基于自適應粒子群優(yōu)化BP神經(jīng)網(wǎng)絡的氨法煙氣脫硫效率預測

洪文鵬，陳 重

（東北電力大學 能源與動力工程學院，吉林132012）

隨著我國經(jīng)濟的迅速發(fā)展，能源需求與環(huán)境保護的矛盾日益突出.SO2是導致空氣污染的主要原因之一，我國87%的SO2排放來自煤燃燒［1］.目前我國的發(fā)電企業(yè)仍然以火電為主.火電廠作為SO2排放的大戶，有責任和義務采取措施對SO2排放進行有效控制.氨法煙氣脫硫作為一種可資源化的脫硫技術，越來越受到國內(nèi)外科研工作者的廣泛關注［2-3］.由于氨法煙氣脫硫的反應過程復雜［4-5］，許多參數(shù)會對其產(chǎn)生影響，因此脫硫效率很難長期維持在較高水平.多年來，為了改進氨法煙氣脫硫技術的工藝流程，科研工作者通過大量試驗研究了脫硫效率與運行參數(shù)間的關系，但是因為成本高、周期長和化學反應復雜等原因導致收效甚微.同時，由于采用煙氣分析儀等測量儀器直接測量煙氣中硫濃度的傳統(tǒng)方法只能實現(xiàn)單一效率信息的反饋，且對實際運行指導常帶來諸多不便.筆者嘗試采用自適應粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡模型對氨法煙氣脫硫效率進行預測，以彌補過去試驗的不足，為氨法煙氣脫硫工藝流程尋找新的方法.

BP 神經(jīng)網(wǎng)絡是McClelland 和Rumelhart在1986年提出的一種基于誤差逆?zhèn)鞑ビ柧毜木W(wǎng)絡算法，也是一種包括隱含層的多層前饋網(wǎng)絡，能夠較好地解決隱含單元連接權在多層網(wǎng)絡中的學習問題，是目前發(fā)展最成熟、應用最廣泛的神經(jīng)網(wǎng)絡模型之一［6］.但是，BP神經(jīng)網(wǎng)絡模型存在訓練結果隨機性且容易陷入局部極小，不利于全局優(yōu)化的問題.研究發(fā)現(xiàn)，遺傳算法［7］（GA）具有很好的全局優(yōu)化和宏觀搜索能力，利用遺傳算法對BP 神經(jīng)網(wǎng)絡模型的權值進行優(yōu)化，能夠有效避免局部極小值等問題的出現(xiàn)，但是復雜的遺傳操作使得遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡模型訓練速度變得十分緩慢.粒子群算法（particle swarm optimization，PSO）具有全局尋優(yōu)和快速收斂的特性，利用其優(yōu)化BP模型，同樣可以避免陷入局部極小等問題.與遺傳算法相比，PSO 更簡單、更容易實現(xiàn)且功能強大［8］，它在獲得GA 優(yōu)化BP網(wǎng)絡高預測精度的同時，還具有更快的收斂速度［9-10］.經(jīng)PSO 算法優(yōu)化的氨法煙氣脫硫效率BP神經(jīng)網(wǎng)絡模型（PSO-BP）與普通BP 網(wǎng)絡模型相比，能夠較好地解決局部極小值的出現(xiàn)，并且可以提高氨法煙氣脫硫效率的預測精度.

1 數(shù)學模型和算法原理

1.1 BP網(wǎng)絡模型及其拓撲結構

BP神經(jīng)網(wǎng)絡因采用反向傳播學習法來調(diào)整權值而得名［11］，其算法簡單且具有較強的非線性逼近能力，因此被廣泛應用在工程實際中.利用BP神經(jīng)網(wǎng)絡建立了氨法煙氣脫硫參數(shù)與脫硫效率的3層神經(jīng)網(wǎng)絡預測模型.圖1給出了BP 網(wǎng)絡的拓撲結構示意圖.在圖1中，輸入層有8個神經(jīng)元，分別是煙氣量Q、循環(huán)泵流量q、氨濃度c1、吸收液摩爾分數(shù)x、液氣比r、進口煙氣溫度t、耗氨量θ和濃縮槽漿液pH 值H；輸出層神經(jīng)元為1 個，即脫硫效率η.隱含層神經(jīng)元為38個，其確定過程見下文.

圖1 BP網(wǎng)絡的拓撲結構Fig.1 Topology structure of the BP network

BP神經(jīng)網(wǎng)絡的工作過程包括信息正向傳播與誤差反向傳播兩部分：信息正向傳播是樣本信息逐一通過輸入層、隱含層和輸出層并進行處理的過程，上一層神經(jīng)元只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響；當輸出值與期望值不一致時，進入誤差反向傳播，即輸出誤差經(jīng)由神經(jīng)網(wǎng)絡原路返回，并且對各層神經(jīng)元間的連接權值進行修改，直到網(wǎng)絡誤差達到最小為止.

1.2 PSO 算 法

PSO 算 法 是Kennedy 和Eberhart［12］于1995年通過對鳥群覓食行為的模擬而提出的一種仿生隨機搜索算法，目前已被廣泛應用在約束優(yōu)化和多目標優(yōu)化等領域.

PSO 算法原理可簡述為：D維解空間中有n個粒子在進行對目標函數(shù)f（xi1，xi2，…，xiD）最優(yōu)解的搜索，每一個粒子具有速度屬性Vi＝（vi1，vi2，…，viD）T、位置屬性Xi＝（xi1，xi2，…，xiD）T和適應度值f（Xi）3個屬性.在計算過程中，將適應度值最大或最小的全局最優(yōu)位置Pg＝（xgi1，xgi2，…，xgiD）T與每個粒子的個體最優(yōu)位置Pi＝（xpi1，xpi2，…，xpiD）T記錄下來.粒子的速度和位置更新方程分別為：

式中：vki，d、pki，d和gki，d分 別 為 粒子i在第d維 第k次迭代中的速度、個體最優(yōu)位置和全局最優(yōu)位置.

w為慣性權重，其更新方程［13］為：

式中：wmin為最小權值；wmax為最大權值；I為迭代次數(shù)；Imax為最大迭代次數(shù).

為調(diào)節(jié)個體最優(yōu)位置與全局最優(yōu)位置移動步長，引入加速系數(shù)c1＝c2＝2.設隨機數(shù)rk1，2∈［0，1］，粒子i在第d維第k次迭代中的值為xki，d.將全部粒子每一維的速度vd都置于［-vd，max，＋vd，max］內(nèi)，以防止粒子超出搜索空間.

當全局最優(yōu)位置適應度值達到設定的閾值或者迭代次數(shù)滿足設定的最大值時，算法終止.

2 PSO 對BP網(wǎng)絡的優(yōu)化過程

PSO 對BP神經(jīng)網(wǎng)絡的優(yōu)化過程就是對神經(jīng)網(wǎng)絡的權值和閾值進行全局尋優(yōu)，即利用PSO 算法尋找最優(yōu)的BP 神經(jīng)網(wǎng)絡權值和閾值組合.隱含層節(jié)點個數(shù)與2的和乘以輸入節(jié)點個數(shù)再加1就是粒子的維數(shù)D.網(wǎng)絡權值與閾值通常在［-1.0，1.0］間進行搜索［14］.構建以某粒子位置Xi為權值與閾值的BP神經(jīng)網(wǎng)絡，其測試集中的均方根誤差為該粒子的適應度值.根據(jù)參考文獻［15］的描述，本文的算法步驟如下.

步驟1：對PSO 模塊的慣性權重與種群規(guī)模進行初始化，并隨機給出全部粒子分配位置和速度組合（Xi，0，Vi，0）.

步驟2：構建以粒子位置Xi，0為參數(shù)的BP神經(jīng)網(wǎng)絡，根據(jù)公式在測試集上算出適應度值，并將個體最優(yōu)位置Pi定義為Xi，0，通過對所有Pi對應適應度值的比較獲得全局最優(yōu)位置Pg.

步驟3：根據(jù)式（1）和式（2），對全部粒子的位置Xi和速度Vi進行更新.

步驟4：構建以粒子位置Xi為參數(shù)的BP 神經(jīng)網(wǎng)絡，根據(jù)公式在測試集上算出適應度值，并將min［f（Xi），f（Pi）］的對應位置作為新的個體最優(yōu)位置Pi.

步驟5：把min［minf（Pi），f（Pg）］的對應位置作為新的全局最優(yōu)位置Pg.

步驟6：判斷是否滿足結束條件，若滿足，則結束，否則從步驟3開始繼續(xù).

3 基于PSO-BP的煙氣脫硫效率預測

本文樣本來自國內(nèi)某電廠氨法煙氣脫硫系統(tǒng)的運行數(shù)據(jù)，該氨法煙氣脫硫系統(tǒng)的工藝流程示意圖見圖2.

3.1 樣本介紹

采用煙氣脫硫系統(tǒng)脫除煙氣中SO2能力的大小稱為脫硫效率［16］，它是衡量脫硫系統(tǒng)性能的重要參數(shù)，也是唯一指標，受到許多運行參數(shù)的直接或間接影響.筆者選用脫硫系統(tǒng)中的煙氣量Q、循環(huán)泵的流量q、氨濃度c1、吸收液摩爾分數(shù)x、液氣比r、進口煙氣溫度t、耗氨量θ、濃縮槽漿液pH 值H等8個運行參數(shù)作為輸入變量，以脫硫效率η為輸出量構建PSO-BP模型，尋求上述參數(shù)與脫硫效率之間的關系，并用下面的數(shù)學式表示：

圖2 氨法煙氣脫硫系統(tǒng)工藝流程示意圖Fig.2 Process diagram of the ammonia FGD system

選取200組運行數(shù)據(jù)作為訓練樣本，另選20組運行數(shù)據(jù)作為檢測樣本.煙氣脫硫系統(tǒng)監(jiān)測參數(shù)的取值范圍見表1.

表1 煙氣脫硫系統(tǒng)監(jiān)測參數(shù)的取值范圍Tab.1 Range of monitoring parameters for the gas desulfurization system

3.2 BP神經(jīng)元個數(shù)的確定與PSO 的設置

根據(jù)文獻［17］，可以確定BP 神經(jīng)網(wǎng)絡隱含層的神經(jīng)元個數(shù)，設隱含層神經(jīng)元個數(shù)的搜索區(qū)間為［a，b］，則

式中：x＝2；k為輸出層神經(jīng)元個數(shù)，k＝1；i為輸入層神經(jīng)元個數(shù)，i＝8；m為訓練樣本數(shù)；計算得出a＝17，b＝49.75.

利用窮舉法對模型進行試算，最終的隱含層神經(jīng)元個數(shù)確定為38，獲得的BP 神經(jīng)網(wǎng)絡最優(yōu)拓撲結構為8-38-1.

PSO 的適應度函數(shù)定義為

式中：n為檢測樣本數(shù)；yi為第i個樣本的預測值；si為第i個樣本的實際值.

PSO 的參數(shù)設置如下：粒子數(shù)取為20；加速系數(shù)c1＝c2＝2；慣性權重w隨迭代次數(shù)增加從0.8線性遞減至0.3；最大迭代次數(shù)設為160次.從適應度函數(shù)的定義式（7）可知，適應度值越小，說明在當前迭代次數(shù)下模型預測值與實測值的相對誤差越小，模型的預測結果就越準確.隨著迭代次數(shù)的遞增，適應度值呈現(xiàn)振蕩減小趨勢，在模型迭代次數(shù)為120時，適應度值趨于平穩(wěn)，此時BP神經(jīng)網(wǎng)絡已接近收斂.圖3給出了適應度值隨迭代次數(shù)進化的曲線.

圖3 適應度值隨迭代次數(shù)的進化Fig.3 Evolution of fitness value with iterations

4 預測結果與分析

4.1 預測值與實際值的比較

筆者利用已選出的20組運行數(shù)據(jù)對基于PSOBP的氨法煙氣脫硫效率預測的精度與可行性進行了檢驗，預測值及其相對誤差列于表2.從表2可知，PSO-BP模型的預測值與實際值的最大相對誤差為4.76%.在上述基礎上，筆者還利用BP神經(jīng)網(wǎng)絡對同一檢測樣本進行預測，得到1組新的預測值.圖4給出了PSO-BP模型預測值、BP模型預測值與實際值的比較.由圖4可知，在20 個檢測樣本中，PSO-BP模型的預測值比BP 模型的預測值更接近實際值.

4.2 誤差分析

為進一步比較2種不同神經(jīng)網(wǎng)絡算法的性能，對它們的相對誤差進行了分析.作為模型的性能評價依據(jù)，筆者引入模型的平均誤差E.

表2 預測值及其相對誤差Tab.2 Prediction value and relative error %

圖4 PSO-BP模型預測值、BP模型預測值與實際值的比較Fig.4 Comparison between PSO-BP／BP prediction results and actual measurements

式中：f0（i）和f（i）分別為實際值和模型的預測值.

表3給出了PSO-BP模型與BP模型的模型平均誤差E.

表3 PSO-BP模型和BP模型的模型平均誤差比較Tab.3 Comparison of mean error between PSO-BP model and BP model %

從表3可以看出：PSO-BP 模型在對煙氣脫硫效率的預測性能方面優(yōu)于BP 模型.為了能更直觀地反映2種預測模型的性能差異，將它們預測的相對誤差比較示于圖5.

圖5 PSO-BP模型與BP模型預測的相對誤差比較Fig.5 Relative error comparison between PSO-BP model and BP model

從圖5可以看到：PSO-BP模型比BP模型的誤差曲線起伏小，且其預測誤差的浮動范圍均在5%以內(nèi)，因此在預測精度方面，PSO-BP模型明顯優(yōu)于BP模型.

5 結 論

（1）利用PSO 算法對BP神經(jīng)網(wǎng)絡的權值和閥值進行尋優(yōu)，既避免了網(wǎng)絡局部極小值的出現(xiàn)，又提高了網(wǎng)絡的精度.

（2）所建立的PSO-BP網(wǎng)絡模型的最大相對誤差小于5%，表明PSO-BP 模型對氨法煙氣脫硫效率的預測精度較高，可以用于電廠氨法煙氣脫硫效率的預測，為進一步研究氨法煙氣脫硫技術工藝提供了新的可能.

［1］顏金培，楊林軍，鮑靜靜，等.氨法脫硫過程煙氣中細顆粒物的變化特性［J］.中國電機工程學報，2009，29（5）：21-26. YAN Jinpei，YANG Linjun，BAO Jingjing，etal.Impact property on fine particles from coal combustion in ammonia flue gas desulfurization process［J］.Pro-ceedings of the CSEE，2009，29（5）：21-26.

［2］趙毅，馬雙忱，黃建軍，等.高活性吸收劑脫硫和脫氮實驗及機理研究［J］.中國電機工程學報，2003，23（10）：236-240. ZHAO Yi，MA Shuangchen，HUANG Jianjun，etal.Experimental study on SO2and NOxremoval and mechanism by highly reactive sorbent［J］.Proceedings of the CSEE，2003，23（10）：236-240.

［3］周屈蘭，徐通模，惠世恩.我國自主開發(fā)的濕法脫硫技術及其應用［J］.動力工程，2006，26（2）：261-272. ZHOU Qulan，XU Tongmo，HUI Shien.Development and application of China＇s own wet flue gas desulfurization technique［J］.Journal of Power Engineering，2006，26（2）：261-272.

［4］賈勇，鐘秦，杜冬冬，等.填料塔氨法脫硫模型研究［J］.中國電機工程學報，2009，29（14）：52-57. JIA Yong，ZHONG Qin，DU Dongdong，etal.Research on ammonia desulphurization model of packed column［J］.Proceedings of the CSEE，2009，29（14）：52-57.

［5］洪文鵬，劉廣林.基于最小二乘支持向量機的氨法煙氣脫硫裝置脫硫效率預測［J］.動力工程學報，2011，31（11）：846-850. HONG Wenpeng，LIU Guanglin.Efficiency prediction for an ammonia flue gas desulphurization system based on least squares-support vector machine［J］.Journal of Chinese Society of Power Engineering，2011，31（11）：846-850.

［6］LI Qiang，YU Jingyuan，MU Baichun，etal.BP neural network prediction of the mechanical properties of porous NiTi shape memory alloy prepared by thermal explosion reaction［J］.Materials Science and Engineering A，2006，419（1／2）：214-217.

［7］LAHIRI S K，GHANTA K C.Development of a hybrid artificial neural network and genetic algorithm model for regime identification of slurry transport in pipelines［J］.Chemical Product and Process Modeling，2009，4（1）：1-32.

［8］沈艷，郭兵，古天祥.粒子群優(yōu)化算法及其與遺傳算法的比較［J］.電 子 科 技 大 學 學 報，2005，34（5）：696-699. SHEN Yan，GUO Bing，GU Tianxiang.Particle swarm optimization algorithm and comparison with Genetic Algorithm ［J］.Journal of UEST of China，2005，34（5）：696-699.

［9］WANG Lin.Application of artificial neural network supported by BP and particle swarm optimization algorithm for evaluating the criticality class of spare parts［C］∥Proceedings-Third International Conference on Natural Computation.Haikou，China：［s.n.］，2007.

［10］NATARAJAN U，PERIASAMY V M，ARAVANAN R.Application of particle swarm optimisation in artificial neural network for the prediction of tool life［J］.The International Journal of Advanced Manufacturing Technology，2007，31（9）：871-876.

［11］樓天順，施陽.基于MATLAB 的系統(tǒng)分析與設計［M］.西安：西安電子科技大學出版社，1999：10-13.

［12］KENNEDY J，EBERHART R.Particle swarm optimization［R］.Perth，Australia：IEEE Int＇Iconfon Neural Networks，1995.

［13］熊偉麗，徐保國.基于PSO 的SVR 參數(shù)優(yōu)化選擇方法研究［J］.系統(tǒng)仿真學報，2006，18（9）：2442-2445. XIONG Weili，XU Baoguo.Study on optimization of SVR parameters selection based on PSO［J］.Journal of System Simulation，2006，18（9）：2442-2445.

［14］熊建秋.水科學信息分析計算新方法及其應用［D］.成都：四川大學，2006.

［15］王歲花，馮乃勤，李愛國.基于粒子群優(yōu)化的BP網(wǎng)絡學習算法［J］.計算機應用與軟件，2003，20（8）：74-76. WANG Suihua，F(xiàn)ENG Naiqin，LI Aiguo.A BP networks learning algorithm based on PSO［J］.Computer Applications and Software，2003，20（8）：74-76.

［16］展錦程，冉景煜，孫圖星.煙氣脫硫吸收塔反應過程的數(shù)值模擬及試驗研究［J］.動力工程，2008，28（3）：433-437. ZHAN Jincheng，RAN Jingyu，SUN Tuxing.Numerical simulation and experimental study on desulfurization process in FGD absorbers［J］.Journal of Power Engineering，2008，28（3）：433-437.

［17］SELLAR R S.Multidisciplinary design using artificial neural networks for discipline coordination and system optimization ［D］.Indiana，USA：University of Notre Dame，1997.