CN117631546B - 一种基于负碳排放的智能化生物质气化炭化方法及系统 - Google Patents
一种基于负碳排放的智能化生物质气化炭化方法及系统 Download PDFInfo
- Publication number
- CN117631546B CN117631546B CN202410109606.2A CN202410109606A CN117631546B CN 117631546 B CN117631546 B CN 117631546B CN 202410109606 A CN202410109606 A CN 202410109606A CN 117631546 B CN117631546 B CN 117631546B
- Authority
- CN
- China
- Prior art keywords
- oxygen carrier
- gas flow
- reactivity
- furnace body
- stability
- 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
- 238000002309 gasification Methods 0.000 title claims abstract description 122
- 238000003763 carbonization Methods 0.000 title claims abstract description 102
- 239000002028 Biomass Substances 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 85
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 34
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 34
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 247
- 239000001301 oxygen Substances 0.000 claims abstract description 247
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 191
- 239000007789 gas Substances 0.000 claims abstract description 132
- 230000009257 reactivity Effects 0.000 claims abstract description 124
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000000556 factor analysis Methods 0.000 claims abstract description 10
- 238000013433 optimization analysis Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 53
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 13
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000002411 thermogravimetry Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims 2
- 230000006399 behavior Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000012876 carrier material Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E50/00—Technologies for the production of fuel of non-fossil origin
- Y02E50/10—Biofuels, e.g. bio-diesel
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请涉及生物质气化炭化技术领域,公开了一种基于负碳排放的智能化生物质气化炭化方法及系统。所述方法包括:通过火盆式气化炭化炉对目标生物质进行生物质气化炭化操作和操作参数采集,得到炉体压力参数和气体流速参数;进行反应性和稳定性分析,得到氧载体反应性特征和氧载体稳定性特征;进行气体流速影响因数分析,构建气体流速‑氧载体关系向量;进行炉体压力影响因数分析,得到炉体压力影响因数,构建炉体压力‑氧载体关系向量;将气体流速‑氧载体关系向量和炉体压力‑氧载体关系向量输入操作参数优化模型进行操作参数优化分析,生成目标操作参数组合,本申请提高了生物质气化炭化过程的控制准确率。
Description
技术领域
本申请涉及生物质气化炭化技术领域,尤其涉及一种基于负碳排放的智能化生物质气化炭化方法及系统。
背景技术
在当前社会中,对可再生能源的需求与日俱增,生物质气化炭化技术因其能够转化生物质废弃物为有用的能源资源而备受关注。然而,传统的生物质气化炭化方法存在着操作参数不稳定、能源利用率低以及氧载体性能不一致等问题,这直接影响了其在能源生产中的实际应用。因此,对生物质气化炭化过程进行智能化优化的研究显得尤为重要。
传统方法通常忽视了气体流速和炉体压力等关键参数的综合影响,导致了生产效率的低下和能源利用的不充分。同时,对于氧载体的反应性和稳定性分析通常过于简化,忽略了生产过程中氧载体性能的实际差异。
发明内容
本申请提供了一种基于负碳排放的智能化生物质气化炭化方法及系统,本申请提高了生物质气化炭化过程的控制准确率。
第一方面,本申请提供了一种基于负碳排放的智能化生物质气化炭化方法,所述基于负碳排放的智能化生物质气化炭化方法包括:
通过火盆式气化炭化炉对目标生物质进行生物质气化炭化操作和操作参数采集,得到初始操作参数组合,其中,所述初始操作参数组合包括:炉体压力参数和气体流速参数;
通过预置的均匀转化模型对所述目标生物质的氧载体进行反应性和稳定性分析,得到氧载体反应性数据和氧载体稳定性数据;
分别对所述氧载体反应性数据和所述氧载体稳定性数据进行特征提取,得到氧载体反应性特征和氧载体稳定性特征;
对所述气体流速参数进行气体流速影响因数分析,得到气体流速影响因数,并根据所述气体流速影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建气体流速-氧载体关系向量;
对所述炉体压力参数进行炉体压力影响因数分析,得到炉体压力影响因数,并根据所述炉体压力影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建炉体压力-氧载体关系向量;
将所述气体流速-氧载体关系向量和所述炉体压力-氧载体关系向量输入预置的操作参数优化模型进行操作参数优化分析,生成目标操作参数组合。
第二方面,本申请提供了一种基于负碳排放的智能化生物质气化炭化系统,所述基于负碳排放的智能化生物质气化炭化系统包括:
采集模块,用于通过火盆式气化炭化炉对目标生物质进行生物质气化炭化操作和操作参数采集,得到初始操作参数组合,其中,所述初始操作参数组合包括:炉体压力参数和气体流速参数;
分析模块,用于通过预置的均匀转化模型对所述目标生物质的氧载体进行反应性和稳定性分析,得到氧载体反应性数据和氧载体稳定性数据;
特征提取模块,用于分别对所述氧载体反应性数据和所述氧载体稳定性数据进行特征提取,得到氧载体反应性特征和氧载体稳定性特征;
构建模块,用于对所述气体流速参数进行气体流速影响因数分析,得到气体流速影响因数,并根据所述气体流速影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建气体流速-氧载体关系向量;
处理模块,用于对所述炉体压力参数进行炉体压力影响因数分析,得到炉体压力影响因数,并根据所述炉体压力影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建炉体压力-氧载体关系向量;
优化模块,用于将所述气体流速-氧载体关系向量和所述炉体压力-氧载体关系向量输入预置的操作参数优化模型进行操作参数优化分析,生成目标操作参数组合。
本申请提供的技术方案中,通过使用火盆式气化炭化炉,结合预置的模糊逻辑控制算法,实现了对目标生物质的智能气化炭化操作。这种智能化操作能够提高生产效率,减少操作人员的工作负担,确保气化炭化过程的高效运行。通过采集初始操作参数组合并利用预置的操作参数优化模型,实现了对气体流速和炉体压力等关键操作参数的优化。这有助于提高气化炭化过程的效率和能源利用效率,减少废物产生。通过均匀转化模型,对氧载体进行反应性和稳定性分析,得到了氧载体的关键性能数据。这有助于选择更适合的氧载体,提高气化炭化过程中的气体产率和稳定性。通过使用卷积门限循环网络和全连接层,实现了气体流速-氧载体关系向量和炉体压力-氧载体关系向量的多尺度特征融合。这有助于更全面地理解操作参数与氧载体性能之间的关系,提高模型的准确性。利用遗传优化算法,对初始操作参数组合进行群体初始化和优化分析。这种算法能够搜索参数空间中的最优解,提高了参数优化的全局性,进而提高了生物质气化炭化过程的控制准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中基于负碳排放的智能化生物质气化炭化方法的一个实施例示意图;
图2为本申请实施例中基于负碳排放的智能化生物质气化炭化系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种基于负碳排放的智能化生物质气化炭化方法及系统。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中基于负碳排放的智能化生物质气化炭化方法的一个实施例包括:
步骤101、通过火盆式气化炭化炉对目标生物质进行生物质气化炭化操作和操作参数采集,得到初始操作参数组合,其中,初始操作参数组合包括:炉体压力参数和气体流速参数;
可以理解的是,本申请的执行主体可以为基于负碳排放的智能化生物质气化炭化系统,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,通过预置的模糊逻辑控制算法控制火盆式气化炭化炉进行生物质气化炭化操作。该模糊逻辑控制算法是基于模糊数学原理设计的,能够处理不确定性和近似信息,通过设定的规则对火盆式气化炭化炉的操作状态进行动态调整,确保生物质气化炭化操作在最优条件下进行。对火盆式气化炭化炉进行操作参数采集,实时监控炉体的工作状态并记录相关数据,包括温度、压力、流速等参数,以获取目标控制数据集。对所得到的目标控制数据集进行参数分类,将数据分为不同的类别,如初始压力参数和初始流速参数等。通过聚类分析、主成分分析等数据处理技术,从大量操作数据中提取出对炉体操作最为关键的参数。对分类得到的初始压力参数和初始流速参数进行序列转换,将这些参数从原始的数据形式转换成更适合控制算法处理的形式,如数值序列或标准化数据等。将炉体压力参数和气体流速参数作为火盆式气化炭化炉的初始操作参数组合。
步骤102、通过预置的均匀转化模型对目标生物质的氧载体进行反应性和稳定性分析,得到氧载体反应性数据和氧载体稳定性数据;
具体的,通过预置的均匀转化模型对目标生物质的氧载体进行热重分析,通过持续监测生物质样品在加热过程中的质量变化,详细了解生物质在不同温度下的反应行为和分解特征,得到气化过程中的质量变化数据。对气化过程质量变化数据进行分析计算,得到平均炭气化反应性值。通过数学模型和算法将热重分析数据转化为能够反映氧载体反应性的数值指标。平均炭气化反应性值是一个量化指标,反映了氧载体在特定条件下与炭化物质反应的能力,是评估氧载体反应性的重要参数。根据平均炭气化反应性值对目标生物质的氧载体进行反应性分析,得到氧载体反应性数据。通过对比分析不同条件下的反应性值,得到氧载体的反应特性,包括其对温度、压力等环境因素的敏感度以及在不同条件下的反应速率和效率。根据平均炭气化反应性值对目标生物质的氧载体进行稳定性分析,得到氧载体稳定性数据。稳定性分析关注的是氧载体在反复使用或长期运行中的性能变化,包括其结构的稳定性、活性的持久性以及对反应副产物的抵抗能力。通过综合评估氧载体在多次气化炭化循环中的表现,得到其稳定性数据,这有助于确保生物质气化炭化过程的可靠性和持续性。
步骤103、分别对氧载体反应性数据和氧载体稳定性数据进行特征提取,得到氧载体反应性特征和氧载体稳定性特征;
具体的,通过预置的第一循环变分自编码器中的前向长短时记忆网络对氧载体反应性数据进行处理,前向LSTM网络能够捕捉到随时间变化的动态特性和潜在的前向隐藏特征,这些特征揭示了氧载体反应性的动态变化和时间依赖关系。通过后向LSTM网络以相反的时间顺序处理相同的氧载体反应性数据,从另一个时间方向捕捉数据的动态特性和潜在的后向隐藏特征。将反应性前向隐藏特征与反应性后向隐藏特征进行特征拼接,将两个方向的隐藏特征合并在一起,得到一个更全面、更丰富的氧载体反应性特征表示。同样地,通过预置的第二循环变分自编码器中的前向长短时记忆网络对氧载体稳定性数据进行前向隐藏特征提取,再通过相同编码器中的后向长短时记忆网络进行后向隐藏特征提取。分别捕捉稳定性数据随时间变化的前向和后向动态特性,从而揭示了氧载体稳定性的内在规律和时间依赖关系。将稳定性的前向隐藏特征和后向隐藏特征进行特征拼接,得到一个综合了时间序列前向和后向信息的氧载体稳定性特征表示。
步骤104、对气体流速参数进行气体流速影响因数分析,得到气体流速影响因数,并根据气体流速影响因数、氧载体反应性特征和氧载体稳定性特征构建气体流速-氧载体关系向量;
具体的,首先。对气体流速参数进行均值运算,从存在的噪声和异常值中提取出代表性的平均流速值,确保后续分析的准确性和可靠性。通过计算气体流速的均值,可以得到一个稳定的流速指标,反映了整个气化炭化过程中气体流动的平均状态。接下来。进行气体流速影响因数分析,识别和量化影响气体流速的主要因素,这包括炉体结构、操作压力、温度等多个方面。通过统计分析和数据建模,确定哪些因素对气体流速有显著影响,以及这些因素如何影响流速的变化,得到气体流速影响因数。根据气体流速影响因数对氧载体反应性特征和稳定性特征进行影响因数加权运算。将影响因数作为权重,调整氧载体的反应性和稳定性特征,以反映气体流速变化对这些特征的实际影响。通过加权运算,得到调整后的第一反应性特征和第一稳定性特征,这些特征更准确地反映了在实际流速条件下的氧载体行为。对气体流速均值、第一反应性特征和第一稳定性特征进行归一化处理和向量编码。归一化处理是为了消除不同参数量纲和数值范围带来的影响,使得这些特征在同一标度下可比较,便于进行数学处理和模型分析。向量编码则是将归一化后的数据转换为适合机器学习和数据分析的格式,即构建成气体流速-氧载体关系向量。
步骤105、对炉体压力参数进行炉体压力影响因数分析,得到炉体压力影响因数,并根据炉体压力影响因数、氧载体反应性特征和氧载体稳定性特征构建炉体压力-氧载体关系向量;
具体的,对炉体压力参数进行均值运算,从存在的数据波动和异常值中提取出一个代表整个气化炭化过程中炉体压力的平均水平,这个平均值是后续分析的基础,确保了数据的稳定性和可靠性。通过这种均值运算,得到炉体压力均值,它反映了炉体在整个气化炭化过程中的平均工作压力状态。进行炉体压力影响因数分析,识别和量化哪些因素会显著影响炉体压力的变化。的影响因素包括气体流速、炉体结构、操作温度等多个方面,通过对这些因素的统计分析和模型构建,确定哪些因素对炉体压力有显著影响,以及这些影响因素是如何作用的,从而得到炉体压力影响因数。根据得到的炉体压力影响因数对氧载体反应性特征和稳定性特征进行影响因数加权运算。通过将影响因数作为权重,调整氧载体的反应性和稳定性特征,以此反映炉体压力变化对这些特征的实际影响。通过加权运算,得到调整后的第二反应性特征和第二稳定性特征,这些特征更加准确地反映了在实际压力条件下氧载体的行为和性能。对炉体压力均值、第二反应性特征和第二稳定性特征进行归一化处理和向量编码。归一化处理是为了消除不同参数量纲和数值范围带来的影响,使得不同的特征在同一标准下可比较,便于进行数学处理和模型分析。向量编码则是将归一化后的特征转换为适合机器学习和数据分析的格式,即构建成炉体压力-氧载体关系向量。
步骤106、将气体流速-氧载体关系向量和炉体压力-氧载体关系向量输入预置的操作参数优化模型进行操作参数优化分析,生成目标操作参数组合。
具体的,将气体流速-氧载体关系向量和炉体压力-氧载体关系向量输入预置的操作参数优化模型中,该模型包括第一卷积门限循环网络、第二卷积门限循环网络、全连接层以及遗传优化算法。通过第一卷积门限循环网络对气体流速-氧载体关系向量进行卷积特征运算,对关系向量进行深层次分析和特征提取,得到第一卷积特征集合。这个集合包含了与气体流速和氧载体特性相关的关键信息。类似地,第二卷积门限循环网络对炉体压力-氧载体关系向量进行处理,通过卷积特征运算得到第二卷积特征集合,这个集合同样包含了炉体压力和氧载体特性之间复杂关系的关键信息。将两个卷积特征集合送入全连接层进行特征融合。通过ReLU函数等激活机制,将第一和第二卷积特征集合进行融合,得到一个综合了气体流速和炉体压力信息的融合卷积特征集合。通过遗传优化算法,以融合卷积特征集合为基础,对初始操作参数组合进行群体初始化,生成多个候选操作参数组合。这个过程模拟了生物进化中的自然选择和遗传机制,通过迭代的方式逐步寻找最优解。对每个候选操作参数组合计算其适应度数据,适应度数据反映了每个参数组合对整个气化炭化过程效率和效果的贡献。根据这些适应度数据,遗传优化算法继续对候选参数组合进行选择、交叉和变异操作,最终生成目标操作参数组合。
本申请实施例中,通过使用火盆式气化炭化炉,结合预置的模糊逻辑控制算法,实现了对目标生物质的智能气化炭化操作。这种智能化操作能够提高生产效率,减少操作人员的工作负担,确保气化炭化过程的高效运行。通过采集初始操作参数组合并利用预置的操作参数优化模型,实现了对气体流速和炉体压力等关键操作参数的优化。这有助于提高气化炭化过程的效率和能源利用效率,减少废物产生。通过均匀转化模型,对氧载体进行反应性和稳定性分析,得到了氧载体的关键性能数据。这有助于选择更适合的氧载体,提高气化炭化过程中的气体产率和稳定性。通过使用卷积门限循环网络和全连接层,实现了气体流速-氧载体关系向量和炉体压力-氧载体关系向量的多尺度特征融合。这有助于更全面地理解操作参数与氧载体性能之间的关系,提高模型的准确性。利用遗传优化算法,对初始操作参数组合进行群体初始化和优化分析。这种算法能够搜索参数空间中的最优解,提高了参数优化的全局性,进而提高了生物质气化炭化过程的控制准确率。
在一具体实施例中,执行步骤101的过程可以具体包括如下步骤:
(1)通过预置的模糊逻辑控制算法,控制火盆式气化炭化炉对目标生物质进行生物质气化炭化操作;
(2)对火盆式气化炭化炉进行操作参数采集,得到目标控制数据集;
(3)对目标控制数据集进行参数分类,得到初始压力参数和初始流速参数;
(4)分别对初始压力参数和初始流速参数进行序列转换,得到炉体压力参数和气体流速参数;
(5)将炉体压力参数和气体流速参数作为火盆式气化炭化炉的初始操作参数组合。
具体的,模糊逻辑控制算法基于模糊数学的原理,适用于处理那些难以用传统精确数学方法描述的控制问题。在气化炭化过程中,由于生物质的性质、环境条件和炉体特性等因素的多变性和不确定性,传统的精确控制方法无法实现最优控制。模糊逻辑控制算法通过模拟人类的决策逻辑,将不精确的输入信息转换为精确的控制输出,从而优化火盆式气化炭化炉的运行状态。具体来说,模糊逻辑控制器首先收集目标生物质的相关数据,如类型、湿度和能量含量,以及炉体的当前运行状态,如温度、压力等。控制器根据预设的模糊规则,如“如果温度高,则降低气体流速”或“如果生物质湿度高,则增加炉体压力”,对炉体进行调整。在对火盆式气化炭化炉进行操作参数采集的过程中,实时监测并记录炉体的运行参数,包括炉体温度、压力、气体流速、生物质投料速率等。这些数据被汇总为目标控制数据集。接下来,对目标控制数据集进行参数分类。通过数据处理技术如聚类分析、主成分分析等,将数据集中的参数分为不同的类别。得到初始压力参数和初始流速参数。对初始压力参数和初始流速参数进行序列转换。将这些参数从原始的数据格式转换为更适合于模糊逻辑控制算法处理的格式。例如,可以将这些参数转换为时间序列数据或归一化的数值,以便于算法更有效地处理这些数据。将炉体压力参数和气体流速参数作为火盆式气化炭化炉的初始操作参数组合。这些参数是控制火盆式气化炭化炉的基础,其准确性和合理性直接影响到操作的效果和效率。
在一具体实施例中,执行步骤102的过程可以具体包括如下步骤:
(1)通过预置的均匀转化模型对目标生物质的氧载体进行热重分析和参数测定,得到气化过程质量变化数据;
(2)对气化过程质量变化数据进行反应性值计算,得到平均炭气化反应性值;
(3)根据平均炭气化反应性值对目标生物质的氧载体进行反应性分析,得到氧载体反应性数据;
(4)根据平均炭气化反应性值对目标生物质的氧载体进行稳定性分析,得到氧载体稳定性数据。
具体的,均匀转化模型基于生物质气化炭化的化学反应原理,通过设定一系列假设和数学方程来模拟生物质在气化炭化过程中的质量变化、温度变化以及与氧载体的相互作用。模型通常会考虑到不同条件下的反应动力学特性,如温度、压力、氧载体类型等,以确保其预测结果的准确性和实用性。通过预置的均匀转化模型对目标生物质的氧载体进行热重分析和参数测定,热重分析通过在控制的条件下加热样本,并实时测量样本质量的变化来分析物质的热稳定性和组成。这些数据反映了生物质在不同温度下的分解特性,以及氧载体对这一过程的影响。在进行热重分析时,参数测定通常包括温度、时间、质量变化率、氧载体的加入量等。对气化过程质量变化数据进行反应性值计算。反应性值是一个关键参数,用于评估生物质在气化炭化过程中的反应能力。计算反应性值通常包括确定生物质分解的速率、识别不同分解阶段以及计算每个阶段的反应速率常数。通过这些计算,可以得到平均炭气化反应性值,这个值综合反映了生物质在整个气化炭化过程中的反应特性。接下来,对目标生物质的氧载体进行反应性分析。根据平均反应性值和其他相关参数,如氧载体的种类、表面特性、活性等,使用均匀转化模型对氧载体的反应性进行综合分析。这个分析不仅包括对氧载体反应速率和效率的评估,还涉及到对氧载体在不同条件下反应性变化的预测。从而得到氧载体反应性数据,这些数据详细描述了氧载体在生物质气化炭化过程中的行为和性能。根据平均炭气化反应性值对氧载体进行稳定性分析。稳定性分析关注的是氧载体在长期使用或在不同气化炭化循环中的性能变化。这包括评估氧载体的结构稳定性、反应活性的持久性以及对潜在催化剂毒化物质的抵抗能力。通过分析,得到氧载体稳定性数据,这些数据反映了氧载体在实际应用中的可靠性和寿命。稳定性数据对于选择和优化氧载体材料,确保气化炭化过程的持续高效运行至关重要。
在一具体实施例中,执行步骤103的过程可以具体包括如下步骤:
(1)通过预置的第一循环变分自编码器中的前向长短时记忆网络对氧载体反应性数据进行前向隐藏特征提取,得到反应性前向隐藏特征;
(2)通过预置的第一循环变分自编码器中的后向长短时记忆网络对氧载体反应性数据进行后向隐藏特征提取,得到反应性后向隐藏特征;
(3)对反应性前向隐藏特征和反应性后向隐藏特征进行特征拼接,得到氧载体反应性特征;
(4)通过预置的第二循环变分自编码器中的前向长短时记忆网络对氧载体稳定性数据进行前向隐藏特征提取,得到稳定性前向隐藏特征;
(5)通过预置的第二循环变分自编码器中的后向长短时记忆网络对氧载体稳定性数据进行后向隐藏特征提取,得到稳定性后向隐藏特征;
(6)对稳定性前向隐藏特征和稳定性后向隐藏特征进行特征拼接,得到氧载体稳定性特征。
具体的,长短时记忆网络是一种特殊的循环神经网络(RNN),能够捕捉序列数据中的长期依赖关系,而变分自编码器则是一种生成模型,能够学习到输入数据的压缩表示。通过预置的第一循环变分自编码器对氧载体的反应性数据进行处理。在该编码器中,前向长短时记忆网络用于处理时间序列数据,逐步学习和提取数据中的时间依赖关系和动态特征。前向LSTM网络从序列的开始到结束进行处理,捕捉从过去到未来的时间动态。当它处理氧载体反应性数据时,每一步都会产生一个隐藏状态,这些隐藏状态累积了前向时间序列中的信息。完成序列后,这些隐藏状态集合就构成了反应性的前向隐藏特征,它们包含了从序列开始到当前时刻的累积信息。接下来,通过第一循环变分自编码器中的后向长短时记忆网络对氧载体反应性数据进行处理,从序列的结束到开始,即逆向处理。后向LSTM的目的是捕捉从未来到过去的时间动态,提供一个与前向LSTM互补的视角。同样地,它在处理数据时也会产生一系列隐藏状态,这些隐藏状态集合构成了反应性的后向隐藏特征,包含了从序列结束到当前时刻的信息。接下来,将前向和后向隐藏特征进行特征拼接,得到氧载体反应性特征。同样地,通过前向长短时记忆网络对稳定性数据进行前向隐藏特征提取,后向LSTM进行后向隐藏特征提取,从稳定性数据中捕捉到关键的时间序列特征和动态。将这些前向和后向隐藏特征拼接起来,形成一个全面的稳定性特征表示。为了实现高效和准确的特征提取,需要对模型进行仔细的设计和调优,包括选择合适的网络结构、设置正确的超参数、进行充分的训练和验证等。此外,还需要对输入数据进行适当的预处理,如归一化、去噪等,以确保模型能够从中学习到有用的信息。
在一具体实施例中,执行步骤104的过程可以具体包括如下步骤:
(1)对气体流速参数进行均值运算,得到气体流速均值,并对气体流速均值进行气体流速影响因数分析,得到气体流速影响因数;
(2)根据气体流速影响因数对氧载体反应性特征和氧载体稳定性特征进行影响因数加权运算,得到第一反应性特征和第一稳定性特征;
(3)对气体流速均值、第一反应性特征和第一稳定性特征进行归一化处理和向量编码,得到气体流速-氧载体关系向量。
具体的,对气体流速参数进行均值运算,从存在的数据波动和异常值中提取出一个代表整个气化炭化过程中气体流速的平均水平,得到一个稳定且可靠的气体流速指标。对气体流速均值进行影响因数分析。识别和量化哪些因素会显著影响气体流速的变化。影响因素包括炉体结构、操作温度、氧载体种类等多个方面。通过对这些因素的统计分析和数据建模,确定哪些因素对气体流速有显著影响,以及这些影响因素是如何作用的,从而得到气体流速影响因数。这些影响因数直接关系到气体流速的调节和优化。接下来,根据气体流速影响因数对氧载体反应性特征和稳定性特征进行影响因数加权运算。将影响因数作为权重,调整氧载体的反应性和稳定性特征,以此反映气体流速变化对这些特征的实际影响。通过加权运算,得到调整后的第一反应性特征和第一稳定性特征,这些特征更加准确地反映了在实际流速条件下氧载体的行为和性能。对气体流速均值、第一反应性特征和第一稳定性特征进行归一化处理和向量编码。归一化处理是为了消除不同参数量纲和数值范围带来的影响,使得不同的特征在同一标准下可比较,便于进行数学处理和模型分析。向量编码则是将归一化后的特征转换为适合机器学习和数据分析的格式,即构建成气体流速-氧载体关系向量。这个关系向量综合了气体流速的影响因素以及氧载体的反应性和稳定性特征。例如,假设在一个生物质气化炭化过程中,气体流速受到炉体结构和操作温度的影响。炉体结构决定了气体的流动路径和阻力,而操作温度会影响气体的密度和流动速度。这些因素共同作用于气体流速,并构成了影响因数。在进行影响因数加权运算时,如果发现操作温度的变化对气体流速的影响更大,那么在调整氧载体反应性和稳定性特征时,会给予操作温度更高的权重。得到的第一反应性特征和第一稳定性特征将更加准确地反映出在实际操作温度条件下氧载体的性能。
在一具体实施例中,执行步骤105的过程可以具体包括如下步骤:
(1)对炉体压力参数进行均值运算,得到炉体压力均值,并对炉体压力均值进行炉体压力影响因数分析,得到炉体压力影响因数;
(2)根据炉体压力影响因数对氧载体反应性特征和氧载体稳定性特征进行影响因数加权运算,得到第二反应性特征和第二稳定性特征;
(3)对炉体压力均值、第二反应性特征和第二稳定性特征进行归一化处理和向量编码,得到炉体压力-氧载体关系向量。
具体的,对炉体压力参数进行均值运算,对一段时间内或一系列测量值的炉体压力进行平均计算。从存在的数据波动和异常值中提取出一个代表性的平均值,确保后续分析的基础是稳定且可靠的。通过计算得到的炉体压力均值反映了整个气化炭化过程中炉体的平均工作压力水平。接下来,进行炉体压力影响因数分析。识别和量化哪些因素会显著影响炉体压力的变化。影响因素包括气体流速、炉体结构、操作温度、生物质的类型和状态等。通过对这些因素的统计分析和模型构建,确定哪些因素对炉体压力有显著影响,以及这些影响因素是如何作用的。从而得到炉体压力影响因数,这些因数是后续进行影响因数加权运算的基础。根据得到的炉体压力影响因数对氧载体反应性特征和稳定性特征进行影响因数加权运算。将影响因数作为权重,调整氧载体的反应性和稳定性特征,以此反映炉体压力变化对这些特征的实际影响。通过加权运算,得到调整后的第二反应性特征和第二稳定性特征。这些特征更加准确地反映了在实际压力条件下氧载体的行为和性能。将炉体压力均值、第二反应性特征和第二稳定性特征进行归一化处理和向量编码。归一化处理是为了消除不同参数量纲和数值范围带来的影响,使得不同的特征在同一标准下可比较,便于进行数学处理和模型分析。向量编码则是将归一化后的特征转换为适合机器学习和数据分析的格式,即构建成炉体压力-氧载体关系向量。这个关系向量综合了炉体压力的影响因素以及氧载体的反应性和稳定性特征。例如,假设在一个生物质气化炭化过程中,炉体压力受到气体流速和生物质类型的影响。如果气体流速增加,会导致炉内压力升高;而某些类型的生物质由于其物理特性,使得在炭化时产生的气体更多,也会影响炉内压力。在进行影响因数加权运算时,如果发现生物质类型的变化对炉体压力的影响更大,那么在调整氧载体反应性和稳定性特征时,会给予生物质类型更高的权重。
在一具体实施例中,执行步骤106的过程可以具体包括如下步骤:
(1)将气体流速-氧载体关系向量和炉体压力-氧载体关系向量输入预置的操作参数优化模型,操作参数优化模型包括:第一卷积门限循环网络、第二卷积门限循环网络、全连接层以及遗传优化算法;
(2)通过第一卷积门限循环网络对气体流速-氧载体关系向量进行卷积特征运算,得到第一卷积特征集合;
(3)通过第二卷积门限循环网络对炉体压力-氧载体关系向量进行卷积特征运算,得到第二卷积特征集合;
(4)通过全连接层中的ReLU函数对第一卷积特征集合和第二卷积特征集合进行特征融合,得到融合卷积特征集合;
(5)通过遗传优化算法,根据融合卷积特征集合对初始操作参数组合进行群体初始化,得到多个候选操作参数组合;
(6)分别计算每个候选操作参数组合的适应度数据,并根据适应度数据对多个候选操作参数组合进行操作参数优化分析,生成目标操作参数组合。
具体的,将气体流速-氧载体关系向量输入第一卷积门限循环网络中。该网络结合了卷积神经网络(CNN)和门限循环单元(GRU)的特点,能够有效地提取时间序列数据中的空间特征和时间特征。CNN部分通过卷积层提取输入数据的空间特征,而GRU部分则负责捕捉数据中的时间依赖关系。通过这种结合,第一卷积门限循环网络能够对气体流速-氧载体关系向量进行深入的分析,并得到一组综合空间和时间特征的第一卷积特征集合。同样地,将炉体压力-氧载体关系向量输入第二卷积门限循环网络中进行处理。该网络用来处理和分析与炉体压力相关的数据。通过这个网络的处理,可以得到反映炉体压力-氧载体关系的第二卷积特征集合。接下来,通过全连接层中的ReLU(Rectified Linear Unit)函数,将第一卷积特征集合和第二卷积特征集合进行特征融合。ReLU函数提供了一种非线性变换,能够增加模型对数据的表达能力。通过这个全连接层,两组卷积特征被有效地融合在一起,形成一个综合了气体流速和炉体压力信息的融合卷积特征集合。通过遗传优化算法对这个融合卷积特征集合进行进一步的分析。遗传算法是一种模仿自然进化机制的优化算法,通过选择、交叉和变异等操作在候选解集中搜索最优解。在这个过程中,根据融合卷积特征集合对初始操作参数组合进行群体初始化,生成多个候选操作参数组合。为每个候选操作参数组合计算适应度数据,这些适应度数据反映了每个参数组合对气化炭化过程效率和效果的贡献。根据适应度数据,遗传算法对这些候选参数组合进行选择、交叉和变异操作,逐步迭代搜索,最终生成最优的目标操作参数组合。
上面对本申请实施例中基于负碳排放的智能化生物质气化炭化方法进行了描述,下面对本申请实施例中基于负碳排放的智能化生物质气化炭化系统进行描述,请参阅图2,本申请实施例中基于负碳排放的智能化生物质气化炭化系统一个实施例包括:
采集模块201,用于通过火盆式气化炭化炉对目标生物质进行生物质气化炭化操作和操作参数采集,得到初始操作参数组合,其中,所述初始操作参数组合包括:炉体压力参数和气体流速参数;
分析模块202,用于通过预置的均匀转化模型对所述目标生物质的氧载体进行反应性和稳定性分析,得到氧载体反应性数据和氧载体稳定性数据;
特征提取模块203,用于分别对所述氧载体反应性数据和所述氧载体稳定性数据进行特征提取,得到氧载体反应性特征和氧载体稳定性特征;
构建模块204,用于对所述气体流速参数进行气体流速影响因数分析,得到气体流速影响因数,并根据所述气体流速影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建气体流速-氧载体关系向量;
处理模块205,用于对所述炉体压力参数进行炉体压力影响因数分析,得到炉体压力影响因数,并根据所述炉体压力影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建炉体压力-氧载体关系向量;
优化模块206,用于将所述气体流速-氧载体关系向量和所述炉体压力-氧载体关系向量输入预置的操作参数优化模型进行操作参数优化分析,生成目标操作参数组合。
通过上述各个组成部分的协同合作,通过使用火盆式气化炭化炉,结合预置的模糊逻辑控制算法,实现了对目标生物质的智能气化炭化操作。这种智能化操作能够提高生产效率,减少操作人员的工作负担,确保气化炭化过程的高效运行。通过采集初始操作参数组合并利用预置的操作参数优化模型,实现了对气体流速和炉体压力等关键操作参数的优化。这有助于提高气化炭化过程的效率和能源利用效率,减少废物产生。通过均匀转化模型,对氧载体进行反应性和稳定性分析,得到了氧载体的关键性能数据。这有助于选择更适合的氧载体,提高气化炭化过程中的气体产率和稳定性。通过使用卷积门限循环网络和全连接层,实现了气体流速-氧载体关系向量和炉体压力-氧载体关系向量的多尺度特征融合。这有助于更全面地理解操作参数与氧载体性能之间的关系,提高模型的准确性。利用遗传优化算法,对初始操作参数组合进行群体初始化和优化分析。这种算法能够搜索参数空间中的最优解,提高了参数优化的全局性,进而提高了生物质气化炭化过程的控制准确率。
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,上述描述的系统,系统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。
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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、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 (8)
1.一种基于负碳排放的智能化生物质气化炭化方法,其特征在于,所述基于负碳排放的智能化生物质气化炭化方法包括:
通过火盆式气化炭化炉对目标生物质进行生物质气化炭化操作和操作参数采集,得到初始操作参数组合,其中,所述初始操作参数组合包括:炉体压力参数和气体流速参数;
通过预置的均匀转化模型对所述目标生物质的氧载体进行反应性和稳定性分析,得到氧载体反应性数据和氧载体稳定性数据;
分别对所述氧载体反应性数据和所述氧载体稳定性数据进行特征提取,得到氧载体反应性特征和氧载体稳定性特征;
对所述气体流速参数进行气体流速影响因数分析,得到气体流速影响因数,并根据所述气体流速影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建气体流速-氧载体关系向量;
对所述炉体压力参数进行炉体压力影响因数分析,得到炉体压力影响因数,并根据所述炉体压力影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建炉体压力-氧载体关系向量;
将所述气体流速-氧载体关系向量和所述炉体压力-氧载体关系向量输入预置的操作参数优化模型进行操作参数优化分析,生成目标操作参数组合。
2.根据权利要求1所述的基于负碳排放的智能化生物质气化炭化方法,其特征在于,所述通过火盆式气化炭化炉对目标生物质进行生物质气化炭化操作和操作参数采集,得到初始操作参数组合,其中,所述初始操作参数组合包括:炉体压力参数和气体流速参数,包括:
通过预置的模糊逻辑控制算法,控制火盆式气化炭化炉对目标生物质进行生物质气化炭化操作;
对所述火盆式气化炭化炉进行操作参数采集,得到目标控制数据集;
对所述目标控制数据集进行参数分类,得到初始压力参数和初始流速参数;
分别对所述初始压力参数和所述初始流速参数进行序列转换,得到炉体压力参数和气体流速参数;
将所述炉体压力参数和所述气体流速参数作为所述火盆式气化炭化炉的初始操作参数组合。
3.根据权利要求1所述的基于负碳排放的智能化生物质气化炭化方法,其特征在于,所述通过预置的均匀转化模型对所述目标生物质的氧载体进行反应性和稳定性分析,得到氧载体反应性数据和氧载体稳定性数据,包括:
通过预置的均匀转化模型对所述目标生物质的氧载体进行热重分析和参数测定,得到气化过程质量变化数据;
对所述气化过程质量变化数据进行反应性值计算,得到平均炭气化反应性值;
根据所述平均炭气化反应性值对所述目标生物质的氧载体进行反应性分析,得到氧载体反应性数据;
根据所述平均炭气化反应性值对所述目标生物质的氧载体进行稳定性分析,得到氧载体稳定性数据。
4.根据权利要求1所述的基于负碳排放的智能化生物质气化炭化方法,其特征在于,所述分别对所述氧载体反应性数据和所述氧载体稳定性数据进行特征提取,得到氧载体反应性特征和氧载体稳定性特征,包括:
通过预置的第一循环变分自编码器中的前向长短时记忆网络对所述氧载体反应性数据进行前向隐藏特征提取,得到反应性前向隐藏特征;
通过预置的第一循环变分自编码器中的后向长短时记忆网络对所述氧载体反应性数据进行后向隐藏特征提取,得到反应性后向隐藏特征;
对所述反应性前向隐藏特征和所述反应性后向隐藏特征进行特征拼接,得到氧载体反应性特征;
通过预置的第二循环变分自编码器中的前向长短时记忆网络对所述氧载体稳定性数据进行前向隐藏特征提取,得到稳定性前向隐藏特征;
通过预置的第二循环变分自编码器中的后向长短时记忆网络对所述氧载体稳定性数据进行后向隐藏特征提取,得到稳定性后向隐藏特征;
对所述稳定性前向隐藏特征和所述稳定性后向隐藏特征进行特征拼接,得到氧载体稳定性特征。
5.根据权利要求1所述的基于负碳排放的智能化生物质气化炭化方法,其特征在于,所述对所述气体流速参数进行气体流速影响因数分析,得到气体流速影响因数,并根据所述气体流速影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建气体流速-氧载体关系向量,包括:
对所述气体流速参数进行均值运算,得到气体流速均值,并对所述气体流速均值进行气体流速影响因数分析,得到气体流速影响因数;
根据所述气体流速影响因数对所述氧载体反应性特征和所述氧载体稳定性特征进行影响因数加权运算,得到第一反应性特征和第一稳定性特征;
对所述气体流速均值、所述第一反应性特征和所述第一稳定性特征进行归一化处理和向量编码,得到气体流速-氧载体关系向量。
6.根据权利要求1所述的基于负碳排放的智能化生物质气化炭化方法,其特征在于,所述对所述炉体压力参数进行炉体压力影响因数分析,得到炉体压力影响因数,并根据所述炉体压力影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建炉体压力-氧载体关系向量,包括:
对所述炉体压力参数进行均值运算,得到炉体压力均值,并对所述炉体压力均值进行炉体压力影响因数分析,得到炉体压力影响因数;
根据所述炉体压力影响因数对所述氧载体反应性特征和所述氧载体稳定性特征进行影响因数加权运算,得到第二反应性特征和第二稳定性特征;
对所述炉体压力均值、所述第二反应性特征和所述第二稳定性特征进行归一化处理和向量编码,得到炉体压力-氧载体关系向量。
7.根据权利要求1所述的基于负碳排放的智能化生物质气化炭化方法,其特征在于,所述将所述气体流速-氧载体关系向量和所述炉体压力-氧载体关系向量输入预置的操作参数优化模型进行操作参数优化分析,生成目标操作参数组合,包括:
将所述气体流速-氧载体关系向量和所述炉体压力-氧载体关系向量输入预置的操作参数优化模型,所述操作参数优化模型包括:第一卷积门限循环网络、第二卷积门限循环网络、全连接层以及遗传优化算法;
通过所述第一卷积门限循环网络对所述气体流速-氧载体关系向量进行卷积特征运算,得到第一卷积特征集合;
通过所述第二卷积门限循环网络对所述炉体压力-氧载体关系向量进行卷积特征运算,得到第二卷积特征集合;
通过所述全连接层中的ReLU函数对所述第一卷积特征集合和所述第二卷积特征集合进行特征融合,得到融合卷积特征集合;
通过所述遗传优化算法,根据所述融合卷积特征集合对所述初始操作参数组合进行群体初始化,得到多个候选操作参数组合;
分别计算每个候选操作参数组合的适应度数据,并根据所述适应度数据对所述多个候选操作参数组合进行操作参数优化分析,生成目标操作参数组合。
8.一种基于负碳排放的智能化生物质气化炭化系统,其特征在于,所述基于负碳排放的智能化生物质气化炭化系统包括:
采集模块,用于通过火盆式气化炭化炉对目标生物质进行生物质气化炭化操作和操作参数采集,得到初始操作参数组合,其中,所述初始操作参数组合包括:炉体压力参数和气体流速参数;
分析模块,用于通过预置的均匀转化模型对所述目标生物质的氧载体进行反应性和稳定性分析,得到氧载体反应性数据和氧载体稳定性数据;
特征提取模块,用于分别对所述氧载体反应性数据和所述氧载体稳定性数据进行特征提取,得到氧载体反应性特征和氧载体稳定性特征;
构建模块,用于对所述气体流速参数进行气体流速影响因数分析,得到气体流速影响因数,并根据所述气体流速影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建气体流速-氧载体关系向量;
处理模块,用于对所述炉体压力参数进行炉体压力影响因数分析,得到炉体压力影响因数,并根据所述炉体压力影响因数、所述氧载体反应性特征和所述氧载体稳定性特征构建炉体压力-氧载体关系向量;
优化模块,用于将所述气体流速-氧载体关系向量和所述炉体压力-氧载体关系向量输入预置的操作参数优化模型进行操作参数优化分析,生成目标操作参数组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109606.2A CN117631546B (zh) | 2024-01-26 | 2024-01-26 | 一种基于负碳排放的智能化生物质气化炭化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109606.2A CN117631546B (zh) | 2024-01-26 | 2024-01-26 | 一种基于负碳排放的智能化生物质气化炭化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117631546A CN117631546A (zh) | 2024-03-01 |
CN117631546B true CN117631546B (zh) | 2024-03-26 |
Family
ID=90036027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410109606.2A Active CN117631546B (zh) | 2024-01-26 | 2024-01-26 | 一种基于负碳排放的智能化生物质气化炭化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117631546B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453609A (zh) * | 2023-03-31 | 2023-07-18 | 深圳碳中和生物燃气股份有限公司 | 一种基于负碳排放的生物质处理方法及系统 |
CN116814302A (zh) * | 2023-08-09 | 2023-09-29 | 北京启迪中谷能源科技有限公司 | 一种生物质气化反应气化量监控方法、系统及存储介质 |
CN117008479A (zh) * | 2023-09-27 | 2023-11-07 | 深圳碳中和生物燃气股份有限公司 | 基于生物质气化炉的负碳排放优化控制方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101458872B1 (ko) * | 2013-07-03 | 2014-11-07 | 한국에너지기술연구원 | 서로 다른 산소공여입자를 사용하는 매체 순환 연소방법 및 장치 |
US20210024845A1 (en) * | 2019-07-22 | 2021-01-28 | Equatorial Equity Capital Partners, Inc. | Systems and Methods for Torrefaction of Biomass |
-
2024
- 2024-01-26 CN CN202410109606.2A patent/CN117631546B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453609A (zh) * | 2023-03-31 | 2023-07-18 | 深圳碳中和生物燃气股份有限公司 | 一种基于负碳排放的生物质处理方法及系统 |
CN116814302A (zh) * | 2023-08-09 | 2023-09-29 | 北京启迪中谷能源科技有限公司 | 一种生物质气化反应气化量监控方法、系统及存储介质 |
CN117008479A (zh) * | 2023-09-27 | 2023-11-07 | 深圳碳中和生物燃气股份有限公司 | 基于生物质气化炉的负碳排放优化控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
生物质炭燃烧及气化特性实验研究;潘伟林;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140215(第2期);第C041-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117631546A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114881101B (zh) | 一种基于仿生搜索的电力系统典型场景关联特征选择方法 | |
CN116010884A (zh) | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 | |
CN117631546B (zh) | 一种基于负碳排放的智能化生物质气化炭化方法及系统 | |
Tzoumpas et al. | A data filling methodology for time series based on CNN and (Bi) LSTM neural networks | |
CN116596408B (zh) | 一种储能集装箱温控能力评价方法及系统 | |
KR102360362B1 (ko) | 통계적 분석과 딥러닝을 이용한 제조 공정 품질 분석 및 예측 방법 및 이를 기록한 기록매체 | |
CN117521912A (zh) | 一种碳排放测算模型及对比评价方法及其应用 | |
CN117113202A (zh) | 基于联合误差堆叠模型的电力回路能耗检测方法及设备 | |
CN117608889A (zh) | 基于日志语义的异常检测方法以及相关设备 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
Sugiyarto et al. | Optimization of genetic algorithms on backpropagation neural network to predict national rice production levels | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
Aarti et al. | Grey relational classification algorithm for software fault proneness with SOM clustering | |
CN114970353A (zh) | 基于缺失数据填充的mswi过程二噁英排放软测量方法 | |
CN116774058B (zh) | 电池寿命预测方法、装置、设备及存储介质 | |
Wibawa et al. | Bidirectional Long Short-Term Memory (Bi-LSTM) Hourly Energy Forecasting | |
CN117829822B (zh) | 一种电力变压器故障预警方法及系统 | |
Yang et al. | Electricity load forecasting based on long and short-term memory neural network | |
CN117056801A (zh) | 工业电器状态识别方法、模型训练方法、装置和设备 | |
Esteban et al. | Computational intelligence for characterization and disaggregation of residential electricity consumption | |
Toma et al. | A deep learning based method for heat pump dryer user classification | |
CN117407666B (zh) | 基于人工智能的智能垃圾桶参数分析和控制方法及装置 | |
CN114548212A (zh) | 一种水质评价方法及系统 | |
CN117764413A (zh) | 一种基于机器学习的精确碳排放核算算法 | |
Filsafan et al. | Ensemble Imputation Method for Forecasting Indonesia Sugar Dataset Using Machine Learning |
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 |