基于BP人工神经网络算法的生物质热值估算方法技术

本发明专利技术提供一种基于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。根据本发明专利技术，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。

Estimation method of biomass calorific value based on BP artificial neural network algorithm

The present invention provides a method for estimating the biomass calorific value of BP artificial neural network algorithm based on the calorific value of biomass estimation methods including biomass based database reads the data read; the number of hidden layer of neural node given the neural network; weights given in connection with the neural network input layer and the hidden layer; the calorific value using the weight coefficient of known biomass estimation, prediction results are obtained; the prediction deviation calculation results and measurement results; when the deviation is less than 5%, record keeping current weight coefficient; according to the number of nodes and the neural weight coefficient of the final selection, to estimate the biomass calorific value. According to the invention, can do to ensure the basis to reduce the parameters of the certain precision, and reduce the estimation error, the model coefficients are measured using back-propagation method to estimate the correction results most close to the measured results.

【技术实现步骤摘要】
基于BP人工神经网络算法的生物质热值估算方法
本专利技术涉及垃圾焚烧领域，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。
技术介绍
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/T30727-2014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。
技术实现思路
针对现有技术的不足，本专利技术提供一种基于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。根据本专利技术，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。附图说明本专利技术的下列附图在此作为本专利技术的一部分用于理解本专利技术。附图中示出了本专利技术的实施例及其描述，用来解释本专利技术的原理。附图中：图1为人工神经网络的示意图；图2为根据本专利技术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专利技术更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本专利技术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，为了避免与本专利技术发生混淆，对于本领域公知的一些技术特征未进行描述。为了彻底了解本专利技术，将在下列的描述中提出详细的方法步骤和/或结构。显然，本专利技术的施行并不限定于本领域的技术人员所熟悉的特殊细节。本专利技术的较佳实施例详细描述如下，然而除了这些详细描述外，本专利技术还可以具有其他实施方式。应当理解的是，本专利技术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，并且将本专利技术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。本专利技术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(BackPropagation，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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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。...

【专利技术属性】
技术研发人员：许岩韦，王进，黄明生，刘玉坤，蔡旭，方杨，刘洋，
申请(专利权)人：光大环保中国有限公司，光大环境科技中国有限公司，光大环保技术研究院深圳有限公司，光大环保技术装备常州有限公司，
类型：发明
国别省市：广东,44