工業(yè)鍋爐房負(fù)荷最優(yōu)分配的bp神經(jīng)網(wǎng)絡(luò)方法

工業(yè)鍋爐房負(fù)荷最優(yōu)分配的bp神經(jīng)網(wǎng)絡(luò)方法

在許多情況下，工業(yè)鍋的平均效率遠(yuǎn)低于預(yù)期值。行業(yè)水池的數(shù)量很多，其實際效率的提高對中國的可持續(xù)能源戰(zhàn)略具有重要的現(xiàn)實意義。如果配備了兩個以上的工業(yè)鍋爐，并有一個帶蓄熱器的鍋爐，應(yīng)確保每個運行的鍋爐在最適當(dāng)?shù)呢?fù)荷率下運行，以最大限度地發(fā)揮整個爐的負(fù)荷。這是碗爐負(fù)荷最佳分配的問題。由于蓄熱器的存在，更難將難以分解的負(fù)荷分配給最好。通常，帶有蓄熱器的鍋盒采用分壓穩(wěn)定的運行模式，這有利于控制豆?fàn)t室的運行，因為它可以降低計算時間和自我控制的要求。為了提高全稈槽的負(fù)荷，將總功率降到最小，并將消耗的燃料量降至最低。此時，日負(fù)荷曲線的段稱為最佳段，精確預(yù)測日負(fù)荷曲線是實現(xiàn)最佳段的前提。本文根據(jù)一種鍋爐房負(fù)荷最優(yōu)分配的新方法,在應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測的日負(fù)荷曲線的基礎(chǔ)上,結(jié)合負(fù)荷曲線的最優(yōu)分段方法,提出一種針對工業(yè)鍋爐房-蓄熱器系統(tǒng)的最優(yōu)運行方法.1健康負(fù)荷與d、n、的相關(guān)性用人工神經(jīng)網(wǎng)絡(luò)對工業(yè)鍋爐房負(fù)荷預(yù)測通常比其他方法更好,如文獻(xiàn)用級聯(lián)神經(jīng)網(wǎng)絡(luò)(CNN)進行工業(yè)鍋爐房負(fù)荷預(yù)測,平均誤差已經(jīng)低于3%.當(dāng)鍋爐房配有蓄熱器時,應(yīng)當(dāng)允許有更大的預(yù)測誤差,因為這時鍋爐房運行在平均負(fù)荷上.很顯然,預(yù)測負(fù)荷曲線的隨機誤差可以在很大程度上相互正負(fù)抵消,使該時間段內(nèi)的平均負(fù)荷水平的誤差比預(yù)測負(fù)荷曲線的要小得多.因此,這里應(yīng)用相對簡單的、預(yù)測誤差大一些的BP神經(jīng)網(wǎng)絡(luò)(見圖1)進行負(fù)荷曲線預(yù)測,這對鍋爐房的自動控制是有利的.對于BP神經(jīng)網(wǎng)絡(luò),為了提高負(fù)荷預(yù)測的質(zhì)量,有必要對數(shù)據(jù)樣本作適當(dāng)?shù)念A(yù)處理.文獻(xiàn)介紹一種有效的預(yù)處理方法,即依據(jù)樣本數(shù)據(jù)矩陣數(shù)據(jù)間的“縱向”、“橫向”和“交叉”相關(guān)系數(shù)(圖2),確定那些呈現(xiàn)一定規(guī)律性的較高相關(guān)系數(shù)的樣本數(shù)據(jù)組作為BP網(wǎng)絡(luò)的輸入項.在圖2中,訓(xùn)練樣本數(shù)據(jù)矩陣的一行即一天的負(fù)荷記錄.作為例子,考慮一個樣本數(shù)據(jù)集,這是上海一個蒸汽動力廠從2004年3月19日到4月27日內(nèi)連續(xù)28個工作日(周末除外)的一系列小時負(fù)荷數(shù)據(jù).圖3是相應(yīng)的負(fù)荷記錄曲線.這些數(shù)據(jù)構(gòu)成了如圖2所示的28行24列的訓(xùn)練樣本矩陣.仿照文獻(xiàn)中介紹的方法分析樣本矩陣.設(shè)L(d,τ)表示鍋爐房在第d日τ時刻的小時負(fù)荷,“縱向”相關(guān)系數(shù)Rd(n)(見圖2)代表第d日的負(fù)荷與早于該日n天的負(fù)荷L(d-n,τ)(n=1,2,…,[d])之間的相關(guān)性,Rd,AV(n)(見表1)就代表所有Rd(n)的平均相關(guān)系數(shù).“橫向”相關(guān)系數(shù)Rτ(m)(見圖2)代表τ時刻的負(fù)荷L(d,τ)與在此前m小時的負(fù)荷L(d,τ-m)(m=1,2,…,[h])之間的相關(guān)性,Rτ,AV(m)(見表1)就代表所有Rτ(m)的平均相關(guān)系數(shù),這是很容易算出的.樣本矩陣中某個負(fù)荷與比它早n天的負(fù)荷間的既非縱向又非橫向的“交叉”相關(guān)系數(shù)對于判斷它們之間是否有密切關(guān)系可能也有用.換句話說,交叉相關(guān)系數(shù)Rdτ(n,m)代表了負(fù)荷L(d,τ)到負(fù)荷L(d-n,τ+m)(n=1,2,…;m=±1,±2,…)之間的相關(guān)性,其平均交叉相關(guān)系數(shù)為Rdτ,AV(n,m)(見表2),這些也可類似地算得.根據(jù)對相關(guān)系數(shù)計算結(jié)果的分析,確定構(gòu)造2種3層BP網(wǎng)絡(luò).也就是為每個要預(yù)測的小時負(fù)荷構(gòu)造1個3層BP網(wǎng)絡(luò),全部共24個BP網(wǎng)絡(luò),分為2組不同的結(jié)構(gòu).對于第1組16個網(wǎng)絡(luò),每個網(wǎng)絡(luò)的輸入層有10個神經(jīng)元,用來輸入4個“縱向”記錄(n=1,2,3,4)、4個“橫向”記錄(m=1,2,3,4)和2個“交叉”記錄(n=1,m=±1);按試湊法,隱含層有7個神經(jīng)元.第2組8個網(wǎng)絡(luò)用來預(yù)測其余的7時到10時和20時到23時的負(fù)荷.由于當(dāng)m大于2時,橫向相關(guān)系數(shù)Rτ(m)遠(yuǎn)小于平均值,所以在第2組BP網(wǎng)絡(luò)中只采用2個“橫向”記錄作為網(wǎng)絡(luò)的輸入,而同時考慮一些其他因數(shù)作為輸入來補償信息的減少.試驗顯示,第2組網(wǎng)絡(luò)的輸入層可以由11個神經(jīng)元構(gòu)成,即用來輸入4個“縱向”記錄(n=1,2,3,4)、2個“橫向”記錄(m=1,2)、2個“交叉”記錄(n=1,m=±1)及用來輸入預(yù)測的或訓(xùn)練時檢驗的那1天的前1天的平均、最大和最小負(fù)荷.同樣由試湊法確定第2組網(wǎng)絡(luò)的隱蔽層為9個神經(jīng)元.2種網(wǎng)絡(luò)的輸出層都只有1個神經(jīng)元.兩組BP網(wǎng)絡(luò)的結(jié)構(gòu)可分別用10-7-1和11-9-1來簡明地表示.網(wǎng)絡(luò)訓(xùn)練前,必須把訓(xùn)練樣本的全部648個負(fù)荷數(shù)據(jù)(從3月19日到4月26日)進行歸一化處理(以后所有L(d,τ)都代表歸一化后的值).BP網(wǎng)絡(luò)的訓(xùn)練方法如下:將一開始5d內(nèi)的負(fù)荷記錄作為第1個數(shù)據(jù)組進行第1時間步的訓(xùn)練,對第1個網(wǎng)絡(luò)組的第τ個網(wǎng)絡(luò),用相應(yīng)于第5天τ時刻的如前所述的“縱向”、“橫向”和“交叉”方向的10個記錄作為該網(wǎng)絡(luò)的輸入(見表3).然后,按表3中的時間步序列對該網(wǎng)絡(luò)的訓(xùn)練反復(fù)進行下去,且可以從表3的開頭開始重復(fù)循環(huán),直到滿足任一停止條件時訓(xùn)練才停止.用同樣方法分別對第1組網(wǎng)絡(luò)的16個網(wǎng)絡(luò)和第2組網(wǎng)絡(luò)的8個網(wǎng)絡(luò)逐個進行訓(xùn)練.訓(xùn)練中誤差函數(shù)E,權(quán)向量W和閾值向量θ由BP網(wǎng)絡(luò)計算,帶動量項的自適應(yīng)變步長法可提高網(wǎng)絡(luò)學(xué)習(xí)效率和收斂性.用修正向量ΔW和Δθ更新權(quán)向量W和閾值向量θ.公式(1)～(5)描述這些計算.E=12∑k(yk-Yk)2(1)E=12∑k(yk?Yk)2(1)W(k+1)=W(k)+η(k)?E?W(k)+αΔW(k)(2)W(k+1)=W(k)+η(k)?E?W(k)+αΔW(k)(2)θ(k+1)=θ(k)+η(k)?E?θ(k)+αΔθ(k)(3)θ(k+1)=θ(k)+η(k)?E?θ(k)+αΔθ(k)(3)ΔW(k)=W(k)-W(k-1)(4)Δθ(k)=θ(k)-θ(k-1)(5)式中:Yk表示訓(xùn)練時的期望輸出,即在數(shù)據(jù)樣本中相應(yīng)的負(fù)荷記錄值;yk表示訓(xùn)練時的預(yù)測輸出值,即網(wǎng)絡(luò)計算得出的輸出值;k代表網(wǎng)絡(luò)訓(xùn)練時間步的序號;η和α分別代表學(xué)習(xí)步長和動量因子.為了訓(xùn)練和以后的預(yù)測,預(yù)先給定如下參數(shù):動量因子α=0.90,初始學(xué)習(xí)步長η0=0.01,步長增長比率為1.05,步長減少比率為0.70,訓(xùn)練的允許誤差為0.01,并將此作為訓(xùn)練的終止條件.圖4顯示BP網(wǎng)絡(luò)的訓(xùn)練流程.訓(xùn)練完后,再選取120個負(fù)荷數(shù)據(jù)(從2004年4月20日到26日,除周末4月24日和25日外)作為測試樣本進行網(wǎng)絡(luò)測試.圖5和圖6給出訓(xùn)練后的BP網(wǎng)絡(luò)的測試結(jié)果,其中4月26日的小時測試負(fù)荷平均相對誤差為6.07%.訓(xùn)練好的BP網(wǎng)絡(luò)可以用來對鍋爐房日負(fù)荷曲線進行計算機預(yù)測,圖7給出4月28日的小時負(fù)荷預(yù)測,對應(yīng)的相對誤差與時間的關(guān)系如圖8所示,其平均相對誤差為7.28%.事實上,還有許多其他的神經(jīng)網(wǎng)絡(luò)可以以更高的精度預(yù)測負(fù)荷曲線,在這里使用BP網(wǎng)絡(luò)的目的是為了證明BP網(wǎng)絡(luò)可用于帶蓄熱器的鍋爐房中.2蓄熱器系統(tǒng)aavi當(dāng)鍋爐房裝有蓄熱器時,通常將1天分成若干時間段,在每個時間段期間鍋爐房都運行在一個穩(wěn)定的負(fù)荷水平.時間分段的數(shù)目、長度和開始時刻都依賴于日負(fù)荷曲線.也就是說,分段方式必須滿足日負(fù)荷曲線.設(shè)蓄熱器的容量為Q(MJ),Q′=f(t)表示鍋爐房的日負(fù)荷曲線.現(xiàn)將1天分成N個時間段以滿足鍋爐房的運行.其中從t0i時刻到ti時刻為第i時間段,si表示第i個時間段的長度,則第i個時間段內(nèi)的平均負(fù)荷就由(6)式表示:QAVi=∫tit01f(t)dtSi(6)QAVi=∫tit01f(t)dtSi(6)今定義24h(t∈[t01,tN])的平均負(fù)荷函數(shù)QAV.事實上,時刻tN就是24h后的時刻t01.QAV=QAVit∈[t01,tN],i=1,2,…,N(7)從t01到t對QAV和Q′的差積分即為蓄熱器在t時刻所儲存的熱能,也就是積分曲線Qi(t,T0,T):Qi(t,T0,T)=∫tt01(QAV-Q′)dt,i=1,2,…,N;t∈[t01,tN](8)式中T0=(t01,t02,…,t0N)T,T=(t1,t2,…,tN)T(9)該積分曲線上最高點和最低點之間的差值就是需要儲存在蓄熱器中的最大蓄熱量QM.如公式(10)所示,若QM不大于蓄熱器容量Q,則上述分段方式可滿足負(fù)荷曲線的要求:QM=maxQi(t,T0,T)-minQi(t,T0,T)≤Q(10)很明顯,由于1個時間段的開始時刻恰是前1個時間段的結(jié)束時刻,所以確定了N和T0也就決定了分段方式和QM.通?？赡苡性S多分段方式滿足公式(10),它們的整體構(gòu)成分段方式的可行域.從可行域中任取1個分段方式,相應(yīng)地有N個時間段,在各時間段鍋爐房按該段的平均負(fù)荷運行.應(yīng)用負(fù)荷分配的MDM法(下述),各時間段的平均負(fù)荷均可以最優(yōu)地分配給鍋爐房的各運行鍋爐.當(dāng)各段的負(fù)荷都進行了最優(yōu)分配即得到該分段方式的鍋爐房最優(yōu)運行模式.重復(fù)這樣的計算一直到整個可行域都被算過.每種分段方式的日總?cè)剂虾牧恳话闶遣煌?對應(yīng)最小的日總?cè)剂虾牧康姆侄畏绞骄头Q為最優(yōu)分段方式.為了計算機編程的方便,公式(8)可以離散化(詳見文獻(xiàn)).3鍋爐的最佳運行3.1負(fù)荷分配的最小差模型影響鍋爐房最優(yōu)運行的因素和實現(xiàn)措施多種多樣,將鍋爐房負(fù)荷在各臺鍋爐之間實行最優(yōu)分配是最有效的措施之一.從20世紀(jì)中期GEORGE和KIRCHMAYER等提出“燃料耗量的等微增率”原理以來,電網(wǎng)各機組之間負(fù)荷最優(yōu)分配問題一直是許多人研究的課題.近年來也有作者應(yīng)用等微增率的方法來解決鍋爐房的負(fù)荷最優(yōu)分配問題.然而由于實際情況的復(fù)雜性,大多數(shù)情況該等微增率原理主要是起原理性的指導(dǎo)作用.對于工業(yè)鍋爐房,負(fù)荷最優(yōu)分配在某種程度上比電網(wǎng)系統(tǒng)還要困難,因為工業(yè)鍋爐房系統(tǒng)在規(guī)模上比電網(wǎng)系統(tǒng)小得多,而其負(fù)荷的波動卻常常更劇烈.鍋爐房加裝蓄熱器,穩(wěn)定了鍋爐房的負(fù)荷,鍋爐房的負(fù)荷最優(yōu)分配就變得容易實現(xiàn).本節(jié)應(yīng)用負(fù)荷分配的最小差模型(MDM)法建模,其突出的優(yōu)點是不需要各鍋爐的燃料耗量曲線數(shù)據(jù),而只需要少數(shù)易于得到的可靠數(shù)據(jù).相應(yīng)的計算程序還增加了如何事先確定讓多少及哪些鍋爐參加運行的策略,進一步增加實用性,甚至比文獻(xiàn)提出的負(fù)荷優(yōu)化分配模型更好.文獻(xiàn)已經(jīng)給出了MDM法的推導(dǎo),其最后得到的基本數(shù)學(xué)模型是:minΚ∑i=1(Cfmirmixi+Cf0ir2mix2i)?i=1?2???Κ(11)s.t.Κ∑i=1qrt?i(xi+rmi)-L=0-Ai≤xi≤Bii=1?2???Κ(12)式中:Cf是鍋爐的燃料耗量;r是鍋爐的負(fù)荷率;K為鍋爐房內(nèi)運行鍋爐臺數(shù);qrt是鍋爐的額定出力,x是鍋爐負(fù)荷率相對于經(jīng)濟負(fù)荷率的偏離:x=r-rm;A和B為鍋爐運行允許的x值上下限(絕對值);下標(biāo)0和m分別代表壓火和額定工況;i是鍋爐序號.公式(11)和(12)從原理上構(gòu)成了最小差模型(MDM),它只需要空載和經(jīng)濟兩種工況下的燃料耗量數(shù)據(jù)而不需要全部的負(fù)荷曲線.3.2鍋爐燃料耗量優(yōu)化在求解上述負(fù)荷最優(yōu)分配的數(shù)學(xué)規(guī)劃前,須先解決在某一負(fù)荷下鍋爐房需要多少及哪些鍋爐運行.因此,先分別令公式(12)中的Ai為rmi和Bi為1.2-rmi,然后運行程序求解該優(yōu)化問題(公式(11)和(12)),在全部鍋爐之間分配負(fù)荷.根據(jù)這一階段的結(jié)果,如有的鍋爐負(fù)荷率低于預(yù)設(shè)的臨界值,比如0.2,則令這臺鍋爐處于壓火或停爐工況.計算證明,被停止使用鍋爐的特性曲線往往是最差的.然后是第2階段——根據(jù)各臺運行鍋爐的特性重新設(shè)定Ai和Bi的值,再次解這個最優(yōu)化問題.計算實踐證明這個算法有足夠的魯棒性,因為迭代計算中,呈現(xiàn)二次型函數(shù)形式的鍋爐燃料耗量曲線幾乎不可能出現(xiàn)病態(tài)問題.3.3最優(yōu)分配模塊的實現(xiàn)在3個主要模塊,即基于BP神經(jīng)網(wǎng)絡(luò)的鍋爐房日負(fù)荷曲線預(yù)測模塊、負(fù)荷曲線的最優(yōu)分段模塊以及鍋爐房負(fù)荷的最優(yōu)分配模塊的基礎(chǔ)上,就可以完成對整個問題的建模.圖9表示該算法的結(jié)構(gòu)簡圖,相應(yīng)的計算機程序是在Matlab6.5的平臺上實現(xiàn)的.在第3個模塊中,加上了一個用來事先確定在特定負(fù)荷水平下需幾臺鍋爐及哪些鍋爐運行的子程序作為該模塊的第1階段(見圖9).這也進一步增加了MDM法比其他的方法的優(yōu)越性.4負(fù)荷最優(yōu)分段及實時負(fù)荷2和4月28日鍋爐房單位最大時燃料耗量的確定作為一個例子,現(xiàn)再次使用第1節(jié)中的負(fù)荷數(shù)據(jù)樣本(圖3).該鍋爐房裝備了1個130m3的變壓式蒸汽蓄熱器,有關(guān)的原始數(shù)據(jù)列于表4中.計算機完成4月27日和28日的負(fù)荷預(yù)測、按預(yù)測負(fù)荷曲線的最優(yōu)分段、運行鍋爐的選擇、鍋爐房最小燃料耗量等計算.基于預(yù)測的負(fù)荷曲線的主要計算結(jié)果列于表5中,而基于4月28日鍋爐房的實際記錄負(fù)荷曲線的類似計算結(jié)果列于表6中.比較表5和表6,可以看到兩者的最優(yōu)分段方式和鍋爐運行工況之間的差別是微不足道的,這證明使用BP網(wǎng)絡(luò)預(yù)測負(fù)荷完全可滿足最優(yōu)分段的要求