一种生物质能发电机功率预测模型

摘 要：本研究尝试将人工神经网络模型与热力学平衡方法相结合，建立一种新颖的生物质能综合发电机组功率预测模型。该研究在不同的大气压和各种操作条件下，预测使用不同生物质原料的生物质能发电机的净输出功率。模型的输入参数包括元素分析成分（C、O、H、N和S）、近似分析成分（水分、灰分、挥发性物质和固定碳）以及操作参数（气化炉温度和空气燃料比）。通过试验证明了本文提出的基于人工神经网络和热力学平衡的综合模型可以优化和控制生物质能发电机组。

关键词：生物质能发电；人工神经网络；热力学平衡；功率预测

中图分类号：TM 71" " " " " " " 文献标志码：A

神经网络是一种模仿人脑神经元网络结构和工作原理的人工智能模型，具有强大的非线性映射能力和学习能力，已广泛应用于功率预测、模式识别等领域。

本文将人工神经网络和热力学模型结合，首先，根据生物质原料的多样性，建立一个丰富的数据库，对生物质进行元素分析和近似分析。其次，计算热解部分组分的不确定产率和进入气化炉的空气流质量。再次，根据合成气的组成计算燃烧所需的空气量。最后，将其输入人工神经网络模型，计算最终的发电机输出功率。

本文旨在提出一种基于神经网络与热力学平衡的生物质能发电机功率预测模型。通过试验数据验证模型的准确性和可靠性，预测不同类型生物质原料在不同操作条件下的发电量，为生物质能发电系统的优化运行提供理论支持和技术参考。

1 生物质发电流程和模型输入选择

1.1 热力学平衡在生物质发电中的应用

在生物质能发电中，生物质的燃烧是产生热能的主要来源。在燃烧过程中，生物质中的有机物质氧化，释放出热量，驱动发电机产生电能。热力学平衡理论可以用来分析生物质燃烧过程中的热平衡情况，包括燃料的热值、燃料与空气的化学反应、燃烧产生的热量等。通过热平衡分析，可以确定燃料的热值、燃料供给量和空气供给量等参数，为设计和优化生物质能发电系统提供依据[1]。

除了燃烧过程外，生物质能发电系统中还涉及热能的转化与传输过程。热力学平衡理论可以用来分析生物质能发电系统中的热能转化过程，包括热能产生、传输、利用和损失等。对热能转化过程进行分析，可以确定热能的利用效率、热能传输过程中的能量损失情况，为提高生物质能发电系统的能源利用效率提供参考。

热力学平衡理论还可以优化设计生物质能发电系统。对热力学参数进行优化设计，可以使生物质能发电系统在运行过程中达到更好的热平衡状态，提高能源利用效率和发电效率。例如，通过合理调节燃料的供给量和空气的供给量、控制燃烧过程中的温度和压力，优化燃烧效率和热能转化效率。

在生物质能发电系统中，由于各种热能转化和传输过程中都存在一定的能量损失，因此对热损失进行分析与控制是提高系统能源利用效率的关键。热力学平衡理论可以用来分析生物质能发电系统中的热损失情况，包括烟气排放中的热损失、冷却水损失等。对热损失进行分析，并采取相应的措施来减少能量损失，可以提高系统的能源利用效率。

1.2 生物质发电流程设计

本文选择对不同类型的生物质进行研究，例如：木材和木本生物质、草本和农业生物质、动物生物质、混合生物质和污染生物质。将它们作为气化炉的输入，并记录这些生物质的元素分析结果，见表1和表2。为保证干燥过程中的环境一致性，须选用150°C的干燥温度。干燥后对生物质原料进行热解，原料被转化为两种产物：挥发性物质和烧焦物质。通过分析原料的元素，确定产物挥发性材料中含有C，H，O，N，烧焦物质含有灰分和C。假设完全化学平衡，使用热力学平衡中的Gibbs自由能计算合成气组成，并将合成气输入燃烧室发生氧化反应，产生动力推动燃气轮机旋转。流程图如图1所示。

输入人工神经网络模型中的变量包括水含量、挥发性物质、碳含量、灰分含量等。输出变量则是燃气轮机的发电功率。对输入变量进行优化，可以显著提高系统的发电效率。

2 建立人工神经网络

2.1 神经网络的预测功能介绍

人工神经网络（Artificial Neural Network，ANN）是一种模仿生物神经网络结构和功能的计算模型，可以用于机器学习和模式识别任务。人工神经网络是由在不同层的大量神经元组成的，一层的神经元通过权值与另一层的神经元连接，通过适当调整其连接权值、偏置和架构，可以训练其执行特定的任务。神经网络由多层神经元组成，包括输入层、隐藏层和输出层。输入层接收原始数据，用隐藏层提取数据的特征，输出层产生预测结果。隐藏层可以有多层，每层含有多个神经元。每个神经元接收来自前一层神经元的输入，并进行加权求和，通过激活函数处理后输出到下一层。可以通过训练过程学习得到神经元之间的连接权重和偏置，并将其作为模型的参数[2]。

神经网络的训练过程一般包括前向传播和反向传播两个阶段。

前向传播：输入数据通过神经网络，逐层传播并计算输出结果。

反向传播：计算输出结果与真实标签之间的误差，并反向传播误差，根据误差调整网络中的权重和偏置。

利用训练好的模型，根据输入数据预测未知数据的输出结果。通过神经网络的前向传播完成这个过程，其中，神经网络通过学习输入和输出之间的关系，能够自动从数据中提取特征并进行预测[3]。基于该功能，本文使用BP神经网络来预测生物质能发电机的功率。

2.2 神经网络模型构建

在本文中，基于生物质元素分析构建1个3层的神经网络模型，并在Matlab环境中构建出来，构建的神经网络模型如图2所示。

其中，输入层含有9个神经元，分别为水含量、挥发性物质、碳、灰分、C、O、N、H、S。

隐藏层为一层，确定神经网络隐藏层的神经节点数量是一个重要的问题，它直接影响神经网络的性能和泛化能力。在实践中，通常根据经验法则来确定隐藏层神经元节点数，通常将单个隐藏层的节点数设置为输入层节点数和输出层节点数的平均值，或者是输入层节点数和输出层节点数的两倍之间。本文选用20个隐藏层神经元节点。隐藏层神经元的输入的计算过程如公式（1）所示。

（1）

输出层仅有一个神经元节点，输出为燃烧轮机的发电功率。输出层神经元的计算过程如公式（2）所示。

（2）

神经元中的激活函数使神经网络具备非线性特征，本文将Sigmoid函数作为激活函数，计算过程如公式（3）所示。

（3）

3 发电机功率预测模型方法

3.1 热力学平衡分析

热力学平衡分析是生物质能发电过程中的关键环节，其主要步骤如下。

3.1.1 生物质原料预处理

生物质原料在进入气化炉前需要进行干燥处理，为保证干燥过程的一致性，本文选用150°C的干燥温度。干燥后的生物质原料会发生热解反应。

3.1.2 热解反应

热解反应是指在高温下分解生物质原料的过程。热解后的产物主要包括挥发性物质和烧焦物质。根据元素分析，挥发性物质主要含有C、H、O、N，而烧焦物质则主要含有C和灰分。

3.1.3 气化反应

在气化炉中，热解产物会进一步与氧气或水蒸气反应生成合成气（主要成分为CO、H2、CO2和CH4）。在这个过程中，使用热力学平衡中的Gibbs自由能计算合成气。

3.1.4 燃烧反应

合成气进入燃烧室，与空气混合燃烧，释放热能推动燃气轮机旋转，最终产生电能。

3.1.5 热力学平衡计算

通过计算燃料的热值（即单位质量燃料完全燃烧时所释放的热量），确定燃料供给量和空气供给量，保证燃烧过程中的化学平衡和热平衡状态。

3.2 神经网络模型的训练

神经网络的训练过程是保证模型能够准确预测发电机功率的关键步骤，具体过程如下。

3.2.1 数据预处理

将收集的试验数据进行归一化处理，保证输入数据在0～1，提高训练效率和模型精度。

3.2.2 数据集划分

将数据集分为训练集（70%）和测试集（30%），用训练集训练模型，用测试集验证模型的预测能力。

3.2.3 模型训练

对Matlab中的TRAINLM函数进行训练，该函数基于贝叶斯正则化优化算法，因此能够快速调整网络的权重和偏差，最小化误差。采用动量加权梯度下降和偏置学习函数（LEARNGDM）来进一步优化模型，防止过拟合。

3.2.4 模型验证

通过前向传播算法计算模型的输出结果，将预测结果与实际值进行对比，使用均方误差（MSE）作为衡量模型预测精度的标准。

3.2.5 模型优化

调整隐藏层的神经元数量和学习率等参数，根据试验结果进行多次迭代优化，保证模型的性能达到最优。

4 仿真结果分析

在Matlab中训练、测试该模型，将各输出功率的模拟值与预测值进行比较，部分测试结果如图3所示。

结果表明，使用9个输入神经元，20个隐藏层神经元，1个输出层神经元的神经网络预测生物质发电机的平均误差为0.4224kW，可以成功地预测生物质下吸气化与发电厂集成的发电功率。

对输入层进行元素分析可以得出，考虑生物量组成的变量（C、H、O、S和N）占8%～12%，而近似分析组成（M、VM、FC和A）对输出功率的影响在7%～11%。挥发性物质是最有效的变量，温度升高有利于生成合成气，也提高了合成气热值（LHV）。提高合成气的LHV能使质量更高的气体进入燃烧室，可以提高涡轮入口温度，从而使发电机输出功率提高。

同时，碳也是影响输出功率预测的第二主导变量。碳是生物质燃料的主要组成部分之一，其含量直接决定了燃料的燃烧效率和热值。高碳含量的生物质燃料能够提供更多的热能，从而提高燃气轮机的输出功率。

水分含量对燃烧过程的影响较为复杂。虽然适量的水分有助于气化反应生成更多的合成气。但是水分含量过高会导致燃料燃烧不完全，降低燃烧效率和发电功率。因此，将生物质原料的水分含量控制在适当范围内，对提高发电效率至关重要。

试验还对不同类型的生物质原料进行功率预测，包括木质生物质、草本生物质和混合生物质等。结果显示，神经网络模型对不同类型生物质原料的预测精度存在一定差异。

4.1 木质生物质

由于木质生物质的碳含量和挥发性物质含量较高，因此其燃烧效率和发电功率预测结果较为理想，平均误差较小。

4.2 草本生物质

草本生物质的水分含量相对较高，挥发性物质和碳含量较低，因此其燃烧效率较木质生物质低，预测误差相对较大。

4.3 混合生物质

混合生物质的成分复杂，含有不同类型的生物质原料，其燃烧特性不稳定，因此会导致预测误差相对较大。

对不同类型生物质原料进行分析，可以看出，当神经网络模型处理成分单一且燃烧特性稳定的生物质原料时，预测精度较高。而对成分复杂且燃烧特性不稳定的生物质原料，预测误差相对较大。这表明模型的预测能力在一定程度上受原料成分稳定性的影响。

结合仿真结果，根据建立的模型可以得出，每个变量对输出都有很大的影响。该模型适用于各种生物质原料。预测结果表明该模型具有一定的实际应用潜力，可用来筛选合适的生物质原料和提取基于气化技术集成动力装置的能源。

5 结论

通过本文的研究，证明了基于神经网络与热力学平衡方法的生物质能发电机功率预测模型的有效性。该模型适用于各种类型的生物质原料，通过输入不同的元素分析数据，可以准确预测生物质发电的功率输出，可以根据模型预测结果，筛选适合用于气化发电的生物质原料，提高发电效率。

通过调整输入变量（例如气化炉温度、空气燃料比等），优化发电系统的运行参数，进一步提高系统的能效。在实际应用中，该模型可以实时监控和调整生物质发电系统的运行状态，提高系统的稳定性和可靠性。该模型能够准确预测不同类型生物质原料在不同操作条件下的发电量，为生物质能发电系统的优化运行提供了理论支持和技术参考。未来的研究可以进一步优化模型参数，提高预测精度，并用于实际生物质发电系统中，实现高效利用能源的目标。

参考文献

[1]张晓楠.生物质发电技术研究应用综述[J].山西化工，2021，41（5）：54-56.

[2]毛健，赵红东，姚婧婧.人工神经网络的发展及应用[J].电子设计工程，2011，19（24）：62-65.

[3]叶林，陈政，赵永宁，等.基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型[J].电力系统自动化，2015，39（16）：16-22.

作者简介：韩大军（1970—），男，山东临沂人，硕士，副高级教师。研究方向为生物学教学、生物质能利用、生物学竞赛、生物教学与智能化教学相结合与生物学。

电子邮箱：1012827175@qq.com。