基于递归神经网络的天气预测（基于PSO-BP神经网络的微波加热温度预测研究）

摘 要： 针对微波加热物料难以建立准确模型的问题，采用粒子群算法优化BP神经网络后，对微波加热物料的温度变化构建系统模型。在该模型上，对温度的变化趋势进行预测。实验结果表明，经过粒子群算法优化后的BP网络，具有更高的精度，预测能力显著提高。

0 引言

微波作为一种新型能源在工业上开始得到广泛应用。微波加热的原理与常规加热不同，常规加热是利用热传导的原理加热。而微波加热是利用外加电场，改变介质分子间的运动情况并使分子间相互摩擦产生热量，因此，加热效果是由里及表。与传统加热相比，微波加热具有提取时间短、温度低、耗能低、品质高等优良特性[1]。由于微波加热速度快，普通的反馈控制方法有严重的时间滞后问题，媒质内部出现热点，出现热失控，可能烧毁工业物料，甚至引发爆炸，因此存在较大的安全隐患[2]。

解决智能实时控制微波加热的一个关键问题就是温度控制。输出功率要伴随负载温度的变化而改变输出值，因此需要实时监测负载的温度值。由于大功率微波加热存在严重的时间滞后问题，因此，温度预测就成了解决问题的关键所在。常见的温度预测方法有：人工神经网络、时间序列、支持向量机等[3]。本文采用粒子群算法优化BP神经网络的方法进行了加热物料温度变化趋势的预测，实验仿真结果证实了该方法的有效性。

1 PSO-BP神经网络在微波加热中的具体应用

1.1 粒子群算法优化BP神经网络

BP神经网络是一种3层或者3层以上的神经网络，包括输入层、输出层和隐含层。它的训练算法包括正向和反向传递两个过程。输入信息通过隐含层传递给输出层，将输出信号和预测信号做比较，若有误差，则采用误差反向传播方法，将误差信息沿原网络返回，从输出层经过中间各层逐层向前修正网络的连接权值[4]。随着不断学习，误差将越来越小，最终使误差到达指定的精度。但是BP网络主要由经验和反复试验确定参数，算法训练时间较长，效率不高，造成网络性能低下。

粒子群算法（PSO）将每个个体抽象成优化问题的可能解，再根据需要优化的目标函数确定一个具体值，再用一个速度来决定它们的方向和距离，粒子通过自己和其他粒子的飞行经验来动态调整，并追寻当前最优粒子，不断迭代以找到最优解[5]。其算法公式为：

vid=vid c1·rand·（pid-xid） c2·rand·（pgd-xid）（1）

本文研究的对象是微波加热物料的温度，因此输出量是要预测的未来时刻物料的温度，温度预测模型设计为3层BP神经网络。输入层拟定为加热时间和介质的反射功率，输出层为预测的温度[6]。隐含层个数的确定至今为止没有明确的结论，只能根据特定的问题，结合经验公式[7]给出估计值。这里采用的经验公式为：

其中，m和n分别表示输入层和隐含层的神经元个数，a是[0，10]之间的常数。因此，本文拟定隐含层神经元个数为3~15，根据试错法，当MSE的结果达到最小时，确定隐含层神经元的个数[8]。

输入层和隐含层的传递函数分别选定为tansig和purelin，训练函数采用trainlm。根据每秒采集到的数据，整理并训练样本。

BP神经网络设置参数为：

最大训练次数：net.trainParam.epochs=100；

训练目标：net.trainParam.goal=0.000 4；

学习率：net.trainParam.lr=0.1。

粒子群算法设置参数为：

加速常数：c1=c2=1.49

进化次数：maxgen=100

种群规模：sizepop=30

粒子位置和速度取值区间分别为[-5，5]和[-1，1]。

设置取优化后的权值、阈值训练网络[9]。

1.2 实验设备及过程

在本文中，以工业加热煤作为实验。其中磁控管微波功率源为控制对象，被控物理量为温度参数。该实验装置主要由以下几部分组成：磁控管微波功率输入控制系统、传送带、传感测温器、温度检测装置等，装置如图1所示。在工业煤加热过程中，对煤从初始温度加热到拟定的上限温度150℃。在系统加热过程中，每间隔30 s对煤炭进行温度采集并记录，同时记录该时刻的输入功率和反射功率值。

2 实验结果及分析

2.1 BP模型预测

在BP模型预测中，预测值与实际值对比如图2所示，误差分析如图3所示。

2.2 PSO-BP模型预测

在PSO-BP模型预测中，预测值与实际值如图4所示，误差分析如图5所示。

2.3 结果分析

（1）BP和PSO-BP两个模型的预测值都比较趋近实际值，但部分点误差较大，原因如下：①在工业中，受外界干扰的情况较多；②采集时间间隔比较长，因此温度的涨幅相对较大；③由于加热对象煤是固体，因此存在热失控的点，但这些采集的特殊点的温度不能代表煤整体的温度，所以导致有些点误差较大。此时，预测值比测量值更能反映煤整体的真实温度。

（2）从预测的精度分析，PSO-BP预测的精度比纯BP要高。

综上，PSO-BP神经网络的模拟结果比BP神经网络更接近测量数据，精度更高，训练所需时间更少。

3 结论

本文针对微波加热物料系统具有时变性、滞后性和非线性的特性，建立神经网络预测模型。实验仿真结果表明，使用粒子群算法优化BP神经网络进行温度预测，能够达到最优的拟合效果，并提高了预测的速度和精度。这将为下一步的生产实践提供理论指导，为工业生产提供新的技术支持。

参考文献

[1] 张天琦，崔献奎，张兆镗.微波加热原理、特性和技术优势[J].筑路机械与施工机械化，2008，25（7）：10-14.

[2] 刘长军，申东雨.微波加热陶瓷中热失控现象的分析与控制[J].中国科学，2008，38（7）：1097-1105.

[3] 汪建宇，罗祥远.微波加热自动控制系统[J].微计算机信息，2003，19（10）：16-17.

[4] 王龙刚.基于PSO-BP的智能温度控制器[D].西安：西安科技大学，2012.

[5] 黄文秀.粒子群优化算法的发展研究[J].软件，2014（4）：73-77.

[6] 王龙刚，侯媛彬.BP-PSO在电加热炉中的温度智能预测[J].自动化仪表，2013，34（1）：54-56.

[7] 李松，刘力军，翟曼.改进粒子群算法优化BP神经网络的短时交通流预测[J].系统工程理论与实践，2012，32（9）：2045-2049.

[8] 张俊，沈轶.神经网络指数稳定性分析的一种方法[J].华中科技大学学报（自然科学版），2003，31（1）：7-9.

[9] 胡冰蕾.基于遗传优化的BP神经网络算法的短期负荷预测[J].供用电，2010，27（6）：42-44.

,