燃煤电厂SCR烟气脱硝催化剂寿命预测研究

BP神经网络通常由单层的输入层、输出层和层数不等的隐含层构成，而每层都由若干个神经元组成。图3为典型多层前馈型BP神经网络结构。图3中，x表示输入数据，a、c表示阈值，y表示网络输出结果，f表示激励函数。

图3BP神经网络结构

2.3.2原理

BP神经网络需要通过输入和输出样本对网络进行训练，即通过学习和修正网络的阈值和权值，并不断重复该过程，最终得到符合条件的输入或输出。BP神经网络算法由信号的正向传播（前向计算过程）和误差的反向传播两个阶段组成。两个过程反复交替，不断调整权值和阈值，直至网络达到收敛为止，具体过程如下。

1）信号的正向传播过程

输入量由输入层经过隐含层逐层计算，并传向网络的输出层。计算中每层的神经元状态只会影响下一层的神经元状态。网络的权值在信号正向传播过程中固定不变。如果输出层不能得到符合其期望的输出，则转入误差反向传播过程。

2）误差的反向传播

由前向计算过程得出的网络输出与期望输出之前的差值即为误差。误差信号由网络的输出端开始，沿网络的连接路线返回并计算各权值和阈值对总误差的影响。最后根据误差梯度下降法对权值和阈值进行调整。

2.3.3结构设计

对于大多数复杂的数学问题，单隐含层BP神经网络即可满足要求，本研究也采用图3所示的输入层-单隐含层-输出层的3层BP神经网络结构。

1）确定输入及输出变量

电厂SCR催化剂在多因素耦合且复杂的烟气环境中工作，烟气量、喷氨量、运行时间、运行温度及煤种等都会影响SCR催化剂的活性。为了建立简洁、有效的BP神经网络模型，首先要对预处理后的数据进行相关性分析，找到对SCR催化剂活性有显著影响的参数作为BP神经网络的输入变量。本文利用统计分析软件SPSS进行相关性分析。此外，由于各输入量单位不同，需对输入变量进行归一化处理，以均衡对BP神经网络的影响，降低误差。本文BP神经网络输出变量为SCR催化剂活性K。

2）确定隐含层神经元个数

确定BP神经网络各层神经元的数量是构建BP神经网络的重要环节。隐含层神经元数n需要先通过经验公式(5)确定大致范围后，再对不同网络结构的训练结果进行对比，选择预测误差最小时的隐含层神经元个数。

3）确定训练和测试样本

选择一部分预处理后的数据作为训练样本对网络进行训练，其余数据作为测试样本。将测试样本的输入变量代入训练好的BP神经网络中，然后将SCR催化剂活性预测结果与真实值进行对比，分析其误差。

2.4灰色神经网络

灰色预测模型的对象系统中允许存在未知项，所需数据少，并且不要求数据具有一致性，但它缺乏自学习、自适应能力，对非线性信息的处理能力较弱，而BP神经网络算法恰好可以弥补灰色预测模型的这些不足。本文将灰色预测模型与BP神经网络结合在一起，形成灰色神经网络，尤其适合处理SCR催化剂失效这种多因素耦合、繁复的问题。按照神经网络的输出数据类别，可将灰色神经网络模型分为残差输出和直接输出2类。

延伸阅读：

燃煤机组SCR脱硝催化剂性能评价与寿命管理系统

延长蜂窝式脱硝催化剂的使用寿命