CN110567534B - 一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置 - Google Patents
一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置 Download PDFInfo
- Publication number
- CN110567534B CN110567534B CN201910853430.0A CN201910853430A CN110567534B CN 110567534 B CN110567534 B CN 110567534B CN 201910853430 A CN201910853430 A CN 201910853430A CN 110567534 B CN110567534 B CN 110567534B
- Authority
- CN
- China
- Prior art keywords
- heat
- combustion air
- temperature
- operating parameter
- melting furnace
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Glass Melting And Manufacturing (AREA)
Abstract
本申请公开了一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置,其中方法包括:获取待求解时刻时的第一环境温度、放热蓄热室中助燃空气的第一运行参数和蓄热蓄热室中烟气的第二运行参数;将所述第一环境温度、所述第一运行参数和所述第二运行参数输入至预置长短期记忆模型,得到所述待求解时刻时所述助燃空气的出口流量,解决了现有测量放热蓄热室中助燃空气的出口流量,需要使用价格昂贵的超高温流量计,导致成本较高的技术问题。
Description
技术领域
本申请涉及玻璃熔窑能效分析技术领域,尤其涉及一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置。
背景技术
随着科技技术的发展,玻璃制品越来越多。在环保意识日渐清晰的今天,有必要对生产玻璃制品的玻璃熔窑的能耗进行研究。
在对玻璃熔窑的能耗进行分析时,放热蓄热室中助燃空气的出口流量在一定程度上反应了玻璃熔窑的性能。因此,常常将放热蓄热室中助燃空气的出口流量作为研究对象进行研究。然而,放热蓄热室内部温度和烟气温度很高,普通流量计难以测量助燃空气的出口流量,需要使用超高温流量计,该超高温流量计价格昂贵,成本较高。
发明内容
有鉴于此,本申请提供了一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置,解决了现有测量放热蓄热室中助燃空气的出口流量,需要使用价格昂贵的超高温流量计,导致成本较高的技术问题。
本申请第一方面提供了一种玻璃熔窑中助燃空气出口流量的预测方法,包括:
获取待求解时刻时的第一环境温度、放热蓄热室中助燃空气的第一运行参数和蓄热蓄热室中烟气的第二运行参数,所述第一运行参数包括:入口温度、入口压力、入口流量、出口温度和出口压力,所述第二运行参数包括:入口温度、入口压力、出口温度、出口压力;
将所述第一环境温度、所述第一运行参数和所述第二运行参数输入至预置长短期记忆模型,得到所述待求解时刻时所述助燃空气的出口流量,所述预置长短期记忆模型为:
Vt=ot*σc(ct),
式中,σc为tanh函数,t为待求解时刻,ct为t时刻时预置长短期记忆模型的细胞状态,Vt为t时刻时放热蓄热室中助燃空气的出口流量,ot为t时刻时预置长短期记忆模型的输出门。
可选地,所述将所述第一环境温度、所述第一运行参数和所述第二运行参数输入至预置长短期记忆模型,得到所述待求解时刻时所述助燃空气的出口流量之前还包括:
对所述第一环境温度、所述第一运行参数和所述第二运行参数中缺失的数据进行插补处理。
可选地,所述将所述第一环境温度、所述第一运行参数和所述第二运行参数输入至预置长短期记忆模型,得到所述待求解时刻时所述助燃空气的出口流量之前还包括:
根据归一化公式,将所述第一环境温度、所述第一运行参数和所述第二运行参数进行归一化处理,所述归一化公式为:
可选地,还包括:
获取训练时刻的第二环境温度、所述放热蓄热室中助燃空气的第三运行参数和所述蓄热蓄热室中烟气的第四运行参数,所述第三运行参数包括:入口温度、入口压力、入口流量、出口温度、出口压力和出口流量,所述第四运行参数包括:入口温度、入口压力、出口温度、出口压力;
以长短期记忆网络为训练网络,所述第三运行参数中的出口流量为所述长短期记忆网络的输出结果,所述第二环境温度、所述第三运行参数中的其他参数、所述第四运行参数为所述长短期记忆网络的输入指标,对所述长短期记忆网络进行训练,得到所述预置长短期记忆模型。
可选地,还包括:
根据预置热量计算公式、所述助燃空气的出口流量,计算所述待求解时刻时所述助燃空气的显热,所述预置热量计算公式为:
式中,c3′为助燃空气出放热蓄热室时的比热容,t3′为助燃空气出玻璃熔窑时的温度,Vt为助燃空气的出口流量,Q3′为助燃空气的显热。
可选地,还包括:
根据预置热效率计算公式、所述助燃空气的显热,计算所述待求解时刻时所述玻璃熔窑中熔化池的热效率,所述预置热效率计算公式为:
式中,η熔化池为玻璃熔窑中熔化池的热效率,Q有效为玻璃熔窑有效热,Q输入,为熔化池输入的总热量,Qa为玻璃液带出显热,Qb为玻璃液带出潜热,Q1为燃料燃烧热,Q2为燃料显热,Q3′为助燃空气的显热,Q4为雾化介质带入热量,Q5为鼓泡空气显热,Q6为配合料显热,Q7为电能供入热。
可选地,还包括:
将待求解时刻的所述熔化池的热效率和预置热效率阈值进行对比,得到所述熔化池的热效率评估结果。
本申请第二方面提供了一种玻璃熔窑中助燃空气出口流量的预测装置,包括:
获取单元,用于获取待求解时刻时的第一环境温度、放热蓄热室中助燃空气的第一运行参数和蓄热蓄热室中烟气的第二运行参数,所述第一运行参数包括:入口温度、入口压力、入口流量、出口温度和出口压力,所述第二运行参数包括:入口温度、入口压力、出口温度、出口压力;
计算单元,用于将所述第一环境温度、所述第一运行参数和所述第二运行参数输入至预置长短期记忆模型,得到所述待求解时刻时所述助燃空气的出口流量,所述预置长短期记忆模型为:
Vt=ot*σc(ct),
式中,σc为tanh函数,t为待求解时刻,ct为t时刻时预置长短期记忆模型的细胞状态,Vt为t时刻时放热蓄热室中助燃空气的出口流量,ot为t时刻时预置长短期记忆模型的输出门。
本申请第三方面提供了一种玻璃熔窑中助燃空气出口流量的预测设备,包括:处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码的指令执行第一方面所述的玻璃熔窑中助燃空气出口流量的预测方法。
本申请第四方面提供了一种存储介质,所述存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的玻璃熔窑中助燃空气出口流量的预测方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供的一种玻璃熔窑中助燃空气出口流量的预测方法,包括:获取待求解时刻时的第一环境温度、放热蓄热室中助燃空气的第一运行参数和蓄热蓄热室中烟气的第二运行参数,第一运行参数包括:入口温度、入口压力、入口流量、出口温度和出口压力,第二运行参数包括:入口温度、入口压力、出口温度、出口压力;将第一环境温度、第一运行参数和第二运行参数输入至预置长短期记忆模型,得到待求解时刻时助燃空气的出口流量。本申请中,对于放热蓄热室中助燃空气的出口流量的测量不再使用价格高昂的超高温流量计测量实现,而是通过第一环境温度,第一运行参数、第二运行参数计算实现,且由于测量第一环境温度、第一运行参数和第二运行参数的测量设备价格低廉,使得放热蓄热室中助燃空气的出口流量的确定不再占用较高的成本,从而解决了现有测量放热蓄热室中助燃空气的出口流量,需要使用价格昂贵的超高温流量计,导致成本较高的技术问题。
附图说明
图1为本申请实施例中一种玻璃熔窑中助燃空气出口流量的预测方法的实施例一的流程示意图;
图2为本申请实施例中一种玻璃熔窑中助燃空气出口流量的预测方法的实施例二的流程示意图;
图3为本申请实施例中一种玻璃熔窑中助燃空气出口流量的预测装置的实施例的结构示意图;
图4为申请实施例中长短期记忆网络的结构示意图。
具体实施方式
本申请实施例提供了一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置,解决了现有测量放热蓄热室中助燃空气的出口流量,需要使用价格昂贵的超高温流量计,导致成本较高的技术问题。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显热,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以便于理解,下面对本申请中的一种玻璃熔窑中助燃空气出口流量的预测方法进行详细说明。
请参阅图1,图1为本申请实施例中一种玻璃熔窑中助燃空气出口流量的预测方法的实施例一的流程示意图,具体包括:
步骤101、获取待求解时刻时的第一环境温度、放热蓄热室中助燃空气的第一运行参数和蓄热蓄热室中烟气的第二运行参数。
需要说明的是,入口温度T1、入口压力P1、入口流量V1、出口温度T2和出口压力P2,第二运行参数包括:入口温度T3、入口压力P3、出口温度T4、出口压力P4。
第一环境温度为,待求解时刻时玻璃熔窑所处环境中的第一环境温度。
蓄热蓄热室中的烟气为蓄热蓄热室中的废气。
步骤102、将第一环境温度、第一运行参数和第二运行参数输入至预置长短期记忆模型,得到待求解时刻时助燃空气的出口流量。
需要说明的是,预置长短期记忆模型为:
Vt=ot*σc(ct),
式中,σc为tanh函数,t为待求解时刻,ct为t时刻时预置长短期记忆模型的细胞状态,Vt为t时刻时放热蓄热室中助燃空气的出口流量,ot为t时刻时预置长短期记忆模型的输出门。
本实施例中,对于放热蓄热室中助燃空气的出口流量的测量不再使用价格高昂的超高温流量计测量实现,而是通过第一环境温度,第一运行参数、第二运行参数计算实现,且由于测量第一环境温度、第一运行参数和第二运行参数的测量设备价格低廉,使得放热蓄热室中助燃空气的出口流量的确定不再占用较高的成本,从而解决了现有测量放热蓄热室中助燃空气的出口流量,需要使用价格昂贵的超高温流量计,导致成本较高的技术问题。
以上为本申请实施例提供的一种玻璃熔窑中助燃空气出口流量的预测方法的实施例一,以下为本申请实施例提供的一种玻璃熔窑中助燃空气出口流量的预测方法的实施例二。
请参阅图2,本申请实施例中一种玻璃熔窑中助燃空气出口流量的预测方法的实施例二的流程示意图,包括:
步骤201、获取训练时刻的第二环境温度、放热蓄热室中助燃空气的第三运行参数和蓄热蓄热室中烟气的第四运行参数。
需要说明的是,第三运行参数包括:入口温度T5、入口压力P5、入口流量V5、出口温度T6、出口压力P6和出口流量V6,第四运行参数包括:入口温度T7、入口压力P7、出口温度T8、出口压力P8。
第二环境温度为第二训练时刻时,玻璃熔窑所处环境中的第一环境温度。
步骤202、以长短期记忆网络为训练网络,第三运行参数中的出口流量为长短期记忆网络的输出结果,第二环境温度、第三运行参数中的其他参数、第四运行参数为长短期记忆网络的输入指标,对长短期记忆网络进行训练,得到预置长短期记忆模型。
需要说明的是,长短期记忆网络的结构示意图如图4所示,该长短期记忆网络的层数选择两层,选取MSE(Mean Square Error,均方差)作为损失函数,隐含层节点数m的选取根据公式确定,d为输入层单元数,h为输出层单元数,且具有如下关系:
ft′=σg(Wfxt′+UfVt′-1+bf);
it′=σg(Wixt′+UiVt′-1+bi);
ot′=σg(Woxt′+UoVt′-1+bo);
ct′=ft′*ct′-1+it′*σc(Wcxt′+UcVt′-1+bc);
上式中,σc为tanh函数,t′为训练时刻,ct为t′时刻时预置长短期记忆模型的细胞状态,Vt为t′时刻时放热蓄热室中助燃空气的出口流量,ot为t′时刻时预置长短期记忆模型的输出门,σg为sigmoid函数,xt为t′时刻时预置长短期记忆模型的输入参数,Vt-1为t′-1时刻时放热蓄热室中助燃空气的出口流量,ft为t′时刻时预置长短期记忆模型的遗忘门,ct-1为t′-1时刻时预置长短期记忆模型的细胞状态,it为t时刻时预置长短期记忆模型的输入门,Wo、Wc、Wf、Wi均属于权重矩阵W,W∈Rh×d,Uo、Uc、Uf、Ui均属于权重矩阵U,U∈Rh×d权重矩阵,bc、bf、bo、bi均属于偏置矩阵b,b∈Rh,其中,d为输入层单元数,h为输出层单元数,R为实数集合。
在训练过程中,首先初始化长短期记忆网络的权重参数和偏置参数,确定网络训练过程中的迭代次数N和每次迭代的权重参数调整比例。根据沿时间的误差反向传播算法计算长短期记忆网络的累积误差相对于权重参数和偏置参数的梯度,根据ADAM优化算法调整更新权值参数使得长短期记忆网络的累积误差最小。
步骤203、获取待求解时刻时的第一环境温度、放热蓄热室中助燃空气的第一运行参数和蓄热蓄热室中烟气的第二运行参数。
需要说明的是,入口温度T1、入口压力P1、入口流量V1、出口温度T2和出口压力P2,第二运行参数包括:入口温度T3、入口压力P3、出口温度T4、出口压力P4。
第一环境温度为,待求解时刻时玻璃熔窑所处环境中的第一环境温度。
步骤204、对第一环境温度、第一运行参数和第二运行参数中缺失的数据进行插补处理。
需要说明的是,为了确保长短期记忆网络计算得到的结果正确,本实施例中,在利用长短期记忆网络进行计算前,对第一环境温度、第一运行参数和第二运行参数中缺失的数据进行插补处理。用来插补的值可以个各数据对应的一个定值,或者是一个数值范围内随机选取的值,本实施例,对此不作具体限定。
可以理解的是,在插补处理前还可以滤波除去干扰,例如,采用卡尔曼滤波去除数据中的噪声。
步骤205、根据归一化公式,将第一环境温度、第一运行参数和第二运行参数进行归一化处理。
需要说明的是,归一化公式为:
式中,为归一化前的变量,xmin为的最小值,xmax为的最大值,x为归一后的变量,此时的值可以是入口温度T1、入口压力P1、入口流量V1、出口温度T2和出口压力P2,第二运行参数包括:入口温度T3、入口压力P3、出口温度T4、出口压力P4中的任意一个值,对应的便可得到归一化后的值。
为了提高计算时的计算速度,将第一环境温度、第一运行参数和第二运行参数进行归一化处理。
步骤206、将第一环境温度、第一运行参数和第二运行参数输入至预置长短期记忆模型,得到待求解时刻时助燃空气的出口流量。
需要说明的是,预置长短期记忆模型为:
Vt=ot*σc(ct),
式中,σc为tanh函数,t为待求解时刻,ct为t时刻时预置长短期记忆模型的细胞状态,Vt为t时刻时放热蓄热室中助燃空气的出口流量,ot为t时刻时预置长短期记忆模型的输出门。
步骤207、根据预置热量计算公式、助燃空气的出口流量,计算待求解时刻时助燃空气的显热。
需要说明的是,在得到放热蓄热室中助燃空气的出口流量后,可以进一步根据放热蓄热室中助燃空气的出口流量和热量计算公式,计算放热蓄热室中助燃空气的显热,其中热量计算公式为:
式中,c3′为助燃空气出放热蓄热室时的比热容,t3′为助燃空气出玻璃熔窑时的温度,Vt为助燃空气的出口流量,Q3′为助燃空气的显热。根据平均定压比热容随温度变化的表格进行四阶曲线拟合,得到温度与比热容的函数关系式,c3′=at3′ 3+bt3′ 2+ct3′+d,其中a、b、c、d均为常数。通过四阶曲线的拟合,对应就算得到的助燃空气的显热更准确。
步骤208、根据预置热效率计算公式、助燃空气的显热,计算待求解时刻时玻璃熔窑中熔化池的热效率。
需要说明的是,在得到放热蓄热室中助燃空气的显热后,可以根据放热蓄热室中助燃空气的显热和预置热效率计算公式,得到待求解时刻时玻璃熔窑中熔化池的热效率,其中,热量计算公式为:
式中,η熔化池为玻璃熔窑中熔化池的热效率,Q有效为玻璃熔窑有效热,Q输入,为熔化池输入的总热量,Qa为玻璃液带出显热,Qb为玻璃液带出潜热,Q1为燃料燃烧热,Q2为燃料显热,Q3′为助燃空气的显热,Q4为雾化介质带入热量,Q5为鼓泡空气显热,Q6为配合料显热,Q7为电能供入热。
可以理解的是,Qa为玻璃液带出显热,式中,mb为玻璃熔窑中出玻璃液质量,单位为千克每小时,ca为玻璃液在当前温度时的比热容,单位为千焦尔每千克每度,ta为玻璃液出玻璃熔窑时的温度,单位为开氏度。对应参照助燃空气的显热的说明,本实施例中同样可以通过四阶曲线拟合的方式得到ca与ta的对应关系,以提高玻璃液带出显热的计算准确率。
Qb为玻璃液带出潜热,Qb=mb×(Q硅+Q玻+Q蒸),式中,mb出玻璃熔窑中玻璃液质量,单位为千克每小时;Q硅为硅酸盐形成反应热,单位为千焦尔每千克,qi为各种原料硅酸盐形成反应热(以千克分解氧化物计),单位为千焦尔每千克,mbi为每千克粉料中,各种原料引入的分解氧化物质量,单位为千克每千克,mbf为熔成每千克玻璃液所需粉料量,单位为千克每千克;mfq为每千克粉料中逸出气体的质量,单位为千克每千克;mfs为每千克粉料配成配合料时添加的碎玻璃量,单位为千克每千克。
Q玻为形成玻璃液耗热,单位为千焦尔每千克,Q玻=347×mbf×(1-mfq)。
Q2为燃料显热,式中,c2为燃料进入玻璃熔窑时的比热容,单位为千焦尔每千克每度,t2为燃料进入玻璃熔窑时的温度,单位为开氏度。对应参照助燃空气的显热的说明,本实施例中同样可以通过四阶曲线拟合的方式得到c2与t2的对应关系,以提高燃料显热的计算准确率。
Q4为雾化介质带入热量,式中,V4为雾化压缩空气流量,单位为立方米每小时;c4为雾化压缩空气在当前温度的比热容,单位为千焦尔每立方米每度,t4为雾化压缩空气进入玻璃熔窑温度,单位为开氏度。对应参照助燃空气的显热的说明,本实施例中同样可以通过四阶曲线拟合的方式得到c4与t4的对应关系,以提高雾化介质带入热量的计算准确率。
Q5为鼓泡空气显热,式中,c5为鼓泡空气在当前温度的平均比热容,单位为千焦尔每立方米每度,t5为鼓泡空气进入玻璃熔窑时温度,单位为摄氏度(K),式中,V5为第i根鼓泡管进人体系的鼓泡空气量,单位为立方米每秒,ρ空为空气的密度。对应参照助燃空气的显热的说明,本实施例中同样可以通过四阶曲线拟合的方式得到c5与t5的对应关系,以提高鼓泡空气显热的计算准确率。
Q6为配合料显热,式中,mi为不同原料熔成每千克玻璃液所需粉料(湿基)量,单位为千克每秒;ci为粉料当前平均比热容,单位为千焦尔每千克每度,ti为粉料入窑温度,单位为开氏度;ms为熔制每千克玻璃液所需碎玻璃量,单位为千克每千克;cs为碎玻璃在当前温度时的平均比热容,单位为千焦尔每千克每度,ts为碎玻璃入窑温度,单位为开氏度。对应参照助燃空气的显热的说明,本实施例中同样可以通过四阶曲线拟合的方式得到ci与ti的对应关系、ts与cs的对应关系,以提高雾化介质带入热量的计算准确率。
Q7为电能供入热,Q7=nPi×10-3,式中,Pi为单根电极的电功率,n为电极数,单位为瓦。
步骤209、将待求解时刻的熔化池的热效率和预置热效率阈值进行对比,得到熔化池的热效率评估结果。
需要说明的是,在得到待求解时刻的熔化池的热效率,可以对待求解时刻的熔化池的热效率进行热效率评估,其中对比过程为,当熔化池的热效率小于预置热效率阈值时,判定熔化池的热效率不合格,当熔化池的热效率大于预置热效率阈值时,判定熔化池的热效率合格。
本实施例中,对于放热蓄热室中助燃空气的出口流量的测量不再使用价格高昂的超高温流量计测量实现,而是通过第一环境温度,第一运行参数、第二运行参数计算实现,且由于测量第一环境温度、第一运行参数和第二运行参数的测量设备价格低廉,使得放热蓄热室中助燃空气的出口流量的确定不再占用较高的成本,从而解决了现有测量放热蓄热室中助燃空气的出口流量,需要使用价格昂贵的超高温流量计,导致成本较高的技术问题。
以上为本申请实施例提供的一种玻璃熔窑中助燃空气出口流量的预测方法的实施例二,以下为本申请实施例提供的一种玻璃熔窑中助燃空气出口流量的预测装置的实施例,请参阅图3。
获取单元301,用于获取待求解时刻时的第一环境温度、放热蓄热室中助燃空气的第一运行参数和蓄热蓄热室中烟气的第二运行参数,第一运行参数包括:入口温度、入口压力、入口流量、出口温度和出口压力,第二运行参数包括:入口温度、入口压力、出口温度、出口压力;
计算单元302,用于将第一环境温度、第一运行参数和第二运行参数输入至预置长短期记忆模型,得到待求解时刻时助燃空气的出口流量,预置长短期记忆模型为:
Vt=ot*σc(ct),
式中,σc为tanh函数,t为待求解时刻,ct为t时刻时预置长短期记忆模型的细胞状态,Vt为t时刻时放热蓄热室中助燃空气的出口流量,ot为t时刻时预置长短期记忆模型的输出门。
本实施例中,对于放热蓄热室中助燃空气的出口流量的测量不再使用价格高昂的超高温流量计测量实现,而是通过第一环境温度,第一运行参数、第二运行参数计算实现,且由于测量第一环境温度、第一运行参数和第二运行参数的测量设备价格低廉,使得放热蓄热室中助燃空气的出口流量的确定不再占用较高的成本,从而解决了现有测量放热蓄热室中助燃空气的出口流量,需要使用价格昂贵的超高温流量计,导致成本较高的技术问题。
本申请实施例还提供了一种玻璃熔窑中助燃空气出口流量的预测设备,包括:处理器以及存储器;存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码的指令执行实施例一或实施例二的玻璃熔窑中助燃空气出口流量的预测方法。
本申请实施例还提供了一种存储介质,存储介质用于存储程序代码,程序代码用于执行实施例一或实施例二的玻璃熔窑中助燃空气出口流量的预测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的待安装电网网络,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个待安装电网网络,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (9)
1.一种玻璃熔窑中助燃空气出口流量的预测方法,其特征在于,包括:
获取待求解时刻时的第一环境温度、放热蓄热室中助燃空气的第一运行参数、蓄热蓄热室中烟气的第二运行参数,所述第一运行参数包括:入口温度、入口压力、入口流量、出口温度和出口压力,所述第二运行参数包括:入口温度、入口压力、出口温度、出口压力;
将所述第一环境温度、所述第一运行参数和所述第二运行参数输入至预置长短期记忆模型,得到所述待求解时刻时所述助燃空气的出口流量,所述预置长短期记忆模型为:
Vt=ot*σc(ct),
式中,σc为tanh函数,t为待求解时刻,ct为t时刻时预置长短期记忆模型的细胞状态,Vt为t时刻时放热蓄热室中助燃空气的出口流量,ot为t时刻时预置长短期记忆模型的输出门;
根据预置热效率计算公式、所述助燃空气的显热,计算所述待求解时刻时所述玻璃熔窑中熔化池的热效率,所述预置热效率计算公式为:
式中,η熔化池为玻璃熔窑中熔化池的热效率,Q有效为玻璃熔窑有效热,Q输入’为熔化池输入的总热量,Qa为玻璃液带出显热,Qb为玻璃液带出潜热,Q1为燃料燃烧热,Q2为燃料显热,Q3'为助燃空气的显热,Q4为雾化介质带入热量,Q5为鼓泡空气显热,Q6为配合料显热,Q7为电能供入热;
Qa为:
式中,mb为玻璃熔窑中出玻璃液质量,单位为千克每小时,ca为玻璃液在当前温度时的比热容,单位为千焦尔每千克每度,ta为玻璃液出玻璃熔窑时的温度,单位为开氏度。
2.根据权利要求1所述的玻璃熔窑中助燃空气出口流量的预测方法,其特征在于,所述将所述第一环境温度、所述第一运行参数和所述第二运行参数输入至预置长短期记忆模型,得到所述待求解时刻时所述助燃空气的出口流量之前还包括:
对所述第一环境温度、所述第一运行参数和所述第二运行参数中缺失的数据进行插补处理。
4.根据权利要求1所述的玻璃熔窑中助燃空气出口流量的预测方法,其特征在于,还包括:
获取训练时刻的第二环境温度、所述放热蓄热室中助燃空气的第三运行参数和所述蓄热蓄热室中烟气的第四运行参数,所述第三运行参数包括:入口温度、入口压力、入口流量、出口温度、出口压力和出口流量,所述第四运行参数包括:入口温度、入口压力、出口温度、出口压力;
以长短期记忆网络为训练网络,所述第三运行参数中的出口流量为所述长短期记忆网络的输出结果,所述第二环境温度、所述第三运行参数中的其他参数、所述第四运行参数为所述长短期记忆网络的输入指标,对所述长短期记忆网络进行训练,得到所述预置长短期记忆模型。
6.根据权利要求5所述的玻璃熔窑中助燃空气出口流量的预测方法,其特征在于,还包括:
将待求解时刻的所述熔化池的热效率和预置热效率阈值进行对比,得到所述熔化池的热效率评估结果。
7.一种玻璃熔窑中助燃空气出口流量的预测装置,其特征在于,包括:
获取单元,用于获取待求解时刻时的第一环境温度、放热蓄热室中助燃空气的第一运行参数和蓄热蓄热室中烟气的第二运行参数,所述第一运行参数包括:入口温度、入口压力、入口流量、出口温度和出口压力,所述第二运行参数包括:入口温度、入口压力、出口温度、出口压力;
计算单元,用于将所述第一环境温度、所述第一运行参数和所述第二运行参数输入至预置长短期记忆模型,得到所述待求解时刻时所述助燃空气的出口流量,所述预置长短期记忆模型为:
Vt=ot*σc(ct),
式中,σc为tanh函数,t为待求解时刻,ct为t时刻时预置长短期记忆模型的细胞状态,Vt为t时刻时放热蓄热室中助燃空气的出口流量,ot为t时刻时预置长短期记忆模型的输出门;
预置热效率计算,用于根据预置热效率计算公式、所述助燃空气的显热,计算所述待求解时刻时所述玻璃熔窑中熔化池的热效率,所述预置热效率计算公式为:
式中,η熔化池为玻璃熔窑中熔化池的热效率,Q有效为玻璃熔窑有效热,Q输入’为熔化池输入的总热量,Qa为玻璃液带出显热,Qb为玻璃液带出潜热,Q1为燃料燃烧热,Q2为燃料显热,Q3'为助燃空气的显热,Q4为雾化介质带入热量,Q5为鼓泡空气显热,Q6为配合料显热,Q7为电能供入热;
Qa为:
式中,mb为玻璃熔窑中出玻璃液质量,单位为千克每小时,ca为玻璃液在当前温度时的比热容,单位为千焦尔每千克每度,ta为玻璃液出玻璃熔窑时的温度,单位为开氏度。
8.一种玻璃熔窑中助燃空气出口流量的预测设备,其特征在于,包括:处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码的指令执行权利要求1至6中任一项所述的玻璃熔窑中助燃空气出口流量的预测方法。
9.一种存储介质,其特征在于,所述存储介质用于存储程序代码,所述程序代码用于执行权利要求1至6中任一项所述的玻璃熔窑中助燃空气出口流量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853430.0A CN110567534B (zh) | 2019-09-10 | 2019-09-10 | 一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853430.0A CN110567534B (zh) | 2019-09-10 | 2019-09-10 | 一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110567534A CN110567534A (zh) | 2019-12-13 |
CN110567534B true CN110567534B (zh) | 2021-08-13 |
Family
ID=68778829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910853430.0A Active CN110567534B (zh) | 2019-09-10 | 2019-09-10 | 一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110567534B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898846B (zh) * | 2020-06-04 | 2023-12-05 | 浙江电力交易中心有限公司 | 电力消费量缺失数据的提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108251591A (zh) * | 2018-01-15 | 2018-07-06 | 上海大学 | 利用lstm系统的顶底复合吹炼转炉生产工艺控制方法 |
CN108826989A (zh) * | 2018-06-29 | 2018-11-16 | 鞍钢股份有限公司 | 一种辐射管燃烧性能热模拟试验炉及方法 |
CN109063939A (zh) * | 2018-11-01 | 2018-12-21 | 华中科技大学 | 一种基于邻域门长短期记忆网络的风速预测方法及系统 |
CN110084367A (zh) * | 2019-04-19 | 2019-08-02 | 安徽农业大学 | 一种基于lstm深度学习模型的土壤墒情预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10855550B2 (en) * | 2016-11-16 | 2020-12-01 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
-
2019
- 2019-09-10 CN CN201910853430.0A patent/CN110567534B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108251591A (zh) * | 2018-01-15 | 2018-07-06 | 上海大学 | 利用lstm系统的顶底复合吹炼转炉生产工艺控制方法 |
CN108826989A (zh) * | 2018-06-29 | 2018-11-16 | 鞍钢股份有限公司 | 一种辐射管燃烧性能热模拟试验炉及方法 |
CN109063939A (zh) * | 2018-11-01 | 2018-12-21 | 华中科技大学 | 一种基于邻域门长短期记忆网络的风速预测方法及系统 |
CN110084367A (zh) * | 2019-04-19 | 2019-08-02 | 安徽农业大学 | 一种基于lstm深度学习模型的土壤墒情预测方法 |
Non-Patent Citations (1)
Title |
---|
马蹄焰玻璃窑能耗建模与局部能耗标杆研究;李骏;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20190131;B015-773 * |
Also Published As
Publication number | Publication date |
---|---|
CN110567534A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Demand response potential evaluation for residential air conditioning loads | |
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
CN103014329B (zh) | 一种环冷鼓风机控制方法 | |
CN107038307B (zh) | 机理与数据相结合的辊道窑温度预测集成建模方法 | |
Deb et al. | A machine learning-based framework for cost-optimal building retrofit | |
Artelt et al. | On the relevance of accounting for the evolution of the fractal dimension in aerosol process simulations | |
CN110567534B (zh) | 一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置 | |
Seo et al. | Data-driven approach to predicting the energy performance of residential buildings using minimal input data | |
CN108197764A (zh) | 预测电力企业综合能耗的方法及其设备 | |
Zhao et al. | Prediction of coal ash fusion temperature by least-squares support vector machine model | |
CN101968832A (zh) | 基于构造-剪枝混合优化rbf网络的煤灰熔点预测方法 | |
Wu et al. | Experimental and numerical studies on lithium-ion battery heat generation behaviors | |
CN108804789A (zh) | 一种陶瓷喷雾干燥过程能耗建模方法 | |
CN116050955B (zh) | 基于数字孪生的二氧化碳排放量统计方法、装置及设备 | |
Matian et al. | An experimentally validated heat transfer model for thermal management design in polymer electrolyte membrane fuel cells | |
CN115632181A (zh) | 锂电池温度预警方法、系统、存储介质及终端 | |
CN107066659A (zh) | 一种利用极限学习机预测水泥分解炉温度的方法 | |
Tang et al. | Fast Prediction of Heat Flux Distribution in Boilers Using Computational Fluid Dynamics Simulation Data via Multi-Extreme Learning Machines | |
RU2566641C2 (ru) | Способ учета тепловой энергии, отдаваемой отопительным прибором | |
Badhuk et al. | Optimizing Chemical Reaction Mechanisms: Evaluating Parameter-Free Metaheuristic Algorithms and Gradient-Based Optimization | |
Wang et al. | Optimised operation study of load aggregator based on UCCP‐IDR model | |
Reveshti et al. | Energy consumption prediction in an office building by examining occupancy rates and weather parameters using the moving average method and artificial neural network | |
CN103065001A (zh) | 一种基于非稳态cfd模拟的烘房工艺设计方法 | |
Chen et al. | Modelling and prediction for steel billet temperature of heating furnace | |
CN113011068B (zh) | 一种步进梁式板坯加热三维模拟仿真方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |