[发明专利]基于神经网络的飞灰含碳量预测方法、系统和可读介质

说明书

本发明属于含碳量检测技术领域，涉及一种基于神经网络的飞灰含碳量预测方法、系统和可读介质，包括以下步骤：S1：采集已知飞灰的工业分析成分；S2：将工业分析成分带入初级神经网络中进行训练，并分别建立若干表征飞灰燃烧程度的模型；S3：将表征飞灰燃烧程度的模型预测的燃烧程度以及工业分析成分带入次级神经网络中进行训练，获得飞灰含碳量模型；S4：将待测飞灰的工业分析成分，并将其带入飞灰含碳量模型获得待测飞灰的含碳量。其能够有效区分各运行参数和煤种对锅炉飞灰含碳量的影响权重，影响提高了锅炉飞灰含碳量的预测精准度，从而有利于指导锅炉运行优化，最终提高燃烧效率。

技术领域

本发明涉及一种基于神经网络的飞灰含碳量预测方法、系统和可读介质，属于含碳量检测技术领域。

背景技术

循环流化床(CFB)锅炉因为其煤种适应能力强的特点，被广泛应用于低热值煤的燃烧。近年来，达到超临界、超低能耗、超低排放的“三超”标准成为新一代CFB锅炉技术的目标。对于锅炉来说，为了实现超低能耗，就必须提高燃烧效率。其中，飞灰含碳量是影响锅炉燃烧效率的一项重要指标。在锅炉运行中，实际煤种往往会偏离设计煤种，导致飞灰含碳量增大。因此，需要研究煤种变化对飞灰含碳量的影响特性，从而指导锅炉运行优化，最终提高燃烧效率。影响锅炉飞灰含碳量的因素众多，包括煤种、锅炉设计结构、运行参数等，所以无法采用简单的公式对其进行估算。目前国内电厂大多采用燃烧失重法对飞灰含碳量一天一测，但实炉测试工作量大，测试工况有限，影响因素多，互相叠加，导致数据分析困难。而锅炉燃用煤种和操作参数千变万化，不可能保证在试验工况下运行，导致偏离燃烧调整获得的最佳工况，而无法获得最低的飞灰含碳量。

发明内容

针对上述问题，本发明的目的是提供一种基于神经网络的飞灰含碳量预测方法、系统和可读介质，其能够有效区分各运行参数和煤种对锅炉飞灰含碳量的影响权重，影响提高了锅炉飞灰含碳量的预测精准度，从而有利于指导锅炉运行优化，最终提高燃烧效率。

为实现上述目的，本发明采取以下技术方案：一种基于神经网络的飞灰含碳量预测方法，包括以下步骤：S1：采集已知飞灰的工业分析成分；S2：将工业分析成分带入初级神经网络中进行训练，并分别建立若干表征飞灰燃烧程度的模型；S3：将表征飞灰燃烧程度的模型预测的燃烧程度以及工业分析成分带入次级神经网络中进行训练，获得飞灰含碳量模型；S4：将待测飞灰的工业分析成分，并将其带入飞灰含碳量模型获得待测飞灰的含碳量。

进一步，步骤S1中的工业分析成分为飞灰的灰分、水分、挥发组分和固定碳。

进一步，步骤S2中表征飞灰燃烧程度的模型包括三个子模型，其分别为低位发热量模型、给煤量模型和总风量模型。

进一步，低位发热量的预测方法为：将灰分、水分、挥发组分和固定碳带入初级神经网络模型进行训练，建立低位发热量模型，确定各成分对应的输出权重，根据输出权重获得预测的低位发热量。

进一步，给煤量的预测方法为：将灰分、水分、挥发组分、固定碳、预测的低位发热量和主蒸汽流量带入初级神经网络模型进行训练，建立给煤量模型，确定各成分对应的输出权重，根据输出权重获得预测的给煤量。

进一步，总风量的预测方法为：将灰分、水分、挥发组分、固定碳、预测的给煤量、预测的低位发热量和烟气含氧量带入初级神经网络模型进行训练，建立总风量模型，确定各成分对应的输出权重，根据输出权重获得预测的总风量。

进一步，次级神经网络的隐含层数根据隐含层数随离散程度RMS的变化关系确定，选取离散程度RMS最小的点的隐含层数作为最终的次级神经网络的隐含层数。

进一步，经过训练的次级神经的离散程度RMS的计算公式为：

其中，n表示神经元个数，y_o表示输出层第o个神经元的实际输出，O_io表示实际数据中的相应值。