CN111257306B - 生物质燃料的碱金属元素含量在线动态预测方法及系统 - Google Patents
生物质燃料的碱金属元素含量在线动态预测方法及系统 Download PDFInfo
- Publication number
- CN111257306B CN111257306B CN202010046096.0A CN202010046096A CN111257306B CN 111257306 B CN111257306 B CN 111257306B CN 202010046096 A CN202010046096 A CN 202010046096A CN 111257306 B CN111257306 B CN 111257306B
- Authority
- CN
- China
- Prior art keywords
- flame
- alkali metal
- metal element
- biomass fuel
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910052783 alkali metal Inorganic materials 0.000 title claims abstract description 154
- 150000001340 alkali metals Chemical class 0.000 title claims abstract description 137
- 239000002028 Biomass Substances 0.000 title claims abstract description 120
- 239000000446 fuel Substances 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001228 spectrum Methods 0.000 claims abstract description 97
- 230000005855 radiation Effects 0.000 claims abstract description 89
- 238000002485 combustion reaction Methods 0.000 claims abstract description 65
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 230000000306 recurrent effect Effects 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims description 89
- 125000004122 cyclic group Chemical group 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 230000005457 Black-body radiation Effects 0.000 claims description 14
- 238000011478 gradient descent method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 239000002893 slag Substances 0.000 description 12
- 239000011734 sodium Substances 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 229910052700 potassium Inorganic materials 0.000 description 8
- 229910052708 sodium Inorganic materials 0.000 description 8
- 239000013307 optical fiber Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 238000002844 melting Methods 0.000 description 5
- 230000008018 melting Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 150000001339 alkali metal compounds Chemical class 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002551 biofuel Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004449 solid propellant Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/72—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited using flame burners
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种生物质燃料的碱金属元素含量在线动态预测方法及系统。所述方法对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰全光谱信号和碱金属元素光谱信号；从而根据火焰全光谱信号确定火焰燃烧特征参数和火焰温度，根据碱金属元素光谱信号提取碱金属元素的光谱特征值，共同组成特征参数矩阵，对建立的循环神经网络模型进行训练，生成训练好的生物质燃料碱金属元素含量在线预测模型。采用所述生物质燃料碱金属元素含量在线预测模型即可在线动态预测生物质锅炉中燃烧的生物质燃料的实时碱金属元素含量，提高了生物质燃料碱金属元素含量预测的实时性和准确性。
Description
技术领域
本发明涉及光谱分析检测技术领域，特别是涉及一种生物质燃料的碱金属元素含量在线动态预测方法及系统。
背景技术
采用生物质燃料的锅炉燃烧中，如果燃烧不充分或炉膛温度太高，生物质锅炉的结渣现象会非常严重。生物质燃料中低熔点碱金属化合物含量要大于煤炭中的低熔点碱金属化合物含量，因此灰熔点更低。如果炉膛温度比较高，熔融或半熔融状态的生物质灰来不及冷却就附着在水冷壁上时，会在水冷壁上形成结渣。而且熔融的碱金属化合物还会与炉膛内壁进行反应，对炉膛造成腐蚀，产生潜在的危害。
关于生物质燃料结渣分析，现有的技术基本上都是离线测量分析。一般是通过化学方法或者光谱检测生物质燃料中的元素含量组成及比例，通过碱金属化合物的含量及组成比例推测其结渣情况；或者直接在实验室中测得生物质燃料的灰熔点，进而推测其结渣情况。当燃料发生变化或者配比不均匀时，离线预测的方法会出现偏差。
发明内容
本发明的目的是提供一种生物质燃料的碱金属元素含量在线动态预测方法及系统，以解决现有的生物质燃料碱金属元素含量离线预测方法预测结果偏差大的问题。
为实现上述目的，本发明提供了如下方案：
一种生物质燃料的碱金属元素含量在线动态预测方法，所述方法包括：
获取生物质燃料燃烧时的原始火焰辐射信号；
对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰辐射信号；所述预处理后的火焰辐射信号中包括预处理后的火焰全光谱信号和碱金属元素光谱信号；
根据所述火焰全光谱信号确定火焰燃烧特征参数和火焰温度；
根据所述碱金属元素光谱信号提取碱金属元素的光谱特征值；
根据所述火焰燃烧特征参数、所述火焰温度以及所述光谱特征值生成特征参数矩阵；
采用所述特征参数矩阵训练建立的循环神经网络模型，生成训练好的生物质燃料碱金属元素含量在线预测模型；
采用所述生物质燃料碱金属元素含量在线预测模型预测生物质锅炉中燃烧的生物质燃料的碱金属元素含量。
可选的，所述对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰辐射信号，具体包括：
采用k-means聚类算法去除所述原始火焰辐射信号中的离群点并进行平滑去噪处理，同时避免系统误差对所述原始火焰辐射信号的影响，生成预处理后的火焰辐射信号。
可选的，所述根据所述火焰全光谱信号确定火焰燃烧特征参数和火焰温度，具体包括：
根据所述火焰全光谱信号提取火焰燃烧特征参数；所述火焰燃烧特征参数包括火焰闪烁频率和辐射能量；
基于双色法测量与所述火焰全光谱信号同一时刻的火焰温度。
可选的，所述根据所述碱金属元素光谱信号提取碱金属元素的光谱特征值，具体包括：
消除所述碱金属元素光谱信号中黑体辐射对光谱强度的影响，生成消除影响后的碱金属元素光谱信号；
提取所述消除影响后的碱金属元素光谱信号的光谱特征值；所述光谱特征值包括均值、标准差、峰度系数以及偏度系数特征。
可选的，所述采用所述特征参数矩阵训练建立的循环神经网络模型，生成训练好的生物质燃料碱金属元素含量在线预测模型，具体包括：
获取建立的循环神经网络模型；所述循环神经网络模型包括输入层、循环层、全连接层和输出层；
采用所述特征参数矩阵训练所述循环神经网络模型，并基于批处理梯度下降法对所述循环神经网络模型的模型参数进行优化，生成训练好的生物质燃料碱金属元素含量在线预测模型。
一种生物质燃料的碱金属元素含量在线动态预测系统，所述系统包括：
火焰辐射信号获取模块，用于获取生物质燃料燃烧时的原始火焰辐射信号；
数据预处理模块，用于对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰辐射信号；所述预处理后的火焰辐射信号中包括预处理后的火焰全光谱信号和碱金属元素光谱信号；
火焰燃烧特征参数和火焰温度提取模块，用于根据所述火焰全光谱信号确定火焰燃烧特征参数和火焰温度；
光谱特征提取模块，用于根据所述碱金属元素光谱信号提取碱金属元素的光谱特征值；
特征参数矩阵生成模块，用于根据所述火焰燃烧特征参数、所述火焰温度以及所述光谱特征值生成特征参数矩阵；
模型训练模块，用于采用所述特征参数矩阵训练建立的循环神经网络模型，生成训练好的生物质燃料碱金属元素含量在线预测模型；
碱金属元素含量在线预测模块，用于采用所述生物质燃料碱金属元素含量在线预测模型预测生物质锅炉中燃烧的生物质燃料的碱金属元素含量。
可选的，所述数据预处理模块具体包括：
数据预处理单元，用于采用k-means聚类算法去除所述原始火焰辐射信号中的离群点并进行平滑去噪处理，同时避免系统误差对所述原始火焰辐射信号的影响，生成预处理后的火焰辐射信号。
可选的，所述火焰燃烧特征参数和火焰温度提取模块具体包括：
火焰燃烧特征参数提取单元，用于根据所述火焰全光谱信号提取火焰燃烧特征参数；所述火焰燃烧特征参数包括火焰闪烁频率和辐射能量；
火焰温度测量单元，用于基于双色法测量与所述火焰全光谱信号同一时刻的火焰温度。
可选的，所述光谱特征提取模块具体包括：
黑体辐射消除单元，用于消除所述碱金属元素光谱信号中黑体辐射对光谱强度的影响，生成消除影响后的碱金属元素光谱信号；
光谱特征提取单元，用于提取所述消除影响后的碱金属元素光谱信号的光谱特征值；所述光谱特征值包括均值、标准差、峰度系数以及偏度系数特征。
可选的，所述模型训练模块具体包括：
模型建立单元，用于获取建立的循环神经网络模型；所述循环神经网络模型包括输入层、循环层、全连接层和输出层；
模型训练优化单元，用于采用所述特征参数矩阵训练所述循环神经网络模型，并基于批处理梯度下降法对所述循环神经网络模型的模型参数进行优化，生成训练好的生物质燃料碱金属元素含量在线预测模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种生物质燃料的碱金属元素含量在线动态预测方法及系统，所述方法首先获取生物质燃料燃烧时的原始火焰辐射信号；对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰全光谱信号和碱金属元素光谱信号；根据所述火焰全光谱信号确定火焰燃烧特征参数和火焰温度；根据所述碱金属元素光谱信号提取碱金属元素的光谱特征值；根据所述火焰燃烧特征参数、所述火焰温度以及所述光谱特征值生成特征参数矩阵；采用所述特征参数矩阵训练建立的循环神经网络模型，生成训练好的生物质燃料碱金属元素含量在线预测模型。采用所述生物质燃料碱金属元素含量在线预测模型即可在线动态预测生物质锅炉中燃烧的生物质燃料的实时碱金属元素含量，提高了生物质燃料碱金属元素含量预测的实时性和准确性。采用本发明方法在线动态预测得到的生物质燃料碱金属元素含量指导燃烧的进行，对预防锅炉结渣及高效安全运行具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的生物质燃料的碱金属元素含量在线动态预测方法的流程图；
图2为本发明提供的生物质燃料的碱金属元素含量在线动态预测方法的过程示意图；
图3为本发明提供的单次采集到的碱金属元素光谱信号光谱结果图；
图4为本发明提供的循环神经网络模型的网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种生物质燃料的碱金属元素含量在线动态预测方法及系统，以解决现有的生物质燃料碱金属元素含量离线预测方法预测结果偏差大的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的生物质燃料的碱金属元素含量在线动态预测方法的流程图，图2为本发明提供的生物质燃料的碱金属元素含量在线动态预测方法的过程示意图。参见图1和图2，本发明提供的生物质燃料的碱金属元素含量在线动态预测方法通过光纤光谱传感器获取生物质燃料燃烧火焰的辐射信号，经过数据分析和预处理，获取火焰燃烧特征参数，并提取碱金属元素的光谱特征值，同时采用双色法测量同一时刻的火焰温度，据此建立基于循环神经网络(Recursive NeuralNetwork，RNN)的生物质燃料碱金属元素含量在线动态预测模型，从而根据该模型进行生物质燃料碱金属元素含量的实时在线动态预测。
因此本发明方法具体包括：
步骤101：获取生物质燃料燃烧时的原始火焰辐射信号。
在同一燃烧工况下，即不同生物质燃料在相同燃烧条件下进行燃烧，基于火焰数据采集系统的光纤光谱传感器获取每种生物质燃料的火焰辐射信号作为原始火焰辐射信号，所述火焰辐射信号包括火焰全光谱信号和碱金属元素光谱信号。所述碱金属为K(钾)和Na(钠)。K和Na的化合物熔点低，在生物质中的含量高，容易形成大量低熔点的化合物降低灰熔点，产生结渣。
步骤102：对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰辐射信号。
本发明对采集的光谱数据进行数据预处理，去除离群点，同时避免系统误差对结果的影响。数据预处理过程具体包括：
采用k-means聚类算法去除所述原始火焰辐射信号中的离群点并进行平滑去噪处理，同时避免系统误差对所述原始火焰辐射信号的影响，生成预处理后的火焰辐射信号。所述预处理后的火焰辐射信号中包括预处理后的火焰全光谱信号和碱金属元素光谱信号。
其中系统误差对测量结果的影响包含暗噪声和背景光谱对测量结果的影响。暗噪声主要由仪器本身所引起，为了避免暗噪声对测量结果的影响，本发明除了保证火焰数据采集系统的光谱仪在正常使用环境下，还在实验中对火焰光谱(火焰辐射信号)进行多次测量，取统计平均值，以此消除暗噪声。同时针对没有火焰的背景也进行多次光谱采集，取其平均值作为背景光谱，因此本发明所用的火焰光谱是减去背景光谱后得到的，以此避免背景光谱对测量结果的影响。
步骤103：根据所述火焰全光谱信号确定火焰燃烧特征参数和火焰温度。
本发明根据所述火焰全光谱信号提取火焰燃烧特征参数，所述火焰燃烧特征参数包括火焰闪烁频率和辐射能量；并基于双色法测量与所述火焰全光谱信号同一时刻的火焰温度。
由光纤光谱仪(光纤光谱传感器)采集获取的火焰全光谱信号光谱图，其横坐标为波长，纵坐标为光谱强度。所述光谱强度为时域信号，经过离散傅立叶变换后，可以获得其在频域上的对应表示:
其中，x(n)是火焰全光谱信号光谱图中第n个采样时刻的光谱强度，N为采样时刻数量；X(k)为x(n)对应的复数形式。
X(k)是复数，根据公式可以将其转换为对应的功率谱：
P(k)＝|X(k)|2/N (2)
波段的辐射能量E是t1到t2时间段内特定波段辐射强度的定积分，计算公式为：
其中，X是X(k)的缩写，E为辐射能量。
火焰闪烁频率F的计算公式为：
其中，P(i)表示第i个采样时刻的功率谱值，f(i)表示第i个采样时刻的频率大小，N为采样时刻数量。
火焰闪烁频率F和辐射能量E在一定程度上反映了生物质燃烧火焰的特性；而燃烧温度直接和结渣程度有关系，温度越高，燃烧越剧烈，产生结渣的可能性越大，因此本发明将这些参数均作为进行生物质结渣预测的特征值。
步骤104：根据所述碱金属元素光谱信号提取碱金属元素的光谱特征值。
本发明针对碱金属元素光谱信号，提取碱金属元素的光谱特征值，同时消除黑体辐射对光谱强度的影响，具体包括：
消除所述碱金属元素光谱信号中黑体辐射对光谱强度的影响，生成消除影响后的碱金属元素光谱信号。
图3为本发明提供的单次采集到的碱金属元素光谱信号光谱结果图。黑体辐射在各个波段都会出现，只与火焰温度有关。如图3所示，K、Na元素对应的波长为尖峰部分，底部为黑体辐射，在数据处理时减去黑体辐射的影响截取尖峰部分即为K、Na元素对应的发射光谱，即得到消除影响后的碱金属元素光谱信号。
提取所述消除影响后的碱金属元素光谱信号的光谱特征值；所述光谱特征值包括均值、标准差、峰度系数以及偏度系数特征。
其中均值计算公式为：
其中μ代表N个连续时刻光谱强度的均值，xi代表第i个时刻的光谱强度，本发明优选N取30。
标准差计算公式为：
其中σ代表N个连续时刻光谱强度的样本标准差。
偏度系数是样本的三阶标准化矩阵，是统计数据分布非对称程度的数字特征，可以表示碱金属元素光谱辐射强度概率密度函数的不对称程度，计算公式如下：
其中S表示N个连续时刻光谱强度的偏度系数，σ代表样本的标准差。
峰度系数是变量的四阶中心矩与方差平方的比值，是对统计数据的分布峰值是否突兀或是平坦的描述，可以表示碱金属元素光谱辐射强度概率密度函数的陡峭程度，计算公式如下：
其中G表示N个连续时刻光谱强度的峰度系数，σ代表样本的标准差，μ代表N个连续时刻光谱强度的均值，xi代表第i个时刻的光谱强度。
本发明提取碱金属元素光谱数据的均值、标准差、峰度系数、偏度系数作为其光谱特征值。
步骤105：根据所述火焰燃烧特征参数、所述火焰温度以及所述光谱特征值生成特征参数矩阵。
本发明采用火焰闪烁频率、辐射能量、火焰温度和碱金属元素光谱数据的均值、标准差、峰度系数、偏度系数这7个特征值构成特征参数矩阵，作为模型训练的样本输入。
例如以K元素为例，每连续30个光谱数据为一组，包括火焰全光谱数据和K元素所在波段的光谱数据，基于上述公式和火焰全光谱数据计算火焰闪烁频率、辐射能量、火焰温度，基于上述公式和K元素所在波段的光谱数据计算均值、标准差、峰度系数、偏度系数，共7个特征值，作为样本输入，生物质燃料实际的K元素含量作为样本输出，共同构成样本集。在所有样本集中，选取其90％为训练集，10％为测试集。Na元素同理。
步骤106：采用所述特征参数矩阵训练建立的循环神经网络模型，生成训练好的生物质燃料碱金属元素含量在线预测模型。
首先获取建立的循环神经网络(RNN)模型，采用保证105中的训练集和测试集对网络进行训练，并基于批处理梯度下降法对模型参数进行优化，生成训练好的生物质燃料碱金属元素含量在线预测模型在线预测生物质燃料碱金属元素含量。
图4为本发明提供的循环神经网络模型的网络结构示意图。参见图4，本发明建立的所述循环神经网络模型包括输入层X、循环层H、全连接层F和输出层Y。其中输入层X将输入信号归一化并序列化，使用了均值、标准差、峰度系数、偏度系数、闪烁频率、辐射能量和火焰温度七维数据；循环层H对序列化的数据进行计算，其特点在于输出不仅与当前序列有关，也与前一序列的输出有关，构成动态预测模型；全连接层F在训练时数据前项传播，误差反向传播；最后计算得到的结果经输出层Y函数计算输出。
其中循环层H每层7个神经元，共有3层。所述循环层公式如下：
H(t)＝σ(wH(H(t-1))+wx(x(t))) (9)
其中H(t)为t时刻循环层输出，H(t-1)为t-1时刻循环层输出，w为权重，σ为激活函数，x(t)为t时刻的特征参数输入。wH为循环层的系数矩阵，用于t-1时刻循环层到t时刻循环层之间的数据计算。wx为输入层的系数矩阵，用于t时刻输入层到循环层之间的数据计算。
所述全连接层F在训练时数据前项传播，误差反向传播。全连接层共6层，前4层每层14个神经元，后2层每层5个神经元。
最后计算得到的结果经输出层Y采用softmax函数输出预测结果y(t)。
所述循环神经网络模型的输入为火焰闪烁频率、辐射能量、火焰温度和K(或者Na)元素光谱数据的均值、标准差、峰度系数、偏度系数7个特征值组成的特征参数矩阵，所述循环神经网络模型的输出为不同生物质燃料中的碱金属元素K元素(或者Na元素)含量。将所得到的光谱特征值序列信号(特征参数矩阵)输入RNN模型，对网络进行训练，使用批处理梯度下降法对模型参数进行优化，达到在线动态预测生物质燃料碱金属含量的要求。
具体的，所述循环神经网络模型中各层的公式如下：
St＝WHt-1+UXt (10)
Ht＝f(St) (11)
Ft＝g(VHt) (12)
Yt＝j(PFt) (13)
其中，Xt代表输入的特征参数矩阵，x(t)为特征参数矩阵Xt中的某个特征参数。U代表的是循环层输入通道的权重矩阵，和输入的特征参数矩阵Xt相乘做运算；Ht-1代表的是循环层在t-1时刻的计算结果，W代表的是循环层循环通道的权重矩阵，和Ht-1相乘做运算；共同得到中间输出结果St。Ht代表的是循环层在t时刻的计算结果，V则代表了循环层输出通道的权重矩阵，和Ht相乘；Ft代表循环层到全连接层的输出结果。P代表全连接层到输出层的输出通道权重矩阵，和Ft相乘。Yt代表输出层的输出结果，同y(t)。f、g和j均代表激活函数。初始时刻一般将中间输出结果S0置零，随机初始化权重参数，并进行迭代计算。激活函数一般常用Tanh(双曲正切函数)，Relu(Rectified linear unit，修正线性单元)，Sigmoid等函数。
本发明采用所述特征参数矩阵迭代训练所述循环神经网络模型，并基于批处理梯度下降法对所述循环神经网络模型的模型参数进行循环优化，模型迭代训练和循环优化的结束条件为损失函数小于预设值(0.05)或达到预设的训练次数(2000次循环)。模型训练结束后，采用测试集样本测试模型的预测准确率，若预测准确率高于预设准确率阈值，则将此时的循环神经网络模型作为训练好的生物质燃料碱金属元素含量在线预测模型进行使用。若模型的预测准确率低于预设准确率阈值，则返回所述步骤101，重新对所述循环神经网络模型进行训练，直至模型的预测准确率高于预设准确率阈值，得到训练好的生物质燃料碱金属元素含量在线预测模型。
步骤107：采用所述生物质燃料碱金属元素含量在线预测模型预测生物质锅炉中燃烧的生物质燃料的碱金属元素含量。
模型训练完成后，在实际使用时，需采用光纤光谱传感器实时采集当前生物质锅炉中燃烧的生物质燃料的燃烧火焰的火焰全光谱信号和碱金属元素光谱信号，然后提取其7个特征值(火焰闪烁频率、辐射能量、火焰温度、均值、标准差、峰度系数、偏度系数)组成的当前特征参数矩阵输入训练好的生物质燃料碱金属元素含量在线预测模型中，即可实时输出生物质燃料中碱金属元素含量。
生物质燃料中碱金属元素含量是生物质锅炉结渣的主要因素，同时也和燃烧温度等其他因素有关，根据本发明在线预测的碱金属元素含量可以辅助推测生物质锅炉的实时结渣情况。本发明针对预测的碱金属元素为K和Na，在生物质燃料中含量高，对结渣和腐蚀的情况影响大。
现有技术中是离线测量某种燃料的碱金属元素含量，结合别的因素判断该燃料的结渣倾向；而本发明所述方法是根据火焰光谱在线实时预测当前时刻炉膛内燃料的碱金属元素含量。生物质锅炉燃烧所用的生物质燃料经常是混燃的，在线实时测量碱金属元素含量，有助于及时控制燃烧状况，减少结渣倾向。由于碱金属元素形成的化合物熔点低，是产生结渣的主要因素，因此碱金属元素含量越高，燃料或者炉膛内燃烧火焰产生结渣的倾向越大，目前国际上还没有统一的判别公式，只是模糊地分为容易结渣、结渣程度中等、难结渣三种情况。本发明方法基于生物质燃烧火焰的光谱信息，实时获取火焰燃烧的情况，在线动态预测生物质燃料中碱金属元素的含量，有助于生物质锅炉的结渣情况和腐蚀情况的分析，可提高锅炉燃烧的安全性和经济性。
本发明方法通过光纤光谱传感器获取生物质燃料燃烧火焰的辐射信号，经过数据分析和预处理，获取火焰燃烧特征参数，并提取碱金属元素的光谱特征值，采用双色法测量同一时刻的火焰温度，建立基于循环神经网络(RNN)的生物质燃料碱金属元素含量在线动态预测模型，从而指导燃烧的进行。本发明对预防锅炉结渣及高效安全运行具有重要意义，适用于混合固体燃料碱金属元素含量的在线动态预测。
基于本发明提供的一种生物质燃料的碱金属元素含量在线动态预测方法，本发明还提供一种生物质燃料的碱金属元素含量在线动态预测系统，所述系统包括：
火焰辐射信号获取模块，用于获取生物质燃料燃烧时的原始火焰辐射信号；
数据预处理模块，用于对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰辐射信号；所述预处理后的火焰辐射信号中包括预处理后的火焰全光谱信号和碱金属元素光谱信号；
火焰燃烧特征参数和火焰温度提取模块，用于根据所述火焰全光谱信号确定火焰燃烧特征参数和火焰温度；
光谱特征提取模块，用于根据所述碱金属元素光谱信号提取碱金属元素的光谱特征值；
特征参数矩阵生成模块，用于根据所述火焰燃烧特征参数、所述火焰温度以及所述光谱特征值生成特征参数矩阵；
模型训练模块，用于采用所述特征参数矩阵训练建立的循环神经网络模型，生成训练好的生物质燃料碱金属元素含量在线预测模型；
碱金属元素含量在线预测模块，用于采用所述生物质燃料碱金属元素含量在线预测模型预测生物质锅炉中燃烧的生物质燃料的碱金属元素含量。
其中，所述数据预处理模块具体包括：
数据预处理单元，用于采用k-means聚类算法去除所述原始火焰辐射信号中的离群点并进行平滑去噪处理，同时避免系统误差对所述原始火焰辐射信号的影响，生成预处理后的火焰辐射信号。
所述火焰燃烧特征参数和火焰温度提取模块具体包括：
火焰燃烧特征参数提取单元，用于根据所述火焰全光谱信号提取火焰燃烧特征参数；所述火焰燃烧特征参数包括火焰闪烁频率和辐射能量；
火焰温度测量单元，用于基于双色法测量与所述火焰全光谱信号同一时刻的火焰温度。
所述光谱特征提取模块具体包括：
黑体辐射消除单元，用于消除所述碱金属元素光谱信号中黑体辐射对光谱强度的影响，生成消除影响后的碱金属元素光谱信号；
光谱特征提取单元，用于提取所述消除影响后的碱金属元素光谱信号的光谱特征值；所述光谱特征值包括均值、标准差、峰度系数以及偏度系数特征。
所述模型训练模块具体包括：
模型建立单元，用于获取建立的循环神经网络模型；所述循环神经网络模型包括输入层、循环层、全连接层和输出层；
模型训练优化单元，用于采用所述特征参数矩阵训练所述循环神经网络模型，并基于批处理梯度下降法对所述循环神经网络模型的模型参数进行优化，生成训练好的生物质燃料碱金属元素含量在线预测模型。
现有技术是在实验室中使用化学分析的手段离线测量某种燃料的碱金属元素含量，准确度高但时效性差，一旦燃料改变或者发生掺烧的情况就需要重新测量。本发明方法是根据火焰光谱实时预测当前时刻炉膛内燃料的碱金属元素含量，相比于传统方法时效性强，对生物质锅炉燃料变化或者掺烧等情况有较好的适应性，有助于及时调整燃烧控制，减少结渣倾向。
本发明方法及系统在相同的燃烧条件下燃烧不同的生物质燃料，通过光纤光谱传感器获取生物质燃料燃烧火焰的辐射信号，经过数据分析和预处理，获取火焰燃烧特征参数，火焰燃烧的特征数据包括闪烁频率、辐射能量，以及双色法测量同一时刻的火焰温度；并提取K、Na元素波段的光谱特征值，同时消除黑体辐射所造成的影响，提取的特征参数包括均值、标准差、峰度系数、偏度系数，基于此建立基于循环神经网络(RNN)的生物质燃料K、Na元素含量在线动态预测模型。本发明方法及系统适用于在线动态预测生物燃料碱金属元素含量，可用于指导燃烧经济、稳定的进行。当预测生物质燃料的碱金属元素含量较多时，说明容易产生结渣，可以适当控制炉膛温度，避免温度太高增加结渣产生的概率。此外，针对容易产生结渣的生物质燃料，在燃烧时应多掺烧一些不容易产生结渣的生物质燃料，改变燃料的配比，也可以减少结渣产生。如果要保持燃烧效率或燃烧稳定性，不能太多地改变炉膛温度和燃料配比，则可以向燃料中添加结渣抑制剂来减少结渣的生成。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种生物质燃料的碱金属元素含量在线动态预测方法，其特征在于，所述方法包括：
获取生物质燃料燃烧时的原始火焰辐射信号；
对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰辐射信号；所述预处理后的火焰辐射信号中包括预处理后的火焰全光谱信号和碱金属元素光谱信号；
所述对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰辐射信号，具体包括：
采用k-means聚类算法去除所述原始火焰辐射信号中的离群点并进行平滑去噪处理，同时避免系统误差对所述原始火焰辐射信号的影响，生成预处理后的火焰辐射信号；
所述系统误差对所述原始火焰辐射信号的影响包含暗噪声和背景光谱对所述原始火焰辐射信号的影响；所述暗噪声主要由仪器本身所引起，为了避免所述暗噪声对所述原始火焰辐射信号的影响，除了保证火焰数据采集系统的光谱仪在正常使用环境下，还在实验中对所述原始火焰辐射信号进行多次测量，取统计平均值，以此消除所述暗噪声；同时针对没有火焰的背景也进行多次光谱采集，取其平均值作为所述背景光谱，因此所用的火焰光谱是减去所述背景光谱后得到的，以此避免所述背景光谱对所述原始火焰辐射信号的影响；
根据所述火焰全光谱信号确定火焰燃烧特征参数和火焰温度；
根据所述碱金属元素光谱信号提取碱金属元素的光谱特征值；
根据所述火焰燃烧特征参数、所述火焰温度以及所述光谱特征值生成特征参数矩阵；
采用所述特征参数矩阵训练建立的循环神经网络模型，生成训练好的生物质燃料碱金属元素含量在线预测模型；
采用所述特征参数矩阵迭代训练所述循环神经网络模型，并基于批处理梯度下降法对所述循环神经网络模型的模型参数进行循环优化，模型迭代训练和所述循环优化的结束条件为损失函数小于预设值0.05或达到预设的训练次数2000次循环；所述模型迭代训练结束后，采用测试集样本测试模型的预测准确率，若所述预测准确率高于预设准确率阈值，则将此时的循环神经网络模型作为训练好的生物质燃料碱金属元素含量在线预测模型进行使用；若所述预测准确率低于所述预设准确率阈值，则返回所述获取生物质燃料燃烧时的原始火焰辐射信号，重新对所述循环神经网络模型进行训练，直至所述预测准确率高于所述预设准确率阈值，得到所述训练好的生物质燃料碱金属元素含量在线预测模型；
采用所述生物质燃料碱金属元素含量在线预测模型预测生物质锅炉中燃烧的生物质燃料的碱金属元素含量。
2.根据权利要求1所述的碱金属元素含量在线动态预测方法，其特征在于，所述根据所述火焰全光谱信号确定火焰燃烧特征参数和火焰温度，具体包括：
根据所述火焰全光谱信号提取火焰燃烧特征参数；所述火焰燃烧特征参数包括火焰闪烁频率和辐射能量；
基于双色法测量与所述火焰全光谱信号同一时刻的火焰温度。
3.根据权利要求2所述的碱金属元素含量在线动态预测方法，其特征在于，所述根据所述碱金属元素光谱信号提取碱金属元素的光谱特征值，具体包括：
消除所述碱金属元素光谱信号中黑体辐射对光谱强度的影响，生成消除影响后的碱金属元素光谱信号；
提取所述消除影响后的碱金属元素光谱信号的光谱特征值；所述光谱特征值包括均值、标准差、峰度系数以及偏度系数特征。
4.根据权利要求3所述的碱金属元素含量在线动态预测方法，其特征在于，所述采用所述特征参数矩阵训练建立的循环神经网络模型，生成训练好的生物质燃料碱金属元素含量在线预测模型，具体包括：
获取建立的循环神经网络模型；所述循环神经网络模型包括输入层、循环层、全连接层和输出层；
采用所述特征参数矩阵训练所述循环神经网络模型，并基于批处理梯度下降法对所述循环神经网络模型的模型参数进行优化，生成训练好的生物质燃料碱金属元素含量在线预测模型。
5.一种生物质燃料的碱金属元素含量在线动态预测系统，其特征在于，所述系统包括：
火焰辐射信号获取模块，用于获取生物质燃料燃烧时的原始火焰辐射信号；
数据预处理模块，用于对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰辐射信号；所述预处理后的火焰辐射信号中包括预处理后的火焰全光谱信号和碱金属元素光谱信号；
所述对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰辐射信号，具体包括：
采用k-means聚类算法去除所述原始火焰辐射信号中的离群点并进行平滑去噪处理，同时避免系统误差对所述原始火焰辐射信号的影响，生成预处理后的火焰辐射信号；
所述系统误差对所述原始火焰辐射信号的影响包含暗噪声和背景光谱对所述原始火焰辐射信号的影响；所述暗噪声主要由仪器本身所引起，为了避免所述暗噪声对所述原始火焰辐射信号的影响，除了保证火焰数据采集系统的光谱仪在正常使用环境下，还在实验中对所述原始火焰辐射信号进行多次测量，取统计平均值，以此消除所述暗噪声；同时针对没有火焰的背景也进行多次光谱采集，取其平均值作为所述背景光谱，因此所用的火焰光谱是减去所述背景光谱后得到的，以此避免所述背景光谱对所述原始火焰辐射信号的影响；
火焰燃烧特征参数和火焰温度提取模块，用于根据所述火焰全光谱信号确定火焰燃烧特征参数和火焰温度；
光谱特征提取模块，用于根据所述碱金属元素光谱信号提取碱金属元素的光谱特征值；
特征参数矩阵生成模块，用于根据所述火焰燃烧特征参数、所述火焰温度以及所述光谱特征值生成特征参数矩阵；
模型训练模块，用于采用所述特征参数矩阵训练建立的循环神经网络模型，生成训练好的生物质燃料碱金属元素含量在线预测模型；
采用所述特征参数矩阵迭代训练所述循环神经网络模型，并基于批处理梯度下降法对所述循环神经网络模型的模型参数进行循环优化，模型迭代训练和所述循环优化的结束条件为损失函数小于预设值0.05或达到预设的训练次数2000次循环；所述模型迭代训练结束后，采用测试集样本测试模型的预测准确率，若所述预测准确率高于预设准确率阈值，则将此时的循环神经网络模型作为训练好的生物质燃料碱金属元素含量在线预测模型进行使用；若所述预测准确率低于所述预设准确率阈值，则返回所述获取生物质燃料燃烧时的原始火焰辐射信号，重新对所述循环神经网络模型进行训练，直至所述预测准确率高于所述预设准确率阈值，得到所述训练好的生物质燃料碱金属元素含量在线预测模型；
碱金属元素含量在线预测模块，用于采用所述生物质燃料碱金属元素含量在线预测模型预测生物质锅炉中燃烧的生物质燃料的碱金属元素含量。
6.根据权利要求5所述的碱金属元素含量在线动态预测系统，其特征在于，所述火焰燃烧特征参数和火焰温度提取模块具体包括：
火焰燃烧特征参数提取单元，用于根据所述火焰全光谱信号提取火焰燃烧特征参数；
所述火焰燃烧特征参数包括火焰闪烁频率和辐射能量；
火焰温度测量单元，用于基于双色法测量与所述火焰全光谱信号同一时刻的火焰温度。
7.根据权利要求6所述的碱金属元素含量在线动态预测系统，其特征在于，所述光谱特征提取模块具体包括：
黑体辐射消除单元，用于消除所述碱金属元素光谱信号中黑体辐射对光谱强度的影响，生成消除影响后的碱金属元素光谱信号；
光谱特征提取单元，用于提取所述消除影响后的碱金属元素光谱信号的光谱特征值；
所述光谱特征值包括均值、标准差、峰度系数以及偏度系数特征。
8.根据权利要求7所述的碱金属元素含量在线动态预测系统，其特征在于，所述模型训练模块具体包括：
模型建立单元，用于获取建立的循环神经网络模型；所述循环神经网络模型包括输入层、循环层、全连接层和输出层；
模型训练优化单元，用于采用所述特征参数矩阵训练所述循环神经网络模型，并基于批处理梯度下降法对所述循环神经网络模型的模型参数进行优化，生成训练好的生物质燃料碱金属元素含量在线预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010046096.0A CN111257306B (zh) | 2020-01-16 | 2020-01-16 | 生物质燃料的碱金属元素含量在线动态预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010046096.0A CN111257306B (zh) | 2020-01-16 | 2020-01-16 | 生物质燃料的碱金属元素含量在线动态预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111257306A CN111257306A (zh) | 2020-06-09 |
| CN111257306B true CN111257306B (zh) | 2021-02-09 |
Family
ID=70947095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010046096.0A Active CN111257306B (zh) | 2020-01-16 | 2020-01-16 | 生物质燃料的碱金属元素含量在线动态预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111257306B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112013417B (zh) * | 2020-08-25 | 2021-07-27 | 华中科技大学 | 一种高碱煤锅炉的燃烧优化调整方法及系统 |
| CN116448739A (zh) * | 2023-03-21 | 2023-07-18 | 华北电力大学 | 一种基于火焰自发射光谱测量炉内气相碱金属浓度的方法 |
| CN116519144A (zh) * | 2023-04-23 | 2023-08-01 | 华北电力大学 | 一种基于光谱的燃煤电站炉膛燃烧状态识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4896965A (en) * | 1988-09-14 | 1990-01-30 | The United States Of America As Represented By The United States Department Of Energy | Real-time alkali monitoring system |
| US5432090A (en) * | 1992-04-23 | 1995-07-11 | Hitachi, Ltd. | Method for measuring metal ingredients in combustion gas |
| CN104849260A (zh) * | 2015-05-18 | 2015-08-19 | 华中科技大学 | 一种锅炉燃烧火焰中的气相碱金属浓度的在线检测方法 |
| CN106066314A (zh) * | 2016-07-27 | 2016-11-02 | 华中科技大学 | 一种碳氢燃烧火焰中气相碱金属浓度的检测方法 |
| CN110146455A (zh) * | 2019-05-27 | 2019-08-20 | 安徽大学 | 基于深度学习的激光光谱气体浓度测量方法 |
| CN110567910A (zh) * | 2019-09-30 | 2019-12-13 | 华中科技大学 | 一种燃烧火焰中气相碱金属质量浓度三维分布的检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101701951B (zh) * | 2009-10-28 | 2011-07-27 | 北京航空航天大学 | 一种基于支持向量机的燃料种类在线识别方法 |
| US20130298464A1 (en) * | 2010-10-27 | 2013-11-14 | Maximilian Fleischer | Device and method for gasifying carbon-containing fuels |
| CN102393366B (zh) * | 2011-09-14 | 2013-04-10 | 上海德诺产品检测有限公司 | 一种火焰原子吸收间接测定消泡剂中硅含量的方法 |
| US8709815B2 (en) * | 2011-11-04 | 2014-04-29 | Dexsil Corporation | System and method for the analysis of biodiesel |
-
2020
- 2020-01-16 CN CN202010046096.0A patent/CN111257306B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4896965A (en) * | 1988-09-14 | 1990-01-30 | The United States Of America As Represented By The United States Department Of Energy | Real-time alkali monitoring system |
| US5432090A (en) * | 1992-04-23 | 1995-07-11 | Hitachi, Ltd. | Method for measuring metal ingredients in combustion gas |
| CN104849260A (zh) * | 2015-05-18 | 2015-08-19 | 华中科技大学 | 一种锅炉燃烧火焰中的气相碱金属浓度的在线检测方法 |
| CN106066314A (zh) * | 2016-07-27 | 2016-11-02 | 华中科技大学 | 一种碳氢燃烧火焰中气相碱金属浓度的检测方法 |
| CN110146455A (zh) * | 2019-05-27 | 2019-08-20 | 安徽大学 | 基于深度学习的激光光谱气体浓度测量方法 |
| CN110567910A (zh) * | 2019-09-30 | 2019-12-13 | 华中科技大学 | 一种燃烧火焰中气相碱金属质量浓度三维分布的检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于火焰检测的煤种识别及发热量预测;阚睿;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20100815(第08期);C039-11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111257306A (zh) | 2020-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111257306B (zh) | 生物质燃料的碱金属元素含量在线动态预测方法及系统 | |
| CN112488145B (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
| CN114077846B (zh) | 一种基于rf-lstm的故障电流多域识别方法及存储介质 | |
| CN111007035B (zh) | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 | |
| CN111754028A (zh) | 一种基于高光谱的煤炭灰分、水分检测系统及方法 | |
| Wang et al. | A novel wind power prediction model improved with feature enhancement and autoregressive error compensation | |
| CN114896895B (zh) | 基于门控循环神经网络的脱硝系统入口氮氧化物排放预测方法及系统 | |
| CN104778361B (zh) | 改进型EMD‑Elman神经网络预测铁水硅含量的方法 | |
| Li et al. | Online dynamic prediction of potassium concentration in biomass fuels through flame spectroscopic analysis and recurrent neural network modelling | |
| CN110208252A (zh) | 一种基于激光诱导击穿光谱分析的煤灰熔点预测方法 | |
| Su et al. | Accuracy improvement on quantitative analysis of the total iron content in branded iron ores by laser-induced breakdown spectroscopy combined with the double back propagation artificial neural network | |
| CN117849027A (zh) | 一种基于光谱数据融合的煤质分析方法 | |
| CN116401948A (zh) | 基于lstm的电站锅炉灰渣生成量在线预测方法及系统 | |
| CN118883486A (zh) | 基于混合光谱分析技术的煤质在线检测方法及系统 | |
| Fang et al. | The influence of variational mode decomposition on LSTM prediction accuracy-A case study with wind turbine power signals | |
| Zhang et al. | A spectral bias-error stepwise correction method of plasma image-spectrum fusion based on deep learning for improving the performance of LIBS | |
| CN117239732A (zh) | 一种短期光伏功率概率区间预测方法 | |
| CN117995294A (zh) | 基于图网络的高炉数字孪生系统硅含量容错预测方法 | |
| CN111060497A (zh) | 基于svm级联模型的混合种类飞灰未燃碳含量libs测量方法 | |
| CN116482080A (zh) | 基于libs技术的煤质分析方法 | |
| CN115310653A (zh) | 基于性能退化数据的光伏阵列剩余寿命预测方法 | |
| CN114692992B (zh) | 基于lstm的电站锅炉煤灰生成量在线预测方法及系统 | |
| CN115017818A (zh) | 基于注意力机制和多层lstm的电厂烟气含氧量智能预测方法 | |
| Zhao et al. | An interpretable ultra-short-term wind power prediction model based on the feature matrix reconstruction through regression trees | |
| Tan et al. | Dynamic prediction of NOx emissions based on factor analysis and NARX neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| OL01 | Intention to license declared | ||
| OL01 | Intention to license declared |