人工神经网络在电厂化学监督中的应用

电力18讯：    1 人工神经网络模型结构及算法简介［1―4］

    人工神经网络是以人脑智能为研究对象、模仿人体神经细胞的信息处理方法所构建的智能仿生模型。它是以神经元为基本运算单元、以神经元之间的连接权为知识存储单元形成的一种广泛互连的信息处理系统，是算法和结构的统一体、硬件和软件的混合体。从应用的角度出发，本文主要介绍人工神经网络模型3个方面的问题。

1.1 神经元特性

    神经元是输入、输出信息的基本单元，具有兴奋与抑制、学习与遗忘功能。神经元一般有3种类型：输入单元、输出单元、隐层单元。一个神经元可以用一个多输入/单输出的非线性结点表示，结构模型如图1，形式化描述如下：
                              

                              

式中，Ij表示神经元j的总输入；wij为神经元j和神经元i的结合强度，称为连接权；xi为神经元i的输出；θj为神经元j的阀值；Oj为神经元的输出；f称为转换函数或激励函数，目前广为采用Sigmoid函数：
                                  

1.2 神经元之间相互连接的形式――拓扑结构

    单个神经元的结构简单，功能极其有限，但大量神经元互连而形成的模式反映神经网络的结构，决定着这个网络的能力和非线性特性。神经元之间相互连接的形式分为前馈型和反馈型，前馈网络是信息流单向流动的模型；反馈网络中所有神经元都是计算单元，同时可接受输入，并向外界输出，信息是双向流动的。

1.3 神经网络的工作方式

    神经网络的工作包括两个阶段：学习期和工作期。人工神经网络的学习是指确定连接权的方法和过程，按学习方式不同分为有导师学习(图2a)和无导师学习(图2b)，对应着分类和聚类两种学习过程，图中x,o,d分别为学习样本、输出和学习信号，ρ(d,o)为输出和学习信号间的距离。在学习期内，神经元之间的连接权根据学习规则进行修改，以使目标函数达到最小。在工作期内，固定连接权值，由网络的输入得到相应的输出。
                            

    从理论上讲，任何一种非线性映射都可以用一个3层前馈网络来实现。3层前馈神经网络(图3)是目前在电厂化学工作中应用得较多的网络模型，学习算法则以BP算法及其改进算法为主。BP算法属有导师学习，其学习过程由正向传播和反向传播组成 。在正向传播过程，输入信息从输入层到隐层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态，如果输出层不能达到期望输出，则转入误差反向传播过程，误差信号沿原来的连接通路返回，并调整各层神经元的权值和阀值 。对于给定的一个训练集，用每一个个体训练网络，重复前向传播和误差反向传播过程，直到该网络对训练集中的每个输入信息的实际输出和期望输出的误差都小于一个设定值。

                                    

2 人工神经网络在电厂化学中的应用

    人工神经网络技术以其模拟人脑的工作方式、并行分布处理模式和自学习能力而具有强大生命力，对解决复杂非线性、难于建立精确数学模型的问题有着良好的适应性，这也是人工神经网络模型广泛应用于电厂化学领域的原因之一。

2.1 煤的发热量模型

    煤的发热量是表征煤质的一个重要参数，在计算煤耗、锅炉热平衡、热效率,估测理论燃烧温度，指导锅炉燃烧而确定不同煤种的混烧配比时都要用到。目前广泛采用氧弹量热仪测离线煤的发热量，结果准确，自动化程度高。但其操作过程繁琐 ，费时长，且对外界环境温度敏感，尤其对炉前煤缺乏快速准确的反映。人们利用煤的工业分析和元素分析组成的数据，应用数理统计的方法进行线性回归得到煤的发热量的数学模型，以期快速估算。事实上，煤的发热量与<