[发明专利]一种基于改进型BP神经网络的煤燃烧发热量预测方法

说明书

本发明公开了一种基于改进型BP神经网络的煤燃烧发热量预测方法，包括以下步骤：(1)对待测煤质进行工业分析与元素分析，将待测煤质的工业分析与元素分析数据作为预测样本，并根据预测样本的特征构建归一化的特征矩阵；(2)根据最优权值与阈值以及步骤(1)中归一化的特征矩阵，计算待测煤质的归一化输出；(3)对待测煤质的归一化输出反归一化，得到煤燃烧发热量。将该改进型的BP神经网络应用于煤质工业分析与元素分析基础数据计算其燃烧发热量的体系中，有效克服了传统燃烧发热量预测方法计算精度低、实用性差的缺点。本发明具有计算速度快、预测精度高、适应性强、利于快速推广等诸多优点。

技术领域

本发明属于煤炭燃烧发热量计算技术领域，具体涉及到一种基于改进型BP神经网络的煤燃烧发热量预测方法。

背景技术

煤炭是我国重要的基础能源和工业原料，为国民经济发展和社会稳定提供了重要支撑，目前，煤炭在我国的主要利用方式是直接燃烧发电和供热。煤直接燃烧是煤炭利用最直接的方式，主要目的是利用其燃烧时产生的热量。因此，煤燃烧的发热量成为了煤质特性中的一个关注焦点。煤的发热量，又常常被称为热值，是指单位质量的煤在完全燃烧的状态下所释放出的热量，一般用Kcal/Kg或MJ/Kg表示。煤的发热量不仅是煤质分析中的一个重要指标，而且还是热平衡计算、煤质鉴定、热使用效率、煤耗计算以及煤(热值)计价的基础，同时也对煤炭后续深加工具有重要的影响。

目前，在国内、外常用的煤发热量测量的方法大多采用氧弹法进行，该方法也是我国国标中的煤发热量测量方法。它具有测量结果准确的优点，但同时也存在着对外界环境温度要求高、过程繁琐、测量时间长等缺点，具有很多的局限性。氧弹法在发热量在线检测等工业实际应用中存在着明显的滞后性，最终使得该测量方法在工业上不具备快速检测混煤或多批次入厂煤发热量变化的特质。研究表明，煤的发热量是煤分子组成以及结构信息的集中体现，其实质主要来源于煤中有机质的燃烧以及少部分无机物(如矿物中的可燃硫，FeS₂)的放热。因此，许多学者借助煤的工业分析或者元素分析等数据开展了大量的针对煤发热量的数据回归“软测量”研究。但由于各类分析参量与发热量之间存在明显的非线性关系，进而造成通过数据回归计算煤发热量的软测量方法存在着预测精度差的缺点，难以满足人们的需求。近年来，学者们为了更为精准的预测出煤燃烧发热量，尝试通过以BP神经网络为代表的智能算法在煤质工业分析或元素分析与燃烧发热量之间建立了预测关系，但由于传统BP神经网络存在易陷入局部最小值、随机初始值、收敛速度慢等缺点，造成了其预测效果也不够理想。

因此，如何高效、准确的预测出煤燃烧发热量对高效利用煤炭资源、计算燃煤锅炉热平衡以及科学合理地为煤计价等方面均具有重要的意义。

发明内容

本发明针对现有煤燃烧发热量预测方法中存在的预测精度差等缺点，提供一种具有操作方便、预测精度高以及普适性强的基于改进型BP神经网络的煤燃烧发热量预测方法。

为实现上述目的，本发明采用的技术方案如下：

一种基于改进型BP神经网络的煤燃烧发热量预测方法，包括以下步骤：

(1)对待测煤质进行工业分析与元素分析，将待测煤质的工业分析与元素分析数据作为预测样本，并根据预测样本的特征构建归一化的特征矩阵；

(2)根据最优权值与阈值以及步骤(1)中归一化的特征矩阵，计算待测煤质的归一化输出；

(3)对待测煤质的归一化输出反归一化，得到煤燃烧发热量。

本发明进一步的改进在于，步骤(1)中，煤质的工业分析与元素分析数据包括空干基水分M_ad、空干基灰分A_ad、空干基固定碳FC_ad、空干基碳含量C_ad、空干基氢含量H_ad、空干基氮含量N_ad和空干基硫含量S_ad。