一种储煤筒仓内部煤体自燃位置预测方法与流程

本发明涉及储煤筒仓技术领域，具体而言，涉及一种储煤筒仓内部煤体自燃位置预测方法。

背景技术：

当前我国燃煤电厂中筒形储煤仓的应用越来越广泛，但由于筒形储煤仓内松散煤体的蓄热条件好，蓄存热量大，且难以释放，导致高温范围大，同时在煤炭的低温氧化、热量积聚过多等条件下极易发生自燃现象。目前在预防自燃方面主要是对筒仓内煤体温度进行监测，然而，一些监测系统仅能够监测筒仓内接近筒壁煤体温度；另外有在筒仓内部布置多条测温电缆，但随着不断地进煤、落煤对该电缆有很大程度的损坏，需要不定期的检查更换，不利于实际工程的应用。目前，针对储煤仓内煤体极易引发自燃区域的预测，还没有精准有效的方法。

技术实现要素：

为解决上述问题，本发明的目的在于提供一种储煤筒仓内部煤体自燃位置预测方法，对储煤筒仓煤位自燃点进行预测，可以在温度监测预警前找到自燃点位置，有利于提前采取措施防止自燃区域的扩大，保证电厂储煤系统安全运行。

本发明提供了一种储煤筒仓内部煤体自燃位置预测方法，包括：

步骤1，根据实际的储煤筒仓的结构尺寸建立储煤筒仓计算模型，对储煤筒仓计算模型进行网格化分，并在网格线区域最外层节点上即储煤筒仓内壁处布置温度测点，通过温度测点上的温度传感器获取各个温度测点的温度值；

步骤2，对储煤筒仓计算模型设置参数边界条件；

步骤3，对储煤筒仓计算模型的整个工况进行初始化，设置最大计算步长，开始计算，得到储煤筒仓计算模型的网格线区域内层节点温度；

步骤4，得到计算结果后，建立以储煤筒仓内壁面温度测点的位置坐标和温度值作为输入、以自燃点的坐标和温度值作为输出的三层bp神经训练网络，将得到的网格线区域内层节点温度中90％的数据作为训练样本，剩余10％的数据作为测试样本，利用三层bp神经网络对储煤筒仓计算模型中的自燃点进行预测，得出自燃位置的预测结果；

步骤5，将训练后的三层bp神经网络应用于实际电厂储煤筒仓内部进行煤体自燃点预测。

作为本发明进一步的改进，步骤1中，所述储煤筒仓的结构尺寸包括筒仓半径、高度、锥半径、锥母线长度以及锥角度。

作为本发明进一步的改进，步骤1中，网格化分的具体方法为：在储煤筒仓内壁沿径向划分为n层界面，沿轴向划分为m层界面，两个方向上的界面形成网格线，网格线相交的点为节点，在储煤筒仓内壁处即最外层的节点上分别布置温度测点，通过温度传感器分别测量温度测点上各个节点的温度值。

作为本发明进一步的改进，步骤2中，将储煤筒仓模型设置为稳态，设置煤的参数包括密度、比热和导热系数，设置自燃点温度范围和储煤筒仓四周壁面温度，设置储煤筒仓内壁面的温度测点位置坐标。

作为本发明进一步的改进，步骤3中，计算网格线区域内层节点温度的具体方法为：根据导热微方程对最外层节点代表的控制容积建立能量守恒方程，并根据测量到的最外层节点的温度值以及这些能量守恒方程求解出倒数第二层节点的温度值；根据导热微方程对倒数第二层节点代表的控制容积建立能量守恒方程，并根据倒数第二层节点的温度值以及这些能量守恒方程求解出倒数第三层节点的温度值；逐层内推，直至求出最内层节点的温度值。

本发明的有益效果为：

通过神经网络方法，对储煤筒仓煤位自燃点进行预测，可以在温度监测预警前找到自燃点位置，有利于提前采取措施防止自燃区域的扩大，保证电厂储煤系统安全运行。

附图说明

图1为本发明实施例所述的一种储煤筒仓内部煤体自燃位置预测方法的流程示意图。

具体实施方式

下面通过具体的实施例并结合附图对本发明做进一步的详细描述。

如图1所示，本发明实施例所述的一种储煤筒仓内部煤体自燃位置预测方法，具体包括：

步骤1，根据实际的储煤筒仓的结构尺寸(包括筒仓半径、高度、锥半径、锥母线长度以及锥角度)建立储煤筒仓计算模型，对储煤筒仓计算模型进行网格化分，并在网格线区域最外层节点上即储煤筒仓内壁处布置温度测点，通过温度测点上的温度传感器获取各个温度测点的温度值。

其中，网格化分的具体方法为：在储煤筒仓内壁沿径向划分为n层界面，沿轴向划分为m层界面，两个方向上的界面形成网格线，网格线相交的点为节点，在储煤筒仓内壁处即最外层的节点上分别布置温度测点，通过温度传感器分别测量温度测点上各个节点的温度值。

步骤2，对储煤筒仓计算模型设置参数边界条件。

其中，由于储煤筒仓内煤的自燃是一个极其漫长的过程，并且可以近似认为煤体为各向同性的纯固体，故将储煤筒仓模型设置为稳态，设置煤的参数包括密度、比热和导热系数，设置自燃点温度范围和储煤筒仓四周壁面温度，设置储煤筒仓内壁面的温度测点的位置坐标。

步骤3，对储煤筒仓计算模型的整个工况进行初始化，设置最大计算步长，开始计算，得到储煤筒仓计算模型的网格线区域内层节点温度。

其中，计算网格线区域内层节点温度的具体方法为：根据导热微方程对最外层节点代表的控制容积建立能量守恒方程，并根据测量到的最外层节点的温度值以及这些能量守恒方程求解出倒数第二层节点的温度值；根据导热微方程对倒数第二层节点代表的控制容积建立能量守恒方程，并根据倒数第二层节点的温度值以及这些能量守恒方程求解出倒数第三层节点的温度值；逐层内推，直至求出最内层节点的温度值。

步骤4，得到计算结果后，建立以储煤筒仓内壁面温度测点的位置坐标和温度值作为输入、以自燃点的位置坐标和温度值作为输出的三层bp神经训练网络，将得到的网格线区域内层节点温度中90％的数据作为训练样本，剩余10％的数据作为测试样本，利用三层bp神经网络对储煤筒仓计算模型中的自燃点进行预测，得出自燃位置的预测结果。

为了满足三层bp神经网络的训练和预测要求，自燃点位置应覆盖整个储煤筒仓区域，整体数据大于100组。

数据格式如下表所示：

其中，x、y、z表示储煤筒仓内(三维空间内)的位置坐标。

基于神经网络理论，对已有数据进行神经网络训练，在训练过程中，使用反向误差传播，多次调整训练，不断缩小误差，从而逼近期望值，保存网络权值和偏差，网络训练好之后，得到隐函数节点数、学习速率、动量因子、个节点的连接权以及迭代频数，即可对未知样本即自燃位置进行预测。通过对含自燃点的储煤筒仓进行数值模拟，可以得到用于验证bp神经网络正确性的数据。最后可以将该神经网络应用于实际电厂储煤筒仓内部燃煤自燃点预测。

具体的网络训练过程如下：

(1)神经网络初始化，用一组随机数对神经网络赋初始权值，设置训练步长η，允许误差e和网络结构(即网络层数l和每层节点数n1)；

(2)为神经网络提供一组训练样本(即网格线区域内层节点温度中90％的数据)；

(3)对每个训练样本p循环：

逐层正向计算神经网络各节点的输入和输出；

计算第p个训练样本的输出的误差ep和神经网络的总误差e；

当e小于允许误差e或者达到指定的迭代次数时，训练过程结束，否则，进行误差反向传播；

反向逐层计算神经网络各节点误差

修正神经网络的连接权值。

步骤5，将训练后的三层bp神经网络应用于实际电厂储煤筒仓内部进行煤体自燃点预测。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。