本发明专利技术是基于数值模拟的神经网络预测炉膛氧气浓度系统及方法，尤其涉及神经网络学习机预测炉膛氧气浓度，属于神经网络应用领域，目的是解决传统氧气浓度测量方法测量精度不足和效率低的问题。该系统包括数值模拟仿真模块，数据处理模块，算法预测模块和实现模块。通过所述的数值模拟仿真模块，利用数值模拟软件建立炉膛内部的物理模型，进行仿真运算；利用所述的数据处理模块，将数值模拟结果进行处理，然后算法预测模块建立三种神经网络模块并进行算法预测，最后通过实现模块选择出最佳算法从而实现炉膛内氧量分布的预测，本发明专利技术处理信息量大、计算速度快、通过简便快捷的方式处理复杂的炉膛氧量问题，能精准的预测未来走势，提升计算效率。
【技术实现步骤摘要】
基于数值模拟的神经网络预测炉膛氧气浓度系统及方法
本专利技术是基于数值模拟的神经网络预测炉膛氧气浓度系统及方法，尤其涉及神经网络学习机预测炉膛氧气浓度，属于神经网络应用领域。
技术介绍
燃煤锅炉在运动中产生含有CO2，SO2等的烟气，燃烧不充分时也会产生少量的CO，CH4等。如果锅炉配风不当，炉膛漏风并且烟气里又含有氧，那么炉膛燃烧过程中，与入炉膛的氧充分接触达到充分燃烧，所以保持适当的过量空气，保证煤粉在炉膛的充分燃烧非常必要。但是一旦出现供给燃烧的空气量增大，会有部分O2没有被利用，作为热烟气从烟囱排放掉。这不仅增加了排烟热损失，也直接影响了锅炉运行的经济性。因此，控制锅炉燃烧中的氧含量显得尤为重要，也是衡量锅炉指标的依据之一。目前对锅炉氧浓度测量大部分停留在对烟气的氧含量测量上，导致无法准确得知炉膛内部氧含量的具体分布，无法准确对送引凤量与角度进行控制。为了保证锅炉稳定运行，锅炉炉膛内煤粉燃料的燃烧过程必须在可控范围内，这就需要对炉膛氧气浓度有准确的了解。而传统的测量方法在测量精度和效率上有待提高，且受人为因素影响较大。CFD数值模拟技术拥有丰富的数学计算模型，能够准确的反映出流体流动、传热、燃烧等过程。但仅仅使用CFD预测，会有操作步骤多，工作量大，仿真模拟速度慢，数值分析过程耗时长、典型工况覆盖面窄等问题。而神经网络是通过机器的计算来模拟人脑，客观真实、处理信息量大、计算速度快、通过简便快捷的方式处理复杂问题、能较为精准的预测未来。因此现提出一种基于数值模拟的利用神经网络预测炉膛氧气浓度的方法，提升计算效率。
技术实现思路
为了解决传统氧气浓度测量方法测量精度不足和效率低的问题，本专利技术提出了一种基于数值模拟的神经网络预测炉膛氧气浓度系统及方法，具体方案如下：方案一：该系统包括数值模拟仿真模块，数据处理模块，算法预测模块和实现模块，上述各模块之间呈递进逻辑关系连接；其中数值模拟仿真模块负责建立炉膛内部的物理模型；数据处理模块用于处理数值模拟结果；算法预测模块负责构建双层BP神经网络模型、MLP神经网络模型和DBN神经网络模型；实现模块负责选出最佳算法从而实现氧量分布预测。方案二：基于数值模拟的神经网络预测炉膛氧气浓度方法，是基于权利要求1所述的系统为基础实现的，其特征在于：具体方法步骤如下：步骤一，通过所述的数值模拟仿真模块，利用数值模拟软件建立炉膛内部的物理模型，进行仿真运算；步骤二，利用所述的数据处理模块，将数值模拟结果进行处理；步骤三，所述的算法预测模块建立双层BP神经网络模型、MLP神经网络模型和DBN神经网络模型并进行算法预测；步骤四，通过所述的实现模块选择出最佳算法从而实现炉膛内氧量分布的预测。进一步地，步骤一中的仿真过程的具体步骤为：步骤一一，根据锅炉运行数据与设计数据，建立锅炉物理模型；步骤一二，选取CFD计算用煤质数据、一、二次风风温及分配方式，确定数值模拟计算边界条件；步骤一三，选择湍流、多相流、对流、辐射及煤粉的燃烧机理的模型，利用fluent软件对锅炉燃烧进行全炉膛的数值仿真，从而得到炉膛内部任意位置的氧气浓度分布数据；步骤一四，确定研究对象为炉膛内氧量分布，通过ANSYSFluent软件的export功能输出TXT格式实验数据，并根据现场经验与相关的资料分析氧含量有关的锅炉运行变量；上述运行变量包括：锅炉内部各点坐标x,y,z，各点流体旋度和速度，CO，CO2，N2，O2，H2O，SO2浓度，温度，压强和挥发分。进一步地，步骤二中所述的数据处理模块，数据分析和模拟结果处理过程，具体过程如下：步骤二一，经仿真模拟后输出的数据矢量，通过数据矢量的维度和单位建立方程，将维度达到输入变量数的维数；步骤二二，将数据标准化处理之后，采用数据挖掘与主成分析法进行数据集划分，参数处理，整合冗余和降低维数处理；经处理后得到自动得到主成分，最终采用的数据聚类方式为k均值聚类算法。进一步地，所述的算法预测模块建立双层BP神经网络模型、MLP神经网络模型和DBN神经网络模型三种算法预测模型，具体建立步骤如下：所述的步骤三中，双层BP神经网络模型预测氧量，神经网络模型中，输出层为氧含量浓度，记录每层隐含层节点个数、限定输入层节点数和迭代次数、定义输入层到隐含层权重和隐含层到输出层权重、隐含层的阈值和输出层的阈值，设置学习速率和最小误差。循环以上过程直至误差满足精度要求或学习次数大于设定的最大次数，训练过程结束，最终对测试集输出氧浓度分布预测数据进行结果分析与评价；所述的步骤三中，MLP神经网络模型预测氧量，将所述的数据处理模块处理后的数据分别作为训练集数据与测试集数据，从而建立MLP预测模型，确定寻优的目标函数,并转换为相应的适应值函数.经计算模型误差和反向调整后，测试不同参数于2-5层的各数量隐含层，在收敛性判定满足要求的情况下，确定参数于具有3层隐含层的MLP(S)的精确度较高且效率最高；所述的步骤三中，DBN神经网络模型预测氧量，深度置信网络由多层RBM叠加与最后一层回归的神经网络组成，数据通过模型最底层输入，经过RBM到隐含层，低层RBM的输出作为高层RBM的输入，两层RBM组成的DBN模型，DBN的训练方法首先进行自下而上的无监督学习方法来逐层对整个DBN模型的参数进行初始化，后采取自上而下的有监督学习方法将网络参数进行微调。进一步地，通过所述的实现模块将双层BP神经网络模型、MLP神经网络模型和DBN神经网络模型这三种算法模型集成，整合成神经网络学习机，通过此学习机预测炉膛内部氧量分布，将训练数据通过神经网络学习机训练网络，分别形成三种不同的神网络；将验证集的输入数据分别通过这三种网络，得到预测结果，通过比对拟合程度，均方根误差等评价指标，选出结果最好的算法，为最终的预测算法；设计好要预测的工况，包括各点流体旋度和速度；CO，CO2，N2，O2，H2O，SO2浓度，温度，压强和挥发分作为输入数据，利用神经网络预测各层燃烧器喷口风量，从而实现预测炉膛氧气浓度的目的。本专利技术的有益效果体现在：1.本专利技术基于数值模拟结果，利用fluent软件对锅炉燃烧进行全炉膛的数值仿真，从而得到炉膛内部任意位置的氧气浓度分布数据，将无法观察的炉膛内部氧气分布场，用数据进行可视化。2.本专利技术将BP、MLP、DBN三种神经网络算法集成，选择预测效果最好的算法进行预测，比单纯用一种算法进行预测的准确率高，对火电机组炉膛氧气浓度进行模拟预测，以提高锅炉燃烧效率。3.本专利技术基于数值模拟结果利用神经网络算法预测炉膛氧气浓度。数值模拟会有操作步骤多，工作量大，仿真模拟速度慢，数值分析过程耗时长、典型工况覆盖面窄等问题。而神经网络是通过机器的计算来模拟人脑，客观真实、处理信息量大、计算速度快、通过简便快捷的方式处理复杂问题、能较为精准的预测未来，提升计算效率。4.基于数值模拟的利用神经网络预本文档来自技高网...
【技术保护点】
1.基于数值模拟的神经网络预测炉膛氧气浓度系统，其特征在于：该系统包括数值模拟仿真模块，数据处理模块，算法预测模块和实现模块，上述各模块之间呈递进逻辑关系连接；/n其中数值模拟仿真模块负责建立炉膛内部的物理模型；/n数据处理模块用于处理数值模拟结果；/n算法预测模块负责构建双层BP神经网络模型、MLP神经网络模型和DBN神经网络模型；/n实现模块负责选出最佳算法从而实现氧量分布预测。/n
【技术特征摘要】
1.基于数值模拟的神经网络预测炉膛氧气浓度系统，其特征在于：该系统包括数值模拟仿真模块，数据处理模块，算法预测模块和实现模块，上述各模块之间呈递进逻辑关系连接；
其中数值模拟仿真模块负责建立炉膛内部的物理模型；
数据处理模块用于处理数值模拟结果；
算法预测模块负责构建双层BP神经网络模型、MLP神经网络模型和DBN神经网络模型；
实现模块负责选出最佳算法从而实现氧量分布预测。
2.基于数值模拟的神经网络预测炉膛氧气浓度方法，是基于权利要求1所述的系统为基础实现的，其特征在于：具体方法步骤如下：
步骤一，通过所述的数值模拟仿真模块，利用数值模拟软件建立炉膛内部的物理模型，进行仿真运算；
步骤二，利用所述的数据处理模块，将数值模拟结果进行处理；
步骤三，所述的算法预测模块建立双层BP神经网络模型、MLP神经网络模型和DBN神经网络模型并进行算法预测；
步骤四，通过所述的实现模块选择出最佳算法从而实现炉膛内氧量分布的预测。
3.根据权利要求2所述的基于数值模拟的神经网络预测炉膛氧气浓度方法，其特征在于：步骤一中的仿真过程的具体步骤为：
步骤一一，根据锅炉运行数据与设计数据，建立锅炉物理模型；
步骤一二，选取CFD计算用煤质数据、一、二次风风温及分配方式，确定数值模拟计算边界条件；
步骤一三，选择湍流、多相流、对流、辐射及煤粉的燃烧机理的模型，利用fluent软件对锅炉燃烧进行全炉膛的数值仿真，从而得到炉膛内部任意位置的氧气浓度分布数据；
步骤一四，确定研究对象为炉膛内氧量分布，通过ANSYSFluent软件的export功能输出TXT格式实验数据，并根据现场经验与相关的资料分析氧含量有关的锅炉运行变量；
上述运行变量包括：锅炉内部各点坐标x,y,z，各点流体旋度和速度，CO，CO2，N2，O2，H2O，SO2浓度，温度，压强和挥发分。
4.根据权利要求3所述的基于数值模拟的神经网络预测炉膛氧气浓度方法，其特征在于：步骤二中所述的数据处理模块，数据分析和模拟结果处理过程，具体过程如下：
步骤二一，经仿真模拟后输出的数据矢量，通过数据矢量的维度和单位建立方程，将维度达到输入变量数的维数；
步骤二二，将数据标准化处理之后，采用数据挖掘与主成分析法进行数据集划分，参数处...
【专利技术属性】
技术研发人员：杜宪涛，崔宇佳，朱慧娟，夏良伟，黄莺，马孝纯，沈涛，姜文婷，张超，孙晶，
申请(专利权)人：哈尔滨锅炉厂有限责任公司，
类型：发明
国别省市：黑龙江;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。