基于神经网络内部模型的非线性偏最小二乘法用于火电厂烟气光谱定量分析.pdf

《基于神经网络内部模型的非线性偏最小二乘法用于火电厂烟气光谱定量分析.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第３４卷，第１１期光谱学与光谱分析Vol畅３４，No畅１１，pp３０６６‐３０７０２０１４年１１月SpectroscopyandSpectralAnalysisNovember，２０１４基于神经网络内部模型的非线性偏最小二乘法用于火电厂烟气光谱定量分析１１２倡１曹晖，李耀江，周延，王燕霞１畅西安交通大学电气工程学院电力设备电气绝缘国家重点实验室，陕西西安７１００４９２畅西安交通大学能源与动力工程学院，陕西西安７１００４９摘要针对火电厂烟气光谱数据的非线性特性，采用了基于神经网络内部模型的非线性偏最小二乘定量分析方法。该方法进行偏最小二乘（PLS）回归后，将自变量

2、和因变量的隐变量作为神经网络的输入和输出进行训练，即可得到非线性内部模型。将PLS、基于向后传递神经网络内部模型的非线性PLS（BP‐NPLS）、基于径向基函数神经网络内部模型的非线性PLS（RBF‐NPLS）和基于自适应模糊推理系统内部模型的非线性PLS（ANFIS‐NPLS）对火电厂烟气多组分进行测定后比较，BP‐NPLS、RBF‐NPLS和ANFIS‐NPLS较之PLS，将二氧化硫预测模型的预测均方根误差（RMSEP）分别降低了１６畅９６％，１６畅６０％和１９畅５５％；将一氧化氮预测模型的RMSEP分别降低了８畅６０％，８畅４７％和１０畅０９％；将二氧化氮

3、预测模型的RMSEP分别降低了２畅１１％，３畅９１％和３畅９７％。实验表明，非线性PLS较PLS更适用于火电厂烟气定量分析。通过神经网络对非线性函数的高度逼近特性，基于本文所提及内部模型的非线性偏最小二乘方法有较好的预测能力和稳健性，在一定程度上解决了基于多项式和样条函数等其他内部模型的非线性偏最小二乘方法的自身局限性。其中，ANFIS‐NPLS的效果最好，自适应模糊推理系统的学习能力能够有效降低残差，使模型具有较好的泛化性，是一种比较准确实用的火电厂烟气定量分析方法。关键词火电厂烟气；光谱定量分析；偏最小二乘；神经网络内部模型中图分类号：O６５７畅３文献标识码

4、：ADOI：１０畅３９６４／j畅issn畅１０００‐０５９３（２０１４）１１‐３０６６‐０５间投影到低维特征空间来建立回归模型，所以其适用于样本引言数远远小于变量数的光谱数据，是目前光谱分析主要建模方［４‐６］法之一，且得到广泛应用。由于火电厂烟气样本受收集火电厂担负着我国电力生产的主要任务，其生产过程中方式、工况变化等因素影响，所得的光谱数据呈现非线性关大量排放的烟气内含有二氧化硫（SO２）、一氧化氮（NO）和二系。若用PLS进行定量分析，分析结果可能会有较大偏差，氧化氮（NO２）等有害物质，成为目前大气污染最重要的来因此可采用由非线性内部模型与PLS相结合的

5、非线性PLS［１］源。因此，研究火电厂烟气定量分析技术，不仅为控制和（nonlinearPLS，NPLS）来提高预测精度。该类方法的核心思治理污染提供保障，而且可在此基础上调节燃烧状况以提高想是保留PLS的线性外部模型，而内部模型采用多项式、样［７‐９］生产效率，对实现节能减排具有十分重要的意义。条函数、神经网络等非线性函数进行描述。由于多项式传统火电厂烟气检测均是通过定期采样式的分析方法，和样条函数会受到自身形式的限制，而神经网络可以以任意［１０］但这种方法无法满足现场连续监测的要求。光谱分析法是一精度逼近某个非线性函数，所以采用神经网络建立非线种高效快速的定

6、量分析技术。该方法利用Lambert‐Beer定性的PLS内部模型，即利用其学习能力减少残差，可使所建［１１‐１４］律，可根据物质的特征光谱来实现成分鉴别和相对含量的测模型具有较好的泛化性。［２，３］量，因此可以用于火电厂烟气定量分析。偏最小二乘法采用PLS、基于向后传递神经网络（back‐propagation（partialleastsquares，PLS）将自变量和因变量的高维数据空neuralnetwork，BPNN）内部模型的NPLS（简称BP‐NPLS）、收稿日期：２０１３‐１１‐０１，修订日期：２０１４‐０２‐１８基金项目：国家自然科学基金项目（６

7、１３７５０５５），新世纪优秀人才支持计划项目（NCET‐１２‐０４４７）和陕西省自然科学基金项目（２０１４JQ８３６５）资助作者简介：曹晖，１９７８年生，西安交通大学电气工程学院副教授e‐mail：huicao＠mail畅xjtu畅edu畅cn倡通讯联系人e‐mail：yan畅zhou＠mail畅xjtu畅edu畅cn第１１期光谱学与光谱分析３０６７基于径向基函数神经网络（radialbasisfunctionneuralnet‐的浓度范围分别为０～３０００，０～３０００和０～１０００ppm。采work，RBFNN）内部模型的NPLS（简称RBF‐NPLS）和基

8、于用海洋光学公司的USB