袁俊文，周正兴，王 丽，任继红

(1.黑龙江省电力科学研究院，黑龙江哈尔滨150030;2.天津国投津能发电有限公司，天津300480)

0 引言

目前，测量烟气含氧量的氧量分析仪精度差、费用高、使用寿命短，且测量滞后较大，不利于燃烧过程的在线实时监视，不能准确地提供在线闭环控制所需的反馈信号，从而直接影响着燃烧控制系统的性能指标。为此，提出采用软测量技术［1－5］，即基于BP神经网络原始算法改进的基础上，通过对网络的训练学习构造烟气含氧量的预测模型，实现锅炉燃烧系统的闭环控制和优化。

1 基于改进的BP神经网络模型

BP神经网络［6－8］的结构一般包括输入层、隐含层和输出层。网络的各层之间由输入层向输出层依次相互连接起来，并对连接进行加权，从而形成网络的拓扑结构。理论上已经证明，当隐含层神经元数目足够多时，BP神经网络可以以任意精度逼近任何一个具有有限间断点的非线性函数。

BP算法即误差逆向传播学习算法是人工神经网络最为常用的算法之一。但在实际应用中，传统的BP算法存在两个问题:收敛速度慢，目标函数存在局部极小。为了克服这两个问题，本文运用了改进算法。

采用反对称函数代替通常的Sigmoid函数，比如最常用的是双曲正切函数，即

一般取 a=1.716，b=0.667。采用该激励函数时，收敛速度通常比采用Sigmoid函数时快。

加动量项，学习步长η的选择很重要，η大收敛速度快，但过大则可能引起不稳定;η小可避免不稳定，但收敛速度就慢了。加动量项可以解决这一矛盾，即式中0＜α＜1，第一项为BP算法的修正量，第二项为动量项。……