基于人工鱼群-径向基神经网络的NOx预测方法

本发明涉及nox预测技术领域，具体涉及一种基于人工鱼群-径向基神经网络的nox预测方法。

背景技术：

电力是支撑人类生活的基础，随着电力需求的不断增长，火电厂所需总煤量增多，生成氮氧化物浓度升高，为了减少nox的排放，避免尿素溶液流量过多导致空气预热器堵塞以及尿素溶液流量过少造成排放氮氧化物浓度超标，必须实时测量和监控氮氧化物的排放浓度，并对脱硝系统进行优化控制，因此需要建立精度高的预测模型满足氮氧化物排放量的要求。

基于现有技术存在的上述技术问题，本发明提出一种基于人工鱼群-径向基神经网络的nox预测方法。

技术实现要素：

本发明提供一种基于人工鱼群-径向基神经网络的nox预测方法，通过采用互信息确定模型输入变量，避免因素过多或过少造成精度低的问题，运用k-近邻互信息对迟延时间预估，避免因时序问题降低模型的精度；采用相空间重构的变量运用具有强泛化能力的rbfnn建立模型，克服输入规律不明问题，并运用afsa确定rbfnn的最优参数组合，避免参数随机性的影响，实现了将人工鱼群和径向基神经网络相结合建立预测模型的方法。

为达到上述目的，本发明采用以下技术方案：

一种基于人工鱼群-径向基神经网络的nox预测方法，包括：

步骤1，确定rbf网络结构，初始化人工鱼群参数，对rbf神经网络要优化的参数初始化；

步骤2，利用初始人工鱼状态调用目标函数计算出最优人工鱼状态，并将最优目标函数值赋予公告牌；

步骤3，根据人工鱼群的觅食行为、聚群行为、追尾行为和随机行为更新各自人工鱼状态；

步骤4，更新所有人工鱼个体，如某人工鱼个体的目标函数值优于公告牌，则将某人工鱼个体的目标函数值作为新的公告牌；

步骤5，通过多次更新个体种群，直至搜索出使目标函数值最小的人工鱼群，状态停止，将人工状态代入rbf神经网络并供后续测试程序调用。

进一步地，步骤1中，rbf神经网络隐含层的激活函数采用：

式中：x为输入样本；ci为隐含层第i个神经元的中心向量；di为隐含层第i个神经元的方差；

rbf神经网络输出层的输出为：

式中：wi为隐含层第i个神经元与输出层的连接权值；h为隐含层节点的个数。

进一步地，rbf神经网络通过搜寻最优参数提高预测模型的精度，其中，

隐含层第i个神经元的中心向量为：

式中：ni为第i组样本总量；m第i组向量元素总量；xij为第i组第j个样本；

隐含层第i个神经元的方差为：

式中：cmax为最大中心向量；h为输入变量总量；

隐含层第i个神经元与输出层的连接权值为：

基函数中心向量、隐含层神经元的宽度及连接隐含层与输出层的权值向量分别更新为：

式中：cjt(t)为第t次迭代第j个隐含层神经元对第i个输入神经元的中心向量；djt(t)为中心向量cjt(t)的宽度；wjt(t)为第t次迭代连接第j个隐含层神经元与第k个输出神经元的权值；为微分符号；e为rbf神经网络目标函数，即ylk为y’lk为第k个输出神经元在第l个输入样本时的期望输出值第k个输出神经元在第l个输入样本时的网络输出值；

rbf神经网络评价函数为：

式中：n为样本总数；yi为实际值；yi’为预测值；δrmse为均方根误差；δmape为平均绝对百分误差。

进一步地，步骤3中，人工鱼群的觅食行为是人工鱼在视觉或者嗅觉允许的范围内趋向食物方向移动的行为，即在当前状态下，若存在某一状态xj的目标函数小于当前状态xi：

xj＝xi+visual*rand()……(11)；

则按照设定步长向这一状态移动：

否则，保持原状态不变，在设定的视野范围内搜索状态xj，反复尝试设定最大次数，若仍未前进则执行随机行为。

进一步地，步骤3中，人工鱼群的聚群行为是人工鱼在不拥挤情况下向邻近人工鱼移动的集体觅食行为，搜寻在视野范围内邻近人工鱼的数量nf并计算中心位置xc，若在不拥挤的情况下中心位置的目标函数小于原状态的目标函数，则按照设定步长向这一状态移动：

式中：yc为中心位置的目标函数；yi为当前位置目标函数；

否则，进行人工鱼群的觅食行为。

进一步地，步骤3中，人工鱼群的追尾行为是人工鱼追随周围邻近人工鱼最优位置的行为，当邻近人工鱼的目标函数小于当前位置的目标函数时，则向邻近人工鱼移动：

式中：yj为邻近人工鱼的目标函数；

否则，进行人工鱼群的觅食行为。

进一步地，步骤1中，从工程师站dcs采集影响脱硝系统氮氧化物浓度的影响因素的运行数据，采用互信息和k近邻互信息筛选出带有延迟的辅助变量作为模型的输入变量，氮氧化物浓度作为模型的输出变量，采用rbf神经网络建立预测模型。

进一步地，步骤1中，通过互信息计算影响因素与nox浓度的相关性，将影响因素按其相关性由大到小逐一增加作为模型的输入，搜索出使预测值与实际值差值最小的变量组合作为输入变量。

进一步地，步骤1中，通过采用带有延迟时间的影响因素及nox浓度作为模型的输出变量，建立径向基神经网络预测模型。

进一步地，步骤1中，rbf神经网络要优化的参数包括基函数中心值、隐含层神经元的宽度及连接隐含层与输出层的权值。

与现有技术相比，本发明的优越效果在于：

本发明所述的基于人工鱼群-径向基神经网络的nox预测方法，通过采用互信息确定模型输入变量，避免因素过多或过少造成精度低的问题；通过运用k-近邻互信息对迟延时间预估，避免因时序问题降低模型的精度；通过采用相空间重构的变量运用具有强泛化能力的rbfnn建立模型，克服输入规律不明问题；并运用afsa确定rbfnn的最优参数组合，避免参数随机性的影响，实现了将人工鱼群和径向基神经网络相结合建立预测模型的方法，有效的解决了脱硝系统迟延的问题，将时间迟延考虑在建模过程中，有效的提高了预测模型的精度，通过预测值有效调控尿素溶液的用量，减少了喷氨量的同时，降低了氮氧化物的排放，进而降低了燃煤电厂的运行成本。

附图说明

图1是本发明实施例所述的rbf神经网络的结构示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

实施例

所述基于人工鱼群-径向基神经网络的nox预测方法，包括：

步骤1，确定rbf网络结构，初始化人工鱼群参数，对rbf神经网络要优化的参数初始化；

步骤2，利用初始人工鱼状态调用目标函数计算出最优人工鱼状态，并将最优目标函数值赋予公告牌；

步骤3，根据人工鱼群的觅食行为、聚群行为、追尾行为和随机行为更新各自人工鱼状态；

步骤4，更新所有人工鱼个体，如某人工鱼个体的目标函数值优于公告牌，则将某人工鱼个体的目标函数值作为新的公告牌；

步骤5，通过多次更新个体种群，直至搜索出使目标函数值最小的人工鱼群，状态停止，将人工状态代入rbf神经网络并供后续测试程序调用。

在上述实施例中，所述nox预测方法通过从工程师站dcs采集影响脱硝系统氮氧化物浓度的影响因素的运行数据，采用互信息和k近邻互信息筛选出带有延迟的辅助变量作为模型的输入变量，氮氧化物的浓度作为模型的输出变量，采用rbf神经网络建立预测模型；再利用人工鱼群算法优化神经网络参数，加快搜索出使预测值误差值最小的最优参数组合，来实现提高预测模型的精度；

为了避免因素过多或过少造成精度低的问题，运用k-近邻互信息对迟延时间预估，例如，选取一天的影响脱硝系统氮氧化物浓度的影响因素的运行数据，根据采样周期，截取k个时间段，计算k个时间段筛选出的输入变量和nox浓度建立模型的相关系数，画出相关系数最低点对应的时间段的实际工况数据图，观察并记录其延迟时间；

步骤2中，利用由rbf神经网络的隐含层神经元的宽度、中心向量以及连接隐含层和输出层权值向量所组成的多个种群个体，将其种群代入rbf神经网络模型中，计算氮氧化物预测值与实际值的差值，将得到的差值赋予公告牌。

如图1所示，采用rbf神经网络具有收敛速度快、克服局部收敛等特点，数据处理后数据的维数决定网络输入层数；输入变量借助激活函数(径向基函数)从低维度线性不可分映射到高维度线性可分，从而确定网络隐含层；将隐含层输出通过权值向量与输出层输出形成关系，在步骤1中，rbf神经网络隐含层的激活函数采用：

式中：x为输入样本；ci为隐含层第i个神经元的中心向量；di为隐含层第i个神经元的方差；

rbf神经网络输出层的输出为：

式中：wi为隐含层第i个神经元与输出层的连接权值；h为隐含层节点的个数。

在rbf神经网络训练时，rbf神经网络通过搜寻最优参数提高预测模型的精度，其中，

隐含层第i个神经元的中心向量为：

式中：ni为第i组样本总量；m第i组向量元素总量；xij为第i组第j个样本；

隐含层第i个神经元的方差为：

式中：cmax为最大中心向量；h为输入变量总量；

隐含层第i个神经元与输出层的连接权值为：

基函数中心向量、隐含层神经元的宽度及连接隐含层与输出层的权值向量分别更新为：

式中：cjt(t)为第t次迭代第j个隐含层神经元对第i个输入神经元的中心向量；djt(t)为中心向量cjt(t)的宽度；wjt(t)为第t次迭代连接第j个隐含层神经元与第k个输出神经元的权值；为微分符号；e为rbf神经网络目标函数，即ylk为y’lk为第k个输出神经元在第l个输入样本时的期望输出值第k个输出神经元在第l个输入样本时的网络输出值；

rbf神经网络评价函数为：

式中：n为样本总数；yi为实际值；yi’为预测值；δrmse为均方根误差；δmape为平均绝对百分误差；

在上述实施例中，具体的神经网络训练步骤如下：

s1，归一化训练样本，将上述参数初始化并设置学习因子"η"和"α"值；

s2，计算神经网络的输出；

s3，按照式(9)的评价标准判断误差是否小于设定值，若小于设定值则终止运行；否则按照式(6)(7)(8)依次更新参数值；

s4，返回s2循环。

人工鱼群算法是通过模仿鱼群的觅食行为、聚群行为、追尾行为和随机行为实现全局寻优，假设在一个n维空间，存在n条人工鱼，人工鱼个体状态x＝(x1,x2,…,xn)，在进行寻优行为时需要确定人工鱼的维数、人工鱼的视野visual、人工鱼移动的最大步长step、尝试次数try-number、拥挤度因子δ，根据上述参数执行鱼群的寻优行为；

步骤3中，人工鱼群的觅食行为是人工鱼在视觉或者嗅觉允许的范围内趋向食物方向移动的行为，即在当前状态下，若存在某一状态xj的目标函数小于当前状态xi：

xj＝xi+visual*rand()……(11)；

则按照设定步长向这一状态移动：

否则，保持原状态不变，在设定的视野范围内搜索状态xj，反复尝试设定最大次数，若仍未前进则执行随机行为；

步骤3中，人工鱼群的聚群行为是人工鱼在不拥挤情况下向邻近人工鱼移动的集体觅食行为，搜寻在视野范围内邻近人工鱼的数量nf并计算中心位置xc，若在不拥挤的情况下中心位置的目标函数小于原状态的目标函数，则按照设定步长向这一状态移动：

式中：yc为中心位置的目标函数；yi为当前位置目标函数；

否则，进行人工鱼群的觅食行为；

步骤3中，人工鱼群的追尾行为是人工鱼追随周围邻近人工鱼最优位置的行为，当邻近人工鱼的目标函数小于当前位置的目标函数时，则向邻近人工鱼移动：

式中：yj为邻近人工鱼的目标函数；

否则，进行人工鱼群的觅食行为。

步骤1中，通过互信息计算影响因素与nox浓度的相关性，将影响因素按其相关性由大到小逐一增加作为模型的输入，搜索出使预测值与实际值差值最小的变量组合作为输入变量。

经过与传统rbf对比，从表1可以看出，径向基rbf神经网络预测模型的均方误差和平均绝对百分比误差相对较高，而本实施例中人工鱼群-径向基afsa-rbfnn预测模型训练集和测试集的均方误差和平均绝对值误差百分比最低，训练集均方误差低达0.8955,测试集均方误差低达0.9020mg/m³,平均绝对百分比分别低达0.0061，0.0073，运行时间低达57.875s。

综上所述，采用算法afsa-rbfnn建立模型的学习能力和泛化能力明显优于rbfnn。

表1不同算法模型精度表

本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书界定。