[发明专利]基于RBF神经网络的超超临界锅炉NOx排放动态预测方法

摘要

本发明公开了一种基于RBF神经网络的超超临界锅炉NOx排放动态预测方法，属于环保排放参数测量技术领域。本发明采用如下技术方案：SS1选取静态辅助变量和动态辅助变量；SS2对所述静态辅助变量和所述动态辅助变量进行RBF神经网络结构拟合，获得基于RBF神经网络结构的训练锅炉NOx排放动态预测模型；对RBF神经网络参数进行调整，得到基于RBF网络的超超临界锅炉的NOx排放动态预测模型。在设定相同的训练误差等条件下，本发明动态模型的内部神经元个数明显少于静态模型，模型结构更简单，训练时间更短，泛化能力更强。

主权项

1.基于RBF神经网络的超超临界锅炉NOx排放动态预测方法，其特征在于，包括如下步骤：SS1选取静态辅助变量和动态辅助变量；所述静态辅助变量包括总燃料量、二次风门开度、CCOFA燃尽风开度、省煤器出口氧量、煤种特性参数、磨煤机通风量，所述动态辅助变量包括总燃料量时延单元一、总燃料量时延单元二、总燃料量时延单元三；SS2对所述静态辅助变量和所述动态辅助变量进行RBF神经网络结构拟合，获得基于RBF神经网络结构的训练锅炉NOx排放动态预测模型；所述RBF神经网络包括输入层、隐含层、输出层，所述输入层包括n个采样点，所述隐含层包括N个节点，所述输出层包括1个RBF神经网络输出，对于任意n个采样点{(xi,ti)|xi∈Rn,ti∈R}，i＝1,2,...,n，结构为n‑N‑1的RBF神经网络输出为其中wj(j＝1,2,...,N)是第j个隐含层节点到输出层节点的权值；φj(x)(j＝1,2,...,N)为第j个隐含层节点的高斯核函数，即其中cj为核函数的数据中心，σj为该核函数的扩展常数，对于所有样本，所述隐含层节点输出矩阵为RBF神经网络输出的矩阵形式为其中为连接隐含层与输出层的权值矩阵，为RBF神经网络的实际输出矩阵；SS3对RBF神经网络参数进行调整，得到基于RBF网络的超超临界锅炉的NOx排放动态预测模型，将RBF神经网络输出值Y和真实值T＝(t1 t2 ... tn)之间的误差平方和作为RBF神经网络的训练目标误差函数，即为寻找最优输出权值W使网络输出值Y和真实值T＝(t1 t2 ... tn)之间的误差平方和以及输出权值W范数最小，分两步对RBF神经网络参数进行优化：首先通过矩阵φ的广义逆求得W的最优值，W＝φ+T然后以Y和T的误差平方和为目标函数，通过梯度下降算法优化隐节点数据中心cj以及扩展常数σj，目标函数对cj和σj的梯度分别为：数据中心cj以及扩展常数σj的更新公式为：η为学习率，k＝1,2,...,n。