程換新,于沙家

(青島科技大學 自動化與電子工程學院,山東 青島　266061)

?

BP神經(jīng)網(wǎng)絡預測技術在脫硫系統(tǒng)pH值中的應用

程換新,于沙家

(青島科技大學 自動化與電子工程學院,山東 青島266061)

摘要在熱電廠脫硫過程中,pH值的穩(wěn)定性對脫硫效率影響重大,在實際生產(chǎn)中因受到各種環(huán)境因素及主觀因素的影響,pH測量儀器在現(xiàn)場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)絡的預測技術。運用此預測算法對系統(tǒng)參數(shù)進行數(shù)學建模,設計了三層網(wǎng)絡預測模型,同時用Matlab工具箱對pH數(shù)據(jù)進行仿真,使系統(tǒng)實現(xiàn)在線控制和實時控制。結果表明,BP神經(jīng)網(wǎng)絡對脫硫系統(tǒng)中pH值的預測精度很高,產(chǎn)生誤差也很小,取得了滿意的預測效果。因此,用BP神經(jīng)網(wǎng)絡預測技術對煙氣脫硫系統(tǒng)中的pH值進行預測,能提前預知脫硫過程中pH值的變化情況,有助于改善脫硫裝置的效率。

關鍵詞BP神經(jīng)網(wǎng)絡;脫硫pH值;預測技術;Matlab

在我國,煤炭作為熱電廠的主要能源,其燃燒產(chǎn)生的SO2對環(huán)境污染很嚴重,因此火電廠在排放SO2之前需要安裝脫硫裝置,達到國家SO2的排放標準。目前主要的脫硫方式是煙氣脫硫,在這個脫硫過程中pH值作為石膏漿液酸堿度的度量,是脫硫工序中一個重要的技術參數(shù)。在實際生產(chǎn)中,脫硫環(huán)境一般都很惡劣,例如煙塵較多、空氣潮濕、噪音大及震動劇烈等,使pH計表頭或測量設備易損害或腐蝕,影響系統(tǒng)的脫硫效率。為了保證pH值的準確無誤需要建立一個擾動較小、比較穩(wěn)定的環(huán)境,在實際生產(chǎn)中卻很難做到。因此針對此控制過程帶有非線性、大慣性以及延遲性特點,提出BP神經(jīng)網(wǎng)絡預測技術。用BP神經(jīng)網(wǎng)絡預測技術對脫硫系統(tǒng)中pH值進行預測,能提前預知脫硫過程中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)絡的預測模型

1.1BP神經(jīng)網(wǎng)絡的預測算法

人工神經(jīng)網(wǎng)絡有非線性映射、自學習及記憶功能,它不需要建立精確的數(shù)學模型,就能夠解決傳統(tǒng)自動化沒法解決的復雜性、非線性等問題,因此很適合應用于非線性系統(tǒng)中[1]。實際應用最多的是BP神經(jīng)網(wǎng)絡,由于其網(wǎng)絡結構簡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)絡傳播中正向傳播信號,反向傳播誤差,并且要求誤差最小[2]。利用多個樣本不斷訓練,訓練出結果并且保存,以建立的網(wǎng)絡結構對新樣本預測。通過大量訓練來不斷調(diào)整權值和閾值,使誤差達到最小。一個BP神經(jīng)網(wǎng)絡結構主要有輸入層、隱含層和輸出層[3]。

假設一個三層BP神經(jīng)網(wǎng)絡,輸入層節(jié)點、隱含層節(jié)點、輸出層節(jié)點分別是xi,yj,zk,輸入層與隱含層之間的權值、隱含層和輸出層之間的權值分別是wji和vkj,隱含層節(jié)點和輸出層節(jié)點的閾值分別是θj和θk[4]。

輸入層到隱含層的計算模型為

,

(1)

隱含層到輸出層的計算模型為

。

(2)

BP神經(jīng)網(wǎng)絡在訓練過程中采用變學習速率梯度下降法,主要采用誤差減少方式來逼近目標,并且通過調(diào)整權值和閾值使均方差達到最小。通過大量訓練樣本,建立輸入和輸出之間的非線性關系,以權值和閾值“記憶”這些非線性關系來建立數(shù)據(jù)的預測。

,其中{Xn,Xn+1,Xn+m}為已知數(shù)據(jù),通過這些已知數(shù)據(jù)建立關系,對Xn+m+k(k>0)時刻數(shù)進行預測,得到這些數(shù)據(jù)之間的關系:Xn+m+k=F(Xn,Xn+1,…,Xn+m),這種方式只對下個參數(shù)進行估計預測,將{Xn,Xn+1,Xn+m}定為輸入?yún)?shù),通過這一方式獲得輸出的預測值為Xn+m+1。在大量的數(shù)據(jù)訓練中,可以根據(jù)實際要求,選取一些有規(guī)律性或有特點性的數(shù)據(jù)。

1.2BP神經(jīng)網(wǎng)絡模型結構的設計

BP神經(jīng)網(wǎng)絡的結構參數(shù)主要根據(jù)經(jīng)驗和實際檢驗來確定。理論上講,三層神經(jīng)網(wǎng)絡能任意逼近一個非線性函數(shù),并且三層神經(jīng)網(wǎng)絡簡單,操作量比較小,所以優(yōu)先考慮三層神經(jīng)網(wǎng)絡。

(1)確定BP神經(jīng)網(wǎng)絡輸入層和輸出層對BP神經(jīng)網(wǎng)絡的輸入層和輸出層個數(shù)的計算沒有具體的理論公式,一般是通過實際情況來確定其個數(shù)[5]。在脫硫系統(tǒng)pH預測設計方案中需要一個輸入層和一個輸出層,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)目過多會加大輸入層和隱含層之間權重值,影響訓練速度[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。在訓練選取樣本時,要選擇恰當?shù)挠绊懸蜃?樣本和影響因子選擇不當都不利于訓練。對脫硫系統(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],確定該五項為脫硫系統(tǒng)pH值的預測模型的輸入神經(jīng)元的個數(shù),輸入節(jié)點為5個,輸出節(jié)點為1個,即pH值。

(2)確定BP神經(jīng)網(wǎng)絡的隱含層數(shù)第一步:確定隱含層的個數(shù)。設計網(wǎng)絡時,重點是確定隱含層個數(shù),一般要從最少數(shù)目開始,先從一個隱含層的設計開始,若一個不能滿足網(wǎng)絡性能要求,再逐步添加隱含層的個數(shù)。研究采用一個隱含層來設計此網(wǎng)絡結構。第二步:確定隱含層的節(jié)點數(shù)。設計網(wǎng)絡時,主要用試湊法來確定隱含層的節(jié)點數(shù),先采用少量節(jié)點數(shù)然后再不斷增加其個數(shù),通過樣本訓練網(wǎng)絡并不斷比較來找出網(wǎng)絡誤差最小的節(jié)點數(shù)[8]。研究通過大量訓練確定了8個隱含層節(jié)點數(shù)。

(3)確定BP神經(jīng)網(wǎng)絡的預測模型以上分析,在設計中選擇了三層BP神經(jīng)網(wǎng)絡預測結構,輸入層節(jié)點數(shù)為5個,輸出層節(jié)點數(shù)為1個,隱含層節(jié)點數(shù)為8個,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)絡預測模型,見圖1。

圖1　脫硫系統(tǒng)的BP神經(jīng)網(wǎng)絡的預測模型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,直接進行訓練會影響網(wǎng)絡訓練精度和速度,并對預測結果產(chǎn)生影響,所以在網(wǎng)絡訓練前要對這些數(shù)據(jù)進行歸一化處理,從而改善其效果[9]。在對數(shù)據(jù)進行歸一化處理時,采用公式使每個節(jié)點的輸出值規(guī)范在-1~1之間。具體公式為

(3)

2BP神經(jīng)網(wǎng)絡的預測結果和分析

2.1BP神經(jīng)網(wǎng)絡預測結果及分析

使用某石化公司現(xiàn)場歷史數(shù)據(jù),將需要的數(shù)據(jù)導出,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)絡對pH值預測主要分為兩個過程:網(wǎng)絡訓練過程和預測過程。網(wǎng)絡訓練過程主要包含:(1)選取訓練的樣本數(shù)據(jù),由于脫硫過程是個非線性過程,并且設備一旦投入運行其參數(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因子,即表1中前5項為輸入因子;(2)在構造訓練樣本時,考慮到輸入因子和pH值之間的非線性關系,在選擇數(shù)據(jù)時為了減小誤差將無效數(shù)據(jù)進行刪除;(3)建立三層BP神經(jīng)網(wǎng)絡,一個輸入層(5個神經(jīng)元構成),一個隱含層(8個神經(jīng)元構成),一個輸出層(1個神經(jīng)元構成);(4)訓練網(wǎng)絡,利用BP神經(jīng)網(wǎng)絡訓練算法對網(wǎng)絡進行不斷訓練,直到達到要求為止;(5)用訓練好的網(wǎng)絡對新的數(shù)據(jù)進行預測。所以在仿真過程中,輸入層有5個神經(jīng)元,輸出層有1個神經(jīng)元且采用purelin函數(shù),隱含層有8個神經(jīng)元且采用tansig函數(shù),初始權值自動生成,網(wǎng)絡的誤差精度要小于10-3,設置網(wǎng)絡學習速率的初始值為0.06,用12組數(shù)據(jù)來訓練網(wǎng)絡,得到脫硫系統(tǒng)pH值的預測值和實際值對比圖,如圖2所示。

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

由圖3得到脫硫系統(tǒng)預測值和實際值的絕對誤差值,利用平均相對模擬誤差計算公式[10]

(3)

計算出BP神經(jīng)網(wǎng)絡預測模型對脫硫系統(tǒng)pH值的平均相對誤差為2.89‰,其模擬精度很高。

圖2　某熱電廠脫硫系統(tǒng)pH值預測值和實際值對比 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)預測值和實際值的絕對誤差值Fig.3　Absolute error of predicted value andactual value of desulfurization system

2.2BP神經(jīng)網(wǎng)絡預測模型檢驗

通過以上12組數(shù)據(jù)訓練神經(jīng)網(wǎng)絡預測模型,利用三組數(shù)據(jù)對這個預測模型進行驗證,其結果見表2,并利用式(3)計算這三組數(shù)據(jù)預測值的相對誤差。

表2　BP神經(jīng)網(wǎng)絡預測結果

由表2可以看出,pH值實際值與預測值的相對誤差很小,其誤差精度能達到10-4,說明BP神經(jīng)網(wǎng)絡對脫硫系統(tǒng)中的pH值具有很好的預測能力。

3結語

通過建立基于BP神經(jīng)網(wǎng)絡的脫硫系統(tǒng)pH值的預測模型,對預測結果進行分析,證實了脫硫系統(tǒng)pH值預測過程中性能比較穩(wěn)定,預測結果比較準確,誤差也很小,精度能夠達到10-4,取得了很好的預測效果,因此BP神經(jīng)網(wǎng)絡預測模型可以實現(xiàn)對熱電廠的脫硫過程中的pH值的預測。

參考文獻:

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

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

[3]韓紅桂,李淼,喬俊飛.基于模型輸出敏感度分析的動態(tài)神經(jīng)網(wǎng)絡結構設計[J].電子學報,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)絡及其在化工動態(tài)過程建模中的應用[J].化工自動化及儀表,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,2012.

[6]曹虹.基于BP神經(jīng)網(wǎng)絡的交通流量預測[D].西安:長安大學,2012.

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

[8]張鴻,丁以中.基于BP神經(jīng)網(wǎng)絡的企業(yè)信用評級模型[J].上海海事大學學報,2007,28(3):64-68.

[9]陳國輝,盧雙舫,田善思,等.RBF神經(jīng)網(wǎng)絡法在泥頁巖有機非均質(zhì)性測井評價中的應用[J].甘肅科學學報,2014,26(1):104-108.

[10]張德剛,翟娟.基于BP人工神經(jīng)網(wǎng)絡的公路軟土地基沉降預測[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:X701.3

文獻標志碼:A

文章編號:1004-0366(2016)01-0069-04

作者簡介:程換新(1966-),男,新疆烏魯木齊人,教授,研究方向為測控技術與儀表.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)絡預測技術在脫硫系統(tǒng)pH值中的應用[J].甘肅科學學報,2016,28(1):69-72.]