Genetik Algoritmaya Dayalı Buhar Kömürü Harmanlamasının BP Sinir Ağı Optimizasyon Modeli Üzerine Araştırma
Li Jichao 1, Zhang Haiying 1, Wang Huiqin 2
(1. Karmaşık Sistem Kontrolü ve Akıllı Bilgi İşleme Anahtar Laboratuvarı, Xi'an Teknoloji Üniversitesi, Xi'an, Shaanxi 710048; 2. Xi'an Çevresel İzleme İstasyonu, Xi'an, Shaanxi 710048)
: BP sinir ağının güçlü bir öğrenme yeteneği vardır, ancak geleneksel araştırmada, gizli katman düğümleri, öğrenme faktörleri ve momentum faktörleri, nispeten daha iyi değerler elde etmek için genellikle deneme yanılma yöntemlerini kullanır ve deneme yanılma yöntemleri aynı anda daha fazla zaman harcar , Araştırma için bazı zorluklara neden olan ideal BP sinir ağı çıktısını elde edemeyebilir. Bu yazıda, BP sinir ağının optimizasyon problemini çözmek için akıllı algoritmalar kullanılmıştır. Rastgele bir arama algoritması olarak, genetik algoritma global optimal çözümü hızlı bir şekilde bulabilir ve bu optimizasyon problemine uygulanabilir. Bu nedenle makale, BP sinir ağının yukarıdaki parametrelerini optimize etmek için genetik algoritmayı kullanıyor ve iyileştirilmiş BP sinir ağını doğrusal olmayan termal kömür harmanlama modelinin çalışmasına uyguluyor. Sonuçlar, genetik algoritma ile optimize edilmiş BP sinir ağının güçlü tahmin kabiliyetine sahip olduğunu göstermektedir.Kömür kalitesinin kalorifik değer tahmin hatası, doğrusal ortalama model hatasından daha iyidir ve simülasyon, termal kömür harmanlama modelinin yaklaşık olarak doğrusal olmayan bir model, BP ağı olduğunu göstermektedir. Çıkış değeri hata dalgalanması küçüktür ve sonuç idealdir.
: Enerji kömürü harmanlama; BP sinir ağı; genetik algoritma; doğrusal olmayan
: TP181 belge kimlik kodu: ADII: 10.19358 / j.issn.1674-7720.2017.09.018
Alıntı biçimi Li Jichao, Zhang Haiying, Wang Huiqin. Genetik algoritmaya dayalı buhar kömürü harmanlamasının BP sinir ağı optimizasyon modeli üzerine araştırma J. Mikrobilgisayar ve Uygulama, 2017,36 (9): 60-63,66.
0 Önsöz
Adından da anlaşılacağı gibi, güç kömürü harmanlama, iki veya daha fazla tek kömürü yeni bir kömür türüne karıştırmaktır. Enerji kömürü harmanlamanın bir zorunluluğu vardır Öncelikle, elektrik üretim sistemi kazanlarının kendilerine uygun kömür tipleri vardır.Genellikle kömür tipi dağıtım ve kaynak kıtlığı gibi bazı objektif faktörlerden dolayı, termik santraller sadece nispeten yüksek kapsamlı maliyet performansı ile tek kömür karışık yakmayı seçebilirler. Bunun kazanların güvenli ve istikrarlı çalışması üzerinde belirli bir etkisi var; ikincisi, mevcut çevre sorunları giderek daha ciddi hale geliyor. Çinin termik enerji üretim şirketleri, elektrik üretim endüstrisinin yaklaşık% 70'ini oluşturuyor. Büyük ölçekli kömür kullanımı çevreye ciddi kirliliğe neden oluyor. Bu nedenle, kükürt emisyonları devletten etkileniyor. Zorunlu gösterge olarak listelenmiştir. Enerji kömürü harmanlama teknolojisi, başka bir kömürün veya türdeki kömürün eksikliklerini telafi etmek için belirli bir tür kömürün veya birkaç tür kömürün mukavemetlerini kullanabilir, eksiklikleri tamamlayarak, kazan kömürü kalitesinin istikrarını sağlar ve kömür kalitesi ile fırın tipi arasındaki çelişkiyi çözebilir. Enerji tasarrufu ve emisyon azaltmanın faydalarını en üst düzeye çıkarın [1].
Yurtiçi ve yurtdışında yapılan çalışmalar, termal kömür harmanlama modellerinin doğrusal modellere [2-4] ve doğrusal olmayan modellere [5] ayrıldığını göstermiştir. Amaç, ekonomik bir amaçtır, yani, toplam harmanlanmış kömür miktarı en küçüktür ve kısıtlama koşulları, aşağıdakiler dahil birçok değişkeni içerir: Isı, kükürt, uçucu, kül vb. Doğrusal model ve doğrusal olmayan modelin yargısı, sınırlama koşullarının seçiminde yatmaktadır ve modelin tartışılmasıyla ilgili sürekli tartışmalar vardır. Son yıllarda, Zhejiang Üniversitesi Isı Mühendisliği Enstitüsü araştırma yaptı ve harmanlanmış kömürün parametre modelinin yaklaşık olarak doğrusal olmayan bir model olduğu sonucuna vardı. Bununla birlikte, kalorifik değer gibi kömürün bazı önemli parametreleri için, karışık kömürün ölçülen değeri ile Zhejiang Üniversitesi Isı Mühendisliği Enstitüsü'nün doğrusal ağırlıklı ortalama değeri arasında yaklaşık% 5'lik bir hata vardır.Bu hata nispeten büyüktür.Bu nedenle, termal kömür harmanlaması doğrusal değildir. Modelin incelenmesi pratik öneme sahiptir.
Bu araştırma projesi, Xi'an'daki bir termik santralden gelmektedir. Santralden gelen kömür üç tür kömüre bölünmüştür: yüksek ısı ve düşük kükürt, orta ısı ve orta kükürt ve düşük ısı ve yüksek kükürt. Kömür üç kömür bahçesinde depolanır. Kömür bu üç tür kömürle karıştırılır. yanmak.
1BP sinir ağı araştırması [68]
Enerji kömürü harmanlamasının performans göstergeleri arasında kalorifik değer, kükürt, uçucu madde, nem, kül vb. Yer alır. Bunlar arasında, kalorifik değerin kazanın güvenli ve istikrarlı çalışması üzerinde daha büyük bir etkisi vardır ve kükürt içeriğinin çevre üzerinde daha büyük bir etkisi vardır.Bu çalışma, ekonomiyi ana hedef olarak ve kısıtlamalar olarak kazan güvenliği ve çevre korumasını alarak bu iki performans göstergesine odaklanmaktadır. Kömür harmanlamasının matematiksel modeli [9] aşağıdaki gibidir:
Bunlar arasında, amaç fonksiyonundaki Z, harmanlanmış kömürün ortalama fiyatı, ci tek kömürün birim fiyatı, xi tek kömürün oranı ve Q, kısıtlı koşuldaki kömürün kalorifik değeridir. Etkileyen faktörler, tek kömürün oranıdır xi, Tek bir kömürün kalorifik değeri Qi, tek bir kömürün nem oranı Mi, tek bir kömürün kül içeriği Ai, tek bir kömürün uçucu içeriği Vi ve tek bir kömürün sabit karbon Fi'si. Kısıt koşulunda, S, kömürün kükürt içeriğini temsil eder ve etkileyen faktörler tek sıralıdır. Kömürün oranı xi, tek kömürün sülfür içeriği Si.
Güç kömürü harmanlama modelinden, elektrik kömürü harmanlamasının kısıtlama koşullarının doğrusal olmadığı ve modeli elde etmek için öğrenme algoritmalarının uygulanması gerektiği görülmektedir.Bu çalışmada kalorifik değer örnek alınmıştır. 3 çeşit tek tip kömür harmanlama çıktısını etkileyen 18 parametre vardır. Kömürün karşılık gelen oranı, kalorifik değeri, nem, kül, uçucu ve sabit karbon. Bu nedenle BP sinir ağının [10-13] 18 giriş noktası ve 1 çıkış noktası vardır. 3 katmanlı BP sinir ağının gizli katmanının giriş noktaları için hesaplama formülü aşağıdaki gibidir:
n = p + q + bir (2)
Bunlar arasında p, giriş katmanındaki nöron sayısı, q çıkış katmanındaki nöron sayısı ve a'nın değer aralığı, 0 ile 10 arasında bir tam sayıdır.
BP sinir ağının iki büyük sorunu olduğundan, yakınsama hızı yavaştır ve yerel optimuma düşmesi kolaydır. Yukarıdaki iki sorunu çözmek için, momentum terimi standart BP sinir ağı temelinde tanıtıldı. Formül aşağıdaki gibidir:
w (k + 1) = w (k) + [(1 ) D (k) + D (k 1)] (3)
Bunlar arasında , 0.01 ~ 1 değer aralığında öğrenme faktörüdür; , 0 ~ 1 değer aralığında momentum faktörüdür. Öğrenme faktörü, BP sinir ağının yakınsama hızını etkileyen temel faktörlerden biridir.Öğrenme faktörü çok küçükse, ağın yakınsama hızı çok yavaş olacaktır; öğrenme faktörü çok büyükse, ağ salınacak ve yakınsama yapamayacaktır.
Momentum terimini eklemenin özü, öğrenme faktörünü öğrenme sürecinde artık sabit bir değer olmaktan çıkarıp sürekli olarak değiştirebilmektir. Genel olarak, momentum faktörünün çok büyük olması kolay değildir.Eğer momentum faktörü çok büyükse ve momentum teriminin oranı çok ağırsa, bu hata düzeltme teriminin etkisi o kadar zayıflayacaktır ki hiç çalışmaz, ancak yakınsama süresini uzatacaktır. Salınımlara bile neden olabilir. Genel olarak, momentum katsayısının maksimum değeri 0.9 civarındadır.
Geçmiş BP öğrenme sürecinde, gizli katman düğümlerinin sayısı, öğrenme faktörleri ve momentum faktörleri genellikle deneyim yoluyla seçildi ve bu da BP sinir ağının en iyi performansa ulaşmamasına neden oldu. Bu nedenle, bu araştırma genetik algoritmayı [14-18] kullanarak Üç parametre optimize edilmiştir ve amaç işlevi, BP sinir ağının çıktı hatasıdır. Şekil 1, genetik algoritma ile optimize edilmiş BP sinir ağının akış şemasıdır.
2 popülasyon kodlaması
Bu çalışmadaki popülasyon kodlaması, gizli katman düğümlerini, öğrenme faktörlerini ve momentum faktörlerini bir dizeye dizmek için ikili kodlamayı kullanır. Gizli katman düğümleri 0 ile 14 arasında ve öğrenme faktörleri ve momentum faktörleri 0 ile 100 arasındadır. Nüfus sayısı 20'dir. Gizli katman düğümü 4 bitlik bir ikili sayıdır, öğrenme faktörü 7 bitlik bir ikili sayıdır ve momentum faktörü 7 bitlik bir ikili sayıdır, bu nedenle ikili kod 18 bittir. A parametresinin varyasyon aralığı m-bit ikili sayı b ile ifade edilen [amin, amax] ise, bu durumda ikisi karşılanır:
a = amin + b2m-1 (amax amin) (4)
Gizli katman düğümü, 0'dan büyük bir tam sayı olması gerektiğinden, burada yukarı yuvarlanması gerekir.
3 Amaç fonksiyonu değeri hesaplama
BP sinir ağını bir işlev işlevine yeniden yazın, form aşağıdaki gibidir:
E = mubiao (a, b, c) (5)
Bunlar arasında, a gizli katman düğümlerinin sayısı, b öğrenme faktörü, c momentum faktörü ve E, genetik algoritmanın amaç fonksiyonu olan ağ çıktısının toplam hatasıdır. E burada ne kadar küçükse, ağ o kadar iyidir.
4 Fitness fonksiyonu seçimi
Amaç işlevi minimum bir değerdir, bu nedenle uygunluk işlevini ifade etmenin iki yolu vardır:
İlk yöntem uygulanamaz çünkü E'nin değeri çok küçüktür ve elde edilen fark f1 temelde aynıdır, bu nedenle uygulanabilir değildir. Bu nedenle ikinci uygunluk hesaplama formülü seçilir, ancak iyileştirilir. E'nin değeri 10-3 olduğu için hedef İşlev değeri normalleştirilir ve işleme formülü aşağıdaki gibidir:
Normalleştirilmiş amaç işlevi 0 ~ 1 aralığında dağıtılır ve daha sonra normalleştirilmiş amaç işlevi 0 ~ 100 aralığına genişletilir, büyütme işlevi:
Elde edilen f, uygunluk değeridir. Rulet yöntemini seçmek, uygunluk değeri ne kadar büyükse, seçilme olasılığı o kadar yüksek olur. Seçim olasılığı için hesaplama formülü şöyledir:
pi = fini = 1fi (9)
5 Simülasyon sonuçları
Deneysel araştırmalar, ağ çıktı değerlerinin ölçülen değerin her iki ucunda da eşit olarak dağıldığını ve iyi bir tahmin yeteneğine sahip olduğunu buldu. Genetik algoritma optimizasyonu ile elde edilen 6 gizli katman düğümü vardır, öğrenme faktörü 0,3 ve momentum faktörü 0,1'dir.
Bu makalede kullanılan veriler referans [9] 'dan gelmektedir, her 3 kömür türü belirli bir orana göre harmanlanmıştır, toplam 48 örnek vardır, ağ giriş katmanı 18 düğümdür, çıkış katmanı 1 düğümdür ve 3 tür kömürün sırasıdır Değiştirme 288 örneğe genişletilebilir.Öğrenme örneklerinin sayısı sınırlı olduğundan ve BP sinir ağının öğrenme ve tahmin yeteneğinin gücü, öğrenme örneklerinin sayısına bağlı olduğundan, bu makale 288 örneğin çoğunu öğrenme örnekleri olarak ve küçük bir miktarını tahmin örnekleri olarak kullanır ve Öğrenme örneği tüm eşleşen bilgileri içermelidir. Öğrenme örneklerinin 240: 48, 252: 36 ve 264: 24 tahmin örneklerine oranlarına göre üç simülasyon yapılmış, istatistiksel sonuçlar Tablo 1'de gösterilmiştir.
Simülasyon diyagramının seçilen oranı 262: 24'tür ve simülasyon sonuçları Şekil 2 ila Şekil 6'da gösterilmektedir.
Şekil 2'de, parametrelerin genetik algoritma optimizasyonundan sonra BP sinir ağı güçlü bir öngörü yeteneğine sahiptir ve BP ağının çıktı değeri, ölçülen değer dalgalanmalarını daha iyi takip edebilir, bu nedenle tek kömür harmanlamasının doğrusal olmayan ısıtma değeri için bir karşılaştırma sağlar. İyi temel.
Şekil 3'te ağ çıktı değerinin ölçülen değere yakın dağıldığı, sapmanın küçük olduğu ve ağ tahmin yeteneğinin güçlü olduğu görülmektedir.
Şekil 4'te, doğrusal ortalama değer, ölçülen değere daha iyi yaklaştırılabilir, ancak daha büyük hatalara sahip birkaç nokta vardır ve yaklaşık etkisi, ağ tahmininden daha kötüdür.
Şekil 5'te, doğrusal ortalama ölçülen değerin etrafına dağılmıştır ve doğrusal ortalamanın ağın tahmin edilen değerinden daha kötü olduğu açıkça görülebilir.
Şekil 6'dan, doğrusal ortalama değer ile ölçülen değer arasındaki hata oranının nispeten büyük olduğu ve büyük dalgalanmalar olduğu ve BP çıktı değeri ile ölçülen değer arasındaki hata oranının nispeten küçük ve nispeten kararlı olduğu görülebilir.
6. Sonuç
Her şeyden önce, genetik algoritmanın optimizasyonu bulma konusunda güçlü bir yeteneği vardır, ancak amaç işlevinin değeri büyüktür ve uygunluk olarak kullanıldığında, genetik algoritmanın yakınsaması üzerinde daha büyük bir etkiye sahiptir.Rullet yöntemi olarak, örneğin, iki uygunluk değeri 49000 ve 50000, optimizasyon süreci yanlışlıkla 50000'in minimum değer olduğunu düşünebilir, çünkü her ikisinin de olasılığı nispeten% 50'ye yakındır, ancak deneyci 49000'in minimum değer olduğuna karar verebilir. Bu nedenle, bu temelde, bu makale, iki benzer daha büyük uygunluk değeri arasındaki boşluğu genişleten, eleme oranını artıran ve yakınsamayı hızlandıran uygunluk normalizasyonunu yaratıcı bir şekilde önermektedir.
İkinci olarak, BP sinir ağını elde etmek için deneme yanılma yöntemine güvenmek genellikle zaman alır ve ideal model elde edilemez. Bu makale, BP sinir ağının gizli katman düğümlerini, öğrenme faktörlerini ve momentum faktörlerini genetik algoritmalar aracılığıyla yenilikçi bir şekilde optimize eder, böylece BP sinir ağının tahmin etme yeteneği nispeten optimaldir ve deneme yanılma yönteminin neden olduğu rastgeleliği azaltır. Deneyler, bu yöntemle elde edilen BP sinir ağının güçlü tahmin kabiliyetine sahip olduğunu göstermektedir; doğrusal olmayan termal kömür harmanlama modeli doğrusal modele yakındır, ancak doğrusal olmayan modelin çıktı değeri ile ölçülen değer arasındaki hata, doğrusal modelin çıktısı ile ölçülen değer arasındaki hatadan daha küçüktür. Ve hata daha kararlı. Bu nedenle, bu makale termal kömür harmanlama modelini yaklaşık olarak doğrusal olan doğrusal olmayan bir model olarak kabul etmektedir.
Referanslar
1 Qu Guoqiang. Enerji kömürü harmanlamasının araştırma durumu ve optimizasyon beklentisi J. Clean Coal Technology, 2015, 21 (6): 6-10, 14.
2 Gu Lijing, Li Yonghua, Li Lu. Güç istasyonu kazanları için yanma optimizasyon modeli tahmini J. Çin Elektrik Mühendisliği Derneğinin Bildirileri, 2015, 35 (9): 2231-2237.
3 Li Bin, Wei Shouke, Yu Junqing, vd. Termal enerji işletmeleri için kömür harmanlama modeli ve optimizasyon algoritması J. Bilgisayar Mühendisliği ve Tasarımı, 2015, 36 (9): 2388-2394.
4 Xia Xia, Zhang Cheng, Yuan Xiangyu, ve diğerleri Fiziksel planlamaya dayalı harmanlanmış kömür harmanlama şemasının optimizasyon modeli J. Journal of China Coal Society, 2015, 40 (11): 2654-2660.
[5] Lu Pan Endonezya kömürü ile bitümlü kömür harmanlanmış termal kömür harmanlama modeli üzerine araştırma D Wuhan: Huazhong Bilim ve Teknoloji Üniversitesi, 2011.
[6] Liu Chunyan, Ling Jianchun, Kou Linyuan ve diğerleri GA-BP sinir ağı ve BP sinir ağı arasındaki performans karşılaştırması J. China Health Statistics, 2013, 30 (2): 173-176, 181.
7 Huang Zhongqi. BP sinir ağına dayalı duvar ve yer karolarının kusur tespit teknolojisi üzerine araştırma J. Mikrobilgisayar ve Uygulama, 2014, 33 (23): 81-83.
[8] Liu Tianshu BP sinir ağının iyileştirilmesi ve uygulanması D Harbin: Kuzeydoğu Ziraat Üniversitesi, 2011.
[9] Li Ying Doğrusal olmayan teoriye dayanan termal kömür harmanlama modeli üzerine araştırma D Hangzhou: Zhejiang Üniversitesi, 2002.
10 Liao Yanfen, Wu Changhong, Ma Xiaoqian. Enerji kömürü harmanlaması için yeni hibrit optimizasyon modeli C. Uluslararası Makine Öğrenimi ve Sibernetik Konferansı. IEEE, Guangzhou, Çin, 2005 (7): 4023-4027.
11 DESHPANDE P, WARKE N, KHANDARE P, et al. Yapay sinir ağı kullanarak termal enerji santrali analizi C. Nirma Üniversitesi Uluslararası Mühendislik Konferansı, 2012: 16.
[12] Li Song, Liu Lijun, Xie Yongle. Genetik algoritma optimize edilmiş BP sinir ağına dayalı kısa vadeli trafik akışı kaosu tahmini J. Control and Decision, 2011,26 (10): 1581-1585.
13 Cheng Jun, Wang Xin, Si Tingting ve diğerleri.Güç kömürü karışımlarının tutuşma sıcaklığı ve aktivasyon enerjisi, geri yayılım sinir ağı modelleri ile tahmin edilmektedir J Fuel. Fuel, 2016,173 (1): 230-238.
14 Hao Zhou, Qian Xinping, Cen Kefa, vd. YSA ve GA J temelinde pülverize kömür yanma performansını optimize etme. Yakıt İşleme Teknolojisi, 2004, 85 (23): 113-124.
[15] Xia Xia, Hua Zhigang, Peng Peng, ve diğerleri. Baskın olmayan sıralama genetik algoritmasına dayanan, kısıtlanmamış çok amaçlı optimizasyon kömür harmanlama modeli J. Çin Elektrik Mühendisliği Derneği Bildirileri, 2011, 31 (2): 85-90.
[16] Liu Yujiao, Zhang Haiying, Guan Haiying.Çoklu algoritmalara dayanan çok amaçlı kömür harmanlama optimizasyon yöntemi J. Termal Güç Üretimi, 2014, 43 (9): 108-112.
[17] Yan Lifu, Deng Quanliang, Fan Yitao. Tahmine dayalı model ve genetik algoritmaya dayalı kömür harmanlama optimizasyonu üzerine araştırma J. Hesaplama Teknolojisi ve Otomasyon, 2010,29 (3): 31-34.
18 Guo Xijin, Chen Ming, Wu Jiawei Kömür hazırlama üretim sürecinin kömür harmanlama optimizasyonu, iyileştirilmiş GA J based. Procedia Earth and Planetary Science, 2009, 1 (1): 654-660.
