蔣紹堅，付國富，黃靚云，唐遠程，蔡攀，彭好義

?

基于Elman神經(jīng)網(wǎng)絡(luò)的煙煤與生物質(zhì)混燒灰熔點預(yù)測

蔣紹堅，付國富，黃靚云，唐遠程，蔡攀，彭好義

(中南大學(xué)能源科學(xué)與工程學(xué)院，湖南長沙，410083)

基于實驗法測定煙煤與不同生物質(zhì)混燒灰熔點時存在工作量大、時效性差的問題，通過分析煙煤分別與玉米秸稈和木屑混燒灰的成分，并以灰成分為輸入量，建立基于Elman神經(jīng)網(wǎng)絡(luò)的灰熔點預(yù)測模型。采用Levenberg?Marquardt反向傳播算法訓(xùn)練模型，利用殘差檢驗與后驗差檢驗法檢驗?zāi)Ｐ皖A(yù)測性能。研究結(jié)果表明：玉米秸稈灰、木屑灰分別含有較高的K2O和CaO，與煙煤灰相比，2種生物質(zhì)灰的堿性氧化物(Na2O，K2O，CaO，MgO)質(zhì)量分數(shù)較高，酸性氧化物(Al2O3和SiO2)質(zhì)量分數(shù)較低；檢驗結(jié)果驗證了該模型具有較高的預(yù)測精度和較強的泛化能力。

Elman神經(jīng)網(wǎng)絡(luò)；煙煤；生物質(zhì)；灰熔點；預(yù)測模型

生物質(zhì)與煤混燃是一種經(jīng)濟、有效、環(huán)保的生物質(zhì)能利用方式，同時可改善煤粉的燃燒特性。但生物質(zhì)中堿金屬和堿土金屬元素質(zhì)量分數(shù)較高，與煤混燒易引起受熱面的積灰、結(jié)渣等系列影響鍋爐安全和效率等問題[1?2]?；胰埸c是判斷鍋爐運行過程中是否積灰結(jié)渣的重要參數(shù)[3]，直接測定各種不同成分燃料的灰熔點，存在工作量大、時效性差等問題，因此，有必要尋找有效的方法對其進行準(zhǔn)確預(yù)測，為鍋爐設(shè)計及其安全高效運行提供指導(dǎo)。研究表明，灰熔點主要取決于灰的成分及其含量[4?6]?；诨页煞值幕胰埸c預(yù)測方法主要有經(jīng)驗公式、支持向量機、神經(jīng)網(wǎng)絡(luò)等[7]。陳文敏等[8]根據(jù)煤灰中CaO，K2O，Al2O3和SiO2等成分，通過回歸分析計算了煤灰的特征溫度，并得出了相應(yīng)經(jīng)驗公式。然而，灰成分與灰熔點間并不是呈單純的線性關(guān)系，且這些公式泛化能力有限。李建中 等[9]以煤灰的主要成分為輸入量，采用支持向量機對灰熔點進行了預(yù)測。神經(jīng)網(wǎng)絡(luò)具有非線性處理、魯棒性強和尋找優(yōu)化解速度快等特點[10]，在模式識別、信號處理、建模預(yù)測等研究中應(yīng)用較多，其中BP神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣，李青等[11?12]采用BP神經(jīng)網(wǎng)絡(luò)方法，基于煤灰成分，建立了灰熔點的預(yù)測模型，并取得了較好的預(yù)測效果。但BP 神經(jīng)網(wǎng)絡(luò)只能實現(xiàn)非線性靜態(tài)映射，存在學(xué)習(xí)效率低、極易陷入局部極小值等缺點[10]。Elman神經(jīng)網(wǎng)絡(luò)是一種有局部反饋的神經(jīng)網(wǎng)絡(luò)，與BP網(wǎng)絡(luò)相比，該網(wǎng)絡(luò)對歷史數(shù)據(jù)具有敏感性，增加了處理動態(tài)信息的能力。因此，Elman神經(jīng)網(wǎng)絡(luò)在電力負荷預(yù)測、動力配煤發(fā)熱量預(yù)測和清潔劑抗菌性能預(yù)測等領(lǐng)域得到應(yīng)用[13?15]，然而，應(yīng)用于煤與生物質(zhì)混燒灰熔點預(yù)測方面的研究很少。該研究以煙煤與玉米秸稈、煙煤與木屑混燒灰的主要氧化物成分為輸入量，建立基于Elman神經(jīng)網(wǎng)絡(luò)的煙煤與生物質(zhì)混燒灰熔點預(yù)測模型，以便為煤與生物質(zhì)的混燒提供指導(dǎo)。

1 Elman神經(jīng)網(wǎng)絡(luò)與算法

典型的Elman網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。圖1中：為輸入向量；1為輸入向量元素個數(shù)；1和2分別為隱含層和輸出層神經(jīng)元個數(shù)；為迭代次數(shù)；1和2分別為隱含層和輸出層神經(jīng)元的輸出；1()和2()分別為隱含層、輸出層的輸出；1和2分別為隱含層和輸出層的閾值矩陣；1,1，1,1和2,1分別為輸入層－隱含層、承接層－隱含層、隱含層－輸出層的連接權(quán)值；(·)和(·)分別為隱含層和輸出層神經(jīng)元的激活函數(shù)，分別選用雙曲正切Sigmoid函數(shù)()和對數(shù)Sigmoid函數(shù)()。輸入信號從輸入層傳遞到隱含層，隱含層的輸出一方面直接通過輸出層輸出，另一方面通過承接層的延遲與存儲自聯(lián)到隱含層的輸入。這種內(nèi)部反饋增強了網(wǎng)絡(luò)本身處理動態(tài)信息的能力，從而可達到動態(tài)建模的目的。Elman網(wǎng)絡(luò)數(shù)學(xué)模型為：

Elman神經(jīng)網(wǎng)絡(luò)各層權(quán)值與閾值通過網(wǎng)絡(luò)學(xué)習(xí)得到優(yōu)化，使得實際輸出與期望輸出的均方誤差最小，從而確定灰成分與灰熔融特征溫度間的非線性映射關(guān)系。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法有多種，通常通過實驗進行擇優(yōu)確定。本研究采用Levenberg?Marquardt(LM)反向傳播算法對Elman網(wǎng)絡(luò)進行訓(xùn)練，算法具體介紹見文獻[16]。網(wǎng)絡(luò)學(xué)習(xí)流程如圖2所示。對于訓(xùn)練好的網(wǎng)絡(luò)模型，輸入灰成分信息即可獲得混燒灰特征溫度的預(yù)測結(jié)果，相比實驗測定方法更高效。

2 Elman網(wǎng)絡(luò)灰熔點預(yù)測模型

研究旨在根據(jù)煙煤與生物質(zhì)混燒灰的成分預(yù)測灰熔點，即建立以灰成分為輸入量，灰的變形溫度(D)、軟化溫度(S)、半球溫度(H)和流動溫度(F)為輸出量的Elman網(wǎng)絡(luò)預(yù)測模型。因此，需分析影響灰熔點的主要化學(xué)成分及其含量，設(shè)計合理的網(wǎng)絡(luò)結(jié)構(gòu)，并對網(wǎng)絡(luò)模型進行訓(xùn)練和檢驗。

圖1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖2 Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程

2.1 灰樣制備與分析

生物質(zhì)種類多樣，實驗選取玉米秸稈和木屑作為草本類和木質(zhì)類生物質(zhì)的代表，分別與煙煤按照不同質(zhì)量比摻混，通過SRJX-4-13箱式馬弗爐制備灰樣。生物質(zhì)灰樣和煙煤灰樣的制備標(biāo)準(zhǔn)分別參考ASTM E870—82和GB/T212—2008?；鞜覙拥闹苽渖袩o可參考的標(biāo)準(zhǔn)。本文參考文獻[17]對混燒灰的成灰標(biāo)準(zhǔn)進行標(biāo)定，確定不同生物質(zhì)摻混比所對應(yīng)的適宜灰化時間為2.5 h，灰化溫度如表1所示。

表1 煙煤與生物質(zhì)混燒灰的適宜灰化溫度

生物質(zhì)摻混比例和灰化溫度是影響生物質(zhì)與煙煤混燒灰成分及熔融特征溫度的2個重要因素。因此，為獲得不同灰分特性的混燒灰樣，設(shè)計如表2所示的混燒灰制備方案，其中12~16號灰樣的灰成分和熔融溫度數(shù)據(jù)來源于文獻[17]。

灰樣熔融特征溫度按照GB/219—74利用SDAF2000D灰熔融性測定儀測定；灰成分利用GENESIS60S電子能譜儀(EDS)分析確定?；覙映煞峙c特征溫度分析結(jié)果如表3所示，其中17，18和19號灰樣分別為煙煤灰、玉米秸稈灰和木屑灰。

表2 煙煤與生物質(zhì)混燒灰樣制備方案

注：灰化時間為2.5 h；1~11號灰為玉米秸稈－煙煤灰，12~16號灰為木屑?煙煤灰；為生物質(zhì)摻混比；ash為灰化溫度。

生物質(zhì)中本身含有一定的Cl，但在灰化過程中60%~80%的氯隨堿金屬氯化物或者HCl(g)和Cl2(g)等形式析出，灰樣中Cl質(zhì)量分數(shù)極少[18]。據(jù)表3可知：灰樣的主要氧化物成分有7種；除Fe2O3外，2種生物質(zhì)灰的其他堿性氧化物(Na2O，K2O，CaO和MgO)的質(zhì)量分數(shù)均比煙煤灰的高，但酸性氧化物(Al2O3和SiO2)的質(zhì)量分數(shù)均比煙煤灰的低；玉米秸稈灰含較高的K2O，而木屑灰含較多的CaO，2種生物質(zhì)具有較好的代表性。

2.2 數(shù)據(jù)預(yù)處理

Elman神經(jīng)網(wǎng)絡(luò)激活函數(shù)為Sigmoid型函數(shù)，基于該類函數(shù)特性，過大或過小的輸入量都會導(dǎo)致輸出量進入函數(shù)曲線的飽和區(qū)，使訓(xùn)練速度緩慢。對表3中19個灰樣的7種灰成分和4個特征溫度原始數(shù)據(jù)進行歸一化處理，將其歸一到(0,1)。設(shè)為所有灰樣灰成分和特征溫度的原始數(shù)據(jù)集，歸一化處理方法如下：

式中：=1，2，…，19；=1，2，…，11；L為灰樣第個參數(shù)的原始數(shù)值；′為L歸一化處理后的數(shù)值；L-min和Lmax分別為灰樣第個參數(shù)原始數(shù)集的最小值和最大值。

模型輸出歸一化特征溫度，其結(jié)果通過式(4)反歸一化后得到溫度預(yù)測結(jié)果：

表3 灰樣主要化學(xué)成分與熔融特征溫度

式中：=1，2，…，19；=8，9，…，11；為模型輸出的歸一化溫度預(yù)測結(jié)果；為反歸一化的溫度預(yù)測結(jié)果。

2.3 網(wǎng)絡(luò)的設(shè)計與訓(xùn)練

網(wǎng)絡(luò)輸入量為混燒灰的7種成分，輸出量為灰的4個特征溫度，所以，網(wǎng)絡(luò)輸入層和輸出層神經(jīng)元數(shù)目分別為7和4。網(wǎng)絡(luò)采用單隱含層結(jié)構(gòu)。隱含層神經(jīng)元數(shù)目的確定采用經(jīng)驗公式與實驗相結(jié)合的方法。根據(jù)式(5)[10]，通過改變1，對同一樣本集進行訓(xùn)練，并以訓(xùn)練結(jié)果的均方誤差和收斂速率為評估指標(biāo)，確定最佳隱含層神經(jīng)元數(shù)目：

式中：1為隱含層神經(jīng)元數(shù)目；1為輸入層神經(jīng)元數(shù)目；2為輸出層神經(jīng)元數(shù)目；為1~10的調(diào)節(jié)常數(shù)。確定網(wǎng)絡(luò)結(jié)構(gòu)后，利用輸入樣本和輸出樣本集對網(wǎng)絡(luò)進行訓(xùn)練，以確定灰成分與灰熔點的映射關(guān)系。在實驗過程中，隨機抽選確定1，8和16號灰樣為檢驗樣本，其余16個灰樣為訓(xùn)練樣本，選用LM算法訓(xùn)練函數(shù)(Trainlm)，模型最大訓(xùn)練次數(shù)設(shè)為500次，目標(biāo)均方誤差設(shè)為0.000 1。網(wǎng)絡(luò)的訓(xùn)練和檢驗通過Matlab自編程序?qū)崿F(xiàn)。

3 模型評估方法

為評估Elman神經(jīng)網(wǎng)絡(luò)灰熔點預(yù)測模型的可靠性和預(yù)測精度，利用訓(xùn)練好的網(wǎng)絡(luò)模型對訓(xùn)練樣本和檢驗樣本的特征溫度進行預(yù)測，并采用殘差檢驗和后驗差檢驗法對模型的預(yù)測結(jié)果進行分析。

3.1 殘差檢驗

設(shè)灰樣特征溫度預(yù)測值為，實驗測量值為e，樣本的殘差為E，則E=y?y，樣本相對誤差，樣本平均殘差。

3.2 后驗差檢驗

設(shè)灰樣特征溫度預(yù)測值和殘差的標(biāo)準(zhǔn)差分別為1和2，定義后驗差比值=2/1和小誤差概率，即小于6.647 51的灰樣數(shù)所占比例。指標(biāo)反映預(yù)測值和實際值的離散程度，越小越好；指標(biāo)反映誤差精度，越大越好。根據(jù)上述2項指標(biāo)，按照表4所示精度等級，對模型的預(yù)測精度進行評估，其中：

表4 預(yù)測精度等級

4 結(jié)果與分析

4.1 隱含層神經(jīng)元數(shù)對模型預(yù)測性能的影響

根據(jù)前面隱含層神經(jīng)元數(shù)目確定方法進行實驗，考察隱含層神經(jīng)元數(shù)目對網(wǎng)絡(luò)模型預(yù)測性能的影響。對不同隱含層神經(jīng)元數(shù)目的網(wǎng)絡(luò)均進行10次重復(fù)實驗，實驗?zāi)繕?biāo)誤差設(shè)為0.000 1，實驗結(jié)果如圖3所示。

從圖3可知：隨隱含層神經(jīng)元數(shù)目增加，模型預(yù)測結(jié)果的均方誤差先不斷減小，收斂速率變快；當(dāng)隱含層神經(jīng)元數(shù)目為12時，均方誤差達到最小值，為8.00×10?5 ℃2，此時收斂速率最快；當(dāng)隱含層神經(jīng)元數(shù)目大于12時，均方誤差快速增大，收斂速率稍有降低。隱含層神經(jīng)元數(shù)目的增加在一定程度上可以提高網(wǎng)絡(luò)的預(yù)測精度，但數(shù)目過多會導(dǎo)致網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)復(fù)雜化，反而降低網(wǎng)絡(luò)的精度和收斂速率。綜合網(wǎng)絡(luò)預(yù)測準(zhǔn)確性和收斂速率，最佳隱含層神經(jīng)元數(shù)為12。所以，Elman網(wǎng)絡(luò)灰熔點預(yù)測模型的網(wǎng)絡(luò)結(jié)構(gòu)為 7—12—4。

1—均方誤差；2—迭代次數(shù)。

圖3 不同隱含層神經(jīng)元數(shù)目的模型預(yù)測性能

Fig. 3 Performance of model with different number of hidden layer neurons

4.2 模型訓(xùn)練結(jié)果與分析

模型對16個訓(xùn)練樣本特征溫度的預(yù)測結(jié)果與實驗測量結(jié)果比較如圖4所示。分析圖4(a)與圖4(d)可知：訓(xùn)練樣本的D主要分布在1 100~1 250 ℃，F(xiàn)主要分布在1 400~1 550 ℃。從圖4可知：樣本預(yù)測值的分布逐漸向高溫區(qū)聚集；模型對訓(xùn)練樣本的預(yù)測值均分布在=e直線附近，沒有奇異點，說明模型可靠。

訓(xùn)練結(jié)果的誤差分析與精度評估如表5所示。從表5可知：F，D，H和S的平均相對誤差依次減小，最大平均相對誤差為0.57%，最小平均相對誤差為0.36%；Elman網(wǎng)絡(luò)模型預(yù)測結(jié)果的最大相對誤差為1.75%，最小相對誤差為0.02%，對應(yīng)殘差分別為?21.06 ℃和?0.25 ℃，特征溫度預(yù)測精度均為1級。上述分析結(jié)果表明該模型具有較高的精度和可靠性，可用于灰熔點預(yù)測。

4.3 模型檢驗結(jié)果與分析

為驗證Elman網(wǎng)絡(luò)模型的預(yù)測性能，利用未參與訓(xùn)練的檢驗樣本對其進行檢驗，并建立BP網(wǎng)絡(luò)預(yù)測模型以對比分析Elman模型的泛化能力和精度優(yōu)勢。檢驗樣本特征溫度的預(yù)測結(jié)果如圖5所示。

從圖5可知：1 100~1 250 ℃區(qū)段內(nèi)的預(yù)測結(jié)果偏離直線=e程度較大，1 400~1 550 ℃區(qū)段的預(yù)測結(jié)果偏離程度較小；相比BP模型，Elman模型預(yù)測結(jié)果與實測值誤差更小。

圖6所示為檢驗樣本特征溫度預(yù)測結(jié)果的誤差分析結(jié)果。從圖6可知：BP網(wǎng)絡(luò)模型對1，8，16號檢驗樣本D，S，H和F預(yù)測結(jié)果的最大相對誤差分別為4.35%，2.88%，4.44%和2.29%，其平均相對誤差分別為3.11%，1.34%，1.95%和1.75%；與BP模型相比，Elman網(wǎng)絡(luò)模型對檢驗樣本D，S，H和F預(yù)測結(jié)果的最大相對誤差分別低2.69%，0.62%，3.56%和1.12%，其平均相對誤差僅為1.47%，1.09%，0.49%和0.77%。Elman和BP網(wǎng)絡(luò)模型對D的預(yù)測誤差最大，與圖5中低溫區(qū)段灰樣預(yù)測值分布偏離直線=e程度較大的結(jié)果一致，但模型的預(yù)測誤差均小于5.00%，處于實驗誤差允許范圍內(nèi)。其中，BP模型預(yù)測結(jié)果的最大相對誤差為4.44%，最小相對誤差為0.40%，相應(yīng)殘差分別為54.99 ℃和5.63 ℃，D預(yù)測精度較低；Elman網(wǎng)絡(luò)預(yù)測的最大相對誤差和最小相對誤差分別為2.26%和0.22%，最大和最小殘差分別為27.67 ℃和0.74 ℃，D，S，H和F預(yù)測結(jié)果精度均為1級。相比BP預(yù)測模型，Elman模型預(yù)測性能更好。

(a)D；(b)S；(c)F；(d)H

圖4 訓(xùn)練樣本預(yù)測結(jié)果

Fig. 4 Forecasting results of training sets

表5 訓(xùn)練樣本預(yù)測結(jié)果誤差分析

圖5 檢驗樣本預(yù)測結(jié)果

(a)D；(b)S；(c)F；(d)H

圖6 檢驗結(jié)果誤差分析

Fig. 6 Forecasting error analysis of test results

5 結(jié)論

1) 煙煤與生物質(zhì)混燒灰樣主要成分有7種；生物質(zhì)灰的堿性氧化物(Na2O，K2O，CaO和MgO)質(zhì)量分數(shù)比煙煤灰高，但酸性氧化物(Al2O3和SiO2)質(zhì)量分數(shù)比煙煤灰低；玉米秸稈灰含較高的K2O，而木屑灰含較多的CaO，2種生物質(zhì)具有較好的代表性。

2) 基于灰成分建立了Elman神經(jīng)網(wǎng)絡(luò)灰熔點預(yù)測模型，網(wǎng)絡(luò)模型最佳結(jié)構(gòu)為7—12—4；模型檢驗結(jié)果的最大相對誤差和最小相對誤差分別為2.26%和0.22%，最大和最小殘差分別為27.67 ℃和0.74 ℃，灰熔融特征溫度的預(yù)測精度為1級，通過與BP模型的對比分析，驗證了該模型具有較強的泛化能力和較高的精度，可用于煙煤與生物質(zhì)混燒灰熔點的預(yù)測。

[1] ARVELAKIS S, FRANDSEN F J. Melting behavior of ashes from the co-combustion of coal and straw[J]. Energy and Fuels, 2007, 21(5): 3004?3009.

[2] XIANG Fang, LI Jia．Experimental study on ash fusion characteristics of biomass[J]. Bioresource Technology, 2012, 104: 769?744.

[3] LIU Bo, HE Qihui, JIANG Zihao, et al. Relationship between coal ash composition and ash fusion temperatures[J]. Fuel, 2013, 105: 293?300.

[4] 徐婧, 余春江, 秦建光, 等. 麥草木素與煤混燒灰熔融特性[J]. 浙江大學(xué)學(xué)報, 2007, 41(7): 1186?1190.XU Jing, YU Chunjiang, QIN Jianguang, et al. Ash fusion characteristics of wheat straw lignin and coal co-combustion[J]. Journal of Zhejiang University (Engineering Science), 2007, 41(7): 1186?1190.

[5] 蒲舸, 譚波. 生物質(zhì)和高硫劣質(zhì)煤混燒灰熔融特性研究[J]. 中國電機工程學(xué)報, 2011, 31(23): 108?114.PU Ge, TAN Bo. Study on fusion characteristics of ash produced by co-combustion biomass and high-sulfur low grade coal[J]. Proceedings of the CSEE, 2011, 31(23): 108?114.

[6] LI Q H, ZHANG Y G, MENG A H, et al. Study on ash fusion temperature using original and simulated biomass ashes[J]. Fuel Processing Technology, 2013, 107: 107?112.

[7] 徐志明, 鄭嬌麗, 文孝強. 基于偏最小二乘回歸的灰熔點預(yù)測[J]. 動力工程學(xué)報, 2010, 30(10): 788?792. XU Zhiming, ZHENG Jiaoli, WEN Xiaoqiang. Prediction for ash fusion point based on partial least square regression[J]. Journal of Chinese Society of Power Engineering, 2010, 30(10): 788?792.

[8] 陳文敏, 姜寧. 煤灰成分和煤炭灰熔融性的關(guān)系[J]. 潔凈煤技術(shù), 1996, 2(2): 34?37.CHEN Wenmin, JIANG Ning. Relation between coal ash composition and fusibility[J]. Clean Coal Technology, 1996, 2(2): 34?37.

[9] 李建中, 周昊, 王春林, 等. 支持向量機技術(shù)在動力配煤中灰熔點預(yù)測的應(yīng)用[J]. 煤炭學(xué)報, 2007, 32(1): 81?84.LI Jianzhong, ZHOU Hao, WANG Chunlin, et al. Employing support vector machine to predicting the ash fusion temperature of coal blends[J]. Journal of China Coal Society, 2007, 32(1): 81?84.

[10] 傅薈璇, 趙紅. MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M]. 北京: 機械工業(yè)出版社, 2010: 90?91. FU Huixuan, ZHAO Hong, et al. Application design of matlab neural network[M]. Beijing: China Machine Press, 2010: 90?91.

[11] 李青. 基于神經(jīng)網(wǎng)絡(luò)煤的發(fā)熱量和灰熔點預(yù)測[D]. 河北: 華北電力大學(xué)控制與計算機工程學(xué)院, 2012: 36?39.LI Qing. Predicting calorific value and ash fusion temperature of coal based on neural network[D]. Heibei: North China Electric Power University. School of Control and Computer Engineering, 2012: 36?39.

[12] 楊鑫, 黃戒介, 趙建濤, 等. 褐煤配入高熔點煤灰的灰熔點預(yù)測模型研究[J]. 化學(xué)工程, 2012, 40(10): 80?84.YANG Xin, HUANG Jiejie, ZHAO Jiantao, et al. Ash fusion temperature prediction model of lignite blending high melting point coal ash[J]. Chemical Engineering (China), 2012, 40(10): 80?84.

[13] LI Penghua, LI Yinguo, XIONG Qingyu, et al. Application of a hybrid quantized Elman neural network in short-term load forecasting[J]. Electrical Power and Energy Systems, 2014, 55: 749?759.

[14] 周孑民, 朱再興, 劉艷軍, 等. 基于Elman 神經(jīng)網(wǎng)絡(luò)的動力配煤發(fā)熱量及著火溫度的預(yù)測[J]. 中南大學(xué)學(xué)報(自然科學(xué)版), 2011, 42(12): 3871?3875.ZHOU Jiemin, ZHU Zaixing, LIU Yanjun. Predication of calorific value and ignition temperature of blended coal based on Elman neural network[J]. Journal of Central South University (Science and Technology), 2011, 42(12): 3871?3875.

[15] CUI Anqi, XU Hua, JIA Peifa. An elman neural network-based model for predicting anti-germ performances and ingredient levels with limited experimental data[J]. Expert Systems with Applications, 2011, 38(7): 8186?8192.

[16] 張德豐. Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M]. 北京: 機械工業(yè)出版社, 2011: 157. ZHANG Defeng. Application design of matlab neural network[M]. Beijing: China Machine Press, 2011: 157.

[17] 胡云鵬, 程世慶, 謝敬思, 等. 梧桐木與煙煤混燒的灰分特性分析[J]. 燃料化學(xué)學(xué)報, 2012, 40(3): 286?292.HU Yunpeng, CHENG Shiqing, XIE Jingsi, et al. Analysis of the ash characteristic during co-firing of platanewood and bitumite[J]. Journal of Fuel Chemistry and Technology, 2012, 40(3): 286?292.

[18] 陸晨. 生物質(zhì)混煤燃燒灰沉積特性及鉀、氯成分析出規(guī)律研究[D]. 濟南: 山東大學(xué)能源與動力工程學(xué)院, 2012: 28?31.LU Chen. Study on characteristics of ash deposition and release of potassium/chlorine during biomass co-fired with coal[D]. Jinan: Shandong University. School of Energy and Power Engineering, 2012: 28?31.

(編輯 陳燦華)

Forecasting on ash fusion temperatures of bituminous coal and biomass co-firing based on Elman neural network

JIANG Shaojian, FU Guofu, HUANG Liangyun, TANG Yuancheng, CAI Pan, PENG Haoyi

(School of Energy Science and Engineering, Central South University, Changsha 410083, China)

Considering that experimental determination of ash fusion temperatures of bituminous coal and different blended biomass is often onerous and time-consuming, an Elman neural network-based model to forecast ash fusion temperatures was presented by analyzing the ash compositions of bituminous coal blended corn straw or sawdust with ash ingredients as inputs. The model was trained by adopting LM back-propagation algorithm and its forecasting performance was assessed by employing the method of residual andposterior error test. The results show that corn stalk ash and sawdust ash are rich in K2O and CaO, respectively. The two biomass ashes contain more alkaline oxides (Na2O,K2O,CaO,MgO), but less acidic oxides (Al2O3, SiO2) compared to bituminous coal ash. The test results validate that the model has high accuracy and strong generalization ability.

Elman neural network; bituminous coal; biomass; ash fusion temperature; forecasting model

10.11817/j.issn.1672-7207.2016.12.036

TK6

A

1672?7207(2016)12?4240?08

2016?06?06；

2016?08?22

國家自然科學(xué)基金資助項目(21577176)；國家科技支撐計劃項目(2015BAL04B02)(Project(21577176) supported by the National Natural Science Foundation of China; Project(2015BAL04B02) supported by the National Key Technology R&D Program)

蔣紹堅，教授，碩士生導(dǎo)師，從事低碳能源技術(shù)(高效清潔燃燒、生物質(zhì)能利用等)研究；E-mail：sjjiang@mail.csu.edu.cn