[发明专利]一种气化产气预测方法、装置、设备及存储介质

说明书

本发明实施例公开了一种气化产气预测方法、装置、设备及存储介质，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，气化产气预测模型基于人工神经网络模型训练生成；将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；根据当前气化温度和上一气化温度，确定目标函数；如果目标函数的输出值大于等于温度阈值，则根据当前气化温度和上一气化温度，确定新的上一气化温度；重复执行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的操作，直至目标函数的输出值小于所述温度阈值。本发明实施例通过采用人工神经网络模型与热力学模型结合的方式预测气化产气组分浓度，提高了气化产气组分浓度的预测精度。

技术领域

本发明实施例涉及气化反应领域，尤其涉及一种气化产气预测方法、装置、设备及存储介质。

背景技术

在生物质气化反应器结构参数及运行参数设计的过程中，为使设计参数更加准确，缩短后期调试周期，通常需要对不同设计参数下的气化结果进行预测，如气化产气组分浓度和热值等。

目标，通常采用如下两种方式进行气化产气组分浓度的预测，具体的：方式一、基于热力学平衡模型预测气化产气组分浓度。热力学平衡模型(Thermodynamic EquilibriumModel，TEM)是一种简单易行的理想化模型，其假定气化反应过程中的多个化学反应在离开气化反应器时都达到了化学平衡状态，并基于质量守恒、能量守恒与化学平衡分析对气化反应结果进行预测；方式二、基于人工神经网络模型预测气化产气组分浓度。人工神经网络模型(Artificial Neural Networks，ANN)是一种新兴的智能化模型，因其能够很好地处理非线性问题而被广泛应用，在保证训练样本的数量与质量，以及，网络结构合理的情况下，人工神经网络模型可根据输入参数对输出参数进行精准预测。

然而，发明现有技术至少存在如下问题：针对方式一，由于反应物在气化炉内的反应时间有限，因此，气化炉内的反应一般无法达到化学或热力学平衡，即很难满足热力学平衡模型中的化学平衡方程。基于此，基于热力学平衡模型得到的气化产气组分浓度仅是理想的气化产气组分浓度。针对方式二，由于在将人工神经网络模型应用于预测气化产气组分浓度时，所需的输入参数“气化温度”较难确定，因此，应用人工神经网络模型进行气化产气组分浓度预测受到了限制。上述使得采用上述方式得到的气化产气组分浓度的预测精确不高。

发明内容

本发明实施例提供了一种气化产气预测方法、装置、设备及存储介质，以提高气化产气组分浓度的预测精度。

第一方面，本发明实施例提供了一种气化产气预测方法，该方法包括：

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。

进一步的，所述气化产气预测模型基于人工神经网络训练生成，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；