CN113779858A - 一种燃烧优化方法、系统、存储介质及电子设备 - Google Patents

Abstract

本发明公开了一种燃烧优化方法、用于优化燃烧工业过程的系统、存储介质及电子设备。所述燃烧优化方法包括以下步骤：S1，获取原始燃烧数据，并构建燃烧神经网络模型；S2，初始化神经网络模型连接权重；S3，基于后向传播过程更新各层的连接权重；S4，基于前向传播过程得到调整后的输入及输出参数；S5，基于燃烧机理判断调整后的输入及输出参数，若符合燃烧机理，则以调整后对应的权重作为第三连接权重，执行步骤S6；若不符合燃烧机理，则以调整后对应的连接权重取代步骤S3中的第二连接权重，继续执行步骤S4和步骤S5；S6，进行迭代计算，直到均方根误差和决定系数满足指定阈值或迭代满足指定次数，得到优化的神经网络模型；S7，对燃烧进行优化。

Description

一种燃烧优化方法、系统、存储介质及电子设备

技术领域

本发明涉及工业信息与控制技术领域，尤其涉及一种采用神经网络模型优化燃烧工业过程的方法、系统、存储介质及电子设备。

背景技术

燃煤机组燃烧是复杂物理、化学过程，其部分过程可通过机理模型来解释，直接通过神经网络对原始运行数据的建模所反映的复杂过程较为模糊，在数据无法覆盖全过程的情况下，模型敏感性分析发掘的趋势与机理知识推断不完全一致。

工业过程的机理模型通常不能准确反映复杂的工业过程，燃煤机组燃烧涉及到化学反应、传热等过程，同时，不同的风门、煤量均会不同程度影响燃烧效果。随着机器学习技术的发展，通过神经网络建模反映复杂工业过程成为趋势，但神经网络这种“黑箱”模型的结构受制于模型结构、初始化权重和迭代次数等超参的影响，其拟合或分类结果存在不确定因素。

尽管机理模型无法准确反映整个复杂的过程，但机理知识能够体现部分过程的趋势。以燃煤机组燃烧工业过程为例，目前不存在准确的机理模型反映燃烧过程，但一次、二次风门和煤量对燃烧效率和污染物生成的规律是明确的。

现有技术中，有发明提出了一种适用于文本序列的决策方法，但文本序列不同于工业运行的结构型数据，文本语句中的前后文有着强相关性，针对这种特性的神经网络优化方法不能延申到结构型数据中，因此，该方法不适用于工业数据的神经网络构建。也有发明提出了神经网络优化机制，将NN拓扑限定为具有一个或多个宏层；调节所述一个或多个宏层以便适配所述NN的输入和输出部件；并且基于所述一个或多个宏层训练所述NN。但该发明旨在优化和提升神经网络的运算效率，未涉及如何神经网络模型的准确率以及与实际运行过程的符合程度。

在目前燃煤机组燃烧工业过程中，存在现有神经网络模型敏感性分析发掘的输出参数趋势与燃烧机理知识推断不完全一致的情况，需要通过燃烧机理知识的规律约束神经网络的迭代过程，得到符合实际燃烧工业过程的神经网络模型，从而指导技术或操作人员进行燃烧工业过程生产参数匹配调节、优化燃煤机组燃烧工业过程获得更好的输出，提升燃烧效率，降低环境污染。

发明内容

本发明通过结合机理知识的规律，在神经网络迭代过程中增加约束参数的更新条件，解决了工业运行过程中神经网络模型与燃烧过程吻合度不匹配的技术问题。

本发明提供了一种燃烧优化方法，包括以下步骤：

S1，获取原始燃烧数据，并基于所述燃烧数据构建燃烧神经网络模型，所述神经网络模型包括输入层、隐藏层和输出层，所述原始燃烧数据包括原始输入参数数据和原始输出参数数据；

S2，初始化所述神经网络模型权重获得所述模型各层的初始连接权重；

S3，基于后向传播过程更新所述模型中各层的连接权重作为第二连接权重；

S4，基于前向传播过程对所述神经网络模型进行前向传播计算得到所述模型调整后的输入参数和调整后的输出参数；

S5，基于燃烧机理判断调整后的输入参数和调整后的输出参数，若所述调整后的输入参数和输出参数符合燃烧机理，则以所述调整后的输入参数和输出参数对应的权重作为第三连接权重，执行步骤S6；

若调整后的所述输入参数和所述输出参数不符合燃烧机理，则以所述调整后的输入参数和输出参数对应的连接权重取代步骤S3中的所述第二连接权重，继续执行步骤S4和步骤S5；

S6，对所述第三连接权重进行迭代计算，直到验证数据集的均方根误差和决定系数满足指定阈值或迭代满足指定次数后退出迭代计算，得到反映真实燃烧机理过程的优化的神经网络模型；

S7，基于所述优化的神经网络模型对燃烧进行优化。

在本发明的实施例中，

所述基于后向传播过程更新所述模型中各层的连接权重作为第二连接权重，包括以下步骤：

基于初始化所述神经网络模型各连接权重得到所述输出层输出参数的预测值；

基于所述输出层输出参数预测值及所述输出层所述原始输出参数获得损失函数误差；

基于所述损失函数误差，求取所述误差对初始化的所述隐藏层、输入层各连接权重的偏导数，基于所述各连接权重的偏导数获得所述第二连接权重。

在本发明的实施例中，

所述基于前向传播过程对所述神经网络模型进行前向传播计算得到所述模型调整后的输入参数和调整后的输出参数，包括以下步骤：

所述神经网络输入层的节点与第一层隐藏层的每个节点做加权后，通过激活函数计算后传递到第二层隐藏层；

所述神经网络第N层隐藏层的节点与第N+1层隐藏层的每个节点做加权后，通过激活函数计算后传递至输出层，N≥2；

所述神经网络输出层采用归一化指数函数得到各输入参数不同范围对应的氮氧化物浓度。

在本发明的实施例中，

所述基于燃烧机理判断，包括以下步骤：

构建燃烧机理函数y_j＝＜k·x_i＞，其中，x_i包括负荷、一次风量、二次风量、SOFA各层风门开度、OFA风门开度和总煤量参数；y_j为生成的氮氧化物浓度；

设置燃烧机理判断规则计算式，所述计算式包括：

其中，x_i包括一次风量、二次风量，y为氮氧化物浓度；

其中，x_i包括负荷、煤量、SOFA1-4层风门开度、OFA风门开度，y为氮氧化物浓度；

批量剔除数据集中前向过程计算结果与燃烧机理判断规则不符的连接权重，保留相符的连接权重，获得所述第三连接权重。

在本发明的实施例中，

所述采集原始数据的时间为1分钟采集一次；

所述隐藏层层数至少为8层；

所述迭代满足指定次数的指定次数≥50；

所述激活函数Sigmoid的计算式为：

在本发明的实施例中，

所述原始燃烧数据包括原始输入数据和原始输出数据，其中原始输入数据包括负荷、一次风量、总煤量、SOFA各层风门开度、OFA风门开度，原始输出数据包括氮氧化物浓度。

在本发明的实施例中，

所述均方根误差的计算式为：

其中，y为原始燃烧数据输出的氮氧化物浓度，y'为神经网络模型输出的氮氧化物浓度预测值；

决定系数的计算式为：

其中，SSE为残差平方和，SST为总平方和。

本发明还提供了一种用于优化燃烧工业过程的系统，包括：

数据采集模块，用于采集神经网络模型中所需的原始燃烧数据；

神经网络模块，用于基于所述原始燃烧数据建立神经网络模型，初始化所述神经网络模型获得所述模型各层的初始连接权重，所述神经网络模块包括输入层、隐藏层和输出层；

后向传播模块，用于基于后向传播过程更新所述模型中各层的连接权重作为第二连接权重；

前向传播模块：用于基于前向传播过程对所述神经网络模型进行前向传播计算获得所述模型调整后的输入参数和调整后的输出参数；

燃烧机理模块：基于燃烧机理判断调整后的输入参数和调整后的输出参数，若所述调整后的输入参数和输出参数符合燃烧机理，则以所述调整后的输入参数和输出参数对应的权重作为第三连接权重，转入迭代计算模块；

若所述调整后的输入参数和输出参数不符合燃烧机理，则以所述调整后的输入参数和输出参数对应的连接权重取代后向传播模块中的所述第二连接权重，再转入所述前向传播模块和所述燃烧机理模块；

迭代计算模块：用于对所述第三连接权重进行迭代计算，直到验证数据集的均方根误差和决定系数满足指定阈值或迭代满足指定次数后退出迭代计算，得到反映真实燃烧机理过程的优化的神经网络模型，并基于所述优化的神经网络模型对燃烧进行优化。

本发明还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上内容中任一项所述神经网络模型构建方法的步骤。

本发明还提供了一种电子设备，包括：

存储器，其上存储有计算机程序；以及

处理器，用于执行所述存储器中的所述计算机程序，以实现以上内容中任一项所述神经网络模型构建方法的步骤。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

本发明通过结合燃烧机理知识与BP算法建立神经网络模型，在权重计算的BP算法迭代过程中，添加燃烧工业过程的机理约束条件，使得连接权重的在迭代过程中逐渐与实际过程的规则相符合，保证了BP迭代算法对训练数据的适应性，提升了模型在过度状态的稳定性，同时提高了模型在过度工况的泛化能力，还指导了技术或操作人员进行燃烧工业过程生产参数匹配调节、优化了燃煤机组燃烧工业过程获得更好的输出，提升了燃烧效率，降低了环境污染。

本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明神经网络模型构建及燃烧优化流程示意图；

图2是本发明基于燃烧机理知识的神经网络模型结构示意图；

图3是本发明实施例的基于燃烧机理知识的神经网络优化流程示意图；

图4是本发明实施例未加入燃烧机理判断规则的第2层SOFA风门开度敏感性分析示意图；

图5是本发明实施例加入燃烧机理判断规则的第2层SOFA风门开度敏感性分析示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明作进一步地详细说明，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

第一实施例

图1是本发明神经网络模型构建及燃烧优化流程示意图；

图2是本发明基于燃烧机理知识的神经网络模型结构示意图；

图3是本发明实施例的基于燃烧机理知识的神经网络优化流程示意图；

图4是本发明实施例未加入燃烧机理判断规则的第2层SOFA风门开度敏感性分析示意图；

图5是本发明实施例加入燃烧机理判断规则的第2层SOFA风门开度敏感性分析示意图。

本发明提供了一种基于燃烧机理的神经网络模型构建方法，包括以下步骤：

S1，获取原始燃烧数据，并基于所述燃烧数据构建燃烧神经网络模型，所述神经网络模型包括输入层、隐藏层和输出层，所述原始燃烧数据包括原始输入参数数据和原始输出参数数据；

S2，初始化所述神经网络模型权重获得所述模型各层的初始连接权重；

S3，基于后向传播过程更新所述模型中各层的连接权重作为第二连接权重；

S4，基于前向传播过程对所述神经网络模型进行前向传播计算得到所述模型调整后的输入参数和调整后的输出参数；

S5，基于燃烧机理判断调整后的输入参数和调整后的输出参数，若所述调整后的输入参数和输出参数符合燃烧机理，则以所述调整后的输入参数和输出参数对应的权重作为第三连接权重，执行步骤S6；

若调整后的所述输入参数和所述输出参数不符合燃烧机理，则以所述调整后的输入参数和输出参数对应的连接权重取代步骤S3中的所述第二连接权重，继续执行步骤S4和步骤S5；

S6，对所述第三连接权重进行迭代计算，直到验证数据集的均方根误差和决定系数满足指定阈值或迭代满足指定次数后退出迭代计算，得到反映真实燃烧机理过程的优化的神经网络模型；

S7，基于所述优化的神经网络模型对燃烧进行优化。

名词说明：OFA为燃尽风，SOFA为风离燃尽风，Loss为损失函数，SCR为脱硝系统。

具体地，采用某300MW燃煤机组3个月的运行数据，建立基于机器学习算法的燃烧神经网络模型，并对燃烧机组的燃烧工业过程进行优化，对燃煤机组的燃烧参数调节进行指导。

步骤S1，获取原始的燃烧数据，包括原始输入参数数据和原始输出参数数据，基于燃烧数据构建燃烧神经网络模型，神经网络模型包括输入层、隐藏层和输出层。

自电厂数据采集系统中燃煤机组集散控制系统DCS和厂级监控信息系统SIS系统采集神经网络模型中约43000组各参数的原始数据集数据，从中随机选取100组数据作为测试验证集数据，其余数据为训练集数据用于机器学习训练。

各参数原始数据包括模型输入数据集x_ij,i∈{1...n},j∈{1...m}和输出数据y_j,j∈{1...m}。n为采集输入数据的维度，输入参数数据包括负荷，总风量，总二次风量，各层磨煤机给煤量以及各层一次风、二次风、SOFA风、OFA风的风门开度，模型输出变量参数为SCR系统B侧入口NOx浓度，采集时间间隔为1分钟，共m分钟的数据集。

根据燃烧特性建立神经网络

神经网络结构包括输入层

隐藏层H_1...t:{h_ks,s},ks>10,s∈{1...t}和输出层O:y_j，采用t层隐藏层结构。其中，h_ks,s为第s层隐藏层对应的参数；ks表示第s层隐藏层元素数量，ks＞10，s∈{1…t}，t＞8，本实施例t优选设置为15。

步骤S2，初始化神经网络模型权重获得模型各层的初始连接权重。

依据上述数据内容设置神经网络，并初始化神经网络各层连接权重ω_ij,β_jk,......，

其中，ω_ij为输入层的第i个元素与第一层隐藏层的第j个元素的连接权重，

β_jk为第二层隐藏层第j个元素与第三层隐藏的第k个元素连接权重。

此连接权重的数量取决于隐藏层数t的选择，依此类推，本实施例优选设置为15层隐藏层，将数据依次代入神经网络结构进行初始化计算后，能得到一个神经网络模型初始化后的NOx浓度预测值。

步骤S3，基于后向传播过程更新所述模型中各层的连接权重作为第二连接权重。

先基于初始化所述神经网络模型各连接权重得到输出层输出参数的预测值，获得神经网络模型输出的NOx浓度预测值。

然后基于输出层输出参数预测值及输出层原始输出参数获得损失函数误差；

根据训练集中真实输出NOx浓度数据和神经网络结构的NOx浓度预测值，进行后向传播过程计算，根据损失函数Loss计算式Loss＝Σ(y-y')²计算误差，其中，y为训练集中真实输出NOx浓度数据，y'为神经网络结构的NOx浓度预测值。

再基于Loss误差对隐藏层、输入层连接权重的偏导数，获得第二连接权重。

求解Loss误差对隐藏层、输入层权重的偏导数Δω,Δβ，更新各层连接权重ω'＝ω+Δω，β'＝β+Δβ，得到第二连接权重。

步骤S4，基于前向传播过程对所述神经网络模型进行前向传播计算得到所述模型调整后的输入参数和调整后的输出参数。

更新各层连接权重后，保证数据中其它输入参数数据稳定不变，调整第2层SOFA的风门开度值从0-100％，神经网络再进行前向传播过程，继续计算新的连接权重下第2层SOFA风门开度参数不同范围下的氮氧化物浓度，包括以下步骤：

神经网络输入层的节点与第一层隐藏层的每个节点做加权后，通过激活函数sigmo id计算后传递到第二层隐藏层，Sigmoid函数计算式为：

神经网络第N层隐藏层的节点与第N+1层隐藏层的每个节点做加权后，通过激活函数计算后传递至输出层，N≥2；具体地，神经网络第二隐藏层的节点与第三隐藏层的每个节点做加权后，通过sigmoid激活函数计算在后续各隐藏层依次加权后传递至输出层；

神经网络输出层通过归一化指数函数softmax得到第2层SOFA风门开度参数不同范围下的氮氧化物浓度，softmax函数计算式为

其中z_i为次顶层的第i个元素输出，并得到NOx浓度预测值的曲线。

如某时刻的主要运行的输入参数数据包括机组负荷296MW,总二次风量881.91kNm3/h，前一时刻氧量3.12％，总风量881.91kNm3/h,总煤量122.2t/h，各层二次风门开度：49.25％，29.79％，31.63％，29.75％，29.4％11.96％，各一次风门开度：73.56％，75.24％，72.2％，74.26％，0％，0％。

根据该时刻数据的计算结果如图4所示，为2层SOFA风敏感性分析，蓝色曲线为某工况下，0-100％开度的第2层SOFA风门开度对NOx生成的影响，第2层SOFA风门开度对应的NOx生成量。图中红色点为实际运行数据，历史数据中第2层SOFA风门开度在该相似工况下只在95％以上开度运行，导致曲线在90％以内的预测趋势与实际经验判断出现偏差，与燃烧机理知识明显不符。

S5，基于燃烧机理判断调整后的输入参数和调整后的输出参数，若调整后的输入参数和输出参数符合燃烧机理，则以调整后的输入参数和输出参数对应的权重作为第三连接权重，执行步骤S6；

若调整后的输入参数和输出参数不符合燃烧机理，则以调整后的输入参数和输出参数对应的连接权重取代步骤S3中的所述第二连接权重，继续执行步骤S4和步骤S5；

具体地，引入的燃烧机理判断规则，包括以下步骤：

构建燃烧机理函数y_j＝＜k·x_i＞，其中，x_i包括负荷、一次风量、二次风量、SOFA1-4层风门开度、OFA风门开度和总煤量参数；y_j为生成的氮氧化物浓度；

设置燃烧机理判断规则计算式，包括：

a)

其中，x_i包括一次风量、二次风量，y为氮氧化物浓度；

b)

其中，x_i包括负荷、煤量、SOFA1-4层风门开度、OFA风门开度，y为氮氧化物浓度；

批量剔除与燃烧机理判断规则不符的连接权重，即剔除数据集中前向过程计算结果与所述判断规则相悖的结果，保留相符的连接权重，获得第三连接权重。

从图4中可知模型经过此次迭代后，运算结果违背实际燃烧机理知识规则，即不符合第2层SOFA风门开度在0-100％范围内

剔除该数据的权重更新结果，维持权重不变，获得第三连接权重，并将该组运行数据加入下次迭代中。

步骤S6，对第三连接权重进行迭代计算，直到验证数据集的均方根误差和决定系数满足指定阈值或迭代满足指定次数后退出迭代计算，得到反映真实燃烧机理过程的优化的神经网络模型；

经过多次燃烧机理知识规则调整和迭代后，达到预设定的迭代最大次数值50次，或测试集数据在决定系数R2_score≥95％，且均方根误差RMSE≤5mg/Nm3时，停止迭代更新。

其中，均方根误差的计算式为：

其中，y为原始燃烧数据输出的氮氧化物浓度，y'为神经网络模型输出的氮氧化物浓度预测值；

决定系数的计算式为：

其中，SSE为残差平方和，SST为总平方和。

计算结果如图5所示，该结果不仅与燃烧机理知识吻合，且经过测试集验证与电厂实际情况贴近。经过本发明算法的优化调整，去除迭代过程中与燃烧机理知识趋势相悖的权重，可以得到表征全工况的神经网络模型。

S7，基于优化的神经网络模型对燃烧进行优化。

在每个迭代周期中，依次输入每组数据，更新权重同时保留更新前的各层权重值，前向计算并比对机理知识规则a)、b)，如运算结果符合规则，则继续进行计算，如不符合，留用更新前的权重，确保每次迭代更新后的模型在相似工况的历史数据不完整的情况下，依然可以准确推断出参数潜在可调节范围内的输出预测值，从而指导技术或操作人员进行燃烧工业过程生产参数匹配调节、优化燃煤机组燃烧工业过程获得更好的输出，提升燃烧效率，降低环境污染，防止发生生产意外事故。

综上所述，本发明通过结合燃烧机理知识与BP算法建立神经网络模型，在权重计算的BP算法迭代过程中，添加燃烧工业过程的机理约束条件，通过比对正向计算与去除随机游走的权重，使得连接权重的在迭代过程中逐渐与实际过程的规则相符合，保证了BP迭代算法对训练数据的适应性，最终的神经网络模型在适用于运行数据的同时，符合机理知识规则，提升了模型在过度状态的稳定性，同时提高了模型在过度工况的泛化能力，还指导了技术或操作人员进行燃烧工业过程生产参数匹配调节、优化了燃煤机组燃烧工业过程获得更好的输出，提升了燃烧效率，降低了环境污染。

第二实施例

本实施例提供了一种用于优化燃烧工业过程的系统，包括：

数据采集模块，用于采集神经网络模型中所需的原始燃烧数据；

神经网络模块，用于基于原始燃烧数据建立神经网络模型，初始化神经网络模型获得模型各层的初始连接权重，神经网络模块包括输入层、隐藏层和输出层；

后向传播模块，用于基于后向传播过程更新模型中各层的连接权重作为第二连接权重；

前向传播模块：用于基于前向传播过程对神经网络模型进行前向传播计算获得模型调整后的输入参数和调整后的输出参数；

燃烧机理模块：基于燃烧机理判断调整后的输入参数和调整后的输出参数，若调整后的输入参数和输出参数符合燃烧机理，则以调整后的输入参数和输出参数对应的权重作为第三连接权重，转入迭代计算模块；

若调整后的输入参数和输出参数不符合燃烧机理，则以调整后的输入参数和输出参数对应的连接权重取代后向传播模块中的第二连接权重，再转入前向传播模块和燃烧机理模块；

迭代计算模块：用于对第三连接权重进行迭代计算，直到验证数据集的均方根误差和决定系数满足指定阈值或迭代满足指定次数后退出迭代计算，得到反映真实燃烧机理过程的优化的神经网络模型，并基于优化的神经网络模型对燃烧进行优化。

综上所述，本发明通过结合燃烧机理知识与BP算法建立神经网络模型的用于反映燃烧工业过程的系统，在权重计算的BP算法迭代过程中，添加燃烧工业过程的机理约束条件，使得连接权重的在迭代过程中逐渐与实际过程的规则相符合，保证了BP迭代算法对训练数据的适应性，提升了系统在过度状态的稳定性，同时提高了系统在过度工况的泛化能力，还指导了技术或操作人员进行燃烧工业过程生产参数匹配调节、优化了燃煤机组燃烧工业过程获得更好的输出，提升了燃烧效率，降低了环境污染。

第三实施例

图1是本发明神经网络模型构建及燃烧优化流程示意图；

本实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上内容中任一项所述神经网络模型构建方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或综合软件和硬件方面的实施例的形势。而且，本发明可采用再一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

第四实施例

图1是本发明神经网络模型构建及燃烧优化流程示意图；

本实施例提供了一种电子设备，包括：

存储器，其上存储有计算机程序；以及处理器，用于执行所述存储器中的所述计算机程序，以实现以上内容中任一项所述神经网络模型构建方法的步骤。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现再流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储再能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得再计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而再计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

虽然本发明公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所述技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，本发明的保护范围并不局限于文中公开的特定实施例，而是包括落入权利要求范围内的所有技术方案。

Claims (10)

1.一种燃烧优化方法，其特征在于，包括以下步骤：

S1，获取原始燃烧数据，并基于所述燃烧数据构建燃烧神经网络模型，所述神经网络模型包括输入层、隐藏层和输出层，所述原始燃烧数据包括原始输入参数数据和原始输出参数数据；

S2，初始化所述神经网络模型权重获得所述模型各层的初始连接权重；

S3，基于后向传播过程更新所述模型中各层的连接权重作为第二连接权重；

S4，基于前向传播过程对所述神经网络模型进行前向传播计算得到所述模型调整后的输入参数和调整后的输出参数；

S5，基于燃烧机理判断调整后的输入参数和调整后的输出参数，若所述调整后的输入参数和输出参数符合燃烧机理，则以所述调整后的输入参数和输出参数对应的权重作为第三连接权重，执行步骤S6；

若调整后的所述输入参数和所述输出参数不符合燃烧机理，则以所述调整后的输入参数和输出参数对应的连接权重取代步骤S3中的所述第二连接权重，继续执行步骤S4和步骤S5；

S6，对所述第三连接权重进行迭代计算，直到验证数据集的均方根误差和决定系数满足指定阈值或迭代满足指定次数后退出迭代计算，得到反映真实燃烧机理过程的优化的神经网络模型；

S7，基于所述优化的神经网络模型对燃烧进行优化。

2.根据权利要求1所述燃烧优化方法，其特征在于，

所述基于后向传播过程更新所述模型中各层的连接权重作为第二连接权重，包括以下步骤：

基于初始化所述神经网络模型各连接权重得到所述输出层输出参数的预测值；

基于所述输出层输出参数预测值及所述输出层所述原始输出参数获得损失函数误差；

基于所述损失函数误差，求取所述误差对初始化的所述隐藏层、输入层各连接权重的偏导数，基于所述各连接权重的偏导数获得所述第二连接权重。

3.根据权利要求1所述燃烧优化方法，其特征在于，所述基于前向传播过程对所述神经网络模型进行前向传播计算得到所述模型调整后的输入参数和调整后的输出参数，包括以下步骤：

所述神经网络输入层的节点与第一层隐藏层的每个节点做加权后，通过激活函数计算后传递到第二层隐藏层；

所述神经网络第N层隐藏层的节点与第N+1层隐藏层的每个节点做加权后，通过激活函数计算后传递至输出层，N≥2；

所述神经网络输出层采用归一化指数函数得到各输入参数不同范围对应的氮氧化物浓度。

4.根据权利要求3所述燃烧优化方法，其特征在于，

所述基于燃烧机理判断，包括以下步骤：

构建燃烧机理函数y_j＝＜k·x_i＞，其中，x_i包括负荷、一次风量、二次风量、SOFA各层风门开度、OFA风门开度和总煤量参数；y_j为生成的氮氧化物浓度；

设置燃烧机理判断规则计算式，所述计算式包括：

其中，x_i包括一次风量、二次风量，y为氮氧化物浓度；

其中，x_i包括负荷、煤量、SOFA1-4层风门开度、OFA风门开度，y为氮氧化物浓度；

批量剔除数据集中前向过程计算结果与燃烧机理判断规则不符的连接权重，保留相符的连接权重，获得所述第三连接权重。

5.根据权利要求4所述燃烧优化方法，其特征在于，

所述采集原始数据的时间为1分钟采集一次；

所述隐藏层层数至少为8层；

所述迭代满足指定次数的指定次数≥50；

所述激活函数Sigmoid的计算式为：

6.根据权利要求1所述燃烧优化方法，其特征在于，

所述原始燃烧数据包括原始输入数据和原始输出数据，其中原始输入数据包括负荷、一次风量、总煤量、SOFA各层风门开度、OFA风门开度，原始输出数据包括氮氧化物浓度。

7.根据权利要求6所述燃烧优化方法，其特征在于，

所述均方根误差的计算式为：

其中，y为原始燃烧数据输出的氮氧化物浓度，y'为神经网络模型输出的氮氧化物浓度预测值；

所述决定系数的计算式为：

其中，SSE为残差平方和，SST为总平方和。

8.一种用于优化燃烧工业过程的系统，其特征在于，包括：

数据采集模块，用于采集神经网络模型中所需的原始燃烧数据；

神经网络模块，用于基于所述原始燃烧数据建立神经网络模型，初始化所述神经网络模型获得所述模型各层的初始连接权重，所述神经网络模块包括输入层、隐藏层和输出层；

后向传播模块，用于基于后向传播过程更新所述模型中各层的连接权重作为第二连接权重；

前向传播模块：用于基于前向传播过程对所述神经网络模型进行前向传播计算获得所述模型调整后的输入参数和调整后的输出参数；

燃烧机理模块：基于燃烧机理判断调整后的输入参数和调整后的输出参数，若所述调整后的输入参数和输出参数符合燃烧机理，则以所述调整后的输入参数和输出参数对应的权重作为第三连接权重，转入迭代计算模块；

若所述调整后的输入参数和输出参数不符合燃烧机理，则以所述调整后的输入参数和输出参数对应的连接权重取代后向传播模块中的所述第二连接权重，再转入所述前向传播模块和所述燃烧机理模块；

迭代计算模块：用于对所述第三连接权重进行迭代计算，直到验证数据集的均方根误差和决定系数满足指定阈值或迭代满足指定次数后退出迭代计算，得到反映真实燃烧机理过程的优化的神经网络模型，并基于所述优化的神经网络模型对燃烧进行优化。

9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任一项所述神经网络模型构建方法的步骤。

10.一种电子设备，其特征在于，包括：

存储器，其上存储有计算机程序；以及

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1至7中任一项所述神经网络模型构建方法的步骤。

Images