[发明专利]生物质燃料的碱金属元素含量在线动态预测方法及系统

权利要求书

1.一种生物质燃料的碱金属元素含量在线动态预测方法，其特征在于，所述方法包括：

获取生物质燃料燃烧时的原始火焰辐射信号；

对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰辐射信号；所述预处理后的火焰辐射信号中包括预处理后的火焰全光谱信号和碱金属元素光谱信号；

所述对所述原始火焰辐射信号进行数据预处理，生成预处理后的火焰辐射信号，具体包括：

采用k-means聚类算法去除所述原始火焰辐射信号中的离群点并进行平滑去噪处理，同时避免系统误差对所述原始火焰辐射信号的影响，生成预处理后的火焰辐射信号；

所述系统误差对所述原始火焰辐射信号的影响包含暗噪声和背景光谱对所述原始火焰辐射信号的影响；所述暗噪声主要由仪器本身所引起，为了避免所述暗噪声对所述原始火焰辐射信号的影响，除了保证火焰数据采集系统的光谱仪在正常使用环境下，还在实验中对所述原始火焰辐射信号进行多次测量，取统计平均值，以此消除所述暗噪声；同时针对没有火焰的背景也进行多次光谱采集，取其平均值作为所述背景光谱，因此所用的火焰光谱是减去所述背景光谱后得到的，以此避免所述背景光谱对所述原始火焰辐射信号的影响；

根据所述火焰全光谱信号确定火焰燃烧特征参数和火焰温度；

根据所述碱金属元素光谱信号提取碱金属元素的光谱特征值；

根据所述火焰燃烧特征参数、所述火焰温度以及所述光谱特征值生成特征参数矩阵；

采用所述特征参数矩阵训练建立的循环神经网络模型，生成训练好的生物质燃料碱金属元素含量在线预测模型；

采用所述特征参数矩阵迭代训练所述循环神经网络模型，并基于批处理梯度下降法对所述循环神经网络模型的模型参数进行循环优化，模型迭代训练和所述循环优化的结束条件为损失函数小于预设值0.05或达到预设的训练次数2000次循环；所述模型迭代训练结束后，采用测试集样本测试模型的预测准确率，若所述预测准确率高于预设准确率阈值，则将此时的循环神经网络模型作为训练好的生物质燃料碱金属元素含量在线预测模型进行使用；若所述预测准确率低于所述预设准确率阈值，则返回所述获取生物质燃料燃烧时的原始火焰辐射信号，重新对所述循环神经网络模型进行训练，直至所述预测准确率高于所述预设准确率阈值，得到所述训练好的生物质燃料碱金属元素含量在线预测模型；

采用所述生物质燃料碱金属元素含量在线预测模型预测生物质锅炉中燃烧的生物质燃料的碱金属元素含量。

2.根据权利要求1所述的碱金属元素含量在线动态预测方法，其特征在于，所述根据所述火焰全光谱信号确定火焰燃烧特征参数和火焰温度，具体包括：

根据所述火焰全光谱信号提取火焰燃烧特征参数；所述火焰燃烧特征参数包括火焰闪烁频率和辐射能量；

基于双色法测量与所述火焰全光谱信号同一时刻的火焰温度。

3.根据权利要求2所述的碱金属元素含量在线动态预测方法，其特征在于，所述根据所述碱金属元素光谱信号提取碱金属元素的光谱特征值，具体包括：

消除所述碱金属元素光谱信号中黑体辐射对光谱强度的影响，生成消除影响后的碱金属元素光谱信号；

提取所述消除影响后的碱金属元素光谱信号的光谱特征值；所述光谱特征值包括均值、标准差、峰度系数以及偏度系数特征。

4.根据权利要求3所述的碱金属元素含量在线动态预测方法，其特征在于，所述采用所述特征参数矩阵训练建立的循环神经网络模型，生成训练好的生物质燃料碱金属元素含量在线预测模型，具体包括：

获取建立的循环神经网络模型；所述循环神经网络模型包括输入层、循环层、全连接层和输出层；

采用所述特征参数矩阵训练所述循环神经网络模型，并基于批处理梯度下降法对所述循环神经网络模型的模型参数进行优化，生成训练好的生物质燃料碱金属元素含量在线预测模型。