[发明专利]基于改进型BP神经网络的煤热解产物的预测方法

说明书

基于改进型BP神经网络的煤热解产物的预测方法，采用煤的工业分析、元素分析数据及热解温度实现对煤热解产物的准确预测，本发明运用粒子群算法PSO结合遗传算法GA的方法对BP神经网络的初始权值、阈值进行优化，而后在BP神经网络的运算过程中嵌入自适应学习率，本发明通过PSO算法与GA算法来提高BP神经网络的稳定性，同时借助附加自适应学习率的方式实现BP神经网络的快速收敛，进而提高了BP神经网络的运算效率和预测数据的预测精度。本发明具有模型简单、易操作、预测精度高、现阶段利于推广等优点。

技术领域

本发明属于专门适用于特定应用的数字计算或数据处理的方法技术领域，具体涉及到基于改进型BP神经网络的煤热解产物的预测方法。

背景技术

鉴于我国“贫油、少气、相对富煤”的能源资源结构，使得我国在今后较长一段时期内的能源结构仍然以煤炭为主，预计到2030年，我国煤炭的消费量仍占一次能源消费总量的55％以上。近几年，随着以煤热解为源头的多联产工艺的不断提出以及环境问题的日益凸显，使得煤热解的相关技术研究成为了该领域的热点，但煤热解过程是一个非常复杂的物理、化学过程，其热解产物不仅受制于煤种自身复杂的物理、化学结构，而且还受制于外部热解条件的影响，例如：压力、温度、升温速率和气氛等，从而使得煤热解产物的预测变得十分困难。因此，为了准确预测煤热解的产物特性一直是煤化学研究领域的热点之一。目前，对于煤热解的预测模型主要为以下3类，即官能团解聚、蒸发、交联模型(FG-DVC)、FLASHCHAIN模型以及化学渗透脱挥发分模型(CPD)。这些模型都是建立在简化的煤化学和网络统计学的基础之上而建立起来的，其中FG-DVC模型是由FG子模型和DVC子模型组成，FG子模型认为官能团的分解生成气体产物，DVC子模型则通过断桥、交联和焦油形成来描述煤网络的解聚，该模型不仅构成复杂，而且还需要根据实验数据来确定相关参数；FLASHCHAIN模型主要考虑粒数密度平衡的相关计算，且它对官能团、氢的抽出、可供氢的反应和传质阻力均不予考虑；CPD模型是基于煤的化学结构参数来描述煤的结构，并根据无限煤点阵中已断开的不稳定桥数用渗透统计方法描述，它一共用到九个动力学常数和五个煤结构参数，才能推算出相关产率。上述三种模型虽然想从机理及煤结构的基础上对煤的热解产物进行预测，但煤自身的结构到目前为止还没有真正被人们所认知，且三类模型在应用上都较为复杂，在现阶段并不具备对不同产地的煤种进行准确、高效的预测。

发明内容

本发明所要解决的技术问题克服现有技术的缺点，提供一种设计合理、操作方便、准确度高、速度快的基于改进型BP神经网络的煤热解产物的预测方法。

解决上述技术问题所采用的技术方案是一种基于改进型BP神经网络的煤热解产物的预测方法，其特征在于由以下步骤组成：

(1)采集不同产地的煤在不同热解温度下所对应的煤热解产物为学习样本，选取至少一个产地的煤在不同热解温度下所对应的煤热解产物为预测样本，预测样本不包含在学习样本内；

以煤的工业分析和元素分析数据中影响煤热解的参数及热解温度作为输入，以煤热解产物作为输出，确定网络的拓扑结构，并得到初始权值、阈值的长度；

(2)根据学习样本和预测样本构建特征矩阵，并进行归一化处理，如下：

式中，x_i代表输入数据；x_min代表数据序列中的最小值；x_max代表数据序列中的最大值；

(3)初始化算法参数，包括粒子群规模sizepop、最大进化次数Maxiter、交叉概率P_c、变异概率P_m、学习率η，目标误差E₀、最大运算次数MaxE，同时限定粒子的速度范围[V_min，V_max]和位置范围[X_min，X_max]；