一种基于改进神经网络与遗传算法的燃煤锅炉优化方法

摘要

本发明涉及人工智能应用领域，具体是一种基于改进神经网络与遗传算法的燃煤锅炉运行优化预测的方法。主要原理是：通过BP神经网络的优化、预测模型的建立及训练，从而实现燃煤锅炉运行优化。具体步骤是：应用基于遗传算法优化的神经网络对锅炉参数（燃料量、送风量、氧量、温差量、煤种特性）进行实验数据建模，进而利用遗传算法对某一工况进行锅炉可调参数（燃料量、送风量、氧量、温差量）的优化。该方法可以利用优化后的神经网络和遗传算法对电站锅炉进行优化。

主权项

一种基于改进BP神经网络与遗传算法的锅炉生产运行优化方法，其特征在于，包括以下步骤：A.BP神经网络的优化采用遗传算法对神经网络权值进行优化：首先将神经网络的权值进行编码，然后利用遗传算法的选择、交叉、变异操作，得到新的权值，比较训练目标值是否达到0.05，若未达到，则继续利用遗传算法进行神经网络权值寻优；其中：1)适应度函数为F＝1/Σ(t_i‑x_i)²，其中t为实际输出值，x为期望值；2)第i个个体选择概率ps(i)为ps(i)＝r×(1‑q)^M‑1，其中M为种群数，q为选择系数；3)交叉操作：利用实数型的算术交叉，根据选择概率选择一对父代个体y(j,i₁)和y(j,i₂),进行如下交叉运算产生两个子代个体y(j+1,i₁)和y(j+1,i₂)：$\left\{\begin{array}{c}y(j+1,i_1)=\alpha y(j,i_2)+(1-\alpha )y(j,i_1)\\ y(j+1,i_2)=\alpha y(j,i_1)+(1-\alpha )y(j,i_2)\end{array}\right.$其中，α是在区间(0,1)之间的随机数；4)变异操作：产生的下一代变异个体为$\left\{\begin{array}{c}{x}_k^j+(U_{max}^k-x_k^j)\times (1-c^{(1-\frac{j}{T})\times b}),Random[0,1]=1\\ x_k^j+(x_k^j-U_{min}^k)\times (1-c^{(1-\frac{j}{T})\times b}),Random[0,1]=0\end{array}\right.$其中，第j代父代个体中的为变异点，取值范围c是区间[0,1]上符合均匀概率分布的随机数，T为终止代数，b为调整步长参数；B.预测模型的建立及训练采用BP神经网络建立锅炉高效率低污染模型和生产运行模型，并将其应用到锅炉生产运行预测与优化系统中：用燃料量、送风量、氧量、温差量、煤种特性五个参数作为输入变量；用锅炉效率、NO_x排放两个参数作为输出变量，来训练神经网络模型；C.燃煤锅炉运行优化采用遗传算法作为优化算法，根据燃烧优化目标和燃烧过程神经网络模型将基于神经网络的燃煤锅炉预测模型的输出构造为目标函数进行工况参数寻优，应用遗传算法快速、准确地计算得到当前工况下燃料量、送风量、氧量、温差量四个操作量的最优设定值；其中：1)目标函数：目标函数定义为minf＝a(η_c/η_fc)+(1‑a)([NOx]_fc/[NOx]_c)，式中，η_c，η_fc为当前炉效及优化后炉效；[NOx]_c，[NOx]_fc为NO_x排放物当前值及优化后的预测值；a、1‑a为锅炉效率和NO_x浓度的加权；2)适应度函数：第i个个体的适应度函数值Fit(i)＝exp(‑f(i))，其中f(i)目标函数；3)选择操作：第i个个体选择概率ps(i)为ps(i)＝r×(1‑q)^M‑1，其中M为种群数，q为选择系数；4)交叉操作：利用实数型的算术交叉，根据选择概率选择一对父代个体y(j,i₁)和y(j,i₂),进行如下交叉运算产生两个子代个体y(j+1,i₁)和y(j+1,i₂)：$\left\{\begin{array}{c}y(j+1,i_1)=\alpha y(j,i_2)+(1-\alpha )y(j,i_1)\\ y(j+1,i_2)=\alpha y(j,i_1)+(1-\alpha )y(j,i_2)\end{array}\right.,$式中，α是在区间(0,1)之间的随机数；5)变异操作，产生的下一代变异个体为：$\left\{\begin{array}{c}{x}_k^j+(U_{max}^k-x_k^j)\times (1-c^{(1-\frac{j}{T})\times b}),Random[0,1]=1\\ x_k^j+(x_k^j-U_{min}^k)\times (1-c^{(1-\frac{j}{T})\times b}),Random[0,1]=0\end{array}\right.$其中，第j代父代个体中的为变异点，取值范围c是区间[0,1]上符合均匀概率分布的随机数，T为终止代数，b为调整步长参数。