基于TGWO-ELM的鍋爐燃燒熱效率建模研究

摘要：文章聚焦于電站鍋爐燃燒熱效率建模問題，構建了融合改進型灰狼優(yōu)化算法（TGWO）與極限學習機（ELM）的TGWO-ELM模型。首先，通過引入Tent 混沌映射函數(shù)、反向學習策略、非線性收斂因子及動態(tài)權重策略，對灰狼優(yōu)化算法進行改進，提升了算法的收斂精度和全局搜索能力。其次，構建TGWO-ELM模型，并利用10個UCI（加州大學歐文分校）數(shù)據(jù)集樣本驗證模型的有效性。實驗結果顯示，融合TGWO算法后，ELM模型的泛化能力和穩(wěn)定性均得到了提升。最后，將該模型應用于電站鍋爐燃燒熱效率的建模中，實驗結果表明，TGWO-ELM模型的精度可達到10-2，滿足實際工程應用需求，為后續(xù)鍋爐工況的優(yōu)化奠定了基礎。

關鍵詞：灰狼算法；極限學習機；鍋爐熱效率；建模

中圖分類號：TK17 " " " 文獻標識碼：A " " "文章編號：1674-0688（2024）10-0078-05

0 引言

在我國電力市場“廠網(wǎng)分開、競價上網(wǎng)”的激烈競爭環(huán)境下，火力發(fā)電企業(yè)面臨前所未有的挑戰(zhàn)。降低生產(chǎn)成本并增強市場競爭力，減少鍋爐煤耗成為當前的關鍵任務。因此，構建鍋爐熱效率模型并深入分析其與燃燒參數(shù)之間的關系，成為火力發(fā)電企業(yè)亟須解決的核心問題。國內(nèi)外的研究人員［1-4］基于現(xiàn)場試驗數(shù)據(jù)，利用人工神經(jīng)網(wǎng)絡及多種變型支持向量機算法，構建了鍋爐熱效率預測模型，取得了良好的預測效果，并對后續(xù)鍋爐燃燒優(yōu)化研究產(chǎn)生了重要影響。趙敏華等［5］采用量子遺傳算法優(yōu)化了基于最小二乘支持向量機的鍋爐熱效率模型，進一步提升了模型的精度和泛化能力。張文廣等［6］為提高CFBB（循環(huán)流化床鍋爐）的熱效率并降低污染氣體排放量，采用自適應模糊推理辨識方法構建了熱效率、NOx和SO2排放濃度模型，分析了鍋爐運行參數(shù)之間的關聯(lián)性。本文聚焦于鍋爐燃燒熱效率建模問題，構建了融合極限學習機（Extreme Learning Machine，ELM）［7］與改進型灰狼優(yōu)化算法（Grey Wolf Optimizer， TGWO）［8］的模型框架。 ELM作為一種單隱層前饋神經(jīng)網(wǎng)絡，具有學習速度快、泛化能力強等優(yōu)勢；而GWO作為一種受灰狼狩獵行為啟發(fā)的群智能優(yōu)化算法，雖然全局搜索能力強且收斂性能好，但是存在陷入局部最優(yōu)解的風險。為提升GWO的性能，段冰冰等［9］提出了一種改進型灰狼優(yōu)化算法（TGWO），增強了原始算法的搜索能力及跳出局部最優(yōu)解的能力。本文以某電站330 MW循環(huán)流化床鍋爐為例，采集了750條包含鍋爐負荷、給煤量、一次風風量、二次風風量、煙氣含氧量及飛灰含碳量等26個影響鍋爐熱效率參數(shù)的鍋爐運行數(shù)據(jù)。對數(shù)據(jù)進行歸一化處理后，應用TGWO-ELM建立了鍋爐熱效率模型，為后續(xù)提升鍋爐燃燒熱效率奠定了基礎。

1 改進型灰狼優(yōu)化算法

灰狼優(yōu)化算法是Mirjalili等學者從灰狼覓食行為中受到啟發(fā)而設計的一種群智能優(yōu)化算法，具有算法原理易懂、參數(shù)較少、全局尋優(yōu)能力強等特點，已成功應用于車間調(diào)度、參數(shù)優(yōu)化、圖像分類等領域。本文重點介紹改進型灰狼優(yōu)化算法。

1.1 種群初始化

混沌映射函數(shù)具有遍歷性和隨機性特征，適用于生成混沌序列，可以作為種群個體的初始位置，從而提高初始解的均勻遍歷性。TGWO 算法采用Tent混沌映射函數(shù)和反向學習策略初始化種群個體的位置。Tent混沌映射函數(shù)的表達式為

[xt+1=2xi " " " " " 0≤xi≤0.52（1-xi） " 0.5≤xi≤1]。 " " " " "（1）

混沌映射函數(shù)產(chǎn)生初始解后，將其映射到待優(yōu)化目標函數(shù)的解空間中。然后利用反向學習策略產(chǎn)生2N個種群個體。反向學習策略的數(shù)學表達式為

[Xt+1=rand（0，1）×（max（X）+min（X）-X）]， " （2）

其中，[max（X）]和[min（X）]分別表示解空間的上下限值。

計算種群個體的適應度，根據(jù)該值進行升序（或降序）排列，選取適應度最優(yōu)的前N個個體作為TGWO算法的初始種群。

1.2 非線性收斂因子策略

在原始灰狼優(yōu)化算法中，收斂因子[α]隨迭代次數(shù)線性遞減，導致系數(shù)[A]也隨之線性減小，影響了算法的全局搜索能力和局部開發(fā)能力。為平衡這兩種能力，本文引入非線性收斂因子（[α]），具體表達式如下：

[α=sin1×πtmax+π2+1]， " " " " " " " （3）

其中，[tmax]為最大迭代次數(shù)。由公式（3）可知，[α]在算法迭代初期的變化較小，使[A]長時間保持較大值，有利于增強全局搜索效率；在算法迭代后期，[α]減小速度較快，使[A]長時間保持較小值，提高了局部搜索能力。

1.3 動態(tài)權重策略

原始灰狼優(yōu)化算法通過計算3個最優(yōu)灰狼位置的平均值更新其他灰狼的位置，但未區(qū)分這3頭灰狼在狩獵活動中的重要程度。若這些所謂的最優(yōu)灰狼實際上是局部最優(yōu)解，則可能導致其他灰狼同樣陷入局部最優(yōu)。為解決這一問題，在原始灰狼優(yōu)化算法中引入了基于適應度值的動態(tài)權重策略，具體公式如下：

[Wα=fαfα+fβ+fδWβ=fβfα+fβ+fδWδ=fδfα+fβ+fδ] ， " " " " " " " " " " " " "（4）

[Xt+1=X1×Wα+X2×Wβ+X3×WδWα+Wβ+Wδ]， " " " "（5）

其中：[Wα、Wβ、Wδ]分別表示[α、β、δ]灰狼所占的權重，[fα、fβ、fδ]表示[α、β、δ]灰狼的適應度值。通過適應度值計算3頭灰狼所占的權重，使[α]具有較大的權重，[δ]具有較小的權重。

研究文獻［10］已證明TGWO在解決數(shù)學函數(shù)優(yōu)化問題上具有良好的收斂精度和收斂速度。本文將TGWO用于解決鍋爐燃燒熱效率的建模問題。

2 TGWO-ELM模型架構

2.1 TGWO-ELM簡介

TGWO-ELM模型架構的工作原理基于利用TGWO算法優(yōu)化ELM的輸入權值和隱藏層閾值，從而找到最優(yōu)模型參數(shù)，以最小化模型預測輸出與真實值之間的誤差。由于ELM的輸入權值和隱藏層閾值是隨機給定且保持不變的，這些參數(shù)可能并不適應所有輸入數(shù)據(jù)，也非最優(yōu)模型參數(shù)，從而限制了ELM的泛化能力和回歸能力。針對此問題，本文構建了TGWO-ELM模型框架。首先，設置ELM的參數(shù)，包括輸入層節(jié)點個數(shù)（取決于輸入數(shù)據(jù)的維度）、隱藏層節(jié)點個數(shù)及隱藏層激活函數(shù)。其次，設置TGWO算法的參數(shù)，如種群個體數(shù)、最大迭代次數(shù)及相關系數(shù)等。最后，確定適應度函數(shù)，用以指導優(yōu)化流程。TGWO-ELM模型框架流程圖見圖1。

2.2 TGWO-ELM性能測試

為驗證TGWO-ELM模型的性能，本文選取了10個UCI數(shù)據(jù)集中的數(shù)據(jù)樣本（表1），并采用均方根誤差（RMSE）、標準差（STD）、平均絕對百分比誤差（MAPE）和決定系數(shù)[R2]共4項性能指標評估其回歸能力、泛化能力及穩(wěn)定性，評價指標公式如下：

[RMSE=1Ni=1N（yi?yi）2] ， " " " " " "（6）

[STD=1Ni=1Nyi-μ2] ， " " " " " "（7）

[MAPE=1Ni=1Nyi-yiyi×100%] ， " " " " （8）

[R2=1-i=1Nyi-yi2i=1Nyi-y2] "， " " " " " " " （9）

其中：[yi]為目標值，[yi]為模型輸出值，[y]為目標值的平均值，N為樣本數(shù)。對于訓練樣本，RMSE和MAPE的值越小，[R2]的值越接近1，表明算法的回歸能力越強；對于測試樣本，RMSE和MAPE的值越小且[R2]的值越接近1，則算法的泛化能力越好。STD越小，說明算法的穩(wěn)定性越高。

本節(jié)所有實驗均在配置為Microsoft Windows 10操作系統(tǒng)、11代Intel Core i5-1135G7處理器（2.40 GHz，2419 Mhz，4核8 線程）、16 GB運行內(nèi)存的計算機上完成，采用的仿真軟件為MATLAB 2021a。

算法參數(shù)設置如下：TGWO-ELM、GWO-ELM和ELM的數(shù)據(jù)集隱藏層節(jié)點數(shù)設置見表2，輸入節(jié)點數(shù)由數(shù)據(jù)集的輸入特征確定，輸出節(jié)點數(shù)則由數(shù)據(jù)集的輸出目標數(shù)量確定。TGWO-ELM、GWO-ELM和ELM隱藏層的激活函數(shù)均設置為sigmoid函數(shù)。此外，TGWO-ELM和GWO-ELM的最大迭代次數(shù)設定為150次。

表3記錄了ELM、GWO-ELM和TGWO-ELM 3種算法在訓練集上的RMSE和STD。數(shù)據(jù)顯示，GWO-ELM算法在7個數(shù)據(jù)集（D2、D3、D4、D5、D6、D7、D10）上獲得了最佳的RMSE均值，而TGWO-ELM算法在其余3個數(shù)據(jù)集上表現(xiàn)最優(yōu)。在穩(wěn)定性方面，GWO-ELM算法在4個數(shù)據(jù)集（D3、D4、D5、D9）上表現(xiàn)最佳，TGWO-ELM在3個數(shù)據(jù)集（D1、D7、D8）上表現(xiàn)最佳，兩者在數(shù)據(jù)集D2上的穩(wěn)定性相當。

表4記錄了3種算法在測試集上的RMSE和標準差STD。ELM算法在數(shù)據(jù)集（D1、D8）上取得了最佳的RMSE均值，GWO-ELM在D3、D5上表現(xiàn)最優(yōu)，而TGWO-ELM算法在3個數(shù)據(jù)集（D4、D7、D10）上獲得了最佳的RMSE均值。在穩(wěn)定性方面，ELM、GWO-ELM和TGWO-ELM算法分別在3個、2個和3個數(shù)據(jù)集上表現(xiàn)最佳。

表5記錄了3種算法在訓練集上的MAPE和[R2]。GWO-ELM算法在6個數(shù)據(jù)集（D1、D2、D3、D4、D7、D10）上獲得了最小的MAPE，同時在6個數(shù)據(jù)集（D2、D3、D4、D6、D7、D10）上的[R2]最接近1。TGWO-ELM算法在數(shù)據(jù)集D9上取得了最小的MAPE，并在4個數(shù)據(jù)集（D1、D5、D8、D9）上的[R2]最接近1。值得注意的是，在數(shù)據(jù)集D5和D6上，GWO-ELM和TGWO-ELM算法的MAPE均達到最小。

表6記錄了3種算法在測試集上的MAPE和[R2]。其中，ELM算法在數(shù)據(jù)集D3上取得了最小的MAPE，在數(shù)據(jù)集D3和D8上的[R2]最接近1。GWO-ELM算法在數(shù)據(jù)集D4上獲得了最小的MAPE。TGWO-ELM算法在6個數(shù)據(jù)集（D1、D5、D6、D8、D9、D10）上取得了最小的MAPE，并在5個數(shù)據(jù)集（D5、D6、D7、D9、D10）上的[R2]最接近1。

3 鍋爐熱效率建模

本文選用的電站鍋爐為330 MW循環(huán)流化床類型，其運行數(shù)據(jù)源自文獻［10］，包含750條記錄。鑒于數(shù)據(jù)量綱的不一致性可能影響建模效果，采用最大最小法對數(shù)據(jù)進行了歸一化處理，并將處理后的數(shù)據(jù)按照7∶3的比例隨機劃分為訓練數(shù)據(jù)和測試數(shù)據(jù)。模型參數(shù)設置如下：ELM、GWO-ELM 和 TGWO-ELM 的隱藏層節(jié)點數(shù)均為 41，輸入層節(jié)點數(shù)為 26，輸出層節(jié)點數(shù)為 1，隱藏層激活函數(shù)統(tǒng)一采用 sigmoid函數(shù)。GWO和TGWO的最大迭代次數(shù)設置為150次，3種算法模型均獨立運行20次，確保結果的可靠性。待優(yōu)化的參數(shù)取值范圍界定為［-1，1］，目標函數(shù)定義為[min f（x）=ymodel?yreal]，其中[ymodel]代表模型輸出值，[yreal]代表鍋爐的真實值。模型性能的評價指標為RMSE、STD、MAPE和R2。3種算法在訓練數(shù)據(jù)上的性能對比見表7，RMSE、STD、MAPE的數(shù)值越小，表示模型的精度和穩(wěn)定性越高；R2越接近1則表明模型的回歸能力和泛化能力越強。

在訓練數(shù)據(jù)上，表7中的數(shù)據(jù)顯示TGWO-ELM和GWO-ELM的性能近乎一致，并且均優(yōu)于原始ELM的性能，這證實了優(yōu)化后的ELM具備良好的回歸能力。在測試數(shù)據(jù)上，實驗結果顯示TGWO-ELM和GWO-ELM的模型在精度和穩(wěn)定性方面均優(yōu)于ELM，進一步證明了優(yōu)化后的ELM具有較好的泛化能力?；赥GWO-ELM的鍋爐熱效率模型仿真曲線如圖2所示。從圖2中可以看出，TGWO-ELM的輸出值能夠緊密貼近熱效率的真實值。

4 結論

本文設計了一種TGWO-ELM數(shù)據(jù)驅動模型，融合了改進型灰狼優(yōu)化算法和極限學習機，旨在解決復雜系統(tǒng)的建模難題。為了驗證模型的有效性，在10個UCI數(shù)據(jù)集上進行了驗證，實驗結果表明，相較于原始的ELM模型，TGWO-ELM的精度、泛化能力和算法穩(wěn)定性均得到提升。應用在電站鍋爐燃燒熱效率的建模中，TGWO-ELM在訓練數(shù)據(jù)和測試數(shù)據(jù)上的RMSE均達到了10-2量級，并且優(yōu)于原始的ELM，這一結果表明TGWO-ELM的回歸能力和泛化能力得到了顯著提升。此外，在其他3項性能指標STD、MAPE、R2上，TGWO-ELM也均優(yōu)于ELM。因此，TGWO-ELM被證明是一種有效的數(shù)據(jù)建?？蚣堋Ｎ磥?，將對TGWO-ELM的在線學習能力、算法可解釋性、計算復雜度降低等方面進行深入研究，并探索其在更多數(shù)據(jù)驅動建模場景中的應用潛力。

5 參考文獻

［1］周昊，朱洪波，岑可法.基于人工神經(jīng)網(wǎng)絡和遺傳算法的火電廠鍋爐實時燃燒優(yōu)化系統(tǒng)［J］.動力工程，2003，23（5）：2665-2669.

［2］WU F， ZHOU H， REN T， et al. Combining support vector regression and cellular genetic algorithm for multi-objective optimization of coal-fired utility boilers［J］. Fuel，2009，88（10）：1864-1870.

［3］ZHOU H， ZHAO J P， ZHENG L G， et al. Modeling NOx emissions from coal-fired utility boilers using support vector regression with ant colony optimization［J］. Engineering Applications of Artificial Intelligence，2012，25（1）：147-158.

［4］ZHOU H， CEN K.Combustion Optimization Based on Computational Intelligence［M］. Springer Singapore，2018：171-237.

［5］趙敏華，胡毅，李金，等.使用博弈差分算法的電站鍋爐高效低污染燃燒均衡優(yōu)化［J］.化工學報，2017，8（6）：2455-2464.

［6］張文廣，孫亞洲，劉吉臻，等.基于自適應模糊推理辨識方法和果蠅優(yōu)化算法的CFB鍋爐燃燒優(yōu)化［J］.動力工程學報，2016，36（2）：84-90.

［7］HUANG G B，ZHU Q Y，SIEW C K.Extreme learning machine： a new learning scheme of feedforward neural networks［C］ //2004 IEEE International Joint Conference on Neural Networks（IJCNN2004）.IEEE，2004，2：985-990.

［8］MIRJALILI S， MIRJALILI S M， LEWIS A. Grey Wolf Optimizer［J］.Advances in Engineering Software，2014，69：46-61.

［9］段冰冰，馬云鵬，劉津平，等.基于混沌映射與反向學習機制的非線性灰狼優(yōu)化算法［J］.軟件工程，2023，26（5）：36-40.

［10］馬云鵬.極端學習機和教與學優(yōu)化算法改進及其在鍋爐燃燒優(yōu)化中的應用研究［D］，秦皇島：燕山大學，2018.