摘 要：本研究嘗試將人工神經(jīng)網(wǎng)絡(luò)模型與熱力學(xué)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(jī)組功率預(yù)測(cè)模型。該研究在不同的大氣壓和各種操作條件下，預(yù)測(cè)使用不同生物質(zhì)原料的生物質(zhì)能發(fā)電機(jī)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(yàn)證明了本文提出的基于人工神經(jīng)網(wǎng)絡(luò)和熱力學(xué)平衡的綜合模型可以優(yōu)化和控制生物質(zhì)能發(fā)電機(jī)組。

關(guān)鍵詞：生物質(zhì)能發(fā)電；人工神經(jīng)網(wǎng)絡(luò)；熱力學(xué)平衡；功率預(yù)測(cè)

中圖分類號(hào)：TM 71" " " " " " " 文獻(xiàn)標(biāo)志碼：A

神經(jīng)網(wǎng)絡(luò)是一種模仿人腦神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)和工作原理的人工智能模型，具有強(qiáng)大的非線性映射能力和學(xué)習(xí)能力，已廣泛應(yīng)用于功率預(yù)測(cè)、模式識(shí)別等領(lǐng)域。

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

本文旨在提出一種基于神經(jīng)網(wǎng)絡(luò)與熱力學(xué)平衡的生物質(zhì)能發(fā)電機(jī)功率預(yù)測(cè)模型。通過試驗(yàn)數(shù)據(jù)驗(yàn)證模型的準(zhǔn)確性和可靠性，預(yù)測(cè)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(yùn)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(xué)平衡在生物質(zhì)發(fā)電中的應(yīng)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(jī)物質(zhì)氧化，釋放出熱量，驅(qū)動(dòng)發(fā)電機(jī)產(chǎn)生電能。熱力學(xué)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(xué)反應(yīng)、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(shè)計(jì)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(xué)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(duì)熱能轉(zhuǎn)化過程進(jìn)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(xué)平衡理論還可以優(yōu)化設(shè)計(jì)生物質(zhì)能發(fā)電系統(tǒng)。對(duì)熱力學(xué)參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)，可以使生物質(zhì)能發(fā)電系統(tǒng)在運(yùn)行過程中達(dá)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(duì)熱損失進(jìn)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(xué)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(duì)熱損失進(jìn)行分析，并采取相應(yīng)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(shè)計(jì)

本文選擇對(duì)不同類型的生物質(zhì)進(jìn)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(dòng)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(duì)生物質(zhì)原料進(jìn)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(shè)完全化學(xué)平衡，使用熱力學(xué)平衡中的Gibbs自由能計(jì)算合成氣組成，并將合成氣輸入燃燒室發(fā)生氧化反應(yīng)，產(chǎn)生動(dòng)力推動(dòng)燃?xì)廨啓C(jī)旋轉(zhuǎn)。流程圖如圖1所示。

輸入人工神經(jīng)網(wǎng)絡(luò)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?xì)廨啓C(jī)的發(fā)電功率。對(duì)輸入變量進(jìn)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(luò)

2.1 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)功能介紹

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是一種模仿生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的計(jì)算模型，可以用于機(jī)器學(xué)習(xí)和模式識(shí)別任務(wù)。人工神經(jīng)網(wǎng)絡(luò)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(dāng)調(diào)整其連接權(quán)值、偏置和架構(gòu)，可以訓(xùn)練其執(zhí)行特定的任務(wù)。神經(jīng)網(wǎng)絡(luò)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(yù)測(cè)結(jié)果。隱藏層可以有多層，每層含有多個(gè)神經(jīng)元。每個(gè)神經(jīng)元接收來自前一層神經(jīng)元的輸入，并進(jìn)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(xùn)練過程學(xué)習(xí)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(luò)的訓(xùn)練過程一般包括前向傳播和反向傳播兩個(gè)階段。

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

反向傳播：計(jì)算輸出結(jié)果與真實(shí)標(biāo)簽之間的誤差，并反向傳播誤差，根據(jù)誤差調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置。

利用訓(xùn)練好的模型，根據(jù)輸入數(shù)據(jù)預(yù)測(cè)未知數(shù)據(jù)的輸出結(jié)果。通過神經(jīng)網(wǎng)絡(luò)的前向傳播完成這個(gè)過程，其中，神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)輸入和輸出之間的關(guān)系，能夠自動(dòng)從數(shù)據(jù)中提取特征并進(jìn)行預(yù)測(cè)[3]?；谠摴δ埽疚氖褂肂P神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)生物質(zhì)能發(fā)電機(jī)的功率。

2.2 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

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

其中，輸入層含有9個(gè)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(luò)隱藏層的神經(jīng)節(jié)點(diǎn)數(shù)量是一個(gè)重要的問題，它直接影響神經(jīng)網(wǎng)絡(luò)的性能和泛化能力。在實(shí)踐中，通常根據(jù)經(jīng)驗(yàn)法則來確定隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)，通常將單個(gè)隱藏層的節(jié)點(diǎn)數(shù)設(shè)置為輸入層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)的平均值，或者是輸入層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)的兩倍之間。本文選用20個(gè)隱藏層神經(jīng)元節(jié)點(diǎn)。隱藏層神經(jīng)元的輸入的計(jì)算過程如公式（1）所示。

（1）

輸出層僅有一個(gè)神經(jīng)元節(jié)點(diǎn)，輸出為燃燒輪機(jī)的發(fā)電功率。輸出層神經(jīng)元的計(jì)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(luò)具備非線性特征，本文將Sigmoid函數(shù)作為激活函數(shù)，計(jì)算過程如公式（3）所示。

（3）

3 發(fā)電機(jī)功率預(yù)測(cè)模型方法

3.1 熱力學(xué)平衡分析

熱力學(xué)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(yù)處理

生物質(zhì)原料在進(jìn)入氣化爐前需要進(jìn)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(huì)發(fā)生熱解反應(yīng)。

3.1.2 熱解反應(yīng)

熱解反應(yīng)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(yīng)

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

3.1.4 燃燒反應(yīng)

合成氣進(jìn)入燃燒室，與空氣混合燃燒，釋放熱能推動(dòng)燃?xì)廨啓C(jī)旋轉(zhuǎn)，最終產(chǎn)生電能。

3.1.5 熱力學(xué)平衡計(jì)算

通過計(jì)算燃料的熱值（即單位質(zhì)量燃料完全燃燒時(shí)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(xué)平衡和熱平衡狀態(tài)。

3.2 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是保證模型能夠準(zhǔn)確預(yù)測(cè)發(fā)電機(jī)功率的關(guān)鍵步驟，具體過程如下。

3.2.1 數(shù)據(jù)預(yù)處理

將收集的試驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理，保證輸入數(shù)據(jù)在0～1，提高訓(xùn)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(xùn)練集（70%）和測(cè)試集（30%），用訓(xùn)練集訓(xùn)練模型，用測(cè)試集驗(yàn)證模型的預(yù)測(cè)能力。

3.2.3 模型訓(xùn)練

對(duì)Matlab中的TRAINLM函數(shù)進(jìn)行訓(xùn)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(luò)的權(quán)重和偏差，最小化誤差。采用動(dòng)量加權(quán)梯度下降和偏置學(xué)習(xí)函數(shù)（LEARNGDM）來進(jìn)一步優(yōu)化模型，防止過擬合。

3.2.4 模型驗(yàn)證

通過前向傳播算法計(jì)算模型的輸出結(jié)果，將預(yù)測(cè)結(jié)果與實(shí)際值進(jìn)行對(duì)比，使用均方誤差（MSE）作為衡量模型預(yù)測(cè)精度的標(biāo)準(zhǔn)。

3.2.5 模型優(yōu)化

調(diào)整隱藏層的神經(jīng)元數(shù)量和學(xué)習(xí)率等參數(shù)，根據(jù)試驗(yàn)結(jié)果進(jìn)行多次迭代優(yōu)化，保證模型的性能達(dá)到最優(yōu)。

4 仿真結(jié)果分析

在Matlab中訓(xùn)練、測(cè)試該模型，將各輸出功率的模擬值與預(yù)測(cè)值進(jìn)行比較，部分測(cè)試結(jié)果如圖3所示。

結(jié)果表明，使用9個(gè)輸入神經(jīng)元，20個(gè)隱藏層神經(jīng)元，1個(gè)輸出層神經(jīng)元的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)生物質(zhì)發(fā)電機(jī)的平均誤差為0.4224kW，可以成功地預(yù)測(cè)生物質(zhì)下吸氣化與發(fā)電廠集成的發(fā)電功率。

對(duì)輸入層進(jìn)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(duì)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(jìn)入燃燒室，可以提高渦輪入口溫度，從而使發(fā)電機(jī)輸出功率提高。

同時(shí)，碳也是影響輸出功率預(yù)測(cè)的第二主導(dǎo)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?xì)廨啓C(jī)的輸出功率。

水分含量對(duì)燃燒過程的影響較為復(fù)雜。雖然適量的水分有助于氣化反應(yīng)生成更多的合成氣。但是水分含量過高會(huì)導(dǎo)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(dāng)范圍內(nèi)，對(duì)提高發(fā)電效率至關(guān)重要。

試驗(yàn)還對(duì)不同類型的生物質(zhì)原料進(jìn)行功率預(yù)測(cè)，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(luò)模型對(duì)不同類型生物質(zhì)原料的預(yù)測(cè)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(yù)測(cè)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(duì)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(yù)測(cè)誤差相對(duì)較大。

4.3 混合生物質(zhì)

混合生物質(zhì)的成分復(fù)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(huì)導(dǎo)致預(yù)測(cè)誤差相對(duì)較大。

對(duì)不同類型生物質(zhì)原料進(jìn)行分析，可以看出，當(dāng)神經(jīng)網(wǎng)絡(luò)模型處理成分單一且燃燒特性穩(wěn)定的生物質(zhì)原料時(shí)，預(yù)測(cè)精度較高。而對(duì)成分復(fù)雜且燃燒特性不穩(wěn)定的生物質(zhì)原料，預(yù)測(cè)誤差相對(duì)較大。這表明模型的預(yù)測(cè)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(gè)變量對(duì)輸出都有很大的影響。該模型適用于各種生物質(zhì)原料。預(yù)測(cè)結(jié)果表明該模型具有一定的實(shí)際應(yīng)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(dòng)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(luò)與熱力學(xué)平衡方法的生物質(zhì)能發(fā)電機(jī)功率預(yù)測(cè)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(zhǔn)確預(yù)測(cè)生物質(zhì)發(fā)電的功率輸出，可以根據(jù)模型預(yù)測(cè)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(yùn)行參數(shù)，進(jìn)一步提高系統(tǒng)的能效。在實(shí)際應(yīng)用中，該模型可以實(shí)時(shí)監(jiān)控和調(diào)整生物質(zhì)發(fā)電系統(tǒng)的運(yùn)行狀態(tài)，提高系統(tǒng)的穩(wěn)定性和可靠性。該模型能夠準(zhǔn)確預(yù)測(cè)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(yùn)行提供了理論支持和技術(shù)參考。未來的研究可以進(jìn)一步優(yōu)化模型參數(shù)，提高預(yù)測(cè)精度，并用于實(shí)際生物質(zhì)發(fā)電系統(tǒng)中，實(shí)現(xiàn)高效利用能源的目標(biāo)。

參考文獻(xiàn)

[1]張曉楠.生物質(zhì)發(fā)電技術(shù)研究應(yīng)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(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計(jì)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(luò)的光伏發(fā)電功率預(yù)測(cè)模型[J].電力系統(tǒng)自動(dòng)化，2015，39（16）：16-22.

作者簡(jiǎn)介：韓大軍（1970—），男，山東臨沂人，碩士，副高級(jí)教師。研究方向?yàn)樯飳W(xué)教學(xué)、生物質(zhì)能利用、生物學(xué)競(jìng)賽、生物教學(xué)與智能化教學(xué)相結(jié)合與生物學(xué)。

電子郵箱：1012827175@qq.com。