专利名称：一种基于数值模型的煤元素分析方法
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3. 1)首先收集煤的工业分析与相应的元素分析的数据样本，并将空干基氮元素分析数据转化为收到基氮元素分析数据；其次将数据样本分为训练样本和测试样本；3. 2)建立煤的收到基氮元素(N_ar)含量的人工神经网络模型网络的输入层收到基挥发分含量(V_ar)、收到基全水分含量(M_ar)、收到基低位发热量(Q_net_ar)，是一个三维的输入向量；
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氮元素含量(N_ar)；3. 3)确定收到基氮元素(N_ar)含量的人工神经网络模型的训练精度或最大训练
次数；3. 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；3. 5)将测试样本加载到收到基氮元素(N_ar)含量的人工神经网络模型并进行测试；
6
3. 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4)获取煤的收到基硫元素(S_ar)含量4. 1)首先收集煤的工业分析与相应的元素分析的数据样本，并将空干基硫元素分析数据转化为收到基硫元素分析数据；其次将数据样本分为训练样本和测试样本。4. 2)建立煤的收到基硫元素(S_ar)含量的人工神经网络模型网络的输入层收到基挥发分含量(V_ar)、收到基全水分含量(M_ar)、收到基低位发热量(Q_net_ar)，是一个三维的输入向量，
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硫元素含量(S_ar)；4. 3)确定收到基硫元素(S_ar)含量的人工神经网络模型的训练精度或最大训练
次数；4. 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；
试；成功。
4. 5)将测试样本加载到收到基硫元素(S_ar)含量的人工神经网络模型并进行测4. 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
它进一步包括以下步骤5)获取煤的收到基氧元素(0_ar)含量
5. 1)首先收集煤的工业分析与相应的元素分析的数据样本，并将空干基氧元素分析数据转化为收到基氧元素分析数据；其次将数据样本分为训练样本和测试样本；5. 2)建立煤的收到基氧元素(0_ar)含量的人工神经网络模型网络的输入层为收到基固定碳含量(FC_ar)、收到基灰分含量(A_ar)、收到基水分含量(M_ar)，是一个三维的输入向量；
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氧元素含量(0_ar)；5. 3)确定收到基氧元素(0_ar)含量的人工神经网络模型的训练精度或最大训练
次数；5. 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；
试；
5. 5)将测试样本加载到收到基氧元素(0_ar)含量的人工神经网络模型并进行测5. 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。本发明与现有技术相比具有以下有效益果对从煤质工业分析到元素分析的多元线性回归模型、多元非线性回归模型和神经网络非线性映射模型进行了深入的对比研究。从综合对比分析的结果看，神经网络的非线性映射模型在预测精度上优于传统的一元线性回归模型、多元线性回归模型和多元非线性回归模型。另外，神经网络的非线性映射模型在煤种适应性上也要优化传统的多元回归模型。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，为大型火力发电机组节能管理系统的研发奠定了坚实的基础。
图1为收到基碳元素(C_ar)含量的人工神经网络模型图2为收到基氢元素(H_ar)含量的人工神经网络模型图3为收到基氮元素(N_ar)含量的人工神经网络模型图4为收到基硫元素(S_ar)含量的人工神经网络模型图5为收到基氧元素(0_ar)含量的人工神经网络模型图6为收到基碳元素(C_ar)含量的人工神经网络模型的训练误差曲线图7为收到基碳元素(C_ar)含量的人工神经网络模型的测试样本误差曲线图8为收到基氢元素(H_ar)含量的人工神经网络模型的训练误差曲线图9为收到基氢元素(H_ar)含量的人工神经网络模型的测试样本的误差曲线图10为收到基氮元素(N_ar)含量的人工神经网络模型的训练误差曲线图11为收到基氮元素(N_ar)含量的人工神经网络模型的测试样本的误差曲线图12为收到基硫元素(S_ar)含量的人工神经网络模型的训练误差曲线图13为收到基硫元素(S_ar)含量的人工神经网络模型的测试样本的误差曲线图14为收到基氧元素(0_ar)含量的人工神经网络模型的训练误差曲线图15为收到基氧元素(0_ar)含量的人工神经网络模型的测试样本的误差曲线
具体实施例方式基于数值的建模方法主要有多元线性回归方法、多元非线性回归方法、神经网络方法和支持向量机方法等，本发明对从煤质工业分析到元素分析的多元线性回归模型、多元非线性回归模型和神经网络非线性映射模型进行了深入的对比研究。从综合对比分析的结果看，神经网络的非线性映射模型在预测精度上优于传统的一元线性回归模型、多元线性回归模型和多元非线性回归模型。另外，神经网络的非线性映射模型在煤种适应性上也要优化传统的多元回归模型。人工神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输入层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阀值BP神经网络预测输出不断逼近期望输出。本发明求煤的元素分析的方法具体如下1.获取煤的收到基碳元素(C_ar)含量获取煤的收到基(C_ar)碳元素含量的具体步骤主要如下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。煤质工业分析与元素分析数据样本见下表
权利要求
1. 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。
2.如权利要求1所述的一种基于数值模型的煤元素分析方法，其特征在于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。
3.如权利要求2所述的一种基于数值模型的煤元素分析方法，其特征在于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3. 1)首先收集煤的工业分析与相应的元素分析的数据样本，并将空干基氮元素分析数据转化为收到基氮元素分析数据；其次将数据样本分为训练样本和测试样本；3. 2)建立煤的收到基氮元素(N_ar)含量的人工神经网络模型网络的输入层收到基挥发分含量(V_ar)、收到基全水分含量(M_ar)、收到基低位发热量(Q_net_ar)，是一个三维的输入向量；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氮元素含量(N_ar)；·3. 3)确定收到基氮元素(N_ar)含量的人工神经网络模型的训练精度或最大训练次数；·3. 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；·3. 5)将测试样本加载到收到基氮元素(N_ar)含量的人工神经网络模型并进行测试；·3.6)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。
4.如权利要求3所述的一种基于数值模型的煤元素分析方法，其特征在于它进一步包括以下步骤4)获取煤的收到基硫元素(S_ar)含量4. 1)首先收集煤的工业分析与相应的元素分析的数据样本，并将空干基硫元素分析数据转化为收到基硫元素分析数据；其次将数据样本分为训练样本和测试样本；4. 2)建立煤的收到基硫元素(S_ar)含量的人工神经网络模型网络的输入层收到基挥发分含量(V_ar)、收到基全水分含量(M_ar)、收到基低位发热量(Q_net_ar)，是一个三维的输入向量，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硫元素含量(S_ar)；4. 3)确定收到基硫元素(S_ar)含量的人工神经网络模型的训练精度或最大训练次数；4. 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；4. 5)将测试样本加载到收到基硫元素(S_ar)含量的人工神经网络模型并进行测试；4.6)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。
5.如权利要4所述的一种基于数值模型的煤元素分析方法，其特征在于它进一步包括以下步骤5)获取煤的收到基氧元素(0_ar)含量·5. 1)首先收集煤的工业分析与相应的元素分析的数据样本，并将空干基氧元素分析数据转化为收到基氧元素分析数据；其次将数据样本分为训练样本和测试样本；·5. 2)建立煤的收到基氧元素(0_ar)含量的人工神经网络模型网络的输入层为收到基固定碳含量(FC_ar)、收到基灰分含量(A_ar)、收到基水分含量(M_ar)，是一个三维的输入向量；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氧元素含量(0_ar)；·5. 3)确定收到基氧元素(0_ar)含量的人工神经网络模型的训练精度或最大训练次数；5. 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；5. 5)将测试样本加载到收到基氧元素(0_ar)含量的人工神经网络模型并进行测试；5. 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。
全文摘要
本发明涉及一种基于数值模型的煤元素分析方法，包括以下步骤收集煤的工业分析与相应的元素分析的数据样本，将空干基碳元素分析数据转化为收到基碳元素分析数据，将数据样本分为训练样本和测试样本；建立煤的收到基碳元素(C_ar)含量的人工神经网络模型确定收到基碳元素(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；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；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；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。本发明控制了由于电厂煤的元素分析缺少而带来的隐性误差。
文档编号G06N3/08GK102567785SQ20111038569
公开日2012年7月11日 申请日期2011年11月28日 优先权日2011年11月28日
发明者张明, 熊建国, 王茂贵 申请人:杭州意能电力技术有限公司, 杭州意能节能技术有限公司, 浙江省电力试验研究院