动力配煤的煤质指标与单煤配比结构关系的神经网络技术

动力配煤的煤质指标与单煤配比结构关系的神经网络技术 动力配煤的煤质指标与单煤配比结构关系 的神经网络技术 第29卷增刊 2004年l0月 煤炭 JOURNALOFCHINACOALSOCIETY Vo1.29Sup. 0ct.2O04 文章编号:0253—9993(2004)S0—0ll7—04 动力配煤的煤质指标与单煤配比结构 关系的神经网络技术 刘泽常,卢宗华,陈怀珍,崔凤海 (1.山东科技大学化学与环境工程学院,山东济南250031;2.神华集团煤炭运销公司,北京100011) 摘要:动力配煤的煤质指标与各单煤的煤质指标及配比之间存在一种结构关系,解析表达式 = 厂x)=c.?.产+.?+…+.口准确地表达了这种结构关系.用神经网络求解这种 结构关系具有准确度高,适用范围广等特点,为进一步研究优化动力配煤提供了一种更为有效的 方法. 关键词:配煤指标;配煤比例;结构关系;神经网络 中图分类号:TQ520.62文献标识码:A Neuralnetworkstechnologyofthestructuralrelationbetween qualityindexesofblendingcoalsandproportion ofsinglecoalinpowerblendingcoal LIUZe—chang,LUZong—hua,CHENHuai—zhen,CUIFeng—hai (1.CollegeofChemicalandEnvironrwentalEngineering.ShandongUniversityofScience&Technology,Jinan250031,China;2.CoalTransportation andSalesCompany,ShenhuaGroup,Beijing100011,China) Abstract:Itisastructurerelationbetweenthequalityindexofblendingcoalsandthequalityindexofsinglecoal andproportionofsinglecoalinpowerblendingcoa1.Theformula:Yj()=ctjaI』 xI+c2ja2]x2j+…+CmjamyXmj expressesthiskindofrelationaccurately.Usingneuralnetworktosolvethisstructurerelationhasalotofcharacter— isticssuchashighaccuracyandextensiverangeofapplicationandSOon.Itprovidesakindofmoreeffectivemethod forfurtherstudyonoptimizingpowerblendingcoa1. Keywords:indexesofblendingcoals;proportionofblendingcoals;structuralrelation;neuralnetworks 目前,在动力配煤技术中,确定动力配煤的煤质指标和各组成单煤的煤质指标之间 的结构关系是一个 关键问题.大量理论研究和实践都证明?j,动力配煤的煤质指标和各组成单煤的 煤质指标之间并非全都 存在简单的加权线性关系,而是存在着更为复杂的结构关系.动力配煤的煤质指标 和各组成单煤的煤质指 标之间的这种复杂的结构关系除了与各单煤煤质指标和配煤比例有关外,还与结 构调整参数有关.利用代 数法确定结构调整参数,所需要的原始实测数据较多,在原始实测数据较少的情况 下,利用神经网络方法 来确定这种复杂的结构关系的结构调整参数,取得了理想的结果. 收稿日期:2004—03一Il 作者简介:刘泽常(1950一),男,山东烟台人,教授.Tel:0531—5903127,E, mail:zchliu@public.jn.sd.cn l】8煤炭2004年第29卷 1结构关系表达式 研究表明,动力配煤的煤质指标与各单煤的煤质指标之间存在着一种结构关系.设用m种单煤配成 一 种配煤,设配煤的第种煤质指标的实测值为y,第i种单煤的第种煤质指标的实测值为a第i种单 煤配出配煤的第种煤质指标y的配煤比例为矿则配煤煤质指标y各单煤该指标实测值口及配煤 比例,,…,之间的一种内在的结构关系解析表达式为 y』=)=cljal+c2ja2jx2j+…+c,,qa呵,(1) 式中,cc:,,…,c,为解析表达式的结构调整参数. 2神经网络模型 为了简便起见,拟考虑3层的神经网络模型.一般人工神经网络的运行过程有两步:训练学习和联想 回忆.所谓训练学习就是把要交给网络的信息作为网络的输入和要 求的输出,使网络按某种规则调节各神经元之间的权值,直到加上 给定输入,网络就能产生给定的输出为止.所谓联想回忆,就是对 已训练好的网络输入一个信息,它就能够正确地联想回忆出相应的 输出.3层BP神经网络的基本结构如图1所示.图中,,,,…, 为n个输入信息;.,,…,.为P个隐节点;Yo为输出信息. 连接输入层与隐层的权值记为W,连接隐层与输出层的权重记为 3确定结构调整参数的BP算法 图13层神经网络的基本结构 Fig.1Basicstructureofthree layersneuralnetwork 3.1改进的BP算法 BP算法即误差后向传播神经网络算法,是神经网络模型中应用最广泛的一种.一般可选用3层非循 环网络(图1).假设BP网络每层有n个处理单元,作用函数为非线性的Sigmoid型函数,一般采用 )=1/(1+e),训练集包括m个样本模式(,Y).对第P个训练样本(p=1,2,…,m),单元 的输入总和记为a,输出记为Y,则 = ?w/ix,i=0 =a),(2) Y=?.i=0 如果任意设置网络初始权值,那么对每个输入模式,网络输出与期望输出()之间的偏差为 E=lY一l, BP网络的权值修正为 (3) (4) 式中,为一个与偏差有关的值. 对于输出节点:=(1一)E;对于隐节点:=(1一)?W. 为加快网络收敛速度,式(4)中的应取值足够大又不致产生震荡.通常权值修正公式中还需加一 个势态项,从而有 Wji=(f)++Ol[(f)一(t一1)], 式中,Ol为一常数项,称势态因子,它决定上一次学习的权值对本次权值的影响. (5) 增刊刘泽常等:动力配煤的煤质指标与单煤配比结构关系的神经网络技术119 3.2基于改进BP算法的结构调整参数的预测 对于某3种单煤配合成的配煤,要预测它的结构参数的值,首先需要构造BP网络的结构形式,即3 个已知单煤的配煤比例和指标实测值的顺序输入(输入节点)的输入模式和一个期望输出配煤指标实测 值(输出节点)的输出模式.输入模式中输入节点数应为配煤的单煤个数.确定了网络输入输出模式的 结构形式后,便可对神经网络进行训练,直至达到满足给定的误差要求为止.网络训练结束后便可以进行 预测. 另外,对于数量级较大的原始数值要进行一定的预处理,一般可采用标准化如极差化或等比变换 (如同除以100等).通过这些变换可有效地缩短网络训练时间,从而加快网络收敛速度.其次,输入模 式中的初始权值应随机提供给网络,以防训练时出现网络振荡和不可控性. 同理,将神经网络确定出的各煤种之间的结构调整参数代人式(1),即得由3种单煤配成的配煤指 标Yi与各组成单煤的煤质指标及配煤比例之间的结构关系解析表达式为 I,(XijJclJnl产l+C2jct2jX2j+C3jct3jX3j?J 这个解析表达式充分反映了由3种单煤所配成的配煤指标Yj与各组成单煤的配煤比例?:,…, Xmj之间的结构关系.同时也表明配煤指标Y/与各组成单煤的实测指标n?n:,,Ct3]之间有密切的关系,还 与不同煤种之间的结构调整参数有关. 由m种单煤生产配煤的情况与由3种单煤的配煤情况类似. 3.3配煤指标的预测,还原与修正 用于训练网络的数据样本一般都经过数据的标准化,然后用这种网络预测出的配煤指标必须经过还原 之后才能应用于实际. 设Y为预测出的某种配煤指标.数据的标准化公式为Y=(Y—Yi)/(Y一Yi).则还原后的配 煤指标应为Y=Y(Y一Yi)+y…,其中Y…,Ymin是某指标中的最大和最小值. 为了使预测的结果更准确,可采用以下方法进行修正,即 Y=Yh?,(7) 式中,为给定的神经网络迭代精度. 4实例分析 为了便于比较,本文用几种单煤的.和A实测数据进行了验证.对于实测数据,根据 神经网络 几秒钟时间的解算(表1): 表1配煤与单煤之间的结构参数分析 Table1StructureparameteranalysisofM.dbetweenmix-coalandsinglecoal(neuralnetwork ) 编号煤样名称实测Md/%加权预测结构参数编号煤样名称实测M/%加权预测结 构参数 l神府煤8.230.99585山优3.700.7376 2林西末煤700.93556荆各庄2.340.55l9 3永城煤1.760.97727鑫源1.540.6255 结构预测结构预测 4神煤29林西35永363.233.273.23l2山37荆l0鑫源531.652.421.65 预测神煤40林西30永304.033.99预测山30荆50鑫源202.591.66 预测神煤30林西30永403.383.34预测山35荆4o鑫源252.541.72 神府煤,林西末煤和永城煤的配煤结构参数为C=0.9958,C2=0.9355,C3=0.9772. 它们的结构线性解析表达式Yj=I厂()=0.9958a.产l,+0.9355a+0.9772a. l20煤炭2004年第29卷 山优煤,荆各庄煤和鑫源煤的配煤结构参数为C.=0.7376,c=0.5519,C3=0.6255. 它们的结构线性解析表达式为y=.厂()=0.7376a..+0.5519a,+0.6255a. 根据这些结构线性解析表达式,可以预测神府煤,林西末煤和永城煤不同配煤比例 时的指标及山 优煤,荆各庄煤和鑫源煤不同配煤比例时的指标(表1). 同理,对于实测数据由神经网络计算知: 山优煤,荆各庄煤和鑫源煤的配煤结构参数为C.=0.9961,c=0.9965,C3=0.9994. 它们的结构线性解析表达式为=()=0.996lau+0.9965a2J+0.9994a. 根据这个结构线性解析表达式,可得不同配煤比例配煤的参数的预测结果,见表2. 表2配煤与单煤之间A.结构参数分析(神经网络法) Table2StructureparameteranalysisofA.dbetweenmix-coalandsinglecoal(neuralnetwork ) 5结语 提出了动力配煤煤质指标与各单煤的煤质指标及配煤比例之间存在一种结构关系.研究和实例验证表 明,解析表达式yJ:()=c一』口..+c2ja2J+…+口叫准确地表达了配煤的煤质指标与各单煤的煤 质指标及配煤比例之间的结构关系.用神经网络求解配煤的煤质指标与各单煤的配煤比例之间的结构关系 具有准确度高,适用范围广等特点.这不仅为预测配煤煤质指标提供了简便准确的算法,也为进一步研究 优化动力配煤和计算机优化控制提供了一种更为有效的方法. 参考文献I [1]骆仲泱,殷春根,姚强,等.人工神经网络在优化动力配煤中应用的理论研究[J].煤炭,1997,22(4): 337,342. [2]汤龙华,周俊虎,曹道卿,等.非线性最优化动力配煤技术的研究[J].煤炭,1997,22(5):455,459. [3]刘泽常,高洪阁,陈怀珍,等.动力配煤主要指标可加性的统计验证[J].煤炭加工与综合利用,1999(5):1, 4. [4]周继成,周青山,韩飘扬,等.人工神经网络[M].北京:科学普及出版社,1993.