CN106650927A - 基于bp人工神经网络算法的生物质热值估算方法 - Google Patents

Abstract

本发明提供一种基于BP人工神经网络算法的生物质热值估算方法，所述生物质热值估算方法包括：读入生物质基础数据库读取数据；给定所述神经网络中的隐藏层的神经节点数；给定连接所述神经网络中的输入层与隐藏层的权重系数；使用所述权重系数对已知生物质的热值进行估算，得到预测结果；计算所述预测结果与测量结果的偏差；当所述偏差小于5％时，记录保存当前权重系数；根据最终选取的神经节点数与权重系数，估算未知生物质的热值。根据本发明，可以做到在保证一定精度的情况下减少需要的基础参数，并同时减少估算误差，模型系数均采用反向误差传递的方式进行修正，使估算结果最为贴近测量结果。

Description

基于BP人工神经网络算法的生物质热值估算方法

技术领域

本发明涉及垃圾焚烧领域，具体而言涉及一种基于BP人工神经网络算法的生物质热值估算方法。

背景技术

生物质热值是设计生物质直燃锅炉或生物质气化炉中非常重要的参数之一。目前采用GB/T 30727-2014固体生物质燃料发热量测定方法测量生物质热值，测量方式较为复杂，并且不同的生物质热值相差较大。因此，通常采用估算的方法获取设计生物质直燃锅炉或生物质气化炉所需的生物质热值。

现有的生物质热值估算方法大多采用简单线性模型，如Milne估算公式，或是直接套用煤粉热值的估算方式。这种简单的线性模型具有如下缺点：(1)需要的基础参数较多，均需要完全使用生物质的元素分析结果及工业分析结果；(2)偏差较大，由于采用线性模型进行估算，不能很好地反映出各化学成分变动对热值的影响，如纤维素、木质素、半纤维素等；(3)部分估算方法还涉及到模型参数的选取，带有一定的人为因素。

因此，需要提出一种方法，以解决上述问题。

发明内容

针对现有技术的不足，本发明提供一种基于BP人工神经网络算法的生物质热值估算方法，所述生物质热值估算方法包括：

执行步骤a)，读入生物质基础数据库读取数据；

执行步骤b)，给定所述神经网络中的隐藏层的神经节点数；

执行步骤c)，给定连接所述神经网络中的输入层与隐藏层的权重系数；

执行步骤d)，使用所述权重系数对已知生物质的热值进行估算，得到预测结果；

执行步骤e)，计算所述预测结果与测量结果的偏差；

当所述偏差小于5％时，执行步骤f)，记录保存当前权重系数；

执行步骤g)，根据最终选取的神经节点数与权重系数，估算未知生物质的热值。

在一个示例中，如果所述偏差不小于5％，则执行步骤h)，利用执行所述步骤d)得到的预测结果修正所述步骤c)中给定的权重系数，并返回到所述步骤d)，使用所述经过修正的权重系数对已知生物质的热值重新进行估算。

在一个示例中，如果进行若干次所述修正估算后所述偏差仍不小于5％，则执行步骤i)，增加所述神经节点数后返回到所述步骤c)，重新给定连接所述输入层与所述隐藏层的权重系数,再依次执行所述步骤d)和所述步骤e)，直至所述偏差小于5％。

在一个示例中，所述生物质基础数据库中的数据包括已知生物质元素分析、工业分析数据及热值。

在一个示例中，所述BP人工神经网络为三层神经网络，包括所述输入层、所述隐藏层和输出层，所述输入层表示生物质的元素分析、工业分析，所述输出层为生物质热值，所述隐藏层中的神经节点数在所述估算过程中动态决定。

在一个示例中，执行所述步骤g)得到的生物质热值作为设计生物质直燃锅炉或生物质气化炉的参数。

根据本发明，使用BP人工神经网络的方式对生物质热值进行估算，可以做到在保证一定精度的情况下减少需要的基础参数，并同时减少估算误差，模型系数均采用反向误差传递的方式进行修正，使估算结果最为贴近测量结果。

附图说明

本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施例及其描述，用来解释本发明的原理。

附图中：

图1为人工神经网络的示意图；

图2为根据本发明示例性实施例的方法估算生物质热值的步骤的流程图；

图3为现有的生物质气化炉的示意性剖面图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

为了彻底了解本发明，将在下列的描述中提出详细的方法步骤和/或结构。显然，本发明的施行并不限定于本领域的技术人员所熟悉的特殊细节。本发明的较佳实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。

应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。在附图中，为了清楚，层和区的尺寸以及相对尺寸可能被夸大。自始至终相同附图标记表示相同的元件。

应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或附加一个或多个其他特征、整体、步骤、操作、元件、组件和/或它们的组合。单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。

现有的生物质热值估算方法大多采用简单线性模型，如Milne估算公式，或是直接套用煤粉热值的估算方式。

门捷列夫根据燃料中各元素的发热量，提出了适用于煤炭的低位发热量计算公式：

Q＝339C+1030H-109(O-S)-25M

并且针对不同的煤种，还可以使用不同的线性拟合公式进行估算。

对于无烟煤：

Q＝335[100-(M+A)]+K-42A

对于烟煤：

Q＝K[100-(M+A)]-25A-167M

对于褐煤：

Q＝293[100-(M+A)]+K-21A

其中，K值的选取波动较大，需要根据燃料特性查表获得，大致位于209～2303之间。

Milne根据生物质的特性，提出了生物质高位热值的计算方法：

Q＝341C+1322H-1200-120N+68.6S-15.3A

上述公式中，Q表示热量，单位kJ/kg；C、H、O、N、S分别表示燃料元素分析中的碳、氢、氧、氮、硫的元素含量；M、A分别表示燃料工业分析中水分与灰分的含量。

上述两种方法均能根据生物质的元素分析与工业分析对生物质的热值进行估算。

这种简单的线性模型具有如下两个缺点：(1)需要的基础参数较多，均需要完全使用生物质的元素分析结果及工业分析结果；(2)偏差较大，由于采用线性模型进行估算，不能很好地反映出各化学成分变动对热值的影响，如纤维素、木质素、半纤维素等；(3)部分估算方法还涉及到模型参数的选取，带有一定的人为因素。

本发明针对上述估算方法的弊端，使用BP人工神经网络的方式对生物质热值进行估算，可以做到在保证一定精度的情况下减少需要的基础参数，并同时减少估算误差，模型系数均采用反向误差传递的方式进行修正，使估算结果最为贴近测量结果。

神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成，是对自然界某种算法或者函数的逼近。BP(Back Propagation，反向传播)是一种按误差逆传播算法的神经网络训练方法，使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

假定生物质热值与工业分析、元素分析之间映射所构成的函数为连续的，根据Kolmogorov原理，任意连续函数都能够通过三层的神经网络实现，因此，如图1所示，在构建人工神经网络时选用最简单的三层神经网络，即输入层、隐藏层、输出层。其中，输入层表示生物质的元素分析、工业分析，输出层为生物质热值，隐藏层中神经元的数量在计算过程中动态决定。

采用ECN-Phyllis数据库中生物质的各分析数据及热值作为基础数据库进行人工神经网络的训练。采用BP算法不断修正输入层至隐藏层之间的权重，采用sigmoid函数连接隐藏层与输出层。

如图2所示，其示出了基于BP人工神经网络算法估算生物质热值的步骤的流程图。参照图2，对整个估算过程详细说明如下：

首先，计算程序开始，执行步骤a)，程序读入生物质基础数据库，读取编写整理好的已知生物质元素分析、工业分析数据及热值，并根据需要估算生物质的基本信息选取相应数据(如需要估算的生物质仅知C、H、挥发份数据，则也只选取已知生物质的C、H、挥发份数据及热值)。

接着，执行步骤b)，根据经验给定隐藏层的神经节点数。

接着，执行步骤c)，随机给定连接输入层与隐藏层的权重系数。

接着，执行步骤d)，使用权重系数对已知生物质的热值进行估算，得到预测结果。

接着，执行步骤e)，计算预测结果与测量结果的偏差，若该偏差小于5％(一般工程上许可的误差范围，可以更小)，则执行步骤f)，记录保存当前权重系数；若不然，则执行步骤h)，利用预测结果修正权重系数，并返回到步骤d)，使用经过修正的权重系数对已知生物质的热值重新进行估算；若进行若干次修正估算后该偏差仍不能低于5％，则说明隐藏层中的神经元数量太少，执行步骤i)，增加神经节点数后返回到步骤c)，重新给定连接输入层与隐藏层的权重系数,再依次执行步骤d)和步骤e)，直至该偏差小于5％。

最后，执行步骤g)，根据最终选取的神经节点数与权重系数，估算当前未知生物质的热值后，结束计算程序。

本发明提出的基于BP人工神经网络算法的生物质热值估算方法具有以下优点：

(1)采用现有的生物质分析数据作为人工神经网络训练的基础,可以保证估算结果的精确性；

(2)根据已有生物质工业分析或元素分析数据采用不同的方式进行人工神经网络的训练，减少对完整分析结果的依赖；

(3)根据人工神经网络的训练结果对模型中的参数进行动态修正，减少了人为因素带来的误差。

采用本发明提出的生物质热值估算方法得到的生物质热值可以作为设计生物质直燃锅炉或生物质气化炉的参数。

如图3所示，其示出了一种常用的生物质气化炉。

生物质原料由炉顶进入炉膛，堆积的料层由上至下分为四个区域：干燥区、裂解区、还原区和氧化区。在氧化区，气化剂(空气)由底部进入气化炉，与生物质原料发生氧化反应，生成CO₂、、CO、H₂O等，同时放出热量。在还原区，来自空气中的氧气被耗尽，由于供氧不足，生物质原料的燃烧不充分，产生CO，并放出热量；同时，来自氧化区的CO₂与生物质原料中的C发生还原反应，生成CO、CH₄、CmHn、H₂、H₂O等，在此过程中，被加热的生物质原料也发生裂解，其中的可燃气体即挥发组分从原料中析出，成为燃气的一部分，还原区中的原料因重力作用下落入氧化区。在裂解区，生物质原料被从还原区上来的热气体加热，发生裂解反应，在此反应中，生物质中的大部分挥发组分得以挥发，裂解过程的产物有炭、焦油、H₂、CO、CO₂、CH₄和水蒸气等，该过程需要吸热，裂解区产生的残留物因重力作用进入还原区，而产生的热气体进入干燥区。在干燥区，生物质原料被来自裂解区的热气体加热，其中的水分蒸发为水蒸气，从而得以干燥，干燥后的物料因重力作用进入裂解区，而热气体成为燃气被引出气化炉使用。

本发明已经通过上述实施例进行了说明，但应当理解的是，上述实施例只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是，本发明并不局限于上述实施例，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。本发明的保护范围由附属的权利要求书及其等效范围所界定。

Claims (6)

1.一种基于BP人工神经网络算法的生物质热值估算方法，其特征在于，包括：

执行步骤a)，读入生物质基础数据库读取数据；

执行步骤b)，给定所述神经网络中的隐藏层的神经节点数；

执行步骤c)，给定连接所述神经网络中的输入层与隐藏层的权重系数；

执行步骤d)，使用所述权重系数对已知生物质的热值进行估算，得到预测结果；

执行步骤e)，计算所述预测结果与测量结果的偏差；

当所述偏差小于5％时，执行步骤f)，记录保存当前权重系数；

执行步骤g)，根据最终选取的神经节点数与权重系数，估算未知生物质的热值。

2.根据权利要求1所述的方法，其特征在于，如果所述偏差不小于5％，则执行步骤h)，利用执行所述步骤d)得到的预测结果修正所述步骤c)中给定的权重系数，并返回到所述步骤d)，使用所述经过修正的权重系数对已知生物质的热值重新进行估算。

3.根据权利要求2所述的方法，其特征在于，如果进行若干次所述修正估算后所述偏差仍不小于5％，则执行步骤i)，增加所述神经节点数后返回到所述步骤c)，重新给定连接所述输入层与所述隐藏层的权重系数,再依次执行所述步骤d)和所述步骤e)，直至所述偏差小于5％。

4.根据权利要求1所述的方法，其特征在于，所述生物质基础数据库中的数据包括已知生物质元素分析、工业分析数据及热值。

5.根据权利要求1所述的方法，其特征在于，所述BP人工神经网络为三层神经网络，包括所述输入层、所述隐藏层和输出层，所述输入层表示生物质的元素分析、工业分析，所述输出层为生物质热值，所述隐藏层中的神经节点数在所述估算过程中动态决定。

6.根据权利要求1所述的方法，其特征在于，执行所述步骤g)得到的生物质热值作为设计生物质直燃锅炉或生物质气化炉的参数。