基于RBF-BP混合神经网络的烧结烟气NO x 预测

发布时间：2021-07-19 18:29

　　对烧结烟气NO_x生成量进行预测,能为烧结NO_x源头和过程减排提供有效指导。利用BP神经网络模型和RBF神经网络模型对烧结烟气NO_x进行了预测,在此基础上结合BP模型自适应学习能力强和RBF模型快速收敛的特性,采用优化模型结构、设立连接层的方法,构建RBF-BP混合神经网络模型进行了NO_x预测研究,并对3种模型的预测结果进行了对比分析。研究表明,3种神经网络模型中,RBF-BP混合模型的均方根误差为11.37 mg/m³,平均绝对误差为7.14 mg/m³,最大绝对误差为35.47 mg/m³,最小绝对误差为0.008 3 mg/m³,各评价指标均为3种模型中最优,混合神经网络模型的预测数据稳定性更好,结果拟合程度更高且收敛速度最快。采用混合模型预测NO_x能有效消除烟气NO_x生成量反馈延迟。 

【文章来源】：钢铁研究学报. 2020,32(07)北大核心CSCD

【文章页数】：8 页

【部分图文】：

BP神经网络模型结构

RBF神经网络模型结构

同时,为避免不同量级数据相互影响,模型训练时的输入和输出数据均需要进行归一化处理,将数据映射到[-1,1]区间上。而在模型训练完毕,输出预测结果时,只需要将输出数据进行反归一化,映射回原取值区间内。设训练数据中输入值最大值和最小值为Xmax和Xmin,输出值最大值和最小值为Ymax和Ymin,则输入和输出数据归一化处理可用式(15)和式(16)计算,输出数据的反归一化处理可用式(17)计算。X nor = X-X max X max -X min ?????? ??? (15)

【参考文献】：
期刊论文
[1]固体燃料类型及其燃烧行为对烧结过程NOx排放的影响[J]. 阙志刚,吴胜利,艾仙斌,范敏,熊继海.  钢铁研究学报. 2019(06)
[2]改进的BP神经网络算法的研究与应用[J]. 富宇,李倩,刘澎.  计算机与数字工程. 2019(05)
[3]基于RBF-BP组合神经网络的钢丝绳断丝定量识别[J]. 赵晓莉,郭宁,高鑫宇.  煤炭技术. 2019(05)
[4]燃料特性对铁矿烧结过程NO排放行为的影响[J]. 朱梦飞,李东升,谢运强,甘牧原,春铁军.  烧结球团. 2019(02)
[5]烧结矿催化还原NO的实验研究[J]. 万军营,陈铁军,周仙霖,罗艳红,黄开伟.  钢铁研究学报. 2019(04)
[6]基于LM算法的神经网络模型预测爆破块度[J]. 王仁超,吴松.  水力发电学报. 2019(07)
[7]基于多模型聚类集成的锅炉烟气NOx排放量预测模型[J]. 甄成刚,刘怀远.  热力发电. 2019(04)
[8]基于BP神经网络的COREX铁水硅含量预测模型[J]. 文冰洁,吴胜利,周恒,顾凯.  钢铁研究学报. 2018(10)
[9]基于神经网络在线学习的脱硝系统入口氮氧化物预测[J]. 金秀章,张少康.  河北大学学报(自然科学版). 2018(04)
[10]生物质烧结燃料性能优化研究[J]. 刘超,张玉柱,邢宏伟,康月.  东北大学学报(自然科学版). 2017(12)

博士论文
[1]铁矿烧结烟气减量排放基础理论与工艺研究[D]. 潘建.中南大学 2007

硕士论文
[1]烧结主要工艺参数对烟气中NOx排放的影响研究[D]. 苏玉栋.上海交通大学 2014



本文编号：3291207