一种煤粉浓度的测量方法技术

本发明专利技术公开了一种煤粉浓度的测量方法，首先建立以包括冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力以及总风量作为小波神经网络输入，以磨煤机出口的煤粉浓度值作为小波神经网络输出的小波神经网络模型并进行训练；然后将训练后的小波神经网络模型用于煤粉浓度实时在线测量，对新采样的磨煤机数据作为训练后的小波神经网络模型的输入，训练后的小波神经网络模型的输出即为磨煤机出口煤粉浓度值。本发明专利技术对训练样本集的依赖性低，测量方法稳定性高，鲁棒性好，不受现场测量环境因素的影响，容错率高；小波神经网络测量系统结构简单，安装方便且不受现场环境因素干扰，灵敏度高，维护成本低。

【技术实现步骤摘要】

本专利技术设计一种测量方法，具体是磨煤机出口煤粉浓度的测量方法。
技术介绍
煤粉浓度是反映燃煤电厂锅炉燃烧的安全性、经济性和生态环保的一项重要参数，煤量和空气量的合理分配能够保障锅炉安全、高效地运行，因此，实现磨煤机出口煤粉浓度实时地、在线地以及准确地测量，能够提高电厂锅炉的燃烧效率，保障机组的安全运行。目前常用的测量方法有摩擦静电法、电容法、光学法和过程层析成像法，由于气固两相流复杂的流动特性，相浓度的检测难度很大。基于上述这些方法的煤粉浓度测量仪器，面对复杂恶劣的现场测量环境，仪器设备安装维护难度大，成本高，难以保证煤粉浓度测量的精度和稳定性，更加无法实现工业现场实时在线的测量要求。随着现代工业智能化、信息化地发展，传统测量方法已经不能满足现代工业过程控制的要求，软测量方法逐渐在工业生产中发挥其独特的优点。软测量方法是采用较易获取的辅助变量，通过建模仿真复杂的函数关系，估计不可测或难测的被测量。当前主流的软测量建模方法有粒子群算法、遗传算法、最小二乘支持向量机、神经网络和模糊规则算法等。现有的一种煤粉浓度测量方法，采用静电法和软测量法相结合，利用模糊规则建立非线性模型，通过模型参数辨识，实现煤粉浓度的测量。该方法通过静电传感器获得静电电荷测量信号，由于静电传感器受诸多复杂的因素限制，导致该方法的测量可靠性差，测量量程小。而且基于该方法的测量系统安装困难，维护成本高，严重影响煤粉浓度测量的精度和稳定性。在火电厂恶劣的测量环境下，此方法难以实现实时在线测量。这种方法采用模糊规则来推理数据，对于训练样本的要求较高，而且测量速度慢、抗干扰能力低。
技术实现思路
本专利技术所要解决的技术问题是改善现有的电厂磨煤机出口煤粉浓度测量技术，弥补当前煤粉浓度测量系统在实时在线测量方面的缺陷，以及为了拓宽煤粉浓度的测量范围，提高测量精度、稳定性和实时性，提出一种基于小波神经网络的煤粉浓度实时在线测量方法。为解决上述技术问题，本专利技术采用的技术方案是：一种煤粉浓度的测量方法，其特征在于：首先建立以包括冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力以及总风量作为小波神经网络输入，以磨煤机出口的煤粉浓度值作为小波神经网络输出的小波神经网络模型并进行训练；然后将训练后的小波神经网络模型用于煤粉浓度实时在线测量，对新采样的磨煤机数据作为训练后的小波神经网络模型的输入，训练后的小波神经网络模型的输出即为磨煤机出口煤粉浓度值。其中磨煤机数据为冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力以及总风量。对作为小波神经网络输入和输出的冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力、总风量以及磨煤机出口的煤粉浓度值进行归一化处理后作为小波神经网络训练样本。所述小波神经网络模型为采用输入层、1个隐含层和输出层的三层神经网络，其中隐含层的激励函数采用小波函数——Morlet小波；Morlet小波函数的表达式如下所示， h ( x - a b ) = c o s ( 1.75 x - a b ) exp ( - 0.5 ( x - a b ) 2 ) ]]>其中x为输入，a为尺度系数，b为平移系数；输入层节点数为M＝8，隐含层节点数K，输出层节点数R＝1；输入层的转移函数采用单极性Sigmoid激活函数，即输出层的传递函数采用线性函数；当误差平方和小于目标误差ε或训练次数完成时，训练停止。小波神经网络的训练步骤是：步骤1：网络参数的初始化：将小波神经网络的尺度系数向量ak、平移系数向量bk、输入层与隐含层之间的连接权值wkm和隐含层与输出层之间的连接权值wrk、学习率η(η＞0)以及动量因子λ(0＜λ＜1)初始化；步骤2：给定P组训练样本及相应的期望输出Dp(p＝1,2…P)，目标误差函数E为： E = 1 2 P Σ p = 1 P Σ r = 1 R ( D r p - y r p ) ]]>根据输入隐含层的输入输出为： I k p = Σ m = 1 M w k m x m p ]]> O k p = h ( I k p - b k a k ) ]]>输出层的输入输出为： I r p = Σ r = 1 R w r k O k p ]]> y r p = h ( I r p 本文档来自技高网...

【技术保护点】
一种煤粉浓度的测量方法，其特征在于：首先建立以包括冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力以及总风量作为小波神经网络输入，以磨煤机出口的煤粉浓度值作为小波神经网络输出的小波神经网络模型并进行训练；然后将训练后的小波神经网络模型用于煤粉浓度实时在线测量，对新采样的磨煤机数据作为训练后的小波神经网络模型的输入，训练后的小波神经网络模型的输出即为磨煤机出口煤粉浓度值。

【技术特征摘要】
1.一种煤粉浓度的测量方法，其特征在于：首先建立以包括冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力以及总风量作为小波神经网络输入，以磨煤机出口的煤粉浓度值作为小波神经网络输出的小波神经网络模型并进行训练；然后将训练后的小波神经网络模型用于煤粉浓度实时在线测量，对新采样的磨煤机数据作为训练后的小波神经网络模型的输入，训练后的小波神经网络模型的输出即为磨煤机出口煤粉浓度值。2.根据权利要求1所述的测量方法，其特征在于：对作为小波神经网络输入和输出的冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力、总风量以及磨煤机出口的煤粉浓度值进行归一化处理后作为小波神经网络训练样本。3.根据权利要求1或2所述的测量方法，其特征在于：所述小波神经网络模型为采用输入层、1个隐含层和输出层的三层神经网络，其中隐含层的激励函数采用小波函数——Morlet小波；Morlet小波函数的表达式如下所示， h ( x - a b ) = c o s ( 1.75 x - a b ) exp ( - 0.5 ( x - a b ) 2 ) ]]>其中x为输入，a为尺度系数，b为平移系数；输入层节点数为M＝8，隐含层节点数K，输出层节点数R＝1；输入层的转移函数采用单极性Sigmoid激活函数，即输出层的传递函数采用线性函数；当误差平方和小于目标误差ε或训练次数完成时，训练停止。4.根据权利要求3所述的测量方法，其特征在于：小波神经网络的训练步骤是：步骤1：网络参数的初始化：将小波神经网络的尺度系数向量ak、平移系数向量bk、输入层与隐含层之间的连接权值wkm和隐含层与输出层之间的连接权值wrk、学习率η(η＞0)以及动量因子λ(0＜λ＜1)初始化；步骤2：给定P组训练样本及相应的期望输出Dp(p＝1,2…P)，目标误差函数E为： E = 1 2 P Σ p = 1 P Σ r = 1 R ( D r p - y r p ) ]]>根据输入隐含层的输入输出为： I k p = Σ m = 1 M w k m x m p ]]> O k p = h ( I k p - b k a k ) ]]>输出层的输入输出为： I r p = Σ r = 1 R w r k O k p ]]> y r p = ...

【专利技术属性】
技术研发人员：雷志伟，田万军，张辉，陈胜利，陈涛，张兴，宋毓楠，张剑，庄义飞，周海雁，江溢洋，高雪莹，
申请(专利权)人：中国大唐集团科学技术研究院有限公司华东分公司，
类型：发明
国别省市：安徽;34