一种基于改进型BP神经网络的煤燃烧发热量预测方法

摘要

本发明公开了一种基于改进型BP神经网络的煤燃烧发热量预测方法，包括以下步骤：(1)对待测煤质进行工业分析与元素分析，将待测煤质的工业分析与元素分析数据作为预测样本，并根据预测样本的特征构建归一化的特征矩阵；(2)根据最优权值与阈值以及步骤(1)中归一化的特征矩阵，计算待测煤质的归一化输出；(3)对待测煤质的归一化输出反归一化，得到煤燃烧发热量。将该改进型的BP神经网络应用于煤质工业分析与元素分析基础数据计算其燃烧发热量的体系中，有效克服了传统燃烧发热量预测方法计算精度低、实用性差的缺点。本发明具有计算速度快、预测精度高、适应性强、利于快速推广等诸多优点。

说明书

技术领域

本发明属于煤炭燃烧发热量计算技术领域，具体涉及到一种基于改进型BP神经网络的煤燃烧发热量预测方法。

背景技术

煤炭是我国重要的基础能源和工业原料，为国民经济发展和社会稳定提供了重要支撑，目前，煤炭在我国的主要利用方式是直接燃烧发电和供热。煤直接燃烧是煤炭利用最直接的方式，主要目的是利用其燃烧时产生的热量。因此，煤燃烧的发热量成为了煤质特性中的一个关注焦点。煤的发热量，又常常被称为热值，是指单位质量的煤在完全燃烧的状态下所释放出的热量，一般用Kcal/Kg或MJ/Kg表示。煤的发热量不仅是煤质分析中的一个重要指标，而且还是热平衡计算、煤质鉴定、热使用效率、煤耗计算以及煤(热值)计价的基础，同时也对煤炭后续深加工具有重要的影响。

目前，在国内、外常用的煤发热量测量的方法大多采用氧弹法进行，该方法也是我国国标中的煤发热量测量方法。它具有测量结果准确的优点，但同时也存在着对外界环境温度要求高、过程繁琐、测量时间长等缺点，具有很多的局限性。氧弹法在发热量在线检测等工业实际应用中存在着明显的滞后性，最终使得该测量方法在工业上不具备快速检测混煤或多批次入厂煤发热量变化的特质。研究表明，煤的发热量是煤分子组成以及结构信息的集中体现，其实质主要来源于煤中有机质的燃烧以及少部分无机物(如矿物中的可燃硫，FeS

因此，如何高效、准确的预测出煤燃烧发热量对高效利用煤炭资源、计算燃煤锅炉热平衡以及科学合理地为煤计价等方面均具有重要的意义。

发明内容

本发明针对现有煤燃烧发热量预测方法中存在的预测精度差等缺点，提供一种具有操作方便、预测精度高以及普适性强的基于改进型BP神经网络的煤燃烧发热量预测方法。

为实现上述目的，本发明采用的技术方案如下：

一种基于改进型BP神经网络的煤燃烧发热量预测方法，包括以下步骤：

(1)对待测煤质进行工业分析与元素分析，将待测煤质的工业分析与元素分析数据作为预测样本，并根据预测样本的特征构建归一化的特征矩阵；

(2)根据最优权值与阈值以及步骤(1)中归一化的特征矩阵，计算待测煤质的归一化输出；

(3)对待测煤质的归一化输出反归一化，得到煤燃烧发热量。

本发明进一步的改进在于，步骤(1)中，煤质的工业分析与元素分析数据包括空干基水分M

本发明进一步的改进在于，步骤(1)中，归一化的特征矩阵通过下式计算：

式中，Xs代表归一化后的样本数据，x

本发明进一步的改进在于，步骤(3)中，待测煤质的归一化输出如下：

式中，y为待测煤质的归一化输出，w

本发明进一步的改进在于，步骤(2)中，最优权值与阈值通过以下过程得到：

(a)对煤质进行工业分析与元素分析，将煤质的工业分析与元素分析数据作为输入，以煤燃烧发热量作为输出，采用试错法确定BP神经网络的拓扑结构，并获取BP神经网络初始权值以及阈值的编码长度；

(b)按照公式(2)和公式(3)更新每一个粒子的速度V和位置X：

式中，v

(c)对更新速度V和位置X后的粒子群进行遗传操作，将每个粒子视为一个染色体对每个染色体再次进行适应度评价，并保留最优染色体；

(d)循环进行步骤(c)至粒子群最大更新次数Maxiter，得到全局最优粒子；

(e)根据BP神经网络初始权值、阈值的编码长度对全局最优粒子进行解码，得到优秀的网络初始权值、阈值；

(f)将优秀的网络初始权值、阈值作为BP神经网络算法的初始权值、阈值，进行寻优计算，当计算的均方误差小于目标均方误差E

本发明进一步的改进在于，步骤(a)中输入报空干基水分M

本发明进一步的改进在于，将优秀的网络初始权值、阈值作为BP神经网络算法的初始权值、阈值，进行寻优计算时，学习率自动调节，调节过程如下式所示：

式中，η为学习率，γ为1～2之间的常数，β为0～1之间的常数，n为网络当前的迭代次数，d

本发明进一步的改进在于，步骤(d)的具体过程包括以下步骤：

6.1采用轮盘赌法对群体进行选择操作，群体中个体i被选择的概率p

式中，N为粒子总数，F

6.2根据交叉概率P

新的子代染色体产生的方式如下：挑选出的两个父代染色体个体a

6.3根据设定的变异的概率P

本发明进一步的改进在于，所述的步骤6.2中交叉操作通过下式进行：

式中，a

本发明进一步的改进在于，步骤6.3中对该染色体中的部分基因信息进行修改时，通过下式进行：

式中，

与现有的技术相比，本发明具有的有益效果：本发明不仅有效的解决了传统BP神经网络易陷入局部优值、收敛速度慢的缺点，而且建立出了基于煤质工业分析与元素分析精确预测燃煤发热量的方法，解决了传统模型计算繁杂、精度低的缺点。具体如下：

(1)本发明具有预测精度高的特点：使用本发明提供的燃煤发热量计算方法，经检验后发现其计算数据的绝对平均绝对误差低于0.3MJ/Kg；

(2)本发明具有计算速度快的特点：本发明采用的改进型BP神经网络集成了多种智能算法的优点，有效提升了网络的高效学习与快速收敛，相较于传统BP神经网络的计算速度大幅提高；

(3)本发明具有普适性强的特点：本发明提供的方法是基于煤质工业分析与元素分析基础数据进行的，采样中涵盖了绝大多数的煤样本，这使得本发明提供的方法具有良好的普适性。

(4)本发明具有节能降耗的特点：本发明提供的方法可以有效减少煤发热量的实际测量过程，大大降低实验测试过程的中消耗的能源、物资以及人力等成本。

附图说明

图1为本发明的改进型BP神经网络的算法流程图。

图2为采用试错法确定的隐含层节点数，即确定出的网络拓扑结构。

图3为83组训练样本的计算值与实验值的关系图。

图4为15组预测样本的计算值与实验值的关系图。

图5为本发明的流程示意图。

具体实施方式

下面结合附图和实施案例对本发明的技术进进行详细的说明，但是本发明的保护范围不限于下述的实施案例。

参见图1和图2，一种基于改进型BP神经网络的煤燃烧发热量预测方法，主要由以下步骤组成：

(1)以煤质基础分析数据(工业分析与元素分析)作为输入，以煤燃烧发热量(Q

其中，输入组成为空干基水分M

(2)根据训练样本以及预测样本的特征构建出归一化的特征矩阵，归一化操作公式(1)所示：

式中，Xs代表归一化后的样本数据(代表工业分析与元素分析数据中一个，如，水分或灰分等)，x

(3)初始化各类参数，如粒子群数目sizepop、粒子群最大更新次数Maxiter、遗传交叉概率P

(4)初始化每一个粒子的速度(V)和位置(X)，并计算粒子的适应度值；

(5)按照公式(2)和公式(3)更新每一个粒子的V和X：

式中，v

(6)对更新速度V和位置X后的粒子群进行遗传操作，将每个粒子视为一个染色体对每个染色体再次进行适应度评价，并保留最优染色体；具体过程如下：

6.1选择操作：采用轮盘赌法进行，个体i被选择的概率p

式中，N为粒子总数，F

6.2交叉操作：据交叉概率P

其中交叉操作的过程如公式(6)所示：

式中，a

6.3变异操作：变异操作类似于现实中的基因突变，即根据设定的变异的概率P

其中变异操作的过程如公式(7)所示：

式中，

(7)对步骤(6)产生的最优染色体再次进行适应度评价，并保留最最优染色体；而后返回步骤(5)进行循环，循环运行至粒子群最大更新次数Maxiter，得到全局最优粒子；

(8)对得到的全局最优粒子根据网络结构进行解码，得到优秀的网络初始权值、阈值；

(9)将得到的优秀初始权值、阈值赋予附加动量项及自适应学习率优化的BP神经网络算法(A-BP)，A-BP算法可在网络得运行过程中差自动调节学习率。

其中学习率自动调节的方式(8)所示：

式中，η为学习率，γ为1～2之间的常数，β为0～1之间的常数，n为网络当前的迭代次数，d

(10)当网络产生的均方误差小于E

(11)提取步骤(2)中预测样本的特征矩阵以及步骤(10)产生的最优权值、阈值，根据公式(5)方可计算出预测样本的输出归一化输出(y)。

式中，y为待测煤质的归一化输出，w

(12)对步骤(11)计算的y值反归一化后，即可得到预测样本的发热量。

下面为具体实施例。

实施例1

参见图1和图5，本实施例的基于改进型BP神经网络的煤燃烧发热量预测方法，包括以下步骤：

(1)基于98组煤灰样本，选取M

表1各个输入变量及Q

(2)根据83组训练样本以及15组预测样本的特征构建出归一化的特征矩阵，归一化操作公式(1)所示：

式中，x

(3)初始化各类参数，如粒子群数目sizepop、粒子群最大更新次数Maxiter、遗传交叉概率P

(4)初始化每一个粒子的速度(V)和位置(X)，并计算粒子的适应度值；

(5)按照公式(2)和公式(3)更新每一个粒子的V和X：

式中，v

(6)对粒子群进行遗传操作，进一步探查出最优粒子

6.1选择操作：采用轮盘赌法进行，个体i被选择的概率p

式中，N为粒子总数，F

6.2交叉操作：据交叉概率P

式中，a

6.3变异操作：变异操作类似于现实中的基因突变，即根据设定的变异概率P

式中，

(7)对步骤(6)产生的新粒子再次进行适应度评价，并保留最优粒子；而后返回步骤(5)进行循环，循环运行至粒子群最大更新次数Maxiter，得到全局最优粒子；

(8)对得到的全局最优粒子根据网络结构进行解码，得到优秀的网络初始权值、阈值；

(9)将得到的优秀初始权值、阈值赋予附加动量项及自适应学习率优化的BP神经网络算法(A-BP)，A-BP算法可在网络得运行过程中差自动调节学习率。

(10)当网络产生的均方误差小于E

(11)提取步骤(2)中预测样本的特征矩阵以及步骤(10)产生的最优权值、阈值，根据公式(7)方可计算出预测样本的输出归一化输出(y)。

式中，y为待测煤质的归一化输出，w

(12)对步骤(11)的y值进行反归一化即可得到实际的发热量。

基于本发明计算的83组训练样本与实验的结果如图3所示；15组预测样本的计算值与实验值的结果如图4所示。由图3可以看出，本发明训练样本的计算值与其实验值收敛于对角线附近且其数据点的相关性为R

本发明创新性的提出粒子群算法(PSO)联合遗传算法(GA)的方法对传统BP神经网络的随机初始权值、阈值进行优化；与此同时，本发明进一步的在传统BP神经网络的算法中嵌入可调变的学习率以及动量项，以提升BP神经网络的收敛性以及泛化能力。进一步的，将该改进型的BP神经网络应用于煤质工业分析与元素分析基础数据计算其燃烧发热量的体系中，有效克服了传统燃烧发热量预测方法计算精度低、实用性差的缺点。本发明具有计算速度快、预测精度高、适应性强、利于快速推广等诸多优点。