基于神经网络的飞灰含碳量预测方法、系统和可读介质

摘要

本发明属于含碳量检测技术领域，涉及一种基于神经网络的飞灰含碳量预测方法、系统和可读介质，包括以下步骤：S1：采集已知飞灰的工业分析成分；S2：将工业分析成分带入初级神经网络中进行训练，并分别建立若干表征飞灰燃烧程度的模型；S3：将表征飞灰燃烧程度的模型预测的燃烧程度以及工业分析成分带入次级神经网络中进行训练，获得飞灰含碳量模型；S4：将待测飞灰的工业分析成分，并将其带入飞灰含碳量模型获得待测飞灰的含碳量。其能够有效区分各运行参数和煤种对锅炉飞灰含碳量的影响权重，影响提高了锅炉飞灰含碳量的预测精准度，从而有利于指导锅炉运行优化，最终提高燃烧效率。

说明书

技术领域

本发明涉及一种基于神经网络的飞灰含碳量预测方法、系统和可读介质，属于含碳量检测技术领域。

背景技术

循环流化床(CFB)锅炉因为其煤种适应能力强的特点，被广泛应用于低热值煤的燃烧。近年来，达到超临界、超低能耗、超低排放的“三超”标准成为新一代CFB锅炉技术的目标。对于锅炉来说，为了实现超低能耗，就必须提高燃烧效率。其中，飞灰含碳量是影响锅炉燃烧效率的一项重要指标。在锅炉运行中，实际煤种往往会偏离设计煤种，导致飞灰含碳量增大。因此，需要研究煤种变化对飞灰含碳量的影响特性，从而指导锅炉运行优化，最终提高燃烧效率。影响锅炉飞灰含碳量的因素众多，包括煤种、锅炉设计结构、运行参数等，所以无法采用简单的公式对其进行估算。目前国内电厂大多采用燃烧失重法对飞灰含碳量一天一测，但实炉测试工作量大，测试工况有限，影响因素多，互相叠加，导致数据分析困难。而锅炉燃用煤种和操作参数千变万化，不可能保证在试验工况下运行，导致偏离燃烧调整获得的最佳工况，而无法获得最低的飞灰含碳量。

发明内容

针对上述问题，本发明的目的是提供一种基于神经网络的飞灰含碳量预测方法、系统和可读介质，其能够有效区分各运行参数和煤种对锅炉飞灰含碳量的影响权重，影响提高了锅炉飞灰含碳量的预测精准度，从而有利于指导锅炉运行优化，最终提高燃烧效率。

为实现上述目的，本发明采取以下技术方案：一种基于神经网络的飞灰含碳量预测方法，包括以下步骤：S1：采集已知飞灰的工业分析成分；S2：将工业分析成分带入初级神经网络中进行训练，并分别建立若干表征飞灰燃烧程度的模型；S3：将表征飞灰燃烧程度的模型预测的燃烧程度以及工业分析成分带入次级神经网络中进行训练，获得飞灰含碳量模型；S4：将待测飞灰的工业分析成分，并将其带入飞灰含碳量模型获得待测飞灰的含碳量。

进一步，步骤S1中的工业分析成分为飞灰的灰分、水分、挥发组分和固定碳。

进一步，步骤S2中表征飞灰燃烧程度的模型包括三个子模型，其分别为低位发热量模型、给煤量模型和总风量模型。

进一步，低位发热量的预测方法为：将灰分、水分、挥发组分和固定碳带入初级神经网络模型进行训练，建立低位发热量模型，确定各成分对应的输出权重，根据输出权重获得预测的低位发热量。

进一步，给煤量的预测方法为：将灰分、水分、挥发组分、固定碳、预测的低位发热量和主蒸汽流量带入初级神经网络模型进行训练，建立给煤量模型，确定各成分对应的输出权重，根据输出权重获得预测的给煤量。

进一步，总风量的预测方法为：将灰分、水分、挥发组分、固定碳、预测的给煤量、预测的低位发热量和烟气含氧量带入初级神经网络模型进行训练，建立总风量模型，确定各成分对应的输出权重，根据输出权重获得预测的总风量。

进一步，次级神经网络的隐含层数根据隐含层数随离散程度RMS的变化关系确定，选取离散程度RMS最小的点的隐含层数作为最终的次级神经网络的隐含层数。

进一步，经过训练的次级神经的离散程度RMS的计算公式为：

其中，n表示神经元个数，y

本发明还公开了一种基于神经网络的飞灰含碳量预测系统，包括：成分采集模块，用于采集已知飞灰的工业分析成分；燃烧程度模型建立模块，用于将工业分析成分带入初级神经网络中进行训练，并分别建立若干表征飞灰燃烧程度的模型；含碳量模型建立模块，用于将表征飞灰燃烧程度的模型预测的燃烧程度以及工业分析成分带入次级神经网络中进行训练，获得飞灰含碳量模型；含碳量计算模块，用于将待测飞灰的工业分析成分，并将其带入飞灰含碳量模型获得待测飞灰的含碳量。

本发明还公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现上述任一项的基于神经网络的飞灰含碳量预测方法。

本发明由于采取以上技术方案，其具有以下优点：1、本发明可以有效区分各运行参数和煤种对锅炉飞灰含碳量的影响权重，影响提高了锅炉飞灰含碳量的预测精准度，从而有利于指导锅炉运行优化，最终提高燃烧效率。2、无论从拟合效果(R

附图说明

图1是本发明一实施例中基于神经网络的飞灰含碳量预测方法的流程图；

图2是本发明一实施例中的次级神经网络训练过程示意图；

图3是本发明一实施例中的各初级神经网络模型之间以及其与次级总神经网络的关系示意图；

图4是本发明一实施例中的离散程度RME值随隐含层数的变化趋势图。

具体实施方式

为了使本领域技术人员更好的理解本发明的技术方向，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。

本发明实施例提供了基于神经网络的飞灰含碳量预测方法、系统和可读介质。首先以已知飞灰，就是已经燃烧产生的飞灰，实际运行数据分别根据初级神经网络建立不同工业分析成分对低位发热量、给煤量和总风量的预测模型。再根据初级神经网络输出的低位发热量、给煤量和总风量预测值，加上工业分析成分，对次级神经网络进行训练，在将待预测的飞灰的工业分析成分输入经过训练的次级神经网络模型。本发明有效区分了各运行参数和煤种对锅炉飞灰含碳量的影响权重，影响提高了锅炉飞灰含碳量的预测精准度，从而有利于指导锅炉运行优化，最终提高燃烧效率。

实施例一

本实施例公开了一种基于神经网络的飞灰含碳量预测方法，包括以下步骤：

S1：采集已知飞灰的工业分析成分，该工业分析成分为飞灰的灰分、水分、挥发组分和固定碳。

S2：将工业分析成分带入初级神经网络中进行训练，并分别建立若干表征飞灰燃烧程度的模型。表征飞灰燃烧程度的模型包括三个子模型，其分别为低位发热量模型、给煤量模型和总风量模型。

神经网络模型的训练方法，如图1所示，首先初始化网络参数，并输入训练样本，在本实施例中训练样本就是飞灰的工业分析成分，通过神经网络的正向过程计算，计算网络输出值，该网络输出值为输出误差E，经过正向过程后，再通过神经网络的反向过程，计算反向误差，根据该反向误差更新各参数的权重和阈值，判断最终的输出误差是否小于允许值ε，如果是，则训练成功，储存权重和阈值，如果否，则判断是否达到最大的迭代次数，如果否，则返回神经网络的正向过程重新对模型进行训练，如果是，则判断训练失败，网络不收敛，结束训练。

图2是本实施例中的次级神经网络训练过程示意图，其中：w

输出层中第o个神经元的输出y

第i个样本对的神经网络学习误差为：

连接权值w

连接阈值w

其中：η为学习率，c是常数取(0,1]，u是激励函数自变量，f

如图2、3所示，低位发热量的预测方法为：将灰分、水分、挥发组分和固定碳带入初级神经网络模型进行训练，建立低位发热量模型，确定各成分对应的输出权重，根据输出权重获得预测的低位发热量。

给煤量的预测方法为：将灰分、水分、挥发组分、固定碳、预测的低位发热量和主蒸汽流量带入初级神经网络模型进行训练，建立给煤量模型，确定各成分对应的输出权重，根据输出权重获得预测的给煤量。

总风量的预测方法为：将灰分、水分、挥发组分、固定碳、预测的给煤量、预测的低位发热量和烟气含氧量带入初级神经网络模型进行训练，建立总风量模型，确定各成分对应的输出权重，根据输出权重获得预测的总风量。

S3：将表征飞灰燃烧程度的模型预测的燃烧程度以及工业分析成分带入次级神经网络中进行训练，获得飞灰含碳量模型。

如图2、3所示，将灰分、水分、挥发组分和固定碳以及由步骤S2中模型预测得到的低位发热量模型、给煤量模型和总风量带入次级神经网络模型进行训练，训练的方法和图1中训练初级神经网络的方法相同，此处就不再赘述了。但对于次级神经网络模型需要对模型的隐含层数进行限定，因为BP神经网络性的隐含层数没有直接的公式来确定。如果隐含层数过少，则不能完全体现输入参数与输出参数之间的非线性关系；如果隐含层数过多，则会出现信息的冗余，导致神经网络的泛化性不好。故只能通过经验公式来确定大致范围

其中I，H和O分别是输入层，隐藏层和输出层中神经元的数量。

经过试验，得到离散程度RME值随隐含层数的变化趋势，如图4所示，次级神经网络的隐含层数根据隐含层数随离散程度RMS的变化趋势确定，选取离散程度RMS最小的点的隐含层数作为最终的次级神经网络的隐含层数。根据图4，最终可以选定隐含层数为5时，神经网络训练效果最佳。

经过训练的次级神经的离散程度RME的计算公式为：

其中，n表示神经元个数，y

S4：将待测飞灰的工业分析成分，并将其带入飞灰含碳量模型获得待测飞灰的含碳量。

实施例二

基于相同的发明构思，本实施例公开了一种基于神经网络的飞灰含碳量预测系统，包括：

成分采集模块，用于采集已知飞灰的工业分析成分；

燃烧程度模型建立模块，用于将工业分析成分带入初级神经网络中进行训练，并分别建立若干表征飞灰燃烧程度的模型；

含碳量模型建立模块，用于将表征飞灰燃烧程度的模型预测的燃烧程度以及工业分析成分带入次级神经网络中进行训练，获得飞灰含碳量模型；

含碳量计算模块，用于将待测飞灰的工业分析成分，并将其带入飞灰含碳量模型获得待测飞灰的含碳量。

实施例三

为了进一步说明本发明中技术方案相对现有技术中其他计算飞灰含碳量方法的优势，本实施例通过一个具体案例对本发明的有益效果进行说明。

如表1所示，选取了国内某电厂循环流化床锅炉2018年2月-3月实际运行数据中的37组数据作为总样本建立神经网络母模型。

表1国内某电厂循环流化床锅炉2018年2月-3月实际运行数据表

实验样本被随机分为3组：80％的数据用来训练网络；10％的数据用来验证网络，防止过拟合；10％的数据用来测试网络的精确性。

把神经网络原始数据的输入层参数作为自变量，输出层参数，即飞灰含碳量作为因变量进行线性回归分析。BP神经网络的预测精度为R

本发明中不仅总的神经网络模型相对于现有技术具有较好的飞灰碳含量预测效果，其中的低位发热量模型、给煤量模型和总风量模型分别预测的低位发热量、给煤量和总风量的准确度也高于现有技术中方法。

对于低位发热量的预测，本发明中低位发热量模型的预测精度为R

其中，V

对于给煤量的预测，本发明中给煤量的预测精度为R

F

其中，F

该经验公式对给煤量的预测精度为R

对于总风量的预测，本发明中总风量的预测精度为R

V＝1.293V

式中，V为总风量；1.293V

显然，无论是拟合效果还是离散程度本申请中的神经网络模型预测飞灰含碳量的结果均由于现有模型因此，本发明中神经网络模型应用于循环流化床锅炉的飞灰含碳量预测结果更好。

实施例四

基于相同的发明构思，本实施例公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现上述任一项的基于神经网络的飞灰含碳量预测方法。

本申请是参照根据本申请实施例的方法流程来描述的，应理解可由计算机程序指令实现流程中的任一步骤和/或任意步骤的结合，可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令以完成流程中任一步骤和/或任意步骤的结合；这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机完成流程中任一步骤或任意步骤的结合。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。