一種生物質能發電機功率預測模型

摘 要：本研究嘗試將人工神經網絡模型與熱力學平衡方法相結合，建立一種新穎的生物質能綜合發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原料的生物質能發電機的凈輸出功率。模型的輸入參數包括元素分析成分（C、O、H、N和S）、近似分析成分（水分、灰分、揮發性物質和固定碳）以及操作參數（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網絡和熱力學平衡的綜合模型可以優化和控制生物質能發電機組。

關鍵詞：生物質能發電；人工神經網絡；熱力學平衡；功率預測

中圖分類號：TM 71" " " " " " " 文獻標志碼：A

神經網絡是一種模仿人腦神經元網絡結構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、模式識別等領域。

本文將人工神經網絡和熱力學模型結合，首先，根據生物質原料的多樣性，建立一個豐富的數據庫，對生物質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率和進入氣化爐的空氣流質量。再次，根據合成氣的組成計算燃燒所需的空氣量。最后，將其輸入人工神經網絡模型，計算最終的發電機輸出功率。

本文旨在提出一種基于神經網絡與熱力學平衡的生物質能發電機功率預測模型。通過試驗數據驗證模型的準確性和可靠性，預測不同類型生物質原料在不同操作條件下的發電量，為生物質能發電系統的優化運行提供理論支持和技術參考。

1 生物質發電流程和模型輸入選擇

1.1 熱力學平衡在生物質發電中的應用

在生物質能發電中，生物質的燃燒是產生熱能的主要來源。在燃燒過程中，生物質中的有機物質氧化，釋放出熱量，驅動發電機產生電能。熱力學平衡理論可以用來分析生物質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，為設計和優化生物質能發電系統提供依據[1]。

除了燃燒過程外，生物質能發電系統中還涉及熱能的轉化與傳輸過程。熱力學平衡理論可以用來分析生物質能發電系統中的熱能轉化過程，包括熱能產生、傳輸、利用和損失等。對熱能轉化過程進行分析，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，為提高生物質能發電系統的能源利用效率提供參考。

熱力學平衡理論還可以優化設計生物質能發電系統。對熱力學參數進行優化設計，可以使生物質能發電系統在運行過程中達到更好的熱平衡狀態，提高能源利用效率和發電效率。例如，通過合理調節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，優化燃燒效率和熱能轉化效率。

在生物質能發電系統中，由于各種熱能轉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能源利用效率的關鍵。熱力學平衡理論可以用來分析生物質能發電系統中的熱損失情況，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，可以提高系統的能源利用效率。

1.2 生物質發電流程設計

本文選擇對不同類型的生物質進行研究，例如：木材和木本生物質、草本和農業生物質、動物生物質、混合生物質和污染生物質。將它們作為氣化爐的輸入，并記錄這些生物質的元素分析結果，見表1和表2。為保證干燥過程中的環境一致性，須選用150°C的干燥溫度。干燥后對生物質原料進行熱解，原料被轉化為兩種產物：揮發性物質和燒焦物質。通過分析原料的元素，確定產物揮發性材料中含有C，H，O，N，燒焦物質含有灰分和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生氧化反應，產生動力推動燃氣輪機旋轉。流程圖如圖1所示。

輸入人工神經網絡模型中的變量包括水含量、揮發性物質、碳含量、灰分含量等。輸出變量則是燃氣輪機的發電功率。對輸入變量進行優化，可以顯著提高系統的發電效率。

2 建立人工神經網絡

2.1 神經網絡的預測功能介紹

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

神經網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：輸入數據通過神經網絡，逐層傳播并計算輸出結果。

反向傳播：計算輸出結果與真實標簽之間的誤差，并反向傳播誤差，根據誤差調整網絡中的權重和偏置。

利用訓練好的模型，根據輸入數據預測未知數據的輸出結果。通過神經網絡的前向傳播完成這個過程，其中，神經網絡通過學習輸入和輸出之間的關系，能夠自動從數據中提取特征并進行預測[3]。基于該功能，本文使用BP神經網絡來預測生物質能發電機的功率。

2.2 神經網絡模型構建

在本文中，基于生物質元素分析構建1個3層的神經網絡模型，并在Matlab環境中構建出來，構建的神經網絡模型如圖2所示。

其中，輸入層含有9個神經元，分別為水含量、揮發性物質、碳、灰分、C、O、N、H、S。

隱藏層為一層，確定神經網絡隱藏層的神經節點數量是一個重要的問題，它直接影響神經網絡的性能和泛化能力。在實踐中，通常根據經驗法則來確定隱藏層神經元節點數，通常將單個隱藏層的節點數設置為輸入層節點數和輸出層節點數的平均值，或者是輸入層節點數和輸出層節點數的兩倍之間。本文選用20個隱藏層神經元節點。隱藏層神經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元節點，輸出為燃燒輪機的發電功率。輸出層神經元的計算過程如公式（2）所示。

（2）

神經元中的激活函數使神經網絡具備非線性特征，本文將Sigmoid函數作為激活函數，計算過程如公式（3）所示。

（3）

3 發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能發電過程中的關鍵環節，其主要步驟如下。

3.1.1 生物質原料預處理

生物質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。干燥后的生物質原料會發生熱解反應。

3.1.2 熱解反應

熱解反應是指在高溫下分解生物質原料的過程。熱解后的產物主要包括揮發性物質和燒焦物質。根據元素分析，揮發性物質主要含有C、H、O、N，而燒焦物質則主要含有C和灰分。

3.1.3 氣化反應

在氣化爐中，熱解產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，最終產生電能。

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。

3.2 神經網絡模型的訓練

神經網絡的訓練過程是保證模型能夠準確預測發電機功率的關鍵步驟，具體過程如下。

3.2.1 數據預處理

將收集的試驗數據進行歸一化處理，保證輸入數據在0～1，提高訓練效率和模型精度。

3.2.2 數據集劃分

將數據集分為訓練集（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函數進行訓練，該函數基于貝葉斯正則化優化算法，因此能夠快速調整網絡的權重和偏差，最小化誤差。采用動量加權梯度下降和偏置學習函數（LEARNGDM）來進一步優化模型，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果，將預測結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 模型優化

調整隱藏層的神經元數量和學習率等參數，根據試驗結果進行多次迭代優化，保證模型的性能達到最優。

4 仿真結果分析

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，部分測試結果如圖3所示。

結果表明，使用9個輸入神經元，20個隱藏層神經元，1個輸出層神經元的神經網絡預測生物質發電機的平均誤差為0.4224kW，可以成功地預測生物質下吸氣化與發電廠集成的發電功率。

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%。揮發性物質是最有效的變量，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，降低燃燒效率和發電功率。因此，將生物質原料的水分含量控制在適當范圍內，對提高發電效率至關重要。

試驗還對不同類型的生物質原料進行功率預測，包括木質生物質、草本生物質和混合生物質等。結果顯示，神經網絡模型對不同類型生物質原料的預測精度存在一定差異。

4.1 木質生物質

由于木質生物質的碳含量和揮發性物質含量較高，因此其燃燒效率和發電功率預測結果較為理想，平均誤差較小。

4.2 草本生物質

草本生物質的水分含量相對較高，揮發性物質和碳含量較低，因此其燃燒效率較木質生物質低，預測誤差相對較大。

4.3 混合生物質

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

對不同類型生物質原料進行分析，可以看出，當神經網絡模型處理成分單一且燃燒特性穩定的生物質原料時，預測精度較高。而對成分復雜且燃燒特性不穩定的生物質原料，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定性的影響。

結合仿真結果，根據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原料。預測結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原料和提取基于氣化技術集成動力裝置的能源。

5 結論

通過本文的研究，證明了基于神經網絡與熱力學平衡方法的生物質能發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原料，通過輸入不同的元素分析數據，可以準確預測生物質發電的功率輸出，可以根據模型預測結果，篩選適合用于氣化發電的生物質原料，提高發電效率。

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

參考文獻

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

[2]毛健，趙紅東，姚婧婧.人工神經網絡的發展及應用[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—模糊徑向基神經網絡的光伏發電功率預測模型[J].電力系統自動化，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、生物質能利用、生物學競賽、生物教學與智能化教學相結合與生物學。

電子郵箱：1012827175@qq.com。