[發(fā)明專利]生物質(zhì)燃料的堿金屬元素含量在線動態(tài)預測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010046096.0
• 申請日: 2020-01-16
• 公開（公告）號: CN111257306B
• 公開（公告）日: 2021-02-09
• 發(fā)明（設(shè)計）人: 李新利;韓長興;盧鋼;閆勇
• 申請（專利權(quán)）人: 華北電力大學
• 主分類號: G01N21/72
• 分類號: G01N21/72;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 楊媛媛

1.一種生物質(zhì)燃料的堿金屬元素含量在線動態(tài)預測方法，其特征在于，所述方法包括：

獲取生物質(zhì)燃料燃燒時的原始火焰輻射信號；

對所述原始火焰輻射信號進行數(shù)據(jù)預處理，生成預處理后的火焰輻射信號；所述預處理后的火焰輻射信號中包括預處理后的火焰全光譜信號和堿金屬元素光譜信號；

所述對所述原始火焰輻射信號進行數(shù)據(jù)預處理，生成預處理后的火焰輻射信號，具體包括：

采用k-means聚類算法去除所述原始火焰輻射信號中的離群點并進行平滑去噪處理，同時避免系統(tǒng)誤差對所述原始火焰輻射信號的影響，生成預處理后的火焰輻射信號；

所述系統(tǒng)誤差對所述原始火焰輻射信號的影響包含暗噪聲和背景光譜對所述原始火焰輻射信號的影響；所述暗噪聲主要由儀器本身所引起，為了避免所述暗噪聲對所述原始火焰輻射信號的影響，除了保證火焰數(shù)據(jù)采集系統(tǒng)的光譜儀在正常使用環(huán)境下，還在實驗中對所述原始火焰輻射信號進行多次測量，取統(tǒng)計平均值，以此消除所述暗噪聲；同時針對沒有火焰的背景也進行多次光譜采集，取其平均值作為所述背景光譜，因此所用的火焰光譜是減去所述背景光譜后得到的，以此避免所述背景光譜對所述原始火焰輻射信號的影響；

根據(jù)所述火焰全光譜信號確定火焰燃燒特征參數(shù)和火焰溫度；

根據(jù)所述堿金屬元素光譜信號提取堿金屬元素的光譜特征值；

根據(jù)所述火焰燃燒特征參數(shù)、所述火焰溫度以及所述光譜特征值生成特征參數(shù)矩陣；

采用所述特征參數(shù)矩陣訓練建立的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，生成訓練好的生物質(zhì)燃料堿金屬元素含量在線預測模型；

采用所述特征參數(shù)矩陣迭代訓練所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型，并基于批處理梯度下降法對所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型的模型參數(shù)進行循環(huán)優(yōu)化，模型迭代訓練和所述循環(huán)優(yōu)化的結(jié)束條件為損失函數(shù)小于預設(shè)值0.05或達到預設(shè)的訓練次數(shù)2000次循環(huán)；所述模型迭代訓練結(jié)束后，采用測試集樣本測試模型的預測準確率，若所述預測準確率高于預設(shè)準確率閾值，則將此時的循環(huán)神經(jīng)網(wǎng)絡(luò)模型作為訓練好的生物質(zhì)燃料堿金屬元素含量在線預測模型進行使用；若所述預測準確率低于所述預設(shè)準確率閾值，則返回所述獲取生物質(zhì)燃料燃燒時的原始火焰輻射信號，重新對所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型進行訓練，直至所述預測準確率高于所述預設(shè)準確率閾值，得到所述訓練好的生物質(zhì)燃料堿金屬元素含量在線預測模型；

采用所述生物質(zhì)燃料堿金屬元素含量在線預測模型預測生物質(zhì)鍋爐中燃燒的生物質(zhì)燃料的堿金屬元素含量。

2.根據(jù)權(quán)利要求1所述的堿金屬元素含量在線動態(tài)預測方法，其特征在于，所述根據(jù)所述火焰全光譜信號確定火焰燃燒特征參數(shù)和火焰溫度，具體包括：

根據(jù)所述火焰全光譜信號提取火焰燃燒特征參數(shù)；所述火焰燃燒特征參數(shù)包括火焰閃爍頻率和輻射能量；

基于雙色法測量與所述火焰全光譜信號同一時刻的火焰溫度。

3.根據(jù)權(quán)利要求2所述的堿金屬元素含量在線動態(tài)預測方法，其特征在于，所述根據(jù)所述堿金屬元素光譜信號提取堿金屬元素的光譜特征值，具體包括：

消除所述堿金屬元素光譜信號中黑體輻射對光譜強度的影響，生成消除影響后的堿金屬元素光譜信號；

提取所述消除影響后的堿金屬元素光譜信號的光譜特征值；所述光譜特征值包括均值、標準差、峰度系數(shù)以及偏度系數(shù)特征。

4.根據(jù)權(quán)利要求3所述的堿金屬元素含量在線動態(tài)預測方法，其特征在于，所述采用所述特征參數(shù)矩陣訓練建立的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，生成訓練好的生物質(zhì)燃料堿金屬元素含量在線預測模型，具體包括：

獲取建立的循環(huán)神經(jīng)網(wǎng)絡(luò)模型；所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括輸入層、循環(huán)層、全連接層和輸出層；

采用所述特征參數(shù)矩陣訓練所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型，并基于批處理梯度下降法對所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型的模型參數(shù)進行優(yōu)化，生成訓練好的生物質(zhì)燃料堿金屬元素含量在線預測模型。