基于BP人工神經網絡算法的生物質熱值估算方法與流程
本發明涉及垃圾焚燒領域，具體而言涉及一種基于BP人工神經網絡算法的生物質熱值估算方法。
背景技術：
生物質熱值是設計生物質直燃鍋爐或生物質氣化爐中非常重要的參數之一。目前采用GB/T 30727-2014固體生物質燃料發熱量測定方法測量生物質熱值，測量方式較為復雜，并且不同的生物質熱值相差較大。因此，通常采用估算的方法獲取設計生物質直燃鍋爐或生物質氣化爐所需的生物質熱值。
現有的生物質熱值估算方法大多采用簡單線性模型，如Milne估算公式，或是直接套用煤粉熱值的估算方式。這種簡單的線性模型具有如下缺點：(1)需要的基礎參數較多，均需要完全使用生物質的元素分析結果及工業分析結果；(2)偏差較大，由于采用線性模型進行估算，不能很好地反映出各化學成分變動對熱值的影響，如纖維素、木質素、半纖維素等；(3)部分估算方法還涉及到模型參數的選取，帶有一定的人為因素。
因此，需要提出一種方法，以解決上述問題。
技術實現要素：
針對現有技術的不足，本發明提供一種基于BP人工神經網絡算法的生物質熱值估算方法，所述生物質熱值估算方法包括：
執行步驟a)，讀入生物質基礎數據庫讀取數據；
執行步驟b)，給定所述神經網絡中的隱藏層的神經節點數；
執行步驟c)，給定連接所述神經網絡中的輸入層與隱藏層的權重系數；
執行步驟d)，使用所述權重系數對已知生物質的熱值進行估算，得到預測結果；
執行步驟e)，計算所述預測結果與測量結果的偏差；
當所述偏差小于5％時，執行步驟f)，記錄保存當前權重系數；
執行步驟g)，根據最終選取的神經節點數與權重系數，估算未知生物質的熱值。
在一個示例中，如果所述偏差不小于5％，則執行步驟h)，利用執行所述步驟d)得到的預測結果修正所述步驟c)中給定的權重系數，并返回到所述步驟d)，使用所述經過修正的權重系數對已知生物質的熱值重新進行估算。
在一個示例中，如果進行若干次所述修正估算后所述偏差仍不小于5％，則執行步驟i)，增加所述神經節點數后返回到所述步驟c)，重新給定連接所述輸入層與所述隱藏層的權重系數,再依次執行所述步驟d)和所述步驟e)，直至所述偏差小于5％。
在一個示例中，所述生物質基礎數據庫中的數據包括已知生物質元素分析、工業分析數據及熱值。
在一個示例中，所述BP人工神經網絡為三層神經網絡，包括所述輸入層、所述隱藏層和輸出層，所述輸入層表示生物質的元素分析、工業分析，所述輸出層為生物質熱值，所述隱藏層中的神經節點數在所述估算過程中動態決定。
在一個示例中，執行所述步驟g)得到的生物質熱值作為設計生物質直燃鍋爐或生物質氣化爐的參數。
根據本發明，使用BP人工神經網絡的方式對生物質熱值進行估算，可以做到在保證一定精度的情況下減少需要的基礎參數，并同時減少估算誤差，模型系數均采用反向誤差傳遞的方式進行修正，使估算結果最為貼近測量結果。
附圖說明
本發明的下列附圖在此作為本發明的一部分用于理解本發明。附圖中示出了本發明的實施例及其描述，用來解釋本發明的原理。
附圖中：
圖1為人工神經網絡的示意圖；
圖2為根據本發明示例性實施例的方法估算生物質熱值的步驟的流程圖；
圖3為現有的生物質氣化爐的示意性剖面圖。
具體實施方式
在下文的描述中，給出了大量具體的細節以便提供對本發明更為徹底的理解。然而，對于本領域技術人員而言顯而易見的是，本發明可以無需一個或多個這些細節而得以實施。在其他的例子中，為了避免與本發明發生混淆，對于本領域公知的一些技術特征未進行描述。
為了徹底了解本發明，將在下列的描述中提出詳細的方法步驟和/或結構。顯然，本發明的施行并不限定于本領域的技術人員所熟悉的特殊細節。本發明的較佳實施例詳細描述如下，然而除了這些詳細描述外，本發明還可以具有其他實施方式。
應當理解的是，本發明能夠以不同形式實施，而不應當解釋為局限于這里提出的實施例。相反地，提供這些實施例將使公開徹底和完全，并且將本發明的范圍完全地傳遞給本領域技術人員。在附圖中，為了清楚，層和區的尺寸以及相對尺寸可能被夸大。自始至終相同附圖標記表示相同的元件。
應當理解的是，當在本說明書中使用術語“包含”和/或“包括”時，其指明存在所述特征、整體、步驟、操作、元件和/或組件，但不排除存在或附加一個或多個其他特征、整體、步驟、操作、元件、組件和/或它們的組合。單數形式的“一”、“一個”和“所述/該”也意圖包括復數形式，除非上下文清楚指出另外的方式。
現有的生物質熱值估算方法大多采用簡單線性模型，如Milne估算公式，或是直接套用煤粉熱值的估算方式。
門捷列夫根據燃料中各元素的發熱量，提出了適用于煤炭的低位發熱量計算公式：
Q＝339C+1030H-109(O-S)-25M
并且針對不同的煤種，還可以使用不同的線性擬合公式進行估算。
對于無煙煤：
Q＝335[100-(M+A)]+K-42A
對于煙煤：
Q＝K[100-(M+A)]-25A-167M
對于褐煤：
Q＝293[100-(M+A)]+K-21A
其中，K值的選取波動較大，需要根據燃料特性查表獲得，大致位于209～2303之間。
Milne根據生物質的特性，提出了生物質高位熱值的計算方法：
Q＝341C+1322H-1200-120N+68.6S-15.3A
上述公式中，Q表示熱量，單位kJ/kg；C、H、O、N、S分別表示燃料元素分析中的碳、氫、氧、氮、硫的元素含量；M、A分別表示燃料工業分析中水分與灰分的含量。
上述兩種方法均能根據生物質的元素分析與工業分析對生物質的熱值進行估算。
這種簡單的線性模型具有如下兩個缺點：(1)需要的基礎參數較多，均需要完全使用生物質的元素分析結果及工業分析結果；(2)偏差較大，由于采用線性模型進行估算，不能很好地反映出各化學成分變動對熱值的影響，如纖維素、木質素、半纖維素等；(3)部分估算方法還涉及到模型參數的選取，帶有一定的人為因素。
本發明針對上述估算方法的弊端，使用BP人工神經網絡的方式對生物質熱值進行估算，可以做到在保證一定精度的情況下減少需要的基礎參數，并同時減少估算誤差，模型系數均采用反向誤差傳遞的方式進行修正，使估算結果最為貼近測量結果。
神經網絡是一種運算模型，由大量的節點(或稱神經元)之間相互聯接構成，是對自然界某種算法或者函數的逼近。BP(Back Propagation，反向傳播)是一種按誤差逆傳播算法的神經網絡訓練方法，使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。
假定生物質熱值與工業分析、元素分析之間映射所構成的函數為連續的，根據Kolmogorov原理，任意連續函數都能夠通過三層的神經網絡實現，因此，如圖1所示，在構建人工神經網絡時選用最簡單的三層神經網絡，即輸入層、隱藏層、輸出層。其中，輸入層表示生物質的元素分析、工業分析，輸出層為生物質熱值，隱藏層中神經元的數量在計算過程中動態決定。
采用ECN-Phyllis數據庫中生物質的各分析數據及熱值作為基礎數據庫進行人工神經網絡的訓練。采用BP算法不斷修正輸入層至隱藏層之間的權重，采用sigmoid函數連接隱藏層與輸出層。
如圖2所示，其示出了基于BP人工神經網絡算法估算生物質熱值的步驟的流程圖。參照圖2，對整個估算過程詳細說明如下：
首先，計算程序開始，執行步驟a)，程序讀入生物質基礎數據庫，讀取編寫整理好的已知生物質元素分析、工業分析數據及熱值，并根據需要估算生物質的基本信息選取相應數據(如需要估算的生物質僅知C、H、揮發份數據，則也只選取已知生物質的C、H、揮發份數據及熱值)。
接著，執行步驟b)，根據經驗給定隱藏層的神經節點數。
接著，執行步驟c)，隨機給定連接輸入層與隱藏層的權重系數。
接著，執行步驟d)，使用權重系數對已知生物質的熱值進行估算，得到預測結果。
接著，執行步驟e)，計算預測結果與測量結果的偏差，若該偏差小于5％(一般工程上許可的誤差范圍，可以更小)，則執行步驟f)，記錄保存當前權重系數；若不然，則執行步驟h)，利用預測結果修正權重系數，并返回到步驟d)，使用經過修正的權重系數對已知生物質的熱值重新進行估算；若進行若干次修正估算后該偏差仍不能低于5％，則說明隱藏層中的神經元數量太少，執行步驟i)，增加神經節點數后返回到步驟c)，重新給定連接輸入層與隱藏層的權重系數,再依次執行步驟d)和步驟e)，直至該偏差小于5％。
最后，執行步驟g)，根據最終選取的神經節點數與權重系數，估算當前未知生物質的熱值后，結束計算程序。
本發明提出的基于BP人工神經網絡算法的生物質熱值估算方法具有以下優點：
(1)采用現有的生物質分析數據作為人工神經網絡訓練的基礎,可以保證估算結果的精確性；
(2)根據已有生物質工業分析或元素分析數據采用不同的方式進行人工神經網絡的訓練，減少對完整分析結果的依賴；
(3)根據人工神經網絡的訓練結果對模型中的參數進行動態修正，減少了人為因素帶來的誤差。
采用本發明提出的生物質熱值估算方法得到的生物質熱值可以作為設計生物質直燃鍋爐或生物質氣化爐的參數。
如圖3所示，其示出了一種常用的生物質氣化爐。
生物質原料由爐頂進入爐膛，堆積的料層由上至下分為四個區域：干燥區、裂解區、還原區和氧化區。在氧化區，氣化劑(空氣)由底部進入氣化爐，與生物質原料發生氧化反應，生成CO2、、CO、H2O等，同時放出熱量。在還原區，來自空氣中的氧氣被耗盡，由于供氧不足，生物質原料的燃燒不充分，產生CO，并放出熱量；同時，來自氧化區的CO2與生物質原料中的C發生還原反應，生成CO、CH4、CmHn、H2、H2O等，在此過程中，被加熱的生物質原料也發生裂解，其中的可燃氣體即揮發組分從原料中析出，成為燃氣的一部分，還原區中的原料因重力作用下落入氧化區。在裂解區，生物質原料被從還原區上來的熱氣體加熱，發生裂解反應，在此反應中，生物質中的大部分揮發組分得以揮發，裂解過程的產物有炭、焦油、H2、CO、CO2、CH4和水蒸氣等，該過程需要吸熱，裂解區產生的殘留物因重力作用進入還原區，而產生的熱氣體進入干燥區。在干燥區，生物質原料被來自裂解區的熱氣體加熱，其中的水分蒸發為水蒸氣，從而得以干燥，干燥后的物料因重力作用進入裂解區，而熱氣體成為燃氣被引出氣化爐使用。
本發明已經通過上述實施例進行了說明，但應當理解的是，上述實施例只是用于舉例和說明的目的，而非意在將本發明限制于所描述的實施例范圍內。此外本領域技術人員可以理解的是，本發明并不局限于上述實施例，根據本發明的教導還可以做出更多種的變型和修改，這些變型和修改均落在本發明所要求保護的范圍以內。本發明的保護范圍由附屬的權利要求書及其等效范圍所界定。
- 還沒有人留言評論。精彩留言會獲得點贊！