一种基于模型微调的焚烧炉掺烧物料热特性预测方法技术

本发明专利技术涉及废弃物焚烧技术，旨在提供一种基于模型微调的焚烧炉掺烧物料热特性预测方法。包括：构建预测模型；构建第一样本数据集和第二样本数据集；利用第一样本数据集对预测模型进行训练；利用第二样本数据集对预测模型进行微调；对拟作为焚烧炉燃料的掺烧物料进行分析，确认其中所包含的单独组分原料的种类和对应的掺烧比；然后将各单独组分原料的燃烧热特性数据和掺烧比的数值输入预测模型，经计算后输出预测结果，即为掺烧物料的TG值。本发明专利技术可以利用该预测模型快速、准确地对混合后燃料的燃烧热特性进行预测；在实际应用过程中只需测定单组分燃料的热特性，无需测定不同掺烧比下各种混合物的热特性，节省时间及成本。节省时间及成本。节省时间及成本。

【技术实现步骤摘要】
一种基于模型微调的焚烧炉掺烧物料热特性预测方法


[0001]本申请涉及废弃物焚烧技术，更具体地说，涉及一种基于模型微调的焚烧炉掺烧物料热特性预测方法

技术介绍

[0002]随着“双碳”战略的实施，传统煤炭等化石燃料的使用将会逐渐减少，可再生性强、有利于改善环境且可持续发展的生物质燃料、可燃固体废弃物燃料等的开发利用逐渐增多。掺烧发电技术是生物质、可燃固体废弃物等燃料开发利用的一种形式，其可以减少对化石燃料的依赖，降低碳排放，是一种可持续发展的能源解决方案。
[0003]目前，焚烧发电厂在利用生物质、可燃固体废弃物燃料等进行掺烧发电前，须严格测定不同掺烧比下混合物的热特性，从而确定燃料配比及燃料供应情况。但由于生物质及废弃物燃料种类较多，且每种燃料的性质在不同时间、地区的热特性存在差异，依据现有技术，当燃料供应源发生变化时，焚烧发电厂需要频繁的对所接收的燃料进行不同掺比下的热特性分析，耗费时间且增加了运行成本。中国专利技术专利申请“多燃料燃烧性能参数的预测方法、模型训练方法及设备”(CN115600496A)提供了一种预测多燃料混合燃烧热特性的方法，但其前期对数据的需求大，成本高，且无法处理燃料频繁变化的情况。
[0004]基于上述原因，提供一种可以快速、灵活、准确预测混合燃料燃烧热特性的方法，便于在燃料来源频繁变化时也能准确预测混合后燃料的热特性，从而通过评估混合燃料的热特性，确定合适的混合比例，以达到最佳的燃烧效果和发电性能；这是焚烧发电厂对保证生产运行稳定、提高经济效益的现实需求。
专利技术内容
[0005]本专利技术要解决的技术问题是，克服现有技术中的不足，提供一种基于模型微调的焚烧炉掺烧物料热特性预测方法。
[0006]为解决技术问题，本专利技术的解决方案是：
[0007]提供一种基于模型微调的焚烧炉掺烧物料热特性预测方法，包括以下步骤：
[0008](1)构建预测模型；
[0009]所述预测模型采用3层全连接神经网络构成，各层神经网络中的隐藏层(神经元)数量分别为8、8、1；采用“relu”函数作为激活函数；损失函数为均方误差(mse)；
[0010](2)构建第一样本数据集和第二样本数据集；
[0011]获取具有完整掺烧比的任意两种原始物料的掺烧燃烧热特性数据，作为第一样本数据；获取多个单独组原料的燃烧热特性数据，组成第二样本数据集；
[0012]燃烧热特性数据是指，物质燃烧时的热重曲线数据和与其对应的掺烧比(Rate，％)；前者包括温度值(Ts，℃)，以及该温度对应的重量与初始重量的比值(TG，％)；
[0013]所述多个单独组分原料是指，将作为焚烧炉燃料的掺烧物料组分的掺混原料；每个单独组分原料的燃烧热特性数据，是指在不掺入其他物质的情况下，物质燃烧时的热重
曲线和对应的掺烧比(Rate，％)；前者包括温度值(Ts，℃)，以及该温度对应的重量与初始重量的比值(TG，％)；后者取值为0或100％；
[0014](3)利用第一样本数据集对预测模型进行训练；
[0015]以热重曲线数据中的温度值Ts和对应掺烧比Rate作为输入特征，以该温度对应的重量与初始重量的比值TG作为标签(1abel)，利用预测模型进行训练；
[0016](4)利用第二样本数据集对预测模型进行微调；
[0017]以热重曲线数据中的温度值Ts和对应掺烧比Rate作为输入特征，以该温度对应的重量与初始重量的比值TG作为标签(1abel)，根据预测模型的输出结果对预测模型的参数进行微调；
[0018](5)对拟作为焚烧炉燃料的掺烧物料进行分析，确认其中所包含的单独组分原料的种类和对应的掺烧比；然后将各单独组分原料的燃烧热特性数据和掺烧比的数值输入预测模型，经计算后输出预测结果，即为掺烧物料的TG值。
[0019]作为本专利技术的优选方案，所述步骤(2)中，完整掺烧比是指掺烧比例范围为0％～100％，且在该范围内至少包含10组不同比例的数据。
[0020]作为本专利技术的优选方案，所述步骤(2)中，掺烧燃烧热特性数据是通过热分析仪获取的。
[0021]作为本专利技术的优选方案，所述步骤(2)中，根据Min
‑
Max原则，对第一样本数据集和第二样本数据集中的数据进行标准化处理。
[0022]作为本专利技术的优选方案，所述步骤(4)中，对预测模型的参数进行适应性微调，调整对象包括神经元的权重、模型结构的参数(如增减层数)。
[0023]作为本专利技术的优选方案，在步骤(3)的训练和步骤(4)的微调过程中，采用“adam”优化器和5折随机交叉验证；训练批次大小(batch_size)为64，训练轮次(epochs)为1000；同时采用早停策略，监测变量(monitor)为验证集损失函数(val_loss)，忍耐度(patience)为10。
[0024]专利技术原理描述：
[0025]现有技术中电厂在使用掺混燃料进行发电之前，都需要先将掺混燃料按照不同的掺混比例进行热特性分析，获得燃料混合后热特性。然后再根据实际使用的掺混燃料的掺混比例，结合此前已获得的分析数据用于指导电厂的实际运行。该方式耗费时间与运行成本，且在燃料来源频繁变化时难以快速实施。
[0026]本专利技术利用模型微调的原理，通过完备的数据训练燃烧热特性预测模型。然后在保留预测模型对混合燃料掺烧预测能力的基础上，利用拟使用燃料的掺混比例数据对预测模型进行微调的方式，增强预测模型对特定物质混合燃烧的预测效果。在实施过程中，只需测定燃料的热特性，无需再另外测定不同掺烧比下混合物的热特性，节省时间及成本。
[0027]本专利技术的创新点在于，针对训练后的模型，使用新的数据集(指定组分的单独物料的热特性数据，比如污泥和煤)对模型进行微调，使其能更好的适应新的预测任务。
[0028]当指定组分的单独物料发生变化时(比如原来预测的是污泥和煤的掺烧，但变化后是预测垃圾和煤的掺烧)，无需对模型进行从头开始训练，只需使用新的指定组分的单独物料的热特性数据(例如垃圾和煤的热特性数据)对此前的模型进行重新微调。
[0029]微调的原理是基于已经训练好的模型，通过调整一小部分参数，使其适应新的任
务或数据集，调整对象包括神经元权重、模型结构(如增减层数)等。微调其实是一个再训练的过程，微调过程与训练过程类似。
[0030]与现有技术相比，本专利技术的有益效果是：
[0031]1、本专利技术只需基于应用燃料的燃烧热特性对预测模型进行微调，便可以利用该预测模型快速、准确地对混合后燃料的燃烧热特性进行预测。
[0032]2、相对于现有技术中的预测方法，本专利技术在实际应用过程中只需测定单组分燃料的热特性，无需测定不同掺烧比下各种混合物的热特性，节省时间及成本。
[0033]3、在应对焚烧厂燃料来源不断变化的情况下，本专利技术能更加快速、灵活的实现应用。
附图说明
[0034]图1为本专利技术预测方法的流程图。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型微调的焚烧炉掺烧物料热特性预测方法，其特征在于，包括以下步骤：(1)构建预测模型；所述预测模型采用3层全连接神经网络构成，各层神经网络中的隐藏层数量分别为8、8、1；采用relu函数作为激活函数；损失函数为均方误差；(2)构建第一样本数据集和第二样本数据集；获取具有完整掺烧比的任意两种原始物料的掺烧燃烧热特性数据，作为第一样本数据；获取多个单独组原料的燃烧热特性数据，组成第二样本数据集；燃烧热特性数据是指，物质燃烧时的热重曲线数据和与其对应的掺烧比Rate，％；前者包括温度值Ts，℃，以及该温度对应的重量与初始重量的比值TG，％；所述多个单独组分原料是指，将作为焚烧炉燃料的掺烧物料组分的掺混原料；每个单独组分原料的燃烧热特性数据，是指在不掺入其他物质的情况下，物质燃烧时的热重曲线和对应的掺烧比Rate，％；前者包括温度值Ts，℃，以及该温度对应的重量与初始重量的比值TG，％；后者取值为0或100％；(3)利用第一样本数据集对预测模型进行训练；以热重曲线数据中的温度值Ts和对应掺烧比Rate作为输入特征，以该温度对应的重量与初始重量的比值TG作为标签，利用预测模型进行训练；(4)利用第二样本数据集对预测模型进行微调；以热重曲线数据中的温度值Ts和对应掺烧比Rate...

【专利技术属性】
技术研发人员：林晓青，温朝军，余泓，黄群星，李晓东，严建华，
申请(专利权)人：浙江大学，
类型：发明
国别省市：