基于广义动态模糊神经网络的电厂锅炉燃烧优化建模

　　在火电厂中，锅炉燃烧中燃料费用是主要的发电成本(占70%)，而燃烧后的烟气排放又是电厂主要污染源，为此利用DCS 中数据研究燃烧效率和氮氧化物排放量之间的关系，从而对锅炉燃烧系统进行优化，可大大提高锅炉效率和减少污染物的排放。因此，建立合理的非线性模型是解决燃烧优化控制的关键。

　　一、动态模糊神经网络

　　神经网络模型具有建模容易、预测速度快、自适应调整能力强等优点，较适合处理非线性对象。模糊神经网络(FNN)是人工神经网络与模糊推理系统(FIS)的结合，实现模糊和神经网络的优势互补，对于非线性建模其比单一的神经网络效果更好，具有更强的全局搜索能力和寻优能力。模糊系统和神经网络是人工智能的2种不同的研究方面，虽然单独使用时其效果均比较好，但模糊系统缺乏系统设计的隶属函数方法和变化适应性，神经网络不具有明确的物理意义，无法应用专家知识。基于神经网络的模糊系统(模糊神经网络)克服了这2种方法的缺点，提高了收敛速度，缩短了训练时间。动态模糊神经网络的网络结构为动态变化，不能预先设定。

　　1.1 广义动态模糊神经网络结构

　　广义动态模糊神经网络(GD-FNN，图1)是在动态模糊神经网络基础上提出的基于椭圆基函数(EBF)的模糊神经网络，在功能上等价于TSK模糊系统的模糊神经网络算法。该算法提出将模糊ε-完备性作为高斯宽度的确定准则，以避免初始化选择的随机性，同时其不仅能对模糊规则而且能对输入变量的重要性进行评价，从而使得每个变量和模糊规则都可以根据误差减少率(ERR)来修正。

　　设有r个输入变量，并且每个变量xi(i=1,2,…,r)有u个隶属度函数Aij(j=1,2,…,u)(第2层，图1)，它们均为高斯隶属函数：

　　式中:μij为xi的第j个隶属度函数;cij和σij分别为xi的第j个高斯隶属度函数的中心和宽度。如果用于计算的每个规则触发权的T-范数算子为乘法，那么位于第3层(图1)的第j个规则Rj(j=1,2,…,u)的输出为：

　　1.2 广义动态模糊神经网络模型

　　该网络模型的模糊规则是从无到有逐渐变化的，根据训练的样本来决定是否要增加或减少一条规则，并设定响应参数。

　　1.2.1 规则产生准则

　　对于每个观测数据(Xk,tk),k=1,2,…,n(n个全部训练数据),Xk为第k个输入样本向量，tk为第k个期望的输出，如果由式(2)、式(3)计算的GD-FNN输出yk同时满足以下条件：

　　找到与观测数据马氏距离最小的中心点;mdk(j)为观测数据与第j条模糊规则的中心点的马氏距离;ke和kd为预先定义的2个阈值。