人工神经网络在电厂化学监督中的应用
黄兴 德于萍 罗运柏
武汉大学 湖北武汉 430072
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，煤的发热量与水分、挥发份、固定碳之间存在着很强的非线性关系，此类模型精度差。但在一定程度上启发人们利用神经网络模型解决这类具有复杂非线性关系的问题。苏伟等利用动力煤国家标准物质标准值作为训练样本，以干燥基灰份、干燥基挥发份、空气干燥基水分、干燥基全硫作为输入，输出为高位发热量，建立了网络结构为4×8×1的人工神经网络模型。训练好的模型用于实际预测，误差可控制在2.5%以内。实践证明，人工神经网络方法能够应用于快速估算动力用煤的发热量和煤质在线检测。
2.2 水力冲灰管道结垢量的预测模型
人工神经网络在这个方面的应用，突破了现有冲灰管道结垢判断指数只能定性反映结垢趋势，不能定量判断结垢量的弊端。影响冲灰管道结垢的因素很多，可大致分为内因(灰样自身的性质)、外因(粒径、时间、流态等)两大类。齐连惠等人在诸多影响因素中择其要点，设计正交实验，检出主要影响因素，并据此作单因素实验，得出各因素对成垢的作用规律。在此基础上构筑包括fCaO含量、冲灰原水碳酸盐含量和pH值、灰水比、灰水流速、灰水接触时间、灰水ALK、颗粒形貌(粒径)等7个主要影响因素作为输入，结垢量作为输出，经过大量试算，确定网络结构为7×20×1的模型，以正交实验结果作为训练集，利用单因素实验数据检验模型的有效性，采用联合梯度算法以加快网络的学习速度，提高预测精度。人工神经网络应用于水力冲灰管道结垢量预测，摈弃了化学平衡及物料平衡等繁琐的反应式，省略了中间推导的各个环节，找出成垢规律性，建立符合实际运行状况的模型，从而达到准确预测冲灰管道结垢量的目的，这对于保证发电厂的安全运行，具有较高的实用价值。
2.3 汽轮机基础油氧化安定性与化学组成关系模型
火电厂汽轮机油在使用过程中，热氧化是使其变质的主要因素。因此，氧化安定性是汽轮机油的一项重要性能指标。汽轮机油通常是由深度精制的高粘度指数的基础油调制而成，基础油的组成是汽轮机油性能好坏的关键。人们研究发现，在使用同种防腐抗氧添加剂的条件下，不同化学组成的汽轮机油表现出不同的抗氧化性能，启发人们探讨基础油的组成与抗氧化性能有着密切的关系。史永刚等人利用人工神经网络构建了基础油组成与氧化安定性之间分子水平上的基本关系模型，将反映基础油化学组成的7个参数：饱和烃、单环芳烃、双环芳烃、三环芳烃、多环芳烃、总氮和总硫含量作为网络的输入。汽轮机油氧化安定性指标有3种：ASTMD-943、ASTMD-2272、IP280，因此有两种输出建模方案：一种是单目标变量法，即应用3个目标变量分别建模；另一种是同时对3个目标变量建模的多目标变量法。实验结果表明，单目标变量法的预测结果与实际值的相关性优于多目标变量法。建立依据基础油的化学组成预测氧化安定性的人工神经网络模型，对汽轮机油的调配有着重大指导意义。
2.4 变压器油的故障诊断模型
人工神经网络模型应用于变压器油的故障诊断，是在我们讨论的几个方面中研究和应用最为活跃和卓有成效的一个。大型变压器是电力系统重要的输出设备，其运行状态直接关系到系统的安全水平。变压器在故障情况下，绝缘材料(油和绝缘纸)会发生受热分解，产生CO2、CO、H2和低分子碳氢化合物等特征气体。利用DGA技术检测这些特征气体的含量，精度很高，可达10-6级，根据特征气体的组成、含气量及产气速率可以诊断变压器的异常情况，包括故障种类、发生部位和严重程度。目前对实验数据多采用特征气体法和IEC三比值法进行解释，但由于故障现象、故障原因及故障机理间存在着复杂性和模糊性，难以借助确定性的判据进行诊断。人工神经网络应用于变压器故障诊断有两种模式：一种建立在特征气体法基础上，以6种特征气体(CO、H2、CH4、C2H2、C2H4、C2H6)占可燃性气体的百分含量作输入，以对应的5种故障类型作输出。另一种是以罗杰斯比值法为基础，以5种气体含量的相对比值(CH4/H2、C2H6/CH4、C2H4/C2H6、C2H2/C2H4)作为输入，以对应的11种故障类型作为输出。无论选择何种模式，均设定采用n个输出结点，其输出是一个向量，如果该向量的第k个元素接近于1，则可认为它是第k类故障。罗杰斯比值法较特征气体法而言，对故障分类更为详细，但不能判断故障是否涉及固体绝缘。因此，二者各有优势，结合两种方法能更加全面准确地进行诊断。诊断程序一般由上述两个子网组成，进行联合诊断。根据在应用之前对原始数据规格化处理方式不同以及选择学习算法的差别，有BP模型、径向基函数模型、模糊模型等多种应用形式。
3 问题与讨论
(1) 人工神经网络模型是一个真正的多输入、多输出非线性模型，对于解决电厂化学监督中多因素复杂问题具有很好的适应性。传统的经验模型在很大程度上依赖于每一个变量，一个变量有问题，模型就有可能产生不准确的结果。而人工神经网络模型中，每一个节点反映输入输出模型的一个微特征，即每个结点只轻微地影响输入输出模型，故人工神经网络模型对噪音和不完整信息具有低敏感性和过滤能力。
(2) 人工神经网络模型具有潜在的在线应用能力。这也是电厂化学监督中应用人工神经网络技术的方向之一，尤其是在煤、油的化学监督上，通过离线方式训练网络，将训练好的网络应用于在线监测，必将大大提高电厂化学监督的水平。人工神经网络技术发展的另一个方向就是与其它学科的交叉渗透，生成新的算法结构；其与专家系统的结合，既可以克服专家系统中存在的知识的组合爆炸等难于解决的问题，又可以克服神经网络不能表达基于符号的知识等缺陷；与模糊理论结合，可以充分利用大量呈现经验性的语言信息，克服人工神经网络在诊断过程中判断标准或判别边界绝对化的缺陷。
(3) 训练样本的收集是人工神经网络技术应用于电厂化学监督的一个制约因素 ，网络的精度、鲁棒性取决于建模样本的数量和代表性。在煤、油的化学监督中，尽可能地收集煤的样本数据、各种类型变压器故障发生时变压器油中溶解气体的数据 ，都是人工神经网络技术实际应用的前提。
(4) 实验室模拟难度大，对因素分析还不够完整，这是人工神经网络技术在电厂化学水质预测、水汽系统故障诊断方面应用的制约因素。以水力冲灰管道结垢量预测为例，用fCaO含量表征灰样自身性质，就是不够准确的。还应尝试3个方面的工作，一是设计训练样本实验时将影响因素的范围扩大；二是利用相关性分析，合并具有相应性的因素，降低输入向量的维数；三是将各个确定影响因素的取值范围进一步扩展，这些工作有助于增强网络的适应性。
(5) 人工神经网络本身存在着一些问题，还远非是一个成熟的理论。隐层单元数的选择、权重的最初赋值均依赖于经验和试算，并且对预测结果产生较大影响。另外还存在学习速度比较慢、局部极小问题、过拟合问题，必须通过改进和调整算法加以解决。相信随着神经网络理论的进一步完善，它必将成为电厂化学领域的一个有力工具。
参考文献
［1］ W.Richard Bowen,Meirion G.Jones and Haitham N.S.Yousef.Prediction of the rate of crossflow membrane ultrafiltration of colloids:A neural network approach.Chemical Engineering Science.1998,53(22)：37933802.
［2］ Thomas E.Quantrille,Y.A.Liu.人工智能在化学工程中的应用.北京：中国石化出版社，1994.
［3］ 赵林明等.多层前向人工神经网络.郑州：黄河水利出版社，1999.
［4］ 李士勇.模糊控制、神经控制和智能控制.哈尔滨：哈尔滨工业大学出版社，1996.
|
网友评论：（只显示最新10条。评论内容只代表网友观点，与本站立场无关！）
