机构阀位、二层角燃烧器摆动机构阀位以及A层淡二次风调节挡板阀位、A层浓次风调节挡板阀位、B层浓次风调节挡板阀位、B层淡二次风调节挡板阀位、C层淡二次风调节挡板阀位、C层浓次风调节挡板阀位、D层浓次风调节挡板阀位、D层淡二次风调节挡板阀位、E层淡二次风调节挡板阀位、E层浓次风调节挡板阀位、F层浓次风调节挡板阀位、F层淡二次风调节挡板阀位。
[0032]步骤2:以上述影响因素的历史数据作为输入参数，对输入参数进行数据预处理；以所对应的锅炉高温受热面屏间热偏差系数0\，T2,....Τη, η为高温受热面屏号)的历史数据作为输出参数，得到神经网络的训练样本。
[0033]步骤3.1:选择BP神经网络作为实施模型，进行神经网路结构参数设置，确定输入层神经元数目R(输入层神经元数目R为输入参数的数目)、输出层神经元数目η(输出层神经元数目为输出参数的数目)、确定隐含层神经元数目SI = sqrt(R*n)，确定数据样本数1000，确定最小误差0.0002、学习率0.05、转动动量0.6、最大迭代次数4000000 ；
[0034]步骤3.2:初始化隐含层神经元权值Wl、隐含层偏置值B1、输出层神经元权值W2、输出层偏置值B2，均通过随机函数rand O确定；
[0035]步骤3.3:将训练样本的输入参数输入神经网络，计算神经网络各层输出值；
[0036]步骤3.4:将神经网络各层输出值与所对应的训练样本的输出参数进行误差计算，如果误差满足设定的最小误差，则转到步骤3.5 ;否则修正输出层神经元权值、输出层偏置值，以及修正隐含层神经元权值、隐含层偏置值，并转到步骤3.3 ;
[0037]步骤3.5:存储隐含层神经元权值、隐含层偏置值，存储输出层神经元权值、输出层偏置值，得到锅炉高温受热面屏间热偏差神经网络预测模型，如图2所示。
[0038]步骤4:后台搜索引擎优化程序。在线自动采集所选取的影响因素的当前数据作为新的输入参数，并将新的输入参数输入锅炉高温受热面屏间热偏差神经网络预测模型，计算模型输出。以在线采集数据为基准点，在线动态调整各个输入参数(采用递归法，一次动态调整每个变量的±5%、±10%、±15%、±20%、±25%)，并计算模型输出，并把较优的模型(调整后热偏差系数较小的模型)输入输出数据存储到数据库，最终得到较优的动态输入输出结果。
[0039]上述过程中，以当前输入参数为基准点，寻找各神经元网络输入参数的输入范围，通过神经网络输出来决定应该选择的输入调整量，神经网络模型中输出结果即锅炉高温受热面屏间热偏差小的对应输入应该保留。也就是说，通过当前实际输入，扩展为当前输入的上下可调范围，再对这个输入集通过神经网络模拟，并找到神经网络输出热偏差最小的那个输入，以此作为神经网络的优化输入。
[0040]步骤5:结合图3，通过Asp.net人机界面，访问数据库，给出优化后的神经网络输入，以及对应的模型输出值。通过优化后的神经网络输入，指导当前的运行操作，将锅炉高温受热面屏间热偏差的影响因素设置为步骤4中得到的神经网络的优化输入。
【主权项】
1.一种锅炉高温受热面屏间热偏差模型预测方法，其特征在于:该方法由以下5个步骤组成: 步骤1:选取锅炉高温受热面屏间热偏差的影响因素； 步骤2:根据所选取的影响因素的历史数据作为输入参数，并对输入参数进行数据预处理；以所对应的锅炉高温受热面屏间热偏差系数的历史数据作为输出参数，得到神经网络的训练样本； 步骤3:利用训练样本对神经网络进行训练，得到锅炉高温受热面屏间热偏差神经网络预测模型； 步骤4:在线采集所选取的影响因素的当前数据作为新的输入参数，将新的输入参数输入锅炉高温受热面屏间热偏差神经网络预测模型，计算模型输出；以所述在线采集的数据为基准点，在线动态调整各个新的输入参数，并重新计算模型输出，把得到的热偏差系数较优的模型数入输出参数存储到数据库，最终得到优化的神经网络输入输出结果； 步骤5:通过优化的神经网络输入，指导当前的运行操作。2.如权利要求1所述的一种锅炉高温受热面屏间热偏差模型预测方法，其特征在于:所述步骤I中，影响因素包括:锅炉负荷、磨煤机组合、过热器烟道调温挡板、各层角燃烧器摆动机构阀位、锅炉二次风开度。3.如权利要求2所述的一种锅炉高温受热面屏间热偏差模型预测方法，其特征在于:所述锅炉二次风开度包括:各层淡二次风调节挡板阀位、各层浓次风调节挡板阀位。4.如权利要求1所述的一种锅炉高温受热面屏间热偏差模型预测方法，其特征在于:所述步骤3具体包括如下步骤: 步骤3.1:进行神经网络结构参数设置，确定输入层神经元数目、输出层神经元数目、隐含层神经元数目，确定数据样本数，确定最小误差、学习率、转动动量、最大迭代次数； 步骤3.2:初始化隐含层神经元权值、隐含层偏置值、输出层神经元权值、输出层偏置值； 步骤3.3:将训练样本的输入参数输入神经网络，计算神经网络各层输出值； 步骤3.4:将神经网络各层输出值与所对应的训练样本的输出参数进行误差计算，如果误差满足设定的最小误差，则转到步骤3.5 ;否则修正输出层神经元权值、输出层偏置值，以及修正隐含层神经元权值、隐含层偏置值，并转到步骤3.3 ; 步骤3.5:存储隐含层神经元权值、隐含层偏置值，存储输出层神经元权值、输出层偏置值，得到锅炉高温受热面屏间热偏差神经网络预测模型。5.如权利要求4所述的一种锅炉高温受热面屏间热偏差模型预测方法，其特征在于:所述步骤3.1中，输出层神经元数目为锅炉高温受热面屏数。6.如权利要求1所述的一种锅炉高温受热面屏间热偏差模型预测方法，其特征在于:所述步骤4中，在线动态调整各个新的输入参数采用递归法，动态调整每个变量的±5%、±10%、±15%、±20%、±25%。
【专利摘要】本发明提供了一种锅炉高温受热面屏间热偏差模型预测方法，通过在线建立高温受热面屏间热偏差神经网络预测模型，训练隐含层和输出层的神经网络权值和偏置值，通过已经建立的神经网络权值，在当前输入参数的基础上，进行神经网络模型预测，并通过优化调整输入参数，以达到优化神经网络输出的目的。即通过在线调整锅炉二次风等配风运行参数，达到动态优化高温受热面热偏差的目的，进而反馈运行，以此来提高锅炉运行安全性，预防锅炉超温爆管事故发生。
【IPC分类】G06Q50/06, G06N3/02, G06Q10/04
【公开号】CN104881714
【申请号】CN201510271423
【发明人】丁士发, 杨凯镟, 崇培安, 陶丽, 陈朝松, 刘进
【申请人】上海发电设备成套设计研究院
【公开日】2015年9月2日
【申请日】2015年5月25日