高 菲

（寶雞職業(yè)技術(shù)學(xué)院，陜西 寶雞 721000）

從應(yīng)用形式上考慮，鍋爐燃燒系統(tǒng)常見于火電廠中，通過對出口煙氣含氧量的觀察可以直接得知鍋爐所對應(yīng)的實際燃燒效率。當(dāng)前我國已經(jīng)在此基礎(chǔ)上提出了相應(yīng)的神經(jīng)網(wǎng)絡(luò)技術(shù)，其對于鍋爐的燃燒而言起到了一定的控制作用，但也應(yīng)意識到的是，其依然沒有發(fā)揮出大數(shù)據(jù)的優(yōu)勢，因此不具備智能辨識能力。對此，本文則以火電廠鍋爐燃燒過程中的含氧量控制為基本背景，圍繞其運行數(shù)據(jù)展開探討，在此基礎(chǔ)上依托于大數(shù)據(jù)建立出對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，由此提升鍋爐燃燒的可辨識性，由此可以提升火力發(fā)電燃燒效率，降低對污染物排放量，控制對周邊環(huán)境的污染程度，具有明顯的現(xiàn)實意義。

1 鍋爐燃燒系統(tǒng)

火電廠鍋爐燃燒控制是一項系統(tǒng)性工程，具體圍繞燃料量、送風(fēng)量以及引風(fēng)量這三大指標(biāo)而展開。伴隨著機組負(fù)荷指令的改變，對應(yīng)的三大指標(biāo)也會出現(xiàn)成比例變化關(guān)系，由此提升對負(fù)荷改變狀態(tài)下的適應(yīng)能力。所謂的風(fēng)煤比，指的是鍋爐內(nèi)的風(fēng)量與煤量的比值，控制好此參數(shù)至關(guān)重要，可以顯著提升煤的燃燒效率，推動鍋爐燃燒的持續(xù)運行[1]。此外，基于對風(fēng)煤比的調(diào)控，可以降低NOx的含量，創(chuàng)造更為穩(wěn)定的燃燒環(huán)境，對環(huán)境的保護作用也尤為明顯。

在進行風(fēng)煤比控制時，應(yīng)重點圍繞爐膛出口煙氣含量而展開，基于對此指標(biāo)的分析可以明確鍋爐燃燒情況?；诮档湍芎囊约疤嵘仩t效率的目的，應(yīng)將該含量控制在3%～6%，在滿足此條件后既可以提升煤粉的燃燒率，又可以避免過度消耗風(fēng)機的問題。

相比于專家系統(tǒng)而言，本文所探討的系統(tǒng)具有特殊之處，其知識庫由4個規(guī)則庫所構(gòu)成。以爐溫設(shè)定值作為指導(dǎo)，由此引申出空間剖分-啟發(fā)式匹配搜索算法。在四大類型庫中，啟發(fā)庫出于對其余三個庫協(xié)調(diào)性的目的，其內(nèi)部設(shè)置了大量的“元規(guī)則”，由此起到與其余庫的訪問、修改等作用，此外還能確定搜索方向。在設(shè)定值規(guī)則選擇器的作用下，可以發(fā)揮出開關(guān)的效果，并與啟發(fā)式規(guī)則庫進行協(xié)同作用。關(guān)于本文的燃燒控制系統(tǒng)結(jié)構(gòu)可詳見圖1。

圖1 燃燒控制圖

2 基于大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型辨識

2.1 數(shù)據(jù)平滑

經(jīng)平滑處理后可以消除大部分?jǐn)?shù)據(jù)所產(chǎn)生的“噪音”問題。對于傳統(tǒng)平滑處理方式而言，過分側(cè)重于整體平滑效果，從而降低了對局部細節(jié)的重視程度；相比之下，非參數(shù)平滑法可以擺脫總體分布的束縛，因此具有更強的靈活性，其中又以局部加權(quán)回歸散點平滑法最為重要?；谠摲椒?，可以形成一個低階多項式，由于它與數(shù)據(jù)具有高度相似性，因此可以獲得良好的LOESS平滑效果。

2.2 數(shù)據(jù)零初始處理

一個完整的系統(tǒng)模型必須包含輸入與輸出模型兩大部分，由此反映出某一平衡點狀態(tài)下對應(yīng)的增量傳遞關(guān)系。而要想達到此要求，就必須確保數(shù)據(jù)統(tǒng)計特性與時間不具備任何關(guān)聯(lián)，由于實測所得的數(shù)據(jù)為隨機時間序列，因此所產(chǎn)生的“零點”具有任意性，當(dāng)采集到現(xiàn)場數(shù)據(jù)后需要利用式（1）對其進行處理：

式中：N為數(shù)據(jù)總個數(shù)；u為輸入序列；y為輸出序列。

2.3 歸一化處理

實際研究表明，輸入與輸出對應(yīng)的量綱并非完全相同，有時二者的差距甚至達到了幾十倍之多，將其直接引入神經(jīng)網(wǎng)絡(luò)后將會對小量級數(shù)據(jù)造成影響，此外平均值還將表現(xiàn)出明顯的波動現(xiàn)象?；谔嵘龜?shù)據(jù)平衡性的目的，應(yīng)對所有數(shù)據(jù)進行處理，將其歸一到（-1，1）區(qū)間內(nèi)?；诰€性函數(shù)轉(zhuǎn)換的方式可以提升數(shù)據(jù)的均衡性，但受實際情況的制約，輸入數(shù)據(jù)的采集并不能事先確定出來，因此只能對訓(xùn)練樣本進行歸一化處理，此時神經(jīng)網(wǎng)絡(luò)所得到的預(yù)測值將控制在（-1，1）范圍內(nèi)，此時需要依托于目標(biāo)數(shù)據(jù)的歸一化屬性，在此基礎(chǔ)上進行反歸一化處理，經(jīng)此操作后所得到的結(jié)果才與實際情況相符。

3 神經(jīng)網(wǎng)絡(luò)技術(shù)與大數(shù)據(jù)

3.1 BP神經(jīng)網(wǎng)絡(luò)

對于一個高效的BP神經(jīng)網(wǎng)絡(luò)而言，應(yīng)將其設(shè)置為多層結(jié)構(gòu)形式，具體又可劃分為輸入層、輸出層以及隱層，其中隱層的數(shù)量與前兩類有著明顯的差別，可以是單層也可以是多層，基于神經(jīng)元的作用可以實現(xiàn)各個鄰層之間的連接，當(dāng)神經(jīng)元處于同一層時則無需進行連接。整個過程均建立在樣本數(shù)據(jù)的基礎(chǔ)上，由此進行正向傳播與誤差反向傳播作業(yè)。以事先準(zhǔn)備好的各類型層為基礎(chǔ)，由此展開網(wǎng)絡(luò)訓(xùn)練，而后將所得到的輸出結(jié)果與預(yù)期值進行對比分析，當(dāng)達到不要求后需要隨之提升訓(xùn)練次數(shù)，基于權(quán)值調(diào)節(jié)的方式可以提升模型的適應(yīng)能力。伴隨著網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的改變，所對應(yīng)的學(xué)習(xí)與泛化能力也存在差異，除了該因素外，諸如學(xué)習(xí)樣本以及算法等均會對二者造成影響。需要強調(diào)的是，當(dāng)前行業(yè)內(nèi)依然沒有形成關(guān)于神經(jīng)元個數(shù)的標(biāo)準(zhǔn)界定依據(jù)，此環(huán)節(jié)僅依賴于經(jīng)驗而展開。經(jīng)多次測試后，將本文的神經(jīng)網(wǎng)絡(luò)模型確定為3 層形式。關(guān)于本文所探討的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，具體如圖2所示：

圖2 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

3.2 BP學(xué)習(xí)算法介紹

BP神經(jīng)網(wǎng)絡(luò)所實行的學(xué)習(xí)算法類型較多，其中以學(xué)習(xí)規(guī)則最為典型，這是基于梯度下降法而建立出來的一種方法，此時所帶來的輸出值與期望值之間的誤差將處于最小狀態(tài)。關(guān)于BP 算法的具體內(nèi)容，如下所示：

（1）對BP 網(wǎng)絡(luò)權(quán)值進行初始化處理，對應(yīng)取值范圍通常以[0，1]為宜，選定P個元素，由此構(gòu)成訓(xùn)練樣本集，具體有

（2）在指定公式的作用下得出各個單元所對應(yīng)的輸出情況，具體有

以所得到的新權(quán)值與閥值為基礎(chǔ)，從而分析實際值與預(yù)期值之間的差距，當(dāng)誤差控制在預(yù)期范圍內(nèi)時則可以停止學(xué)習(xí)；若超出了預(yù)期規(guī)定的范圍，則需要繼續(xù)進行訓(xùn)練。

但BP算法也存在一定的不足之處，諸如收斂速度緩慢、乏化能力弱等，為了改善以上問題，可采取如下兩方面工作：其一，依托于啟發(fā)式信息技術(shù)，在此基礎(chǔ)上引入BP 算法；其二，依托于BP 算法，在此基礎(chǔ)上引入數(shù)值優(yōu)化技術(shù)。

3.3 神經(jīng)網(wǎng)絡(luò)特征參數(shù)的確定

基于某些特定的系列數(shù)值，在此基礎(chǔ)上神經(jīng)網(wǎng)絡(luò)將會對其進行計算，由此模擬出人類思維。無論是神經(jīng)網(wǎng)絡(luò)的輸入輸出還是閥值，其對應(yīng)的均是某一具體的數(shù)值，但伴隨著應(yīng)用領(lǐng)域的改變，數(shù)值所賦予的物理意義均存在差別。在此背景下，在將神經(jīng)網(wǎng)絡(luò)應(yīng)用于某一具體領(lǐng)域時，首先應(yīng)明確輸入與輸出所對應(yīng)的特征值；當(dāng)鍋爐處于加熱運行狀態(tài)時，輸入值可以視為爐壓偏差；此外，將空氣與煤氣兩大物質(zhì)的實際流量作為輸出值[2]。

3.4 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定

基于Hecht-Nielsen 的證明可以得知：對于任意L2上的[0，1]到R 的映射G，其均對應(yīng)了一個三層前向網(wǎng)絡(luò)，由此不斷地與G 進行逼近。考慮到此特性，本文選取了三層BP神經(jīng)網(wǎng)絡(luò)，將其作為主要的控制模型。

當(dāng)結(jié)束特征參數(shù)的確定工作后，此時所有的輸入均可視為網(wǎng)絡(luò)的輸入，對應(yīng)的輸出則可視為網(wǎng)絡(luò)的輸出，基于BP網(wǎng)絡(luò)的作用可以實現(xiàn)多目標(biāo)輸出。此外，還可以引入多個BP 網(wǎng)絡(luò)，確保所有輸入特征均相同?；趯ι鲜鰞深惙椒ǖ膶Ρ瓤芍笳咚鶐淼氖諗啃愿鼮榱己?，其涉及的隱節(jié)點數(shù)量明顯偏少。

在進行初始流量設(shè)定時，單個爐號均對應(yīng)了2 個三層BP網(wǎng)絡(luò)，所產(chǎn)生的兩個輸出量分別為空氣流量與煤氣流量?；诳s減網(wǎng)絡(luò)訓(xùn)練時間的目的，應(yīng)確保任何一個時期對應(yīng)的輸入量均相同[3]。

對于燃料與空氣流量神經(jīng)網(wǎng)絡(luò)系統(tǒng)而言，均采用的是三層BP神經(jīng)網(wǎng)絡(luò)的形式，其對應(yīng)的數(shù)量以8個為宜。將輸入?yún)?shù)設(shè)定為4，在進行加熱時對應(yīng)的輸入結(jié)點數(shù)為7，最終的輸出結(jié)點數(shù)均為1。

3.5 隱結(jié)點數(shù)的確定

確定隱結(jié)點數(shù)是一各極為復(fù)雜的問題，為了提升所得結(jié)果的精確新，本文基于如下方法展開：

當(dāng)含有n+1個隱結(jié)點時，其具備記憶n條規(guī)則的能力，此時可以根據(jù)所給出的學(xué)習(xí)規(guī)則數(shù)量通過計算得出對應(yīng)的隱結(jié)點數(shù)；而后基于自組織自學(xué)習(xí)算法對冗余結(jié)點做進一步處理，具體有：

式中：hi為隱結(jié)點；hj為輸出層的結(jié)點數(shù)目；Oik為與hi相關(guān)的輸出結(jié)點；Ojk為與hj相關(guān)的輸出結(jié)點。

4 結(jié) 語

綜上所述，本文圍繞鍋爐燃燒系統(tǒng)展開探討，以所得的大數(shù)據(jù)為基礎(chǔ)采取濾波、刪選等操作，經(jīng)以上環(huán)節(jié)后可以得到相應(yīng)的系統(tǒng)樣本數(shù)據(jù)，而后基于智能辨識體系展開相應(yīng)的燃燒系統(tǒng)建模工作。本文重點圍繞鍋爐燃燒過程中的含氧量展開探討，提出了相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型，由此具有針對性的對含氧量這一指標(biāo)進行分析，明確系統(tǒng)中各個數(shù)據(jù)的關(guān)系?；诒疚牡奶接?，旨在給相關(guān)行業(yè)提供可行參考。