[发明专利]一种基于数值模型的煤元素分析方法

说明书

技术领域

本发明涉及一种分析方法，特别涉及一煤元素分析的方法。

背景技术

煤的元素分析在火力发电厂的试验和在线性能检测中具有基础性的地位。

目前在线检测煤的元素分析与发热量的有中子轰击法，该法分析的数据准确度较高，适应的煤种广泛，但由于电厂对中子辐射源的担心，使其在实际应用中受到很大的限制。

从煤的工业分析到元素分析的传统模型主要有一元线性回归模型、多元线性回归模型和多元非线性回归模型等。

根据煤的工业分析到元素分析的建模方法不同大体可分为两大类：即基于机理的建模方法和基于数值的建模方法。

基于机理的建模方法首先要对煤炭进行较为精确的分类(无烟煤、烟煤和褐煤)；其次，还要测定煤的工业分析和焦渣特征代号(CRC)。焦渣特征代号(CRC的代号分为1、2、3、4、5、6、7、8)主要依赖于化验分析人员的经验判断，使得焦渣特征的代号(CRC)具有一定的模糊性和不确定性。此外，煤的焦渣特征代号只有大型专业的科研机构才能测定，发电厂的普通化验室根本没有经验和能力进行有关煤的焦渣特征代号的测定。而CRC参数又是机理模型中非常重要的一项参数。因此，基于机理分析而建立的模型在发电厂的实际应用中会受到一定的限制。基于数值的建模方法主要利用煤的工业分析和发热量等易准确测定的数值进行建模。一般的发电厂都具有煤的工业分析和发热量的测定能力。

发明内容

本发明所要解决的技术问题是提供一种煤元素分析的方法。通过神经网络的方法，从煤质工业分析到元素分析的非线性映射模型的建立有效地控制了由于电厂煤的元素分析缺少而给系统带来的隐性误差。

为了解决上述技术问题，本发明采用以下技术方案：

一种基于数值模型的煤元素分析方法，其特征在于它包括以下步骤：

1)获取煤的收到基碳元素(C_ar)含量

1.1)首先收集煤的工业分析与相应的元素分析的数据样本，并将空干基碳元素分析数据转化为收到基碳元素分析数据；其次将数据样本分为训练样本和测试样本；

1.2)建立煤的收到基碳元素(C_ar)含量的人工神经网络模型：

网络的输入层为：收到基挥发分含量(V_ar)、收到基固定碳含量(FC_ar)、收到基灰分含量(A_ar)、收到基低位发热量(Q_net_ar)，是一个四维的输入向量；

网络的隐层是含一定数量的神经元节点；

网络的输出层只有一个输出神经元节点即输出收到基碳元素含量(C_ar)；

1.3)确定收到基碳元素(C_ar)含量的人工神经网络模型的训练精度或最大训练次数；

1.4)利用训练样本对人工神经网络模型进行训练直至模型满足训练精度要求或对模型的训练已达到最大训练次数后，停止对模型的训练；

1.5)将测试样本加载到收到基碳元素(C_ar)含量的人工神经网络模型并进行测试；

1.6)如果测试的结果显示模型已满足精度和泛化能力两方面的要求，则模型训练成功。

它进一步包括以下步骤：

2)获取煤的收到基氢元素(H_ar)含量

2.1)首先收集煤的工业分析与相应的元素分析的数据样本，并将空干基氢元素分析数据转化为收到基氢元素分析数据；其次将数据样本分为训练样本和测试样本；

2.2)建立煤的收到基氢元素(H_ar)含量的人工神经网络模型；

网络的输入层为：收到基挥发分含量(V_ar)、收到基固定碳含量(FC_ar)、收到基灰分含量(A_ar)、收到基低位发热量(Q_net_ar)，是一个四维的输入向量；

网络的隐层是含一定数量的神经元节点；

网络的输出层只有一个输出神经元节点即输出收到基氢元素含量(H_ar)；

2.3)确定收到基氢元素(H_ar)含量的人工神经网络模型的训练精度或最大训练次数；

2.4)利用训练样本对人工神经网络模型进行训练直至模型满足训练精度要求或对模型的训练已达到最大训练次数后，停止对模型的训练；

2.5)将测试样本加载到收到基氢元素(H_ar)含量的人工神经网络模型并进行测试；

2.6)如果测试的结果显示模型已满足精度和泛化能力两方面的要求，则模型训练成功。

它进一步包括以下步骤：

3)获取煤的收到基氮元素(N_ar)含量