個(gè)神經(jīng)元構(gòu)成);(4)訓(xùn)練網(wǎng)絡(luò),利用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法對(duì)網(wǎng)絡(luò)進(jìn)行不斷訓(xùn)練,直到達(dá)到要求為止;(5)用訓(xùn)練好的網(wǎng)絡(luò)對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)。所以在仿真過程中,輸入層有5個(gè)神經(jīng)元,輸出層有1個(gè)神經(jīng)元且采用purelin函數(shù),隱含層有8個(gè)神經(jīng)元且采用tansig函數(shù),初始權(quán)值自動(dòng)生成,網(wǎng)絡(luò)的誤差精度要小于10-3,設(shè)置網(wǎng)絡(luò)學(xué)習(xí)速率的初始值為0.06,用12組數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò),得到脫硫系統(tǒng)pH值的預(yù)測(cè)值和實(shí)際值對(duì)比圖,如圖2所示。

由圖2可以看出,期望值和實(shí)際值走向是一致的,并且期望值和實(shí)際值吻合程度很高,其精度也很高。脫硫系統(tǒng)預(yù)測(cè)值和實(shí)際值的絕對(duì)誤差值如圖3所示。

由圖3得到脫硫系統(tǒng)預(yù)測(cè)值和實(shí)際值的絕對(duì)誤差值,利用平均相對(duì)模擬誤差計(jì)算公式[10]

(3)

計(jì)算出BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)脫硫系統(tǒng)pH值的平均相對(duì)誤差為2.89‰,其模擬精度很高。

圖2　某熱電廠脫硫系統(tǒng)pH值預(yù)測(cè)值和實(shí)際值對(duì)比 Fig.2　Comparison between predicted value andactual value of pH value of desulfurization systemof certain thermal power plant

圖3　脫硫系統(tǒng)預(yù)測(cè)值和實(shí)際值的絕對(duì)誤差值Fig.3　Absolute error of predicted value andactual value of desulfurization system

2.2BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型檢驗(yàn)

通過以上12組數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,利用三組數(shù)據(jù)對(duì)這個(gè)預(yù)測(cè)模型進(jìn)行驗(yàn)證,其結(jié)果見表2,并利用式(3)計(jì)算這三組數(shù)據(jù)預(yù)測(cè)值的相對(duì)誤差。

表2　BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

由表2可以看出,pH值實(shí)際值與預(yù)測(cè)值的相對(duì)誤差很小,其誤差精度能達(dá)到10-4,說明BP神經(jīng)網(wǎng)絡(luò)對(duì)脫硫系統(tǒng)中的pH值具有很好的預(yù)測(cè)能力。

3結(jié)語(yǔ)

通過建立基于BP神經(jīng)網(wǎng)絡(luò)的脫硫系統(tǒng)pH值的預(yù)測(cè)模型,對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析,證實(shí)了脫硫系統(tǒng)pH值預(yù)測(cè)過程中性能比較穩(wěn)定,預(yù)測(cè)結(jié)果比較準(zhǔn)確,誤差也很小,精度能夠達(dá)到10-4,取得了很好的預(yù)測(cè)效果,因此BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可以實(shí)現(xiàn)對(duì)熱電廠的脫硫過程中的pH值的預(yù)測(cè)。

參考文獻(xiàn):

[1]高雪鵬.基于神經(jīng)網(wǎng)絡(luò)與模糊推理系統(tǒng)的非線性系統(tǒng)辯方法的比較研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2001.

[2]李華.雙權(quán)值神經(jīng)網(wǎng)絡(luò)理論及其在控制中的應(yīng)用研究[D].杭州:浙江工業(yè)大學(xué),2006.

[3]韓紅桂,李淼,喬俊飛.基于模型輸出敏感度分析的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)[J].電子學(xué)報(bào),2010,38(3):731-736.

[4]程華農(nóng),韓方煜,錢宇.基于主成分分析的輸出集成反饋網(wǎng)絡(luò)及其在化工動(dòng)態(tài)過程建模中的應(yīng)用[J].化工自動(dòng)化及儀表,2003,30(2):22-25.

[5]朱麗娜.基于電離層異常現(xiàn)象的數(shù)據(jù)挖掘方法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2012.

[6]曹虹.基于BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)[D].西安:長(zhǎng)安大學(xué),2012.

[7]產(chǎn)文兵,萬皓,宋桂東,等.鈉堿法煙氣脫硫工藝技術(shù)[J].上海大學(xué)學(xué)報(bào):自然科學(xué)版,2013,19(5):474-478.

[8]張鴻,丁以中.基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評(píng)級(jí)模型[J].上海海事大學(xué)學(xué)報(bào),2007,28(3):64-68.

[9]陳國(guó)輝,盧雙舫,田善思,等.RBF神經(jīng)網(wǎng)絡(luò)法在泥頁(yè)巖有機(jī)非均質(zhì)性測(cè)井評(píng)價(jià)中的應(yīng)用[J].甘肅科學(xué)學(xué)報(bào),2014,26(1):104-108.

[10]張德剛,翟娟.基于BP人工神經(jīng)網(wǎng)絡(luò)的公路軟土地基沉降預(yù)測(cè)[J].交通科技,2010,36(3):75-77.

Application of BP Neural Network Forecasting Technology in pH Value of Desulfurization System

Cheng Huanxin,Yu Shajia

(CollegeofAutomationEngineering,QingdaoUniversityofScience&Technology,Qingdao266061,China)

AbstractStability of pH value has great impact on desulfurization efficiency during desulfurization process of the thermal power plant and might be affected by all kinds of environmental factors and subjective factor during actual production;and the pH measuring instrument causes great loss to production as a result of being damage or corroded easily during operations on site.Therefore,the forecasting technology based on BP neural network was proposed in order to reduce the loss.Three-layer network forecasting model was designed after mathematical modeling for the parameters of the system by using the forecasting algorithm;at the same time,on-line control and real-time control were carried out for the system after simulating pH data by using Matlab toolkit.The result showed that BP neural network had very high forecasting precision of the pH value in the desulfurization system and satisfactory forecasting effect due to its minor error to be generated.Therefore,the BP neural network forecasting technology could forecast the changing condition of pH value during desulfurization process in advanced and was useful for improving efficiency of the desulfurization apparatus if applied to forecasting of pH value in the flue gas desulfurization system.

Key wordsBP neural network;Desulfurizing pH value;Forecasting technology;Matlab

中圖分類號(hào):X701.3

文獻(xiàn)標(biāo)志碼:A

文章編號(hào):1004-0366(2016)01-0069-04

作者簡(jiǎn)介:程換新(1966-),男,新疆烏魯木齊人,教授,研究方向?yàn)闇y(cè)控技術(shù)與儀表.E-mail:chenghuanxin@126.com.通訊作者:于沙家.E-mail:yushajiaysj@163.com.

收稿日期:2015-04-30;修回日期:2015-06-22.

doi:10.16468/j.cnki.issn1004-0366.2016.01.016.

引用格式:Cheng Huanxin,Yu Shajia.Application of BP Neural Network Forecasting Technology in pH Value of Desulfurization System[J].Journal of Gansu Sciences,2016,28(1):69-72.[程換新,于沙家.BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)在脫硫系統(tǒng)pH值中的應(yīng)用[J].甘肅科學(xué)學(xué)報(bào),2016,28(1):69-72.]