[发明专利]一种气化产气预测方法、装置、设备及存储介质

权利要求书

1.一种气化产气预测方法，其特征在于，包括：

将目标参数输入气化产气预测模型，得到当前气化产气组分浓度，所述目标参数包括目标原料特征参数、目标气化炉结构参数、目标气化炉运行参数和上一气化温度，所述气化产气预测模型基于人工神经网络模型训练生成；

将所述当前气化产气组分浓度输入热力学模型，得到当前气化温度；

根据所述当前气化温度和所述上一气化温度，确定目标函数；

如果所述目标函数的输出值大于等于温度阈值，则根据所述当前气化温度和所述上一气化温度，确定新当前气化温度，并将所述新当前气化温度作为新的上一气化温度；

重复执行所述将目标参数输入气化产气预测模型，得到当前气化产气组分浓度，将所述当前气化产气组分浓度输入热力学模型，得到当前气化温度，根据所述当前气化温度和所述上一气化温度，确定目标函数的操作，直至所述目标函数的输出值小于所述温度阈值，并将使所述目标函数的输出值小于所述温度阈值的当前气化产气组分浓度作为目标气化产气组分浓度；

所述将所述当前气化产气组分浓度输入热力学模型，得到当前气化温度，包括：

将所述当前气化产气组分浓度输入由质量守恒方程与气体浓度方程组成的方程组，得到当前气体组分摩尔数；

将所述当前气体组分摩尔数输入能量守恒方程，得到当前气化温度。

2.根据权利要求1所述的方法，其特征在于，所述气化产气预测模型基于人工神经网络模型训练生成，包括：

获取第一训练样本，所述第一训练样本的个数为至少两个，每个所述第一训练样本包括第一训练参数和第一标准训练气化产气组分浓度，所述第一训练参数包括第一训练原料特征参数、第一训练气化炉结构参数、第一训练气化炉运行参数和第一训练上一气化温度；

将各第一训练参数输入人工神经网络模型，得到与各第一训练参数对应的各第一当前训练气化产气组分浓度；

根据各第一当前训练气化产气组分浓度和各第一标准训练气化产气组分浓度，确定所述人工神经网络模型的损失函数；

根据所述人工神经网络模型的损失函数调整所述人工神经网络模型的网络参数，直至所述人工神经网络模型的损失函数的输出值小于等于第一预设阈值，则将训练后的所述人工神经网络模型作为所述气化产气预测模型。

3.根据权利要求1所述的方法，其特征在于，所述气化产气预测模型基于人工神经网络模型训练生成，包括：

获取第二训练样本，所述第二训练样本的个数为至少两个，每个所述第二训练样本包括第二训练参数和第二标准训练气化产气组分浓度，所述第二训练参数包括第二训练原料特征参数、第二训练气化炉结构参数、第二训练气化炉运行参数和第二训练上一气化温度；

针对每种气化产气组分，将各第二训练参数输入与所述气化产气组分对应的人工神经网络模型，得到各第二当前训练气化产气组分浓度；

根据各气化产气组分的各第二当前训练气化产气组分浓度和各第二标准训练气化产气组分浓度，确定各人工神经网络模型的损失函数；

根据各人工神经网络模型的损失函数调整各人工神经网络模型的网络参数，直至各人工神经网络模型的损失函数的输出值小于等于第二预设阈值，则将训练后的各人工神经网络模型作为所述气化产气预测模型。

4.根据权利要求1-3任一所述的方法，其特征在于，所述根据所述当前气化温度和所述上一气化温度，确定目标函数，包括：

根据当前气化温度加权系数、上一气化温度加权系数、所述当前气化温度和所述上一气化温度，确定目标函数。

5.根据权利要求1-3任一所述的方法，其特征在于，所述如果所述目标函数的输出值大于等于温度阈值，则根据所述当前气化温度和所述上一气化温度，确定新当前气化温度，并将所述新当前气化温度作为新的上一气化温度，包括：

如果所述目标函数的输出值大于等于温度阈值，则计算所述当前气化温度和所述上一气化温度的平均气化温度，并将所述平均气化温度作为新的上一气化温度。

6.根据权利要求1-3任一所述的方法，其特征在于，所述温度阈值为1K。