生物质发电气化过程的机理建模分析

生物质气化发电的关键技术是生物质气化技术,目前国内外对生物质气化发电技术的研究,还缺乏通用的气化模型和方法来模拟气化过程的特性,不能准确地确定生物质燃气的组分和热值等参数,难以提供气化发电系统的可靠数据.最常用的气化过程建模方法是建立机理模型,文章在重点分析了气化过程机理的基础上,把气化模型划分为平衡模型和动态模型两大类,并比较了各模型的优缺点.     

一种融入GRA的生物质气化焦油脱除LSSVM建模方法

提出一种融入灰色关联度分析(GRA)的生物质气化焦油脱除最小二乘支持向量机(LSSVM)建模方法。该模型考虑生物质气化焦油脱除过程影响因素的多样性和不确定性,通过试验数据的GRA分析,提取气化焦油脱除过程的强相关因素作为模型训练样本,建立生物质气化焦油脱除过程GRA-LSSVM模型,可有效克服传统建模方法对所有数据样本等同处理而造成的模型精度不高的不足。对松木屑气化焦油脱除过程建模分析,验证模型的有效性和准确性。     

生物质气化过程的混合神经网络模拟

用几种生物质的料进行了水蒸汽流化条件下的常压气化实验。为得到各种生物质的气化特性,用混合神经网络模型于气化过程进行了模拟。模型得到的气化产率与实验数据吻合得较好。神经网络给出的气化特性能正确地反映实际的生物质气化过程。模拟结果还显示,草本生物质和木本生物质在气化过程中,各种煤气成分的释放有不同的规律。     

基于热化学平衡的生物质气化过程建模

生物质气化是生物质能利用的主要形式之一。通过对生物质气化过程的分析,建立了一种基于热化学平衡机理的气化过程平衡模型。详细介绍了模型的原理、建立过程以及模型的求解和验证。计算结果表明,模型能够对生物质的气化过程中的反应特性起到预测作用,为今后生物质气化过程的参数优化和控制计算提供了一定的理论依据。     

基于人工神经网络和模拟集成的短期光伏发电预测

文章提出了一种基于人工神经网络(ANN)和模拟集成(AnEn)的短期光伏发电预测方法。该方法首先利用数值天气预报模型,以计算天文变量为输入,对光伏发电站点进行72 h的确定性和概率预测;然后分别运用基于ANN,AnEn和ANN+AnEn联合模型方法对3个光伏发电站点进行预测,并进一步利用模拟4 450个光伏电站的综合数据验证了该模型方法的可扩展性;最后利用美国国家大气研究中心(NCAR)的黄石超级计算机,在1个节点(32核)～4 450个节点(141 140核)内测试了该方法的并行运算处理能力。实验结果表明,基于ANN+AnEn联合模型方法可以获得最佳结果,同时证明了该方法适用于大规模并行计算。     

基于Gibbs自由能最小化原理模拟生物质流化床气化

基于能质平衡和吉布斯(Gibbs)自由能最小化原理,选择松木屑和麦秆两种生物质,利用化工商业化软件ASPEN PLUS模拟生物质流化床气化过程,并结合试验数据验证模拟结果的准确性。在此基础上考察了高温、原料含水率大范围变化等试验中较难实现的操作对气化的影响。模拟结果表明,搭建的气化模型能较好地模拟生物质气化过程,对生物质气化试验与工程放大具有一定的参考价值。     

基于热化学平衡机理的生物质气化过程模型

生物质气化是生物质能利用的有效方式之一,通过分析气化过程热化学反应机理,基于气化过程的物料平衡、热量平衡和热化学反应平衡关系,建立了一种生物质气化过程的热化学平衡模型.由该模型模拟计算了锯屑、棉花秸和木粉三种生物质料在以空气为气化剂,不同输入参数(物料湿度和气化剂当量比)下的气化气组分及气体产率,考察了当模型输入参数分别变化时气化气组分、气体产率的变化情况,结果表明该模型输出值与文献值的变化趋势基本相符,模拟具有较好的预测效果.     

生物质气化过程的神经网络模型拟合方法

用神经网络模型来拟合生物质气化过程的特性,以影响气化过程的主要因素:温度(T)和气化剂当量比(α)作为网络输入,气化燃气组分为网络输出,通过调整网络的权值和阈值,对神经网络模型训练学习,来预测气化过程特性.仿真表明,该模型对生物质气化反应过程特性有较好的预测性能,具有一定的实用性.     

生物质气化过程最小二乘支持向量机建模探讨

生物质气化过程的最终目标就是尽可能得到更多的高品质可燃气体,而目前的生物质气化过程还存在许多尚待解决的问题,例如气化温度、气化剂当量比、气化效率、燃气热值等参数优化问题.为此建立一种能适应生物质气化过程的模型,用于预测生物质气化气组分、热值、气化效率及碳转化率等指标,以及实现气化过程的参数优化都具有现实意义.本文在对生物质气化过程建模现状分析基础上,初步提出一种基于最小二乘支持向量机的气化过程建模方法,探讨了该方法用于生物质气化过程建模以及对气化过程主要参数进行优化的可行性.     

多次喷射柴油机实时预测模型参数映射关系辨识

基于经验公式(EF)的参数间映射关系，笔者采用相同的数据和自变量集建立了基于人工神经网络(ANN)的参数间映射关系．分别搭建了EF和基于ANN的柴油机实时物理模型(EF模型和ANN模型)，在稳态和瞬态测试循环(WHTC)瞬态工况对比了两种模型的预测性能，结果表明：相比EF模型，ANN模型在稳态工况下对MFB 50、最高燃烧压力(PFP)和平均有效压力(BMEP)的预测精度更好；但是在瞬态工况下，ANN模型预测精度出现明显恶化，低于EF模型．主要原因是模型中参数存在校准误差和不确定性，ANN模型相比EF模型具有更强的非线性拟合能力，但是对参数误差更加敏感．在快速原型设备上测试了两种模型的计算耗时，两种模型计算耗时相当，均约为350μs，满足燃烧过程实时控制的要求．     

热解条件对生物质焦气化活性的影响及等温气化动力学参数求解方法

生物质气化是生物质利用研究的一个重点。生物质气化包含生物质的热解和热解所得焦炭的气化两个过程。不同的热解条件将得到具有不同气化活性的生物质焦炭,不同热解条件制取的焦炭的动力学参数也不相同。本文主要概述了热解条件对生物质焦气化活性的影响。同时基于阿伦尼乌斯公式介绍了生物质焦等温气化动力学参数的两种获取方法,非等转化率法是通过选择动力学模型中的结构因子f(x) 来获取动力学参数,而等转化率法是通过避开选择动力学模型中的结构因子f(x) 来获取动力学参数。基于简单碰撞理论提出了获取等温气化动力学参数的新方法,对阿伦尼乌斯公式中的指数项、指前因子A提出了明确的物理意义。基于简单碰撞理论的等温求解气化动力学参数方法类似于基于阿伦尼乌斯公式的等温求解气化动力学参数方法。     

基于集成学习的涡扇发动机剩余寿命预测模型

为了解决涡扇发动机的监测数据维数高、时间跨度长、给预测发动机剩余使用寿命带来困难的问题。本文提出了一种基于集成神经网络模型的发动机寿命预测系统,采用集成学习中的Stacking方法对单一的学习器进行集成来预测涡扇发动机的剩余使用寿命(RUL)。模型在NASA公共数据集C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)上进行了发动机寿命预测实验验证,并与常用的机器学习方法和单一神经网络进行了比较。实验结果表明：模型在多种评价方法上综合表现最佳,且在超前预测上表现良好。     

内循环流化床生物质气化过程的神经网络模型

基于BP人工神经网络原理,利用MATLAB神经网络工具箱,以实验得到的57组气化实验数据作为样本,建立了一个以加料量和送风量为输入变量,以燃气热值、产气率、碳转化率和气化效率为输出变量,用于描述连续稳定气化过程的内循环流化床生物质气化模型。对模型的隐层节点数和训练周期改变对模拟结果的影响进行了分析,发现当隐层节点数为20,训练步骤为50步,模型的4个输出变量的模拟结果与实验结果相关系数均超过0.95;同时对该模型的预测能力进行了考察,模型预测结果与实验结果吻合良好,证明了该模型具有较强的泛化能力,为生物质内循环流化床气化系统的优化设计和自动控制提供新思路。     

一种基于模态分解和机器学习的锂电池寿命预测方法北大核心CSCD

锂离子电池剩余使用寿命(RUL)是电池健康管理的一个重要指标。本工作采用电池容量作为健康状况的指标,使用模态分解和机器学习算法,提出了一种CEEMDAN-RF-SED-LSTM方法去预测锂电池RUL。首先采用CEEMDAN分解电池容量数据,为了避免波动分量里的噪音对模型预测能力的影响,且又不完全抛弃波动分量里的特征信息,本工作提出使用随机森林(RF)算法得到每个波动分量的重要性排序和数值,以此作为每个分量对原始数据解释能力的权重。然后将权重值和不同波动分量构建的神经网络模型得到的预测结果进行加权重构,进而得到锂离子电池的RUL预测。文章对比了单一模型和组合模型预测精度,加入了RF的组合模型预测精度让五种神经网络的表现都有进一步的提升。最后,对表现较好的两种网络——LSTM和GRU引入了简单编码解码(SED)的机制,让其更好地学习到序列数据全局时间上的特征和远程的依赖关系。以NASA数据集作为研究对象进行该方法的性能测试。实验结果表明,CEEMDAN-RF-SED-LSTM模型对电池RUL预测表现效果好,预测结果相比单一模型具有更低的误差。     

上吸式固定床生物质气化的综合计算法模型

针对已有生物质气化模型在实际工程应用中的局限性,以Н.Н.Доброхотов提出的煤气化经验模型为基础,依据改用生物质成型燃料的3M13型上吸式气化炉所测数据,得到上吸式固定床生物质气化的综合计算法模型。该模型主要修正原模型干馏阶段的热解水、CO_2和焦油的产率;并在固定碳气化阶段,引入空气当量比作为参数,改进原模型中C/N特征值取值的随机性。通过与其他学者的上吸式气化炉生物质气化实验对比,模拟结果与试验数据符合良好,证明本模型在工程应用中模拟生物质上吸式固定床气化过程的可行性。     

生物质超临界水催化气化制氢实验系统

生物质超临界水催化气化制氢是一项很有价值的离新技术,它有利于开发广泛的生物质资源,为大规模的制氢提供一条高效、清洁的途径。针对生物质超临界水气化制氢,国内外结合工作具体要求和条件,设计出了一系列生物质超临界水催化气化制氢的实验系统。主要对国内外几种较好的生物质超临界水催化气化制氢实验进行了综合评述,分析了各类实验系统存在的问题及待改进之处。     

基于ANN的模拟空气击穿电压预测方法研究

提出了一种基于人工神经网络(ANN)的模拟空气(IAir)击穿电压的预测方法。ANN采用BP网络模型,由输入层、隐藏层和输出层3层组成。依据I-Air中针对板(N-P)、球对板(S-P)电极的工频交流击穿试验数据,分别进行了针对不均匀电场和稍不均匀电场2类的人工神经网络的数据和网络测试。对于不均匀电场网络,利用同一气压下若干气隙长度的击穿电压,预测同一气压下的其他气隙长度的击穿电压;对于稍不均匀电场网络,利用若干气压下的击穿电压预测另外气压下的击穿电压,并用Matlab中的ANN工具箱实现了人工神经网络模型,通过比较实测结果和预测结果发现预测平均误差小于5%,取得了较好的预测结果。预测方法可以用来在一定范围内预测I-Air的击穿电压,大大减少了试验的时间和试验投资成本。     

生物质粉末的气力输送能力实验研究

在生物质的气化流程中,由于生物质粉末本身的理化特性,使得对于生物质的气力输送面临着许多的挑战。为降低输送成本,搭建了能够连续可靠运行的生物质粉末(锯末)气力输送实验台。研究不同流化风流量、载气风流量、罐压、背压下生物质原料气力输送特性,以及固相质量流量的相关变化规律。通过对前人所提出的气力输送模型进行研究,并得到了气力输送的固相质量流量多元回归公式,经与实验数据比对,具有良好的匹配性较好的预测效果。     

生物质半焦气化的反应动力学

利用热重分析仪研究了CO2气氛下的生物质半焦的反应性。研究发现，所研究的4种生物质半焦都表现出了相同的反应性趋势。其反应性随着转化率的增加而增加。这可能是由于生物质焦样中的碱金属含量，尤其是钾的含量较高的原因。对比生物质气化反应动力学参数研究表明，4种焦样的气化行为可以用收缩核模型来描述，并求出了4种生物质焦样的反应动力学参数。在不同的CO2分压下进行了花生壳焦样的反应性实验研究，发现焦样的反应性正比于反应气体浓度，求出了花生壳焦样的反应动力学方程式。     

多碟太阳能聚热与生物质超临界水气化耦合制氢

搭建了一套连续式多碟太阳能聚热与生物质超临界水气化耦合制氢系统,以生物质模型化合物(乙二醇、丙三醇、葡萄糖)为原料在该装置上进行了气化制氢实验,研究了太阳能直接辐照度(DNI)、物料成分、物料浓度、停留时间对气化效果的影响。实验结果表明:太阳能直接辐照度对太阳能吸收器腔内及反应器壁温的影响较大,进而能影响气化效果,在实验流量、压力范围内当DNI为363～656W/m2时,反应器出口流体温度达520～676℃,可以满足生物质超临界水气化制氢的温度及能量需要。0.1mol/L葡萄糖气化H2体积分数均值超过50%,H2产量为27.2mol/kg,气化率达109.7%。低物料浓度和长停留时间有利于气化效果的提高。实验验证了利用可再生的太阳能聚焦供热耦合生物质超临界水气化制氢是可行的。