基于遗传算法的BP神经网络优化动力配煤模型的研究

人工智能Artificial Intelligence

基于遗传算法的BP神经网络优化动力配煤模型的研究李吉朝##张海英##王惠琴2(1.西安理工大学复杂系统控制与智能信息处理重点实验室，陕西西安$10048;

2.西安市环境监测站，陕西西安71004-)

摘要：BP神经网络具有较强的学习能力，但在传统的研究中，隐含层节点、学习因子和动量因子往往采用试凑法得到相对较 佳值，而试凑法在浪费较多时间的同时，可能得不到理想的BP神经网络输出，这对研究造成了一定的困难。文中采用智能算法 来解决BP神经网络优化问题。遗传算法作为一种随机搜索算法，能够快速寻找到全局最优解，可以应用于本优化问题。因此， 文章采用遗传算法优化BP神经网络上述参数，将改进后的BP神经网络运用于动力配煤非线性模型的研究。结果表明，采用遗 传算法优化的B P神经网络具有较强的预测能力，对煤质的发热量预测误差优于线性平均模型误差，并且仿真表明动力配煤模 型为近似线性的非线性模型，BP网络的输出值误差波动较小，结果理想。关键词：动力配煤；BP神经网络；遗传算法；非线性中图分类号：TP81 文献标识码：A DOI： 10. 19358/j. issn. 1674-7720.2017.09.018

引用格式：李吉朝，张海英，王惠琴.基于遗传算法的BP神经网络优化动力配煤模型的研究[J].微型机与应用，2017,36(9):6〇-63,66.

The BP neural network based on genetic algorithm optimization model of power coal blending

Li Jichao1， Zhang Haiying1， Wang Huiqin2(1. Key Laboratory 〇f Complex System Control and Intelligent Information Processing，Xi’ an University of Science and Technology，

Xi’an 710048，China； 2.Xi’ an Environmental Monitoring Station，Xi ’ an 710048，China)

AbstTclCt ： The BP neural networls has strong learning ability，but in the traditional studies，hidden layer nodes， learning factors and momentum factors tend to use trial and error method to get relatively better value，at the same time，trial and error method in a waste of more time，the BP neural network output may not be ideal，this caused some difficulties to research. In this paper，the intelligent algorithm is applied to solve the problem of the BPneural network optimization. Genetic algorithm as a kind of random search algorithm，it can find the global optimal solution quickly， can be applied to the optimization problem. This paper uses genetic algoritlim to optimize the BP neural networls parameters，and ap­

plies the improved BP neural networls in the study of nonlinear model of power coal blending. The results showthat using genetic algorithm to optimize the BP neural networls has strong ability of prediction，calorific value of coal quality prediction eror is supemodel，and the simulation results show the approximate linear dynamic coal blending model of nonlinear modwork error is less volatile，the result is ideal.Key words ： power coal blending ;BPneural network; genetic algorithm; nonlinear

〇引言动力配煤，顾名思义是将两种及两种以上的单煤混合 成新的煤种。动力配煤有着其必要性，首先，发电系统锅 炉都有其对应的设计煤种，往往由于煤种分布、资源短缺 等一些客观因素，热电厂只能选择综合性价比相对较高的 单煤混烧，这对锅炉的安全稳定运行带来一定的影响；其 次，当前环境问题愈发严重，我国热力发电企业占发电行 业70%左右，煤的大量使用对环境造成严重污染，因此， 硫的排放被国家列为强制性指标。动力配煤技术可以利 用某一种煤或几种煤的长处弥补另一种或几种煤的不足， 取长补短，达到使锅炉用煤的品质稳定，解决煤质与炉型

不相匹配的矛盾，使节能减排效益最大化[1]。国内外研究表明，动力配煤模型分为线性模型[2-]与 非线性模型[5]，目标函数为经济性目标，即混煤的总金额 最小，约束条件包含多种变量，包括发热量、硫分、挥发分、 灰分等。线性模型与非线性模型的判断在于约束条件的 选取，对于模型的讨论，争议不断。近几年，浙江大学热工 院进行过研究，得出的结论是混煤的参数模型是一个近似 线性的非线性模型。但是，对于煤的一些重要参数，比如 发热量，浙江大学热工院的混煤实测值与线性加权平均值 存在5%左右的误差，这个误差相对来说比较大，因此，动 力配煤非线性模型的研究具有现实意义。60《微型机与应用》2017年第36卷第9期Artificial Intelligence本研究项目来自于西安某热电厂，电厂来煤分为高热 低硫、中热中硫、低热高硫三大类煤，存储在％个煤场中， 入炉煤是将这三类煤进行掺烧。1 BP神经网络的研究[6=]

动力配煤的性能指标包括发热量、硫分、挥发分、水 份、灰分等。其中发热量对锅炉安全稳定运行影响较大， 硫分对环境的影响较大，本研究重点考虑这两个性能指 标，以经济为主要目标，锅炉安全性以及环保性为约束条件，得到的动力配煤数学模型[9]如下：1 3

目标函数：min, i

约束条件：下限"\ = /((A，\，H，.，K，Q) " \上限U下限"U 1乂!A，U## " *^上限 (1)

3■ $ a i 1〇〇,〇 " a " 1〇〇# 11

其中，目标函数中,为混煤的平均价格，N为单煤的单价， A为单煤的配比，约束条件中\为煤的发热量，其影响因

素依次为单煤的配比A、单煤的发热量\、单煤的水份 H、单煤的灰分.、单煤的挥发分K以及单煤的固定碳

Q，约束条件中U表示煤的硫分，其影响因素依次为单煤

的配比A、单煤的硫分U。由动力配煤模型可知，动力配煤的约束条件为非线 性，需要应用学习算法得到其模型，本研究 以发热量为例，3种煤混配输出影响参数 有1-个，分别为3种单煤对应的配比、发 热量、水份、灰分、挥发分以及固定碳。因 此，BP神经网络[1。-13]的输入点为1-个，输出点为1个。3层BP神经网络隐含层 输入点数的计算公式如下：n d 槡p + q+ a ( 2)

其中，P为输入层的神经元个数，（为输出 层神经元个数，a的取值范围为0〜10之

间的整数。由于BP神经网络存在两大问题，收 敛速度慢及容易陷入局部最优。为了解决 上面两个问题，在标准BP神经网络的基

础上引进动量项，公式如下：?( &+1 ) =?( & ) + &[( 1 * 1# 4( & ) 9 14(& - 1)] (3)其中，1为学习因子，取值范围为0.01〜1$&为动量因子，取值范围为0〜1。学习因 子是影响BP神经网络收敛速度的关键因 素之一，如果学习因子太小，网络的收敛速 度会非常缓慢；如果学习因子太大，又会使 网络出现振荡而无法收敛。《微型机与应用》2017年第36卷第9期

加入动量项的本质是使得学习过程中的学习因子1 不再是一个恒定的值，而是可以不断变化。通常来说，动 量因子不易过大，如果动量因子太大，动量项所占的比例 过重，则本次误差修正项的作用会削弱太多，以致完全不 起作用，反而会延长收敛时间，甚至会引起振荡。一般情 况下，动量系数的最大值在0. 9左右。在以往的BP学习过程中，往往通过经验来选取 隐含层节点数、学习因子以及动量因子，使得BP神 经网络达不到最佳性能，因此，本研究运用遗传算 法[14C8]对上述3个参数进行优化，目标函数为BP神 经网络的输出误差。图1为遗传算法优化BP神经网 网络流程图。2种群的编码本研究种群编码采用二进制编码，将隐含层节点、学 习因子以及动量因子串成一个字符串，其中隐含层节点范 围为0 ~ 14,学习因子以及动量因子的范围均为0 ~ 100, 初始种群数目为20个。隐含层节点为4位二进制数，学 习因子为7位二进制数，动量因子为7位二进制数，因此 二进制编码为18位。如果参数a的变化范围为[amm， /kf

]，用7位二进制数0来表示，则二者之间满足：

2(4)由于隐含层节点必须为大于0的整数，因此这里需要

图1遗传算法优化BP神经网络流程图欢迎网上投稿www. pcachina. com 61