煤的工业分析至元素分析的BP神经网络预测模型.pdf

《煤的工业分析至元素分析的BP神经网络预测模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第27卷第5期燃料化学学报Vol.27No.51999年10月JOURNALOFFUELCHEMISTRYANDTECHNOLOGYOct.1999煤的工业分析至元素分析的BP神经网络预测模型殷春根骆仲泱倪明江岑可法(浙江大学热能工程研究所杭州310027)摘要以大量煤质分析数据为基础,建立了利用煤工业分析数据(包括水份、灰份、挥发份及热值)计算元素分析数据的BP神经网络预测模型,并将该模型与现有经验公式进行了比较,结果表明神经网络模型有很好的推广能力。可以满足工业应用的要求。关键词工业分析,元素分析,神经网络煤的元素分析数据是燃煤电站锅炉的运行指导及各项计

2、算不可缺少的原始数据,但元素分析的开展受到了极大的限制,有的电厂甚至根本无力开展此项目。为此,很多研究者对煤中各元素与煤的热值及工业分析数据间的关系进行了分析,并提出了一些经验计算公式,如文[1,2]献中所示。然而,煤种繁多,且一些煤质指标难以量化描述,如煤的成煤年代、成煤的地质条件等,所有这些都制约了现有经验计算公式的推广能力(即用于准确预测新样本的能力)。人工神经网络的发展为解决上述问题提供了强有力的工具。通过神经网络可以根据输入输出数据学习逼近任意非线性映射。误差反向传播(简称BP)算法训练的BP网络是目前应用最为广泛的人工神经网络,本文将用BP网络来

3、建立由煤工业分析数据到煤元素数据的预测模型。1煤质数据的准备及分类[3]先从《全国煤质资料汇编(1978～1981)》中选取了700多个典型煤样的煤质资料数据,包括工业分析和元素分析,并对这些煤的数据进行预分析。根据现有的知识将其中少量误差过大的煤样删掉,如:根据煤的元素分析可计算其热值,若计算的热值与实际测得的热值相差[4]过大时,则认为该煤样的分析数据不可靠,予以删除。最后用以建模的煤样总数为693种。表1煤样的分类Table1ClassificationofcoalsamplesCoalTotalTrainingTestingClassificatio

4、nofcoalsamplesTypenumbersetset1Low-volatileanthracite4730172Low-and-middle-volatilemeagercoal6944253Middle-volatilebituminouscoal6340234Low-ashmiddle-and-high-volatilebituminouscoal2751371385Middle-ashmiddle-and-high-volatilebituminouscoal9456386High-ashmiddle-and-high-volatilebitu

5、minouscoal3423117High-volatilebituminousandbrowncoal1117239收稿日期:1999-03-16浙江省中青年科技人才基金资助项目。5期殷春根等:煤的工业分析至元素分析的BP神经网络预测模型409[5]然后对这693个煤样按发电用煤的分类标准进行分类。本文中按分类指标挥发份和辅助指标发热量将煤样分成5个大类,对其中的中高挥发份烟煤又根据灰份分成3个小类,这样693个煤样就分成了7个类,如表1中所示。将7个类的煤质数据分别提供给7个神经网络,对它们进行训练,最后可得到7个煤类各自的神经网络预测模型。这7个模型即

6、组成了煤的工业分析至元素分析的神经网络预测综合模型。下面以高挥发份烟褐煤为例介绍一下神经网络预测模型的建立过程及所建模型的推广能力与现有模型的比较情况。2神经网络预测模型的建立[6,7]神经网络用于建立辨识模型的详细过程及其中所必须注意的一些关键问题在文献中已作了较为详尽的说明,这里作一简单的介绍。2.1数据的预处理本文对样本的预处理包括两个方面,一是考察数据的分布特性,另一是对数据进行归一化处理。对很多模拟技术来说,正态分布的数据会得到最好的结果。神经网络建模时,当输入数据呈正态分布时也常常会表现出较好的特性。通常用以考察数据呈正态分布的方法是计算数据的偏

7、斜系数sc和峭度系数kc,Nx3N4j-xxj-x΢΢i=1σ(x)i=1σ(x)sc=(1)kc=-3(2)NN其中N为样本的总数;x和σ(x)分别为样本集{xj}的均值和标准偏差。当计算的偏斜系数介于-0.5～0.5之间,峭度系数介于-1.0～1.0之间时便可认为原始样本呈正态分布。若数据不呈正态分布,则可通过一些非线性变换,如求幂、开根、求倒数、取指数、取对数等等,使其呈正态分布或接近正态分布。由于神经元激励函数使每个神经元的输出介于0～1之间,所以必须对样本数据作归一化处理。常用的处理方法如下:若变量的最大和最小值分别为xmax和xmin,则每一个值

8、x可按下x-xmin式归一化得到A,A=(3)xma