[發(fā)明專利]一種基于數值模擬與神經網絡的燃燒器噴口風量預測方法

在審

• 申請?zhí)枺?/td>: 202010796708.8
• 申請日: 2020-08-10
• 公開（公告）號: CN111931436A
• 公開（公告）日: 2020-11-13
• 發(fā)明（設計）人: 崔宇佳;趙明瀟;夏良偉;于強;黃鶯;孫浩;馬孝純;王靜杰;沈濤;杜憲濤
• 申請（專利權）人: 哈爾濱鍋爐廠有限責任公司
• 主分類號: G06F30/28
• 分類號: G06F30/28;G06F30/27;G06F111/10
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 劉強

一種基于數值模擬與神經網絡的燃燒器噴口風量預測方法，涉及燃燒器技術領域，針對傳統的爐膛內部風量測量方法測量精度和效率低的問題，包括步驟一：利用數值模擬軟件建立鍋爐熱二次風道的物理模型，進行仿真運算，生成各工況下的燃燒器噴口風量仿真數據；步驟二：對生成的各工況下的燃燒器噴口風量仿真數據進行數據清洗；步驟三：根據處理后的數據訓練神經網絡，并利用訓練好的神經網絡對燃燒器噴口風量進行預測。根據人為設定的典型工況，作為算法輸入，訓練神經網絡，通過該模型可以預測大量其他工況下的燃燒器噴口風量。利用算法代替人工網格繪圖、數值模擬仿真等大量工作。極大程度上縮短了預測時間、提高了仿真效率、并且提高了測量精度。

技術領域

本發(fā)明涉及燃燒器技術領域，具體為一種基于數值模擬與神經網絡的燃燒器噴口風量預測方法。

背景技術

為了保證鍋爐穩(wěn)定運行，鍋爐爐膛內煤粉燃料的燃燒過程必須在可控范圍內，這就需要對進入爐膛內部風量的分配情況有準確的了解。而傳統的測量方法在測量精度和效率上有待提高，且受人為因素影響較大，CFD(Computational Fluid Dynamics)數值模擬技術擁有豐富的數學計算模型，能夠準確的反映出流體流動、傳熱、燃燒等過程。但僅僅使用CFD預測，會有操作步驟多，工作量大，仿真模擬速度慢，數值分析過程耗時長、典型工況覆蓋面窄等問題。而神經網絡是通過機器的計算來模擬人腦，客觀真實、處理信息量大、計算速度快、通過簡便快捷的方式處理復雜問題、能較為精準的預測未來。

發(fā)明內容

本發(fā)明的目的是：針對傳統的爐膛內部風量測量方法測量精度和效率低的問題，提出一種基于數值模擬與神經網絡的燃燒器噴口風量預測方法。

本發(fā)明為了解決上述技術問題采取的技術方案是：

一種基于數值模擬與神經網絡的燃燒器噴口風量預測方法，包括以下步驟：

步驟一：利用數值模擬軟件建立鍋爐熱二次風道的物理模型，進行仿真運算，生成各工況下的燃燒器噴口風量仿真數據；

步驟二：對生成的各工況下的燃燒器噴口風量仿真數據進行數據清洗；

步驟三：根據處理后的數據訓練神經網絡，并利用訓練好的神經網絡對燃燒器噴口風量進行預測。

進一步的，所述步驟一的具體步驟為：

首先利用電站鍋爐采集的實時或離線數據，在離線數據后面加上邊界條件輸入，結合燃燒機理，流動模型和傳熱模型，對電站鍋爐熱二風道內部風箱風量和各噴口模型在fluent軟件中進行數值模擬，生成典型工況下的燃燒器噴口風量；

確定與燃燒器的噴口風量相關的影響因素，并將各影響因素下的風箱風量作為輸入對象，輸出對象為各層燃燒器噴口風量數據，即為各工況下的燃燒器噴口風量仿真數據。

進一步的，所述影響因素包括風箱風量、各sofa風門開度和各層燃燒器風門開度。

進一步的，所述神經網絡為BP神經網絡、深度信念神經網絡DBN或深度神經網絡DNN。

進一步的，所述步驟二中對生成的各工況下的燃燒器噴口風量仿真數據進行數據清洗的具體步驟為：

第一步：利用K-means算法進行處理，降低數據維度；

第二步：判斷數據中是否包含空值、0值或異常值，如果包含，則用拉格朗日插值法填充數據；

第三步：對數據進行標準化處理。

進一步的，所述標準化處理公式表示為：

式中表示第k個樣本在n維數據標準化下的生產參數，表示第k個樣本按時間序列排列n維元數據，K為數據集數量。

進一步的，所述步驟三的具體步驟為：