固定污染源烟气采样流量预测方法及其装置

1.本技术涉及固定源烟气采样领域，尤其涉及一种固定污染源烟气采样流量预测方法及其装置。


背景技术：

2.当前固定污染源稀释抽取式烟气自动监控系统(continuous emission monitoring system，cems)普遍存在稀释精度难以控制的问题，而音速喷嘴采样流量预测精度，直接影响cems稀释精度的预测。现有的典型稀释抽取式cems采样系统，音速喷嘴的流出系数被确定为标气校准后的固定值，当燃煤烟气状态(包括烟气组分、压力、温度)发生变化时，流出系数无法及时动态调整，导致固定源烟气采样时流量预测精度下降。此外，标气与烟气在物性上存在差异，同样导致标气校准所得流出系数与燃煤烟气条件下，所得流出系数存在误差，使得流量预测精度下降。


技术实现要素：

3.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
4.为此，本技术的一个目的在于提出一种固定污染源烟气采样流量预测方法，通过利用fluent软件对不同结构的音速喷嘴及音速喷嘴的采样条件进行建模；生成在不同烟气状态条件下的若干个采样工况；利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟，并记录进行数值模拟过程中的采样数据和烟气质量流量，对采样数据和烟气质量流量进行无量纲化处理生成模型数据集，其中，采样数据包括采样烟气压力、采样烟气温度、采样烟气组分和采样音速喷嘴结构参数；建立初始bp神经网络，根据模型数据集对初始bp神经网络进行训练，获取训练后生成的目标bp神经网络；获取实际采集的实时数据，对实时数据进行无量纲化处理，并将处理后获得的数据输入目标bp神经网络，获得目标bp神经网络输出的烟气流出系数预测值，并根据烟气流出系数预测值计算得到烟气采样流量预测值，其中，实时数据包括实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数。
5.本技术的第二个目的在于提出一种固定污染源烟气采样流量预测装置。
6.本技术的第三个目的在于提出一种电子设备。
7.本技术的第四个目的在于提出一种非瞬时计算机可读存储介质。
8.本技术的第五个目的在于提出一种计算机程序产品。
9.为达上述目的，本技术第一方面实施例提出了一种固定污染源烟气采样流量预测方法，通过利用fluent软件对不同结构的音速喷嘴及音速喷嘴的采样条件进行建模；生成在不同烟气状态条件下的若干个采样工况；利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟，并记录进行数值模拟过程中的采样数据和烟气质量流量，对采样数据和烟气质量流量进行无量纲化处理生成模型数据集，其中，采样数据包括采样烟气压力、采样烟气温度、采样烟气组分和
采样音速喷嘴结构参数；建立初始bp神经网络，根据模型数据集对初始bp神经网络进行训练，获取训练后生成的目标bp神经网络；获取实际采集的实时数据，对实时数据进行无量纲化处理，并将处理后获得的数据输入目标bp神经网络，获得目标bp神经网络输出的烟气流出系数预测值，并根据烟气流出系数预测值计算得到烟气采样流量预测值，其中，实时数据包括实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数。
10.本技术能够简化固定污染源cems烟气采样流量预测步骤，提高cems中音速喷嘴的流量预测速度和精度，实现烟气采样流量预测的动态化、精确化。
11.根据本技术的一个实施例，根据模型数据集对初始bp神经网络进行训练，获取训练后生成的目标bp神经网络，包括：将模型数据集划分为训练集、验证集和测试集；设置初始bp神经网络的初始训练参数，并根据训练集、验证集和测试集完成对初始bp神经网络的训练，获取训练后生成的目标bp神经网络。
12.根据本技术的一个实施例，对采样数据进行无量纲化处理和对实时数据进行无量纲化处理时，针对任一个处理，所运用的计算公式为：
[0013][0014]
gemo0＝gemo/d
[0015][0016]
其中，red为音速喷嘴喉部雷诺数；d为音速喷嘴喉部直径；γ为过流烟气的等熵指数；rm为过流烟气的烟气常数；μ0为滞止条件下的动力粘度；p0、t0分别为音速喷嘴进口总温和总压；gemo0为音速喷嘴结构的无量纲长度；gemo包括音速喷嘴轴向坐标、径向坐标以及壁面曲率半径等与长度相关参数；xi为某一烟气组分i的摩尔分数；c
p，i
、c
v，i
分别为烟气组分的摩尔定压热容以及摩尔定体热容。
[0017]
根据本技术的一个实施例，对烟气质量流量进行无量纲化处理时，所运用的计算公式为：
[0018][0019]
其中，cd为音速喷嘴流出系数；qm为音速喷嘴烟气质量流量；d为音速喷嘴喉部直径；γ为过流烟气的等熵指数；rm为过流烟气的烟气常数；p0、t0分别为音速喷嘴进口总温和总压。
[0020]
根据本技术的一个实施例，根据烟气流出系数预测值计算得到烟气采样流量预测值，所运用的计算公式为：
[0021]
[0022][0023]
其中，q
m,p
为所预测的音速喷嘴的烟气采样流量预测值；c
d，p
为目标bp神经网络所输出的音速喷嘴的烟气流出系数预测值；r
m,g
为实测的烟气常数；γg为实测的烟气的等熵指数；d为音速喷嘴喉部直径；p0、t0分别为音速喷嘴进口总温和总压，xj为实测的某一烟气组分i的摩尔分数；c
p，j
、c
v，j
分别为实测的该烟气组分的摩尔定压热容以及摩尔定体热容。
[0024]
根据本技术的一个实施例，利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟时，采样音速喷嘴结构参数包括收缩段参数、平直段参数、扩散段参数和喷嘴直径参数。
[0025]
根据本技术的一个实施例，利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟时，当音速喷嘴喉部雷诺数小于4000时应采用fluent软件中的层流模型进行数值模拟，在音速喷嘴喉部雷诺数大于4000时应采用fluent软件中的雷诺应力模型进行数值模拟。
[0026]
根据本技术的一个实施例，初始bp神经网络的初始训练参数包括数据集的划分比例、神经网络隐含层级数、隐含层神经元个数、训练次数、学习速率和误差限。
[0027]
根据本技术的一个实施例，根据训练集、验证集和测试集完成对初始bp神经网络的训练时，通过初始bp神经网络的反向传播原理，利用levenberg-marquardt优化算法，使初始bp神经网络的实际输出值和期望输出值的误差均方差小于预设方差阈值，以获得最优神经网络权重和最优神经网络阈值。
[0028]
为达上述目的，本技术第二方面实施例提出了一种固定污染源烟气采样流量预测装置，包括：建模模块，用于利用fluent软件对不同结构的音速喷嘴及音速喷嘴的采样条件进行建模；生成模块，用于生成在不同烟气状态条件下的若干个采样工况；模拟模块，用于利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟，并记录进行数值模拟过程中的采样数据和烟气质量流量，对采样数据和烟气质量流量进行无量纲化处理生成模型数据集，其中，采样数据包括采样烟气压力、采样烟气温度、采样烟气组分和采样音速喷嘴结构参数；训练模块，用于建立初始bp神经网络，根据模型数据集对初始bp神经网络进行训练，获取训练后生成的目标bp神经网络；预测模块，用于获取实际采集的实时数据，对实时数据进行无量纲化处理，并将处理后获得的数据输入目标bp神经网络，获得目标bp神经网络输出的烟气流出系数预测值，并根据烟气流出系数预测值计算得到烟气采样流量预测值，其中，实时数据包括实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数。
[0029]
根据本技术的一个实施例，训练模块，还用于：将模型数据集划分为训练集、验证集和测试集；设置初始bp神经网络的初始训练参数，并根据训练集、验证集和测试集完成对初始bp神经网络的训练，获取训练后生成的目标bp神经网络。
[0030]
根据本技术的一个实施例，模拟模块或预测模块对采样数据进行无量纲化处理和对实时数据进行无量纲化处理时，针对任一个处理，所运用的计算公式为：
[0031]
[0032]
gemo0＝gemo/d
[0033][0034]
其中，red为音速喷嘴喉部雷诺数；d为音速喷嘴喉部直径；γ为过流烟气的等熵指数；rm为过流烟气的烟气常数；μ0为滞止条件下的动力粘度；p0、t0分别为音速喷嘴进口总温和总压；gemo0为音速喷嘴结构的无量纲长度；gemo包括音速喷嘴轴向坐标、径向坐标以及壁面曲率半径等与长度相关参数；xi为某一烟气组分i的摩尔分数；c
p，i
、c
v，i
分别为烟气组分的摩尔定压热容以及摩尔定体热容。
[0035]
根据本技术的一个实施例，模拟模块对烟气质量流量进行无量纲化处理时，所运用的计算公式为：
[0036][0037]
其中，cd为音速喷嘴流出系数；qm为音速喷嘴烟气质量流量；d为音速喷嘴喉部直径；γ为过流烟气的等熵指数；rm为过流烟气的烟气常数；p0、t0分别为音速喷嘴进口总温和总压。
[0038]
根据本技术的一个实施例，预测模块根据烟气流出系数预测值计算得到烟气采样流量预测值，所运用的计算公式为：
[0039][0040][0041]
其中，q
m,p
为所预测的音速喷嘴的烟气采样流量预测值；c
d，p
为目标bp神经网络所输出的音速喷嘴的烟气流出系数预测值；r
m,g
为实测的烟气常数；γg为实测的烟气的等熵指数；d为音速喷嘴喉部直径；p0、t0分别为音速喷嘴进口总温和总压，xj为实测的某一烟气组分i的摩尔分数；c
p，j
、c
v，j
分别为实测的该烟气组分的摩尔定压热容以及摩尔定体热容。
[0042]
根据本技术的一个实施例，模拟模块利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟时，采样音速喷嘴结构参数包括收缩段参数、平直段参数、扩散段参数和喷嘴直径参数。
[0043]
根据本技术的一个实施例，模拟模块利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟时，当音速喷嘴喉部雷诺数小于4000时应采用fluent软件中的层流模型进行数值模拟，在音速喷嘴喉部雷诺数大于4000时应采用fluent软件中的雷诺应力模型进行数值模拟。
[0044]
根据本技术的一个实施例，训练模块中，初始bp神经网络的初始训练参数包括数据集的划分比例、神经网络隐含层级数、隐含层神经元个数、训练次数、学习速率和误差限。
[0045]
根据本技术的一个实施例，训练模块还用于通过初始bp神经网络的反向传播原理，利用levenberg-marquardt优化算法，使初始bp神经网络的实际输出值和期望输出值的
误差均方差小于预设方差阈值，以获得最优神经网络权重和最优神经网络阈值。
[0046]
为达上述目的，本技术第三方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现如本技术第一方面实施例所述的固定污染源烟气采样流量预测方法。
[0047]
为达上述目的，本技术第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于实现如本技术第一方面实施例所述的固定污染源烟气采样流量预测方法。
[0048]
为达上述目的，本技术第五方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本技术第一方面实施例所述的固定污染源烟气采样流量预测方法。
[0049]
本技术有益效果：本技术能够简化固定污染源cems烟气采样流量预测步骤，提高cems中音速喷嘴的流量预测速度和精度，实现烟气采样流量预测的动态化、精确化。
附图说明
[0050]
本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0051]
图1是本技术一个实施例示出的一种固定污染源烟气采样流量预测方法的示例性实施方式。
[0052]
图2是本技术一个实施例示出的初始bp神经网络拓扑结构图。
[0053]
图3是本技术一个实施例示出的初始bp神经网络训练结果误差直方图。
[0054]
图4是本技术一个实施例示出的一种基于bp神经网络的燃煤烟气采样流量预测方法框架图。
[0055]
图5是本技术一个实施例示出的一种固定污染源烟气采样流量预测装置的示意图。
[0056]
图6是本技术一个实施例示出的一种电子设备的示意图。
具体实施方式
[0057]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0058]
图1是本技术示出的一种固定污染源烟气采样流量预测方法的示例性实施方式，如图1所示，该固定污染源烟气采样流量预测方法，包括以下步骤：
[0059]
s101，利用fluent软件对不同结构的音速喷嘴及音速喷嘴的采样条件进行建模。
[0060]
本技术中，利用fluent软件对不同结构的音速喷嘴及音速喷嘴的采样条件进行建模。
[0061]
s102，生成在不同烟气状态条件下的若干个采样工况。
[0062]
生成在不同烟气状态条件下的若干个采样工况，其中，不同烟气状态条件包括烟气压力、烟气温度、烟气组分。
[0063]
s103，利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟，并记录进行数值模拟过程中的采样数据和烟气质量流量，对采样数据和烟气质量流量进行无量纲化处理生成模型数据集，其中，采样数据包括采样烟气压力、采样烟气温度、采样烟气组分和采样音速喷嘴结构参数。
[0064]
利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟，并记录进行数值模拟过程中的采样烟气压力、采样烟气温度、采样烟气组分和采样音速喷嘴结构参数作为采样数据，同时记录进行数值模拟过程中的烟气质量流量，质量流量是指单位时间里流体通过封闭管道或敞开槽有效截面的流体质量。其中，采样音速喷嘴结构参数包括收缩段参数、平直段参数、扩散段参数和喷嘴直径参数。
[0065]
对采样数据和烟气质量流量分别进行无量纲化处理生成模型数据集。
[0066]
其中，对采样烟气压力、采样烟气温度、采样烟气组分和采样音速喷嘴结构参数组成的采样数据进行无量纲化处理时对应的计算公式为：
[0067][0068]
gemo0＝gemo/d
[0069][0070]
其中，red为采样的音速喷嘴喉部雷诺数；d为音速喷嘴喉部直径；γ为采样的过流烟气的等熵指数；rm为过流烟气的烟气常数；μ0为滞止条件下的动力粘度；p0、t0分别为音速喷嘴进口总温和总压；gemo0为采样的音速喷嘴结构的无量纲长度；gemo包括音速喷嘴轴向坐标、径向坐标以及壁面曲率半径等与长度相关参数；xi为某一采样烟气组分i的摩尔分数；c
p，i
、c
v，i
分别为烟气组分的摩尔定压热容以及摩尔定体热容。
[0071]
其中，当上述获得的采样的音速喷嘴喉部雷诺数小于4000时应采用fluent软件中的层流模型进行数值模拟，在音速喷嘴喉部雷诺数大于4000时应采用fluent软件中的雷诺应力模型进行数值模拟。
[0072]
其中，对烟气质量流量进行无量纲化处理时对应的计算公式为：
[0073][0074]
其中，cd为音速喷嘴流出系数；qm为音速喷嘴烟气质量流量；d为音速喷嘴喉部直径；γ为过流烟气的等熵指数；rm为过流烟气的烟气常数；p0、t0分别为音速喷嘴进口总温和总压。
[0075]
将上述获得的采样的音速喷嘴喉部雷诺数、采样的音速喷嘴结构的无量纲长度、采样的过流烟气的等熵指数和音速喷嘴流出系数作为模型数据集。
[0076]
示例性的，对喉部直径d＝0.15mm、扩散段长度l＝3d、扩散角θ＝3
°
、收缩段曲率半径rc＝d-5d的音速喷嘴，分别以丙烷(c3h8)、乙炔(c2h2)、甲烷(ch4)、氮气(n2)、氩气(ar)
为流动气体，在不同雷诺数条件下，在fluent软件中进行125组数值模拟，当雷诺数小于4000时，采用层流模型，当雷诺数大于4000时，采用雷诺切应力模型，对125组数值模拟结果，进行无量纲化处理，获得不同采样的音速喷嘴喉部雷诺数、不同采样的过流烟气的等熵指数、不同采样的音速喷嘴结构的无量纲长度以及其所对应的不同的音速喷嘴流出系数。
[0077]
s104，建立初始bp神经网络，根据模型数据集对初始bp神经网络进行训练，获取训练后生成的目标bp神经网络。
[0078]
建立初始bp神经网络，将模型数据集划分为训练集、验证集和测试集，设置初始bp神经网络的初始训练参数，并根据训练集、验证集和测试集完成对初始bp神经网络的训练，获取训练后生成的目标bp神经网络。
[0079]
其中，初始bp神经网络的初始训练参数包括数据集的划分比例、神经网络隐含层级数、隐含层神经元个数、训练次数、学习速率和误差限。
[0080]
其中，根据训练集、验证集和测试集完成对初始bp神经网络的训练时，通过初始bp神经网络的反向传播原理，利用levenberg-marquardt优化算法，使初始bp神经网络的实际输出值和期望输出值的误差均方差小于预设方差阈值，以获得最优神经网络权重和最优神经网络阈值。
[0081]
可选的，图2为初始bp神经网络拓扑结构图，如图2所示，隐含层神经元选用sigmoid函数，输出层神经元选用线性函数，上述模型数据集进行随机划分70％作为训练集、25％作为验证集、5％作为测试集，经线性归一化处理后，以levenberg-marquardt算法进行网络训练，训练次数为1000，学习速率为0.01，误差限为10-7。通过用目标bp神经网络反映音速喷嘴喉部雷诺数、过流烟气的等熵指数、音速喷嘴结构的无量纲长度以及音速喷嘴流出系数的非线性映射关系。
[0082]
示例性的，图3为初始bp神经网络训练结果误差直方图，如图3所示，125组数据组成的验证集、测试集以及训练集与初始bp神经网络模型的绝对误差值不超过0.00342，表明初始bp神经网络模型训练结果较好，验证集与测试集误差较小，表明初始bp神经网络模型没有明显的过拟合或欠拟合现象，可获取到训练好的目标bp神经网络。提取该训练得到的目标bp神经网络输入隐含层、输出层权值阈值矩阵，如表1所示。
[0083]
表1神经网络输入隐含层、输出层权值阈值矩阵
[0084][0085]
s105，获取实际采集的实时数据，对实时数据进行无量纲化处理，并将处理后获得
的数据输入目标bp神经网络，获得目标bp神经网络输出的烟气流出系数预测值，并根据烟气流出系数预测值计算得到烟气采样流量预测值，其中，实时数据包括实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数。
[0086]
获取实际采集的实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数作为实时数据，对实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数进行无量纲化处理，获取无量纲化处理之后的实时音速喷嘴喉部雷诺数、实时过流烟气的等熵指数、实时音速喷嘴结构的无量纲长度，并将这三者输入目标bp神经网络，获得目标bp神经网络输出的烟气流出系数预测值。其中，对实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数进行无量纲化处理的方式与上述s103中对采样烟气压力、采样烟气温度、采样烟气组分和采样音速喷嘴结构参数组成的采样数据进行无量纲化处理的方式相同，在此不再进行赘述。
[0087]
示例性的，在烟气中包含有氮气、二氧化碳、氧气、水蒸气的情况下，上述获得目标bp神经网络输出的烟气流出系数预测值之后，根据烟气流出系数预测值计算得到烟气采样流量预测值的计算公式为：
[0088][0089][0090]
其中，q
m，p
为所预测的音速喷嘴的烟气采样流量预测值；c
d，p
为目标bp神经网络所输出的音速喷嘴的烟气流出系数预测值；r
m,g
为实测的烟气常数；γg为实测的烟气的等熵指数；d为音速喷嘴喉部直径；p0、t0分别为音速喷嘴进口总温和总压，xj为实测的某一烟气组分i的摩尔分数；c
p，j
、c
v，j
分别为实测的该烟气组分的摩尔定压热容以及摩尔定体热容。
[0091]
不难理解的，上式中，n2为氮气，co2为二氧化碳，o2为氧气，h2o为水蒸气。
[0092]
另一种示例性的，以某75t/h燃煤电厂四个不同测点的烟气分析仪co2、o2含量、h2o含量、音速喷嘴前温度、压力实测数据，无量纲化输入所得bp神经网络模型，预测得喉部直径d＝0.15mm、扩散段长度l＝3d、扩散角θ＝3
°
、收缩段曲率半径rc＝2d等各烟气参数与音速喷嘴的烟气采样流量预测值的对应表如表2所示。
[0093]
表2各烟气参数与音速喷嘴的烟气采样流量预测值的对应表
[0094][0095]
本技术实施例对固定污染源cems中不同结构参数的音速喷嘴在不同温度、压力以及烟气成分条件下的大量计算流体动力学(computational fluid dynamics，cfd)数值模
拟结果，进行无量纲化处理，建立无量纲参数之间的定量关系。结合固定污染源烟气物性实测数据，利用bp神经网络建立的定量关系快速精确预测不同采样温度、压力以及烟气组分条件下音速喷嘴的流出系数，以评估该条件下音速喷嘴内流动状态与理想流动状态的偏离程度，进而预测采样时流过采样装置中音速喷嘴的燃煤烟气流量。本发明能够快速精确的对燃煤烟气采样流量进行实时预测，提高污染物在线监测装置的检测精度，具有良好的应用前景。
[0096]
图4为本技术示出的一种基于bp神经网络的燃煤烟气采样流量预测方法框架图，如图4所示，利用fluent软件对不同结构的音速喷嘴及音速喷嘴的采样条件进行建模，生成在不同烟气状态条件下的若干个采样工况，其中，不同烟气状态条件包括烟气压力、烟气温度、烟气组分。
[0097]
利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟，并记录进行数值模拟过程中的采样烟气压力、采样烟气温度、采样烟气组分和采样音速喷嘴结构参数作为采样数据，同时记录进行数值模拟过程中的烟气质量流量，质量流量是指单位时间里流体通过封闭管道或敞开槽有效截面的流体质量。其中，采样音速喷嘴结构参数包括收缩段参数、平直段参数、扩散段参数和喷嘴直径参数。
[0098]
对采样数据和烟气质量流量分别进行无量纲化处理生成模型数据集。
[0099]
建立初始bp神经网络，将模型数据集划分为训练集、验证集和测试集，设置初始bp神经网络的初始训练参数，并根据训练集、验证集和测试集完成对初始bp神经网络的训练，获取训练后生成的目标bp神经网络。
[0100]
获取实际采集的实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数作为实时数据，对实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数进行无量纲化处理，获取无量纲化处理之后的实时音速喷嘴喉部雷诺数、实时过流烟气的等熵指数、实时音速喷嘴结构的无量纲长度，并将这三者输入目标bp神经网络，获得目标bp神经网络输出的烟气流出系数预测值，并根据烟气流出系数预测值计算得到烟气采样流量预测值。
[0101]
图5为本技术示出的一种固定污染源烟气采样流量预测装置的示意图，如图5所示，该固定污染源烟气采样流量预测装置500，包括建模模块501、生成模块502、模拟模块503、训练模块504和预测模块505，其中：
[0102]
建模模块501，用于利用fluent软件对不同结构的音速喷嘴及音速喷嘴的采样条件进行建模；
[0103]
生成模块502，用于生成在不同烟气状态条件下的若干个采样工况；
[0104]
模拟模块503，用于利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟，并记录进行数值模拟过程中的采样数据和烟气质量流量，对采样数据和烟气质量流量进行无量纲化处理生成模型数据集，其中，采样数据包括采样烟气压力、采样烟气温度、采样烟气组分和采样音速喷嘴结构参数；
[0105]
训练模块504，用于建立初始bp神经网络，根据模型数据集对初始bp神经网络进行训练，获取训练后生成的目标bp神经网络；
[0106]
预测模块505，用于获取实际采集的实时数据，对实时数据进行无量纲化处理，并将处理后获得的数据输入目标bp神经网络，获得目标bp神经网络输出的烟气流出系数预测值，并根据烟气流出系数预测值计算得到烟气采样流量预测值，其中，实时数据包括实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数。
[0107]
本技术提出的固定污染源烟气采样流量预测装置，对固定污染源cems中不同结构参数的音速喷嘴在不同温度、压力以及烟气成分条件下的大量计算流体动力学(computational fluid dynamics，cfd)数值模拟结果，进行无量纲化处理，建立无量纲参数之间的定量关系。结合固定污染源烟气物性实测数据，利用bp神经网络建立的定量关系快速精确预测不同采样温度、压力以及烟气组分条件下音速喷嘴的流出系数，以评估该条件下音速喷嘴内流动状态与理想流动状态的偏离程度，进而预测采样时流过采样装置中音速喷嘴的燃煤烟气流量，能够快速精确的对燃煤烟气采样流量进行实时预测，提高污染物在线监测装置的检测精度，具有良好的应用前景。
[0108]
进一步的，训练模块504，还用于：将模型数据集划分为训练集、验证集和测试集；设置初始bp神经网络的初始训练参数，并根据训练集、验证集和测试集完成对初始bp神经网络的训练，获取训练后生成的目标bp神经网络。
[0109]
进一步的，模拟模块503或预测模块505对采样数据进行无量纲化处理和对实时数据进行无量纲化处理时，针对任一个处理，所运用的计算公式为：
[0110][0111]
gemo0＝gemo/d
[0112][0113]
其中，red为音速喷嘴喉部雷诺数；d为音速喷嘴喉部直径；γ为过流烟气的等熵指数；rm为过流烟气的烟气常数；μ0为滞止条件下的动力粘度；p0、t0分别为音速喷嘴进口总温和总压；gemo0为音速喷嘴结构的无量纲长度；gemo包括音速喷嘴轴向坐标、径向坐标以及壁面曲率半径等与长度相关参数；xi为某一烟气组分i的摩尔分数；c
p，i
、c
v，i
分别为烟气组分的摩尔定压热容以及摩尔定体热容。
[0114]
进一步的，模拟模块503对烟气质量流量进行无量纲化处理时，所运用的计算公式为：
[0115][0116]
其中，cd为音速喷嘴流出系数；qm为音速喷嘴烟气质量流量；d为音速喷嘴喉部直径；γ为过流烟气的等熵指数；rm为过流烟气的烟气常数；p0、t0分别为音速喷嘴进口总温和总压。
[0117]
进一步的，预测模块505根据烟气流出系数预测值计算得到烟气采样流量预测值，所运用的计算公式为：
[0118][0119][0120]
其中，q
m,p
为所预测的音速喷嘴的烟气采样流量预测值；c
d，p
为目标bp神经网络所输出的音速喷嘴的烟气流出系数预测值；r
m,g
为实测的烟气常数；γg为实测的烟气的等熵指数；d为音速喷嘴喉部直径；p0、t0分别为音速喷嘴进口总温和总压，xj为实测的某一烟气组分i的摩尔分数；c
p，j
、c
v，j
分别为实测的该烟气组分的摩尔定压热容以及摩尔定体热容。
[0121]
进一步的，模拟模块利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟时，采样音速喷嘴结构参数包括收缩段参数、平直段参数、扩散段参数和喷嘴直径参数。
[0122]
进一步的，模拟模块503利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟时，当音速喷嘴喉部雷诺数小于4000时应采用fluent软件中的层流模型进行数值模拟，在音速喷嘴喉部雷诺数大于4000时应采用fluent软件中的雷诺应力模型进行数值模拟。
[0123]
进一步的，训练模块504中，初始bp神经网络的初始训练参数包括数据集的划分比例、神经网络隐含层级数、隐含层神经元个数、训练次数、学习速率和误差限。
[0124]
进一步的，训练模块504还用于通过初始bp神经网络的反向传播原理，利用levenberg-marquardt优化算法，使初始bp神经网络的实际输出值和期望输出值的误差均方差小于预设方差阈值，以获得最优神经网络权重和最优神经网络阈值。
[0125]
为了实现上述实施例，本技术实施例还提出一种电子设备600，如图6所示，该电子设备600包括：处理器601和处理器通信连接的存储器602，存储器602存储有可被至少一个处理器执行的指令，指令被至少一个处理器601执行，以实现如上述实施例所示的固定污染源烟气采样流量预测方法。
[0126]
为了实现上述实施例，本技术实施例还提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机实现如上述实施例所示的固定污染源烟气采样流量预测方法。
[0127]
为了实现上述实施例，本技术实施例还提出一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上述实施例所示的固定污染源烟气采样流量预测方法。
[0128]
在本技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
[0129]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，
除非另有明确具体的限定。
[0130]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0131]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种固定污染源烟气采样流量预测方法，其特征在于，包括：利用fluent软件对不同结构的音速喷嘴及所述音速喷嘴的采样条件进行建模；生成在不同烟气状态条件下的若干个采样工况；利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的所述音速喷嘴在所述采样工况下的流动特性进行数值模拟，并记录进行数值模拟过程中的采样数据和烟气质量流量，对所述采样数据和所述烟气质量流量进行无量纲化处理生成模型数据集，其中，所述采样数据包括采样烟气压力、采样烟气温度、采样烟气组分和采样音速喷嘴结构参数；建立初始bp神经网络，根据所述模型数据集对所述初始bp神经网络进行训练，获取训练后生成的目标bp神经网络；获取实际采集的实时数据，对所述实时数据进行无量纲化处理，并将处理后获得的数据输入所述目标bp神经网络，获得所述目标bp神经网络输出的烟气流出系数预测值，并根据所述烟气流出系数预测值计算得到烟气采样流量预测值，其中，所述实时数据包括实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数。2.根据权利要求1所述的方法，其特征在于，所述根据所述模型数据集对所述初始bp神经网络进行训练，获取训练后生成的目标bp神经网络，包括：将所述模型数据集划分为训练集、验证集和测试集；设置所述初始bp神经网络的初始训练参数，并根据所述训练集、所述验证集和所述测试集完成对所述初始bp神经网络的训练，获取训练后生成的所述目标bp神经网络。3.根据权利要求2所述的方法，其特征在于，所述对所述采样数据进行无量纲化处理和对所述实时数据进行无量纲化处理时，针对任一种处理，所运用的计算公式为：gemo0＝emo/d其中，re
d
为音速喷嘴喉部雷诺数；d为音速喷嘴喉部直径；γ为过流烟气的等熵指数；r
m
为过流烟气的烟气常数；μ0为滞止条件下的动力粘度；p0、t0分别为音速喷嘴进口总温和总压；gemo0为音速喷嘴结构的无量纲长度；gemo包括音速喷嘴轴向坐标、径向坐标以及壁面曲率半径等与长度相关参数；x
i
为某一烟气组分i的摩尔分数；c
p,i
、c
v,i
分别为烟气组分的摩尔定压热容以及摩尔定体热容。4.根据权利要求3所述的方法，其特征在于，所述对所述烟气质量流量进行无量纲化处理时，所运用的计算公式为：其中，c
d
为音速喷嘴流出系数；q
m
为音速喷嘴烟气质量流量；d为音速喷嘴喉部直径；γ
为过流烟气的等熵指数；r
m
为过流烟气的烟气常数；p0、t0分别为音速喷嘴进口总温和总压。5.根据权利要求4所述的方法，其特征在于，所述根据所述烟气流出系数预测值计算得到烟气采样流量预测值，所运用的计算公式为：到烟气采样流量预测值，所运用的计算公式为：其中，q
m,p
为所预测的音速喷嘴的烟气采样流量预测值；c
d,p
为目标bp神经网络所输出的音速喷嘴的烟气流出系数预测值；r
m,g
为实测的烟气常数；γ
g
为实测烟气的等熵指数；d为音速喷嘴喉部直径；p0、t0分别为音速喷嘴进口总温和总压，x
j
为实测的某一烟气组分i的摩尔分数；c
p,j
、c
v,j
分别为实测的该烟气组分的摩尔定压热容以及摩尔定体热容。6.根据权利要求1所述的方法，其特征在于，所述利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的所述音速喷嘴在所述采样工况下的流动特性进行数值模拟时，所述采样音速喷嘴结构参数包括收缩段参数、平直段参数、扩散段参数和喷嘴直径参数。7.根据权利要求3所述的方法，其特征在于，所述利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的所述音速喷嘴在所述采样工况下的流动特性进行数值模拟时，当所述音速喷嘴喉部雷诺数小于4000时应采用fluent软件中的层流模型进行数值模拟，在所述音速喷嘴喉部雷诺数大于4000时应采用fluent软件中的雷诺应力模型进行数值模拟。8.根据权利要求2所述的方法，其特征在于，所述初始bp神经网络的所述初始训练参数包括数据集的划分比例、神经网络隐含层级数、隐含层神经元个数、训练次数、学习速率和误差限。9.根据权利要求2所述的方法，其特征在于，所述根据所述训练集、所述验证集和所述测试集完成对所述初始bp神经网络的训练时，通过初始bp神经网络的反向传播原理，利用levenberg-marquardt优化算法，使初始bp神经网络的实际输出值和期望输出值的误差均方差小于预设方差阈值，以获得最优神经网络权重和最优神经网络阈值。10.一种固定污染源烟气采样流量预测装置，其特征在于，包括：建模模块，用于利用fluent软件对不同结构的音速喷嘴及所述音速喷嘴的采样条件进行建模；生成模块，用于生成在不同烟气状态条件下的若干个采样工况；模拟模块，用于利用建模生成的建模模型对固定污染源烟气自动监控系统cems中不同结构的所述音速喷嘴在所述采样工况下的流动特性进行数值模拟，并记录进行数值模拟过程中的采样数据和烟气质量流量，对所述采样数据和所述烟气质量流量进行无量纲化处理生成模型数据集，其中，所述采样数据包括采样烟气压力、采样烟气温度、采样烟气组分和采样音速喷嘴结构参数；训练模块，用于建立初始bp神经网络，根据所述模型数据集对所述初始bp神经网络进行训练，获取训练后生成的目标bp神经网络；
预测模块，用于获取实际采集的实时数据，对所述实时数据进行无量纲化处理，并将处理后获得的数据输入所述目标bp神经网络，获得所述目标bp神经网络输出的烟气流出系数预测值，并根据所述烟气流出系数预测值计算得到烟气采样流量预测值，其中，所述实时数据包括实时烟气压力、实时烟气温度、实时烟气组分和实时音速喷嘴结构参数。

技术总结
本申请提出一种固定污染源烟气采样流量预测方法及其装置，涉及固定源烟气采样领域，通过对不同结构的音速喷嘴及其采样条件进行建模；生成在不同烟气状态条件下的若干个采样工况；利用建模模型对固定污染源CEMS中不同结构的音速喷嘴在采样工况下的流动特性进行数值模拟，并对记录的数值模拟过程中的采样数据和烟气质量流量进行无量纲化处理生成模型数据集；根据模型数据集对建立的初始BP神经网络进行训练，获取训练生成的目标BP神经网络；对实际采集的实时数据进行无量纲化处理并将处理后获得的数据输入目标BP神经网络，根据输出的烟气流出系数预测值计算得到烟气采样流量预测值。本申请能够实现烟气采样流量预测的动态化、精确化。精确化。精确化。


技术研发人员：钟犁 韩立鹏 金启航 段钰锋 耿新泽
受保护的技术使用者：东南大学
技术研发日：2023.04.18
技术公布日：2023/7/13