凡荣荣 杨巨生 谢克昌

（1.太原理工大学电气与动力学院，太原 030024；2.太原理工国内大学生命与技术山西省教育部重点实验室 太原 030024）

由于煤的成本较低且储藏丰富，目前以及以后很长时期内，煤在我国能源结构中仍占主导地位。燃煤电厂是煤炭的主要用户，大量的煤炭燃烧，随之而来的是严重的环境污染问题。氮氧化物就是煤燃烧过程中产生的主要污染源之一，它对酸雨和光化学烟雾的形成，地球臭氧层的破坏都有直接关系。所以非常有必要根据燃煤特性及各种操作参数准确预报锅炉在不同工况下的氮氧化物排放特性，这也为燃煤电站锅炉通过燃烧调整降低氮氧化物排放提供有效手段。

近年来，BP神经网络模型在非线性系统建模和控制方面得到广泛应用，这种模型也应用到燃煤电站锅炉氮氧化物排放预测控制。但是 BP神经网络是基于梯度下降的方法，比较容易陷入局部最小值而无法得到最好的权值分布，最终影响网络的泛化能力。而且在训练过程中，有关参数（如学习速率）的选取也没有理论指导，完全凭借经验来确定，一旦取之不当，就会引起网络振荡而不能收敛，即使收敛也会因为收敛速度慢而导致训练时间长。AdaBoost算法能够提高任意给定弱预测器的预测精度，在许多机器学习的问题中都得到了成功的应用。为了提高BP神经网络的预测精度，克服BP神经网络权值初始化的局限性和训练样本的主观因素，本文将AdaBoost算法与BP神经网络相结合，构建了BP-adaboost算法来预测电厂氮氧化物排放量。

本文利用BP-adaboost算法，以某电厂600MW机组锅炉为例建立了氮氧化物排放特性预测模型。结果表明，与单纯的 BP网络所建模型相比，所建模型能够更加准确地预测不同运行工况下的氮氧化物排放量。

1 研究对象

某电厂4#炉为600MW四角煤粉燃烧锅炉，该炉为亚临界控制固态排渣炉，炉膛尺寸为19558mm×16432mm。采用正压直吹式制粉系统，配5台中速磨煤机，炉膛四角布置燃烧器，燃烧器为一二次风间隔布置，满负荷下投入 5层一次风，6层二次风。

本文从电厂DCS系统中每隔15S下载一组锅炉运行参数。锅炉运行参数包括锅炉负荷，一次风风量，二次风开度，燃尽风开度，给煤机开度，二次风箱与炉膛之间差压，省煤器之后氧量，飞灰含碳量，氮氧化物排放量，排烟温度，飞回含碳量。一共下载 1200组数据来研究锅炉运行参数对氮氧化物排放的影响。在此次研究中，煤质保持不变，运行工况的范围如表1所示，燃用煤种特性示于表2。

表1 锅炉运行工况

表2 试验煤种

2 BP-adaboost算法建立氮氧化物排放模型

2.1 BP-adaboost算法

Adaboost算法是一种迭代算法。目前，对Adaboost算法的研究及应用大多集中于分类问题，同时近年也出现了一些在预测问题上的应用。Adaboost算法能够提高任意给定弱预测器预测精度，因此，本文针对 BP神经网络自身的局限性和训练样本选择的主观因素，为提高其预测精度，将Adaboost算法与BP神经网络相结合，建立了BP-adaboost神经网络预测模型。

该模型采用 BP神经网络作为弱预测器，根据每次训练样本预测的优劣，减少或增加其对应的权重，并使用改变权重后的样本重新对弱预测器进行训练，得出一系列弱预测器与其权重；最后将这些弱预测器的训练结果进行集成，得到最终的输出。

BP-adaboost算法具体实现过程如下：

首先对样本进行归一化处理，从样本中随机选择m组训练数据，初始化测试数据的分布权值Dt（i）=1/m,根据样本输入输出维数确定神经网络结构，初始BP神经网络权值和阈值。

其次，对所有的t=1,2,…,T（共T次循环，即有T个弱预测器）：

1）用训练数据训练BP神经网络并且预测训练数据输出，得到预测序列个 g(t)的预测误差和式中 g(t)为预测结果；y为预期结果。

2）根据预测序列g(t)的预测误差et计算序列的权重

3）根据序列权重 at调整下一轮训练样本权重，调整公式为Dt+1=Dt×1.1。

最后，利用最大加权投票原则融合各基本预测器f(gt,at)，得到最后的预测结果

2.2 建立模型

根据上述步骤，利用BP-adaboost算法建立氮氧化物排放预测模型，模型的输入条件如下：氧量，5个一次风量，6个二次风量，5个给煤机给煤量，1个燃尽风量，1个二次风箱与炉膛之间差压，另外，煤种特性取收到基水分 Mad、灰分Aar、挥发分 Var、含碳量 Car、低位发热量 Qnet,ar共 25个输入参数。输出参数为氮氧化物的排放量。算法流程如图1所示。

图1 BP-adaboost的算法流程

在电厂DCS分散控制系统采集的1200组数据中，960组作为训练数据，240组作为测试数据。根据数据维数采用的 BP神经网络结构为25-20-1，共训练生成10个弱预测器。经过预测后输出氮氧化物的预测值，根据预测结果调整测试样本权重值，把预测误差超过 1.0的样本作为应该加强学习的样本。得出一系列弱预测器及其权值。最后利用10组弱预测器组成强预测器预测氮氧化物的输出。预测结果如图2所示。

图2 预测结果

图2为BP-adaboost算法对测试样本训练后预测值与期望值的误差。“o”代表弱预测器即 BP神经网络对测试样本训练后的误差，“+”代表强预测器对测试样本训练后的误差。从图2中可以看出氮氧化物排放特性的 BP-adaboost模型的预测准确率远远高于BP预测模型。BP-adaboost预测值的绝对误差大部分集中在15mg/N3左右，99%样本的相对误差控制在 3%以内。可见，BP-adaboost算法网络模型继承了传统的BP神经网络的优点，具有很强的自学习、自组织能力，建立起输入与输出之间的复杂的非线性对应关系。而且网络中得大量参数均由学习所得，避免了人为因素的影响。同时当传统的 BP神经网络在训练数据量较大、输入参数过多，模型的泛化能力降低，对于非训练样本不能精确预测的情况，BP-adaboost算法可以通过融合多个弱预测器的信息，更加充分利用给定的锅炉运行参数，提高模型的繁华能力，对氮氧化物排放量的预测有更高的准确度，得到的预测结果更加客观，更加合理。表明了BP-adaboost预测模型的可行性及结果的有效性和准确性，并且说明BP-adaboost算法可以应用于大型燃煤电厂氮氧化物的排放预测。

3 结论

针对 BP 神经网络预测存在局部极小缺陷和收敛速度慢的问题，提出了一种基于 BP-adaboost神经网络的预测模型。将其应用于燃煤锅炉氮氧化物的预测，并与 BP 模型进行了比较。仿真结果表明，BP-adaboost 模型具有良好的收敛性，预测结果令人满意，有较高的精度和良好的实用性，可以为燃煤锅炉氮氧化物排放量的预测提供依据。

[1]周昊,朱洪波,岑可法.基于人工神经网络和遗传算法的火电厂锅炉实时燃烧优化系统[J].动力工程,2003,34(5);49-51.

[2]王春林,周昊.基于遗传算法和支持向量机的低 NOx燃烧优化[J].中国电机工程学报, 2007,11:40-44.

[3]吴仕勇. 基于数值计算方法的 BP神经网络及遗传算法的优化研究[J].计算机技术理论,2009,12:2966-2967,3025.

[4]侯林波.基于遗传神经网络算法的基坑工程优化反馈分析[D].大连:大连海事大学,2009.

[5]周昊.大型电站锅炉氮氧化物控制和燃烧优化中若干关键性问题的研究[D].杭州:浙江大学,2004.

[6]叶银兰.基于boosting RBF神经网络的人体行为识别[J].计算机工程与应用,2008:44(3),188-191.

[7]葛启发，冯夏.基于Adaboost组合学习方法的岩爆分类预测研究[J].岩土力学,2008,29(4):943-948.

[8]LI K, THOMPSON S. Modeling and predicition of NOx emission in a coal-fired power generation plant[J].Control Engineering Practice, 2004(12):707-723.

[9]KALOGIROR S A. Artificial intelligence for the modeling and control of combustion processes:a review[J]. Progress in Energy and Combustion Science,2003.

[10]ZHOU H, ZHENG L G, CEN K F. Computationl intelligence approach for NOx emissions minimization in a coal-fired utility boiler[J].Engrgy Conversion and Management.2010

[11]ZHENG L G, ZHOU H, CEN K F, WANG C L. A comparatiove study of optimization algorithms for low NOx combustion modification at a coal-fired utility boiler[J].Sciencedirect.2009.