一種生物質(zhì)能發(fā)電機功率預測模型

摘 要：本研究嘗試將人工神經(jīng)網(wǎng)絡模型與熱力學平衡方法相結(jié)合，建立一種新穎的生物質(zhì)能綜合發(fā)電機組功率預測模型。該研究在不同的大氣壓和各種操作條件下，預測使用不同生物質(zhì)原料的生物質(zhì)能發(fā)電機的凈輸出功率。模型的輸入?yún)?shù)包括元素分析成分（C、O、H、N和S）、近似分析成分（水分、灰分、揮發(fā)性物質(zhì)和固定碳）以及操作參數(shù)（氣化爐溫度和空氣燃料比）。通過試驗證明了本文提出的基于人工神經(jīng)網(wǎng)絡和熱力學平衡的綜合模型可以優(yōu)化和控制生物質(zhì)能發(fā)電機組。

關(guān)鍵詞：生物質(zhì)能發(fā)電；人工神經(jīng)網(wǎng)絡；熱力學平衡；功率預測

中圖分類號：TM 71" " " " " " " 文獻標志碼：A

神經(jīng)網(wǎng)絡是一種模仿人腦神經(jīng)元網(wǎng)絡結(jié)構(gòu)和工作原理的人工智能模型，具有強大的非線性映射能力和學習能力，已廣泛應用于功率預測、模式識別等領(lǐng)域。

本文將人工神經(jīng)網(wǎng)絡和熱力學模型結(jié)合，首先，根據(jù)生物質(zhì)原料的多樣性，建立一個豐富的數(shù)據(jù)庫，對生物質(zhì)進行元素分析和近似分析。其次，計算熱解部分組分的不確定產(chǎn)率和進入氣化爐的空氣流質(zhì)量。再次，根據(jù)合成氣的組成計算燃燒所需的空氣量。最后，將其輸入人工神經(jīng)網(wǎng)絡模型，計算最終的發(fā)電機輸出功率。

本文旨在提出一種基于神經(jīng)網(wǎng)絡與熱力學平衡的生物質(zhì)能發(fā)電機功率預測模型。通過試驗數(shù)據(jù)驗證模型的準確性和可靠性，預測不同類型生物質(zhì)原料在不同操作條件下的發(fā)電量，為生物質(zhì)能發(fā)電系統(tǒng)的優(yōu)化運行提供理論支持和技術(shù)參考。

1 生物質(zhì)發(fā)電流程和模型輸入選擇

1.1 熱力學平衡在生物質(zhì)發(fā)電中的應用

在生物質(zhì)能發(fā)電中，生物質(zhì)的燃燒是產(chǎn)生熱能的主要來源。在燃燒過程中，生物質(zhì)中的有機物質(zhì)氧化，釋放出熱量，驅(qū)動發(fā)電機產(chǎn)生電能。熱力學平衡理論可以用來分析生物質(zhì)燃燒過程中的熱平衡情況，包括燃料的熱值、燃料與空氣的化學反應、燃燒產(chǎn)生的熱量等。通過熱平衡分析，可以確定燃料的熱值、燃料供給量和空氣供給量等參數(shù)，為設計和優(yōu)化生物質(zhì)能發(fā)電系統(tǒng)提供依據(jù)[1]。

除了燃燒過程外，生物質(zhì)能發(fā)電系統(tǒng)中還涉及熱能的轉(zhuǎn)化與傳輸過程。熱力學平衡理論可以用來分析生物質(zhì)能發(fā)電系統(tǒng)中的熱能轉(zhuǎn)化過程，包括熱能產(chǎn)生、傳輸、利用和損失等。對熱能轉(zhuǎn)化過程進行分析，可以確定熱能的利用效率、熱能傳輸過程中的能量損失情況，為提高生物質(zhì)能發(fā)電系統(tǒng)的能源利用效率提供參考。

熱力學平衡理論還可以優(yōu)化設計生物質(zhì)能發(fā)電系統(tǒng)。對熱力學參數(shù)進行優(yōu)化設計，可以使生物質(zhì)能發(fā)電系統(tǒng)在運行過程中達到更好的熱平衡狀態(tài)，提高能源利用效率和發(fā)電效率。例如，通過合理調(diào)節(jié)燃料的供給量和空氣的供給量、控制燃燒過程中的溫度和壓力，優(yōu)化燃燒效率和熱能轉(zhuǎn)化效率。

在生物質(zhì)能發(fā)電系統(tǒng)中，由于各種熱能轉(zhuǎn)化和傳輸過程中都存在一定的能量損失，因此對熱損失進行分析與控制是提高系統(tǒng)能源利用效率的關(guān)鍵。熱力學平衡理論可以用來分析生物質(zhì)能發(fā)電系統(tǒng)中的熱損失情況，包括煙氣排放中的熱損失、冷卻水損失等。對熱損失進行分析，并采取相應的措施來減少能量損失，可以提高系統(tǒng)的能源利用效率。

1.2 生物質(zhì)發(fā)電流程設計

本文選擇對不同類型的生物質(zhì)進行研究，例如：木材和木本生物質(zhì)、草本和農(nóng)業(yè)生物質(zhì)、動物生物質(zhì)、混合生物質(zhì)和污染生物質(zhì)。將它們作為氣化爐的輸入，并記錄這些生物質(zhì)的元素分析結(jié)果，見表1和表2。為保證干燥過程中的環(huán)境一致性，須選用150°C的干燥溫度。干燥后對生物質(zhì)原料進行熱解，原料被轉(zhuǎn)化為兩種產(chǎn)物：揮發(fā)性物質(zhì)和燒焦物質(zhì)。通過分析原料的元素，確定產(chǎn)物揮發(fā)性材料中含有C，H，O，N，燒焦物質(zhì)含有灰分和C。假設完全化學平衡，使用熱力學平衡中的Gibbs自由能計算合成氣組成，并將合成氣輸入燃燒室發(fā)生氧化反應，產(chǎn)生動力推動燃氣輪機旋轉(zhuǎn)。流程圖如圖1所示。

輸入人工神經(jīng)網(wǎng)絡模型中的變量包括水含量、揮發(fā)性物質(zhì)、碳含量、灰分含量等。輸出變量則是燃氣輪機的發(fā)電功率。對輸入變量進行優(yōu)化，可以顯著提高系統(tǒng)的發(fā)電效率。

2 建立人工神經(jīng)網(wǎng)絡

2.1 神經(jīng)網(wǎng)絡的預測功能介紹

人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）是一種模仿生物神經(jīng)網(wǎng)絡結(jié)構(gòu)和功能的計算模型，可以用于機器學習和模式識別任務。人工神經(jīng)網(wǎng)絡是由在不同層的大量神經(jīng)元組成的，一層的神經(jīng)元通過權(quán)值與另一層的神經(jīng)元連接，通過適當調(diào)整其連接權(quán)值、偏置和架構(gòu)，可以訓練其執(zhí)行特定的任務。神經(jīng)網(wǎng)絡由多層神經(jīng)元組成，包括輸入層、隱藏層和輸出層。輸入層接收原始數(shù)據(jù)，用隱藏層提取數(shù)據(jù)的特征，輸出層產(chǎn)生預測結(jié)果。隱藏層可以有多層，每層含有多個神經(jīng)元。每個神經(jīng)元接收來自前一層神經(jīng)元的輸入，并進行加權(quán)求和，通過激活函數(shù)處理后輸出到下一層。可以通過訓練過程學習得到神經(jīng)元之間的連接權(quán)重和偏置，并將其作為模型的參數(shù)[2]。

神經(jīng)網(wǎng)絡的訓練過程一般包括前向傳播和反向傳播兩個階段。

前向傳播：輸入數(shù)據(jù)通過神經(jīng)網(wǎng)絡，逐層傳播并計算輸出結(jié)果。

反向傳播：計算輸出結(jié)果與真實標簽之間的誤差，并反向傳播誤差，根據(jù)誤差調(diào)整網(wǎng)絡中的權(quán)重和偏置。

利用訓練好的模型，根據(jù)輸入數(shù)據(jù)預測未知數(shù)據(jù)的輸出結(jié)果。通過神經(jīng)網(wǎng)絡的前向傳播完成這個過程，其中，神經(jīng)網(wǎng)絡通過學習輸入和輸出之間的關(guān)系，能夠自動從數(shù)據(jù)中提取特征并進行預測[3]?；谠摴δ?，本文使用BP神經(jīng)網(wǎng)絡來預測生物質(zhì)能發(fā)電機的功率。

2.2 神經(jīng)網(wǎng)絡模型構(gòu)建

在本文中，基于生物質(zhì)元素分析構(gòu)建1個3層的神經(jīng)網(wǎng)絡模型，并在Matlab環(huán)境中構(gòu)建出來，構(gòu)建的神經(jīng)網(wǎng)絡模型如圖2所示。

其中，輸入層含有9個神經(jīng)元，分別為水含量、揮發(fā)性物質(zhì)、碳、灰分、C、O、N、H、S。

隱藏層為一層，確定神經(jīng)網(wǎng)絡隱藏層的神經(jīng)節(jié)點數(shù)量是一個重要的問題，它直接影響神經(jīng)網(wǎng)絡的性能和泛化能力。在實踐中，通常根據(jù)經(jīng)驗法則來確定隱藏層神經(jīng)元節(jié)點數(shù)，通常將單個隱藏層的節(jié)點數(shù)設置為輸入層節(jié)點數(shù)和輸出層節(jié)點數(shù)的平均值，或者是輸入層節(jié)點數(shù)和輸出層節(jié)點數(shù)的兩倍之間。本文選用20個隱藏層神經(jīng)元節(jié)點。隱藏層神經(jīng)元的輸入的計算過程如公式（1）所示。

（1）

輸出層僅有一個神經(jīng)元節(jié)點，輸出為燃燒輪機的發(fā)電功率。輸出層神經(jīng)元的計算過程如公式（2）所示。

（2）

神經(jīng)元中的激活函數(shù)使神經(jīng)網(wǎng)絡具備非線性特征，本文將Sigmoid函數(shù)作為激活函數(shù)，計算過程如公式（3）所示。

（3）

3 發(fā)電機功率預測模型方法

3.1 熱力學平衡分析

熱力學平衡分析是生物質(zhì)能發(fā)電過程中的關(guān)鍵環(huán)節(jié)，其主要步驟如下。

3.1.1 生物質(zhì)原料預處理

生物質(zhì)原料在進入氣化爐前需要進行干燥處理，為保證干燥過程的一致性，本文選用150°C的干燥溫度。干燥后的生物質(zhì)原料會發(fā)生熱解反應。

3.1.2 熱解反應

熱解反應是指在高溫下分解生物質(zhì)原料的過程。熱解后的產(chǎn)物主要包括揮發(fā)性物質(zhì)和燒焦物質(zhì)。根據(jù)元素分析，揮發(fā)性物質(zhì)主要含有C、H、O、N，而燒焦物質(zhì)則主要含有C和灰分。

3.1.3 氣化反應

在氣化爐中，熱解產(chǎn)物會進一步與氧氣或水蒸氣反應生成合成氣（主要成分為CO、H2、CO2和CH4）。在這個過程中，使用熱力學平衡中的Gibbs自由能計算合成氣。

3.1.4 燃燒反應

合成氣進入燃燒室，與空氣混合燃燒，釋放熱能推動燃氣輪機旋轉(zhuǎn)，最終產(chǎn)生電能。

3.1.5 熱力學平衡計算

通過計算燃料的熱值（即單位質(zhì)量燃料完全燃燒時所釋放的熱量），確定燃料供給量和空氣供給量，保證燃燒過程中的化學平衡和熱平衡狀態(tài)。

3.2 神經(jīng)網(wǎng)絡模型的訓練

神經(jīng)網(wǎng)絡的訓練過程是保證模型能夠準確預測發(fā)電機功率的關(guān)鍵步驟，具體過程如下。

3.2.1 數(shù)據(jù)預處理

將收集的試驗數(shù)據(jù)進行歸一化處理，保證輸入數(shù)據(jù)在0～1，提高訓練效率和模型精度。

3.2.2 數(shù)據(jù)集劃分

將數(shù)據(jù)集分為訓練集（70%）和測試集（30%），用訓練集訓練模型，用測試集驗證模型的預測能力。

3.2.3 模型訓練

對Matlab中的TRAINLM函數(shù)進行訓練，該函數(shù)基于貝葉斯正則化優(yōu)化算法，因此能夠快速調(diào)整網(wǎng)絡的權(quán)重和偏差，最小化誤差。采用動量加權(quán)梯度下降和偏置學習函數(shù)（LEARNGDM）來進一步優(yōu)化模型，防止過擬合。

3.2.4 模型驗證

通過前向傳播算法計算模型的輸出結(jié)果，將預測結(jié)果與實際值進行對比，使用均方誤差（MSE）作為衡量模型預測精度的標準。

3.2.5 模型優(yōu)化

調(diào)整隱藏層的神經(jīng)元數(shù)量和學習率等參數(shù)，根據(jù)試驗結(jié)果進行多次迭代優(yōu)化，保證模型的性能達到最優(yōu)。

4 仿真結(jié)果分析

在Matlab中訓練、測試該模型，將各輸出功率的模擬值與預測值進行比較，部分測試結(jié)果如圖3所示。

結(jié)果表明，使用9個輸入神經(jīng)元，20個隱藏層神經(jīng)元，1個輸出層神經(jīng)元的神經(jīng)網(wǎng)絡預測生物質(zhì)發(fā)電機的平均誤差為0.4224kW，可以成功地預測生物質(zhì)下吸氣化與發(fā)電廠集成的發(fā)電功率。

對輸入層進行元素分析可以得出，考慮生物量組成的變量（C、H、O、S和N）占8%～12%，而近似分析組成（M、VM、FC和A）對輸出功率的影響在7%～11%。揮發(fā)性物質(zhì)是最有效的變量，溫度升高有利于生成合成氣，也提高了合成氣熱值（LHV）。提高合成氣的LHV能使質(zhì)量更高的氣體進入燃燒室，可以提高渦輪入口溫度，從而使發(fā)電機輸出功率提高。

同時，碳也是影響輸出功率預測的第二主導變量。碳是生物質(zhì)燃料的主要組成部分之一，其含量直接決定了燃料的燃燒效率和熱值。高碳含量的生物質(zhì)燃料能夠提供更多的熱能，從而提高燃氣輪機的輸出功率。

水分含量對燃燒過程的影響較為復雜。雖然適量的水分有助于氣化反應生成更多的合成氣。但是水分含量過高會導致燃料燃燒不完全，降低燃燒效率和發(fā)電功率。因此，將生物質(zhì)原料的水分含量控制在適當范圍內(nèi)，對提高發(fā)電效率至關(guān)重要。

試驗還對不同類型的生物質(zhì)原料進行功率預測，包括木質(zhì)生物質(zhì)、草本生物質(zhì)和混合生物質(zhì)等。結(jié)果顯示，神經(jīng)網(wǎng)絡模型對不同類型生物質(zhì)原料的預測精度存在一定差異。

4.1 木質(zhì)生物質(zhì)

由于木質(zhì)生物質(zhì)的碳含量和揮發(fā)性物質(zhì)含量較高，因此其燃燒效率和發(fā)電功率預測結(jié)果較為理想，平均誤差較小。

4.2 草本生物質(zhì)

草本生物質(zhì)的水分含量相對較高，揮發(fā)性物質(zhì)和碳含量較低，因此其燃燒效率較木質(zhì)生物質(zhì)低，預測誤差相對較大。

4.3 混合生物質(zhì)

混合生物質(zhì)的成分復雜，含有不同類型的生物質(zhì)原料，其燃燒特性不穩(wěn)定，因此會導致預測誤差相對較大。

對不同類型生物質(zhì)原料進行分析，可以看出，當神經(jīng)網(wǎng)絡模型處理成分單一且燃燒特性穩(wěn)定的生物質(zhì)原料時，預測精度較高。而對成分復雜且燃燒特性不穩(wěn)定的生物質(zhì)原料，預測誤差相對較大。這表明模型的預測能力在一定程度上受原料成分穩(wěn)定性的影響。

結(jié)合仿真結(jié)果，根據(jù)建立的模型可以得出，每個變量對輸出都有很大的影響。該模型適用于各種生物質(zhì)原料。預測結(jié)果表明該模型具有一定的實際應用潛力，可用來篩選合適的生物質(zhì)原料和提取基于氣化技術(shù)集成動力裝置的能源。

5 結(jié)論

通過本文的研究，證明了基于神經(jīng)網(wǎng)絡與熱力學平衡方法的生物質(zhì)能發(fā)電機功率預測模型的有效性。該模型適用于各種類型的生物質(zhì)原料，通過輸入不同的元素分析數(shù)據(jù)，可以準確預測生物質(zhì)發(fā)電的功率輸出，可以根據(jù)模型預測結(jié)果，篩選適合用于氣化發(fā)電的生物質(zhì)原料，提高發(fā)電效率。

通過調(diào)整輸入變量（例如氣化爐溫度、空氣燃料比等），優(yōu)化發(fā)電系統(tǒng)的運行參數(shù)，進一步提高系統(tǒng)的能效。在實際應用中，該模型可以實時監(jiān)控和調(diào)整生物質(zhì)發(fā)電系統(tǒng)的運行狀態(tài)，提高系統(tǒng)的穩(wěn)定性和可靠性。該模型能夠準確預測不同類型生物質(zhì)原料在不同操作條件下的發(fā)電量，為生物質(zhì)能發(fā)電系統(tǒng)的優(yōu)化運行提供了理論支持和技術(shù)參考。未來的研究可以進一步優(yōu)化模型參數(shù)，提高預測精度，并用于實際生物質(zhì)發(fā)電系統(tǒng)中，實現(xiàn)高效利用能源的目標。

參考文獻

[1]張曉楠.生物質(zhì)發(fā)電技術(shù)研究應用綜述[J].山西化工，2021，41（5）：54-56.

[2]毛健，趙紅東，姚婧婧.人工神經(jīng)網(wǎng)絡的發(fā)展及應用[J].電子設計工程，2011，19（24）：62-65.

[3]葉林，陳政，趙永寧，等.基于遺傳算法—模糊徑向基神經(jīng)網(wǎng)絡的光伏發(fā)電功率預測模型[J].電力系統(tǒng)自動化，2015，39（16）：16-22.

作者簡介：韓大軍（1970—），男，山東臨沂人，碩士，副高級教師。研究方向為生物學教學、生物質(zhì)能利用、生物學競賽、生物教學與智能化教學相結(jié)合與生物學。

電子郵箱：1012827175@qq.com。