基于混合模型的氣流床氣化爐建模

姚源朝，仇鵬，許建良，代正華，劉海峰

（華東理工大學(xué)資源與環(huán)境工程學(xué)院，上海市煤氣化工程技術(shù)研究中心，上海200237）

引 言

氣流床氣化是目前最主要的氣化技術(shù)，具有氣體產(chǎn)物清潔、碳轉(zhuǎn)化率高等優(yōu)點(diǎn)[1]。但氣化爐的操作狀態(tài)易受工藝參數(shù)變化的影響，具體表現(xiàn)為煤質(zhì)波動、進(jìn)口物料流量及濃度的波動等。同時由于不確定因素的影響導(dǎo)致煤氣化性能難以長期保持最優(yōu)值。為了克服上述困難，有必要建立一個可以精準(zhǔn)預(yù)測的氣化模型，為實(shí)現(xiàn)生產(chǎn)系統(tǒng)穩(wěn)定高效運(yùn)行提供理論價值和現(xiàn)實(shí)指導(dǎo)[2]。

目前應(yīng)用廣泛的氣化爐模型主要分為機(jī)理模型[3-5]、數(shù)據(jù)驅(qū)動模型以及混合模型。Dai等[6]基于吉布斯自由能最小化原理建立了粉煤氣化系統(tǒng)模型，實(shí)驗證明仿真結(jié)果與不同工況下的中試數(shù)據(jù)吻合較好。Watanabe等[7]將脫揮發(fā)分、煤焦氣化和氣相反應(yīng)子模型用于大渦模擬，獲得了較高準(zhǔn)確性的數(shù)值解。楊俊宇[8]結(jié)合流場分析和反應(yīng)動力學(xué)，建立了多噴嘴氣化爐的反應(yīng)器網(wǎng)絡(luò)模型，模擬的氣固停留時間分布與實(shí)驗結(jié)果吻合良好。上述機(jī)理模型均建立在較可靠的過程方程基礎(chǔ)上，因此在適用范圍內(nèi)能合理地預(yù)測結(jié)果。然而氣化過程極為復(fù)雜，各機(jī)理模型均采取了不同程度的簡化，使其適用范圍受到限制。

數(shù)據(jù)驅(qū)動模型具有逼近任意函數(shù)的學(xué)習(xí)能力，且不需要詳細(xì)的過程機(jī)理知識，具有很強(qiáng)的泛化能力[9]。趙錦超等[10]以Shell粉煤氣化爐為例，利用三層誤差反向傳播(BP)神經(jīng)網(wǎng)絡(luò)對氣流床粉煤氣化爐進(jìn)行模擬研究，訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型可以有效地預(yù)測實(shí)際生產(chǎn)過程。Chen等[11]根據(jù)5個不同水平表觀輸入因子及得到的界面，分別建立了BP神經(jīng)網(wǎng)絡(luò)和GRNN模型，檢驗證明兩種模型均能很好地捕捉界面能量與各因素之間復(fù)雜的非線性映射關(guān)系。同時，由于缺乏對過程機(jī)理的認(rèn)識，數(shù)據(jù)驅(qū)動模型在面對操作窗口過大及突發(fā)狀況時往往出現(xiàn)過擬合或欠擬合的問題，有可能產(chǎn)生較大的安全風(fēng)險[12]。

混合模型通過某種形式將機(jī)理模型及數(shù)據(jù)驅(qū)動模型進(jìn)行耦合以取長補(bǔ)短，充分利用了過程的各種先驗知識，從而極大降低了數(shù)據(jù)驅(qū)動模型對樣本量的要求[13]，具有良好的局部逼近能力。根據(jù)排列屬性，將混合模型分為串聯(lián)式和并聯(lián)式。在串聯(lián)式混合模型中，數(shù)據(jù)驅(qū)動模型可以通過大量現(xiàn)場數(shù)據(jù)修正機(jī)理模型參數(shù)，提高模型的預(yù)測效率，減少模型的整體復(fù)雜程度。Liu等[14]針對乙烯裂解生產(chǎn)過程中結(jié)焦機(jī)理模型參數(shù)難以測量的問題，提出一種混合模型測量結(jié)焦量的方法，來確定機(jī)理模型參數(shù)。仿真結(jié)果表明：該混合模型可以克服傳統(tǒng)結(jié)焦機(jī)理模型難以準(zhǔn)確測量的缺點(diǎn)，且避免“黑箱”模型過分依賴數(shù)據(jù)的不足。王惠杰等[15]通過機(jī)理與統(tǒng)計結(jié)合的方法，對燃?xì)廨啓C(jī)進(jìn)行混合建模，更全面地了解燃?xì)廨啓C(jī)變工況運(yùn)行過程中各參量的相互影響關(guān)系，解決了關(guān)鍵數(shù)據(jù)和資料缺少所造成的理論問題。關(guān)于并聯(lián)式混合模型，郭晶晶等[16]基于加氫絕熱反應(yīng)流程，建立了一種基于過程特性的自適應(yīng)迭代混合模型。將機(jī)理模型和數(shù)據(jù)驅(qū)動模型進(jìn)行有效融合，以提高模型的預(yù)測精度。數(shù)據(jù)驅(qū)動模型對誤差補(bǔ)償機(jī)制進(jìn)行更新，同時與現(xiàn)有機(jī)理模型的仿真對比結(jié)果表明，自適應(yīng)迭代并聯(lián)模型能更有效地跟蹤實(shí)際系統(tǒng)，具有更高的預(yù)測精度。葉貞成等[17]提出了一種機(jī)理與機(jī)器學(xué)習(xí)結(jié)合的混合建模方法，利用機(jī)理模型的能質(zhì)約束充分降低了神經(jīng)網(wǎng)絡(luò)模型的約束違反度，解決了單一建模無法滿足工廠實(shí)際的需求等問題。

本文針對煤氣化過程中的煤質(zhì)波動、強(qiáng)滯后、非線性等一系列問題，提出了一種機(jī)理與數(shù)據(jù)驅(qū)動結(jié)合的混合建模方法，對煤氣化爐進(jìn)行模擬。通過機(jī)理模型描述氣化過程特性，掌握混合模型的全局特征；數(shù)據(jù)驅(qū)動模型可作為函數(shù)逼近器，彌補(bǔ)機(jī)理模型的建模偏差，為工業(yè)生產(chǎn)中的優(yōu)化指導(dǎo)提供理論基礎(chǔ)。

1 氣化爐混合模型

1.1 機(jī)理模型

對于氣流床氣化工藝來說，干燥處理之后制成的煤粉經(jīng)高壓氮?dú)廨斔偷綒饣癄t內(nèi)，與氧氣和水蒸氣一起反應(yīng)。在氣化爐內(nèi)的反應(yīng)，第一步是揮發(fā)分的析出和燃燒過程，其溫度達(dá)到1700～2300 K。然后進(jìn)入煤焦的反應(yīng)區(qū)，由于氣化反應(yīng)溫度很高，所以合成氣中不含焦油等化合物。反應(yīng)區(qū)的襯里通過水冷壁進(jìn)行冷卻，同時產(chǎn)生高溫高壓的蒸汽。因此，氣流床粉煤氣化工藝主要分為三個部分：煤粉熱解、揮發(fā)分燃燒以及焦炭氣化反應(yīng)[18]。

在氣化過程中，煤吸收熱量后，升溫、水分蒸發(fā)、低揮發(fā)分裂解產(chǎn)物逸出。根據(jù)煤的熱解反應(yīng)模型，揮發(fā)性物質(zhì)由CO、H2、CO2、H2O、H2S、N2、CH4和C6H6等氣體組成。因此煤熱解后，可燃?xì)怏w將與送入氣化爐的氧氣發(fā)生反應(yīng)。同時由于氣體燃燒的反應(yīng)速率非?？?，可認(rèn)為反應(yīng)瞬間完成[19]。在揮發(fā)分燃燒過程之后，來自煤熱解的焦炭通過與氣相中的氣體反應(yīng)而進(jìn)一步氣化,主要分為非均相反應(yīng)和均相反應(yīng)。非均相反應(yīng)速率是根據(jù)未反應(yīng)芯縮核模型[20]來進(jìn)行計算，均相反應(yīng)采用動力學(xué)模型進(jìn)行計算。根據(jù)上述反應(yīng)，氣化爐通過構(gòu)建反應(yīng)器進(jìn)行分區(qū)模擬。建立的機(jī)理模型如圖1所示。

圖1 機(jī)理模型流程圖Fig.1 Flowchart of mechanism model

1.2 機(jī)理模型驗證

本文選取1、2號煤樣，根據(jù)上述建模方法，針對煤氣化工藝建立機(jī)理模型。兩種煤樣的煤質(zhì)分析數(shù)據(jù)如表1所示。

表1 煤質(zhì)分析數(shù)據(jù)Table1 Coal quality analysis data of coal

將上述兩個煤種工藝生產(chǎn)中的氧氣流量與煤漿流量輸入機(jī)理模型中進(jìn)行模擬，將模擬結(jié)果分別與工廠數(shù)據(jù)進(jìn)行比較。同時選擇氣化溫度及CO、CO2、H2含量作為煤氣化過程的工藝指標(biāo)，對比結(jié)果如表2所示。

由1、2號煤樣的模擬結(jié)果可知，采用機(jī)理模型所得到的模擬結(jié)果和工廠實(shí)際運(yùn)行數(shù)據(jù)較為吻合，但仍然存在一定的誤差。煤的氣化過程是非常復(fù)雜的，其機(jī)理尚未全面清晰地認(rèn)知，導(dǎo)致機(jī)理建模僅能夠在某種程度上反映部分過程，無法準(zhǔn)確地表述系統(tǒng)行為。因此建立的機(jī)理模型與客觀事實(shí)之間存在一定的誤差，很大程度上限制了機(jī)理模型的應(yīng)用范圍。

1.3 GRNN建模

GRNN模型是一種包含四層的前饋型神經(jīng)網(wǎng)絡(luò)，如圖2所示，分別為輸入層、模式層、求和層和輸出層，相對應(yīng)的網(wǎng)絡(luò)輸入X=[x1,x2,…,xn]T，其輸出Y=[y1,y2,…,yk]T。并且每一層在進(jìn)行數(shù)據(jù)處理時，都會分派到一個特定的神經(jīng)元傳遞函數(shù)來進(jìn)行非線性回歸。在訓(xùn)練過程中，GRNN模型不必調(diào)整神經(jīng)元之間的權(quán)值。唯一需要確定的為光滑因子，避免了主觀影響預(yù)測結(jié)果可能性的發(fā)生[21]。因此，GRNN在信號傳遞過程、能源等各個領(lǐng)域得到了廣泛的應(yīng)用[22-24]。

圖2 GRNN模型結(jié)構(gòu)示意圖Fig.2 Schematic diagram of GRNNmodel structure

輸入層的神經(jīng)元數(shù)目和學(xué)習(xí)樣本中輸入向量的維數(shù)相同。各神經(jīng)元是簡單的分布單元，可以直接將輸入變量傳遞至模式層。模式層神經(jīng)元的數(shù)目等同于學(xué)習(xí)樣本的數(shù)目，各神經(jīng)元對應(yīng)不同的樣本。求和層使用兩種類型進(jìn)行求和。一類是針對所有模式層中神經(jīng)元輸出進(jìn)行算術(shù)求和，其模式層與神經(jīng)元連接權(quán)值為1；另一類是針對所有模式層神經(jīng)元進(jìn)行加權(quán)求和，輸出層中的神經(jīng)元數(shù)目與學(xué)習(xí)樣本輸出向量的維數(shù)相同，各神經(jīng)元中求和層輸出進(jìn)行相除。

表2 模擬結(jié)果與工廠數(shù)據(jù)Table 2 Simulation results and plant datas

GRNN模型的理論基礎(chǔ)是基于非線性回歸分析得到的，工作原理來自統(tǒng)計學(xué)中概率論等相關(guān)思想。當(dāng)該網(wǎng)絡(luò)被用作函數(shù)逼近時，其網(wǎng)絡(luò)輸出可被理解為網(wǎng)絡(luò)輸入相關(guān)的回歸函數(shù)。對密度函數(shù)進(jìn)行泊松估計，得到密度估計函數(shù)之后，代入進(jìn)行計算，可得隨機(jī)變量y的預(yù)測輸出[25-27]。

式中，Xi，Yi為隨機(jī)變量x，y的樣本觀測值；n為樣本容量；σ為光滑因子。

對于GRNN模型而言，在網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)過程中，唯一需確定的參數(shù)為平滑因子σ[28]。若σ值過大，則期望輸出變化過于平滑，從而影響擬合效果，造成欠擬合現(xiàn)象；若σ過小，則變化趨于陡峭，會造成較大的預(yù)測誤差。因此可以通過建立適當(dāng)?shù)哪繕?biāo)函數(shù)，基于最小均方誤差的交叉驗證搜索算法[29-31]求取最佳的σ值。

1.4 GRNN模型驗證

選取1號煤樣的工廠數(shù)據(jù)（80組）進(jìn)行篩選和預(yù)處理，建立GRNN模型的訓(xùn)練集（68組）和預(yù)測集（7組）。將干煤量、水量與氧氣流量作為輸入?yún)?shù)，氣化溫度與氣體組成作為輸出結(jié)果。通過交叉驗證搜索算法求取最佳的光滑因子，建立GRNN模型，完成輸入?yún)?shù)和輸出結(jié)果的非線性映射。隨機(jī)選取預(yù)測集中的一組數(shù)據(jù)，運(yùn)用GRNN模型進(jìn)行模擬，其預(yù)測結(jié)果如表3所示。

表3 GRNN模型預(yù)測結(jié)果與工廠數(shù)據(jù)Table 3 Prediction results of GRNN model and plant data

由上述結(jié)果可得，在已訓(xùn)練的情況下GRNN模型的預(yù)測結(jié)果與工廠的實(shí)際數(shù)據(jù)比較契合，誤差較小。但是在未經(jīng)訓(xùn)練的情況下，GRNN模型的預(yù)測結(jié)果和工廠的實(shí)際數(shù)據(jù)偏差較大。因此可以得知，GRNN模型的預(yù)測能力和訓(xùn)練樣本有很大的關(guān)系。在訓(xùn)練樣本之內(nèi)有非常好的預(yù)測效果，同時泛化能力較差。

2 混合模型

2.1 混合模型的建立

為了模型模擬得更加精確，建立機(jī)理與GRNN結(jié)合的混合模型。將干煤量、水量與氧氣流量作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，工廠數(shù)據(jù)中氣化溫度、氣體組成與機(jī)理模型預(yù)測結(jié)果的差值作為神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果。GRNN模型預(yù)測的結(jié)果與機(jī)理模型結(jié)合之和為混合模型的預(yù)測輸出。

機(jī)理模型與GRNN模型結(jié)合的混合模型流程如圖3所示。首先對工廠的數(shù)據(jù)進(jìn)行采集、篩選和預(yù)處理，得出訓(xùn)練樣本空間。選取煤量、氧氣流量和水量作為神經(jīng)網(wǎng)絡(luò)模型的輸入，分別為X=[x1,x2,…,xn]T；氣化溫度和氣體組分在機(jī)理模型和工廠數(shù)據(jù)中的差值作為網(wǎng)絡(luò)模型的輸出，分別為Y=[y1,y2,…,yk]T，以此建立GRNN模型。通過GRNN模型預(yù)測出氣化溫度和氣體組分關(guān)于工廠數(shù)據(jù)與模擬結(jié)果中的差值y2，與機(jī)理模型預(yù)測結(jié)果y1之和為混合模型的輸出y。

同時收集該工況下的工廠運(yùn)行數(shù)據(jù)，輸入訓(xùn)練樣本空間中重新訓(xùn)練，建立新的人工神經(jīng)網(wǎng)絡(luò)模型，并應(yīng)用到混合模型的模擬和預(yù)測中。GRNN模型對機(jī)理模型的模擬值起到殘差補(bǔ)償?shù)淖饔谩?/p>

2.2 混合模型驗證與分析

為了驗證預(yù)測效果，選取機(jī)理模型與GRNN模型驗證時相同的流量輸入，訓(xùn)練及預(yù)測樣本數(shù)據(jù)和GRNN模型相同。采用混合模型對以下兩種情況進(jìn)行預(yù)測分析，并與工廠數(shù)據(jù)進(jìn)行比較：①在煤種不變的情況下對氣化爐工況進(jìn)行預(yù)測：②在煤種改變的情況下檢驗混合模型的預(yù)測準(zhǔn)確度。本文選用1、2號煤樣對混合模型的預(yù)測精度進(jìn)行檢驗。

氣化溫度、CO以及H2含量為氣化生產(chǎn)中常見的工藝指標(biāo)。因此以工廠工況的操作窗口為邊界，均勻選擇4種工況，定為煤種固定情況下的工況波動。在工況改變的情況下，如繼續(xù)按照初始的氣化爐負(fù)荷進(jìn)行模擬計算的話，預(yù)測結(jié)果將和實(shí)際生產(chǎn)數(shù)據(jù)有較大的偏差，進(jìn)而產(chǎn)生比較大的安全隱患。因此在工況從正常值波動到隨機(jī)選取的4種工況時，通過上述模型分別對煤氣化結(jié)果進(jìn)行預(yù)測，分析三者模擬結(jié)果和工廠數(shù)據(jù)的偏差。模擬結(jié)果如表4所示。對四種工況中關(guān)于每個輸出的模擬結(jié)果偏差取平均，如圖4所示，以此來判斷模型的優(yōu)劣。

圖3 混合模型流程圖Fig.3 Flowchart of the hybrid model

結(jié)合上述圖表可得：機(jī)理模型、GRNN模型以及混合模型的預(yù)測結(jié)果與工廠數(shù)據(jù)較為接近，預(yù)測誤差都在5%以內(nèi)，證明三種模型均可以有效地模擬氣化爐的氣化過程，得出合理的氣化結(jié)果。同時機(jī)理模型關(guān)于氣化溫度和CO、CO2及H2含量的預(yù)測誤差為0.32%和0.67%、3.34%及1.76%；GRNN模型的預(yù)測誤差為1.95%和1.09%、4.74%及1.68%；混合模型的預(yù)測誤差為0.18%和0.25%、1.72%及0.43%。由圖4也可以看出，與另外兩種模型相比，混合模型預(yù)測效果是最好的一個。

同樣，以1號煤樣為例，在該種煤樣正常氣化時，進(jìn)料煤變?yōu)?號煤樣。在這種情況下，如果繼續(xù)按照1號煤樣的煤質(zhì)分析數(shù)據(jù)進(jìn)行預(yù)測，氣化結(jié)果將會有很大的偏差。所以需要運(yùn)用混合模型對新煤樣的輸出結(jié)果進(jìn)行預(yù)測，保障氣化過程的安全穩(wěn)定。因此本文假定在這種情況下，以工廠的正常氧氣流量為基準(zhǔn)，選取其85%、90%、100%以及105%的流量作為驗證集的氧氣流量，對氣化結(jié)果進(jìn)行預(yù)測。預(yù)測結(jié)果及誤差分析如表5所示。

表4 煤種固定情況下的模型預(yù)測結(jié)果Table 4 Prediction results of model with fixed coal type

表5 煤種改變情況下的模型預(yù)測結(jié)果Table 5 Prediction results of the model under the change of coal type

圖4 煤種固定情況下的混合模型預(yù)測誤差示意圖Fig.4 Schematic diagramof the prediction error of the mixed model under the fixed coal type

圖5 煤種改變情況下的混合模型預(yù)測誤差示意圖Fig.5 Schematic diagram of the prediction error of the mixed model when the coal type changes

選取與煤種固定情況相同的數(shù)據(jù)處理方式，建立了三種模型的預(yù)測結(jié)果和預(yù)測誤差示意圖。結(jié)合圖5、表5可得：在煤種改變的情況下，機(jī)理模型、GRNN模型和混合模型一定程度上可以反映氣化過程的真實(shí)性。同時機(jī)理模型關(guān)于氣化溫度和CO、CO2及H2含量的平均預(yù)測誤差為1.23%和0.48%、7.91%及1.20%；GRNN模型的預(yù)測誤差為1.59%和4.00%、5.09%及7.52%；混合模型的預(yù)測誤差為0.81%和0.11%、2.53%及0.42%，是三個模型中最準(zhǔn)的。不過結(jié)合圖4、圖5和表4、表5可以看出，相比煤種固定情況來說，在煤種改變情況下的混合模型預(yù)測結(jié)果中某些數(shù)據(jù)誤差會稍偏大一點(diǎn)。這可能是因為GRNN模型是以單一煤種的氣化結(jié)果為依據(jù)進(jìn)行建立的，之后研究會針對性地進(jìn)行改進(jìn)。

結(jié)合上述兩種情況可以得出：混合模型的結(jié)果與實(shí)際數(shù)據(jù)的偏差更小，代表混合模型具有更高的預(yù)測精度。因此針對煤氣化工藝來說，將數(shù)據(jù)驅(qū)動建模的結(jié)果作為殘差補(bǔ)償和機(jī)理模型進(jìn)行疊加，預(yù)測效果會更好。其中機(jī)理模型描述過程特性的總規(guī)律，把握混合模型的全局特性；數(shù)據(jù)驅(qū)動模型作為函數(shù)逼近器，彌補(bǔ)機(jī)理模型的建模偏差，把握混合模型的局部特性。

3結(jié) 論

本文以煤氣化工藝為基礎(chǔ)，選取兩種不同煤樣進(jìn)行氣化爐建模。分別考察了機(jī)理模型和GRNN模型，并建立了并聯(lián)式混合模型。通過分析不同煤樣及不同工況下模型的預(yù)測結(jié)果，和工廠數(shù)據(jù)進(jìn)行對比，得出以下結(jié)論。

（1）機(jī)理模型、GRNN模型以及混合模型關(guān)于氣化溫度和氣體組分的預(yù)測結(jié)果都與工廠的實(shí)際運(yùn)行數(shù)據(jù)接近，可以很好地反映工廠的實(shí)際氣化過程。

（2）在煤種固定的情況下，混合模型關(guān)于氣化溫度和CO、CO2及H2含量的預(yù)測誤差分別為0.18%和0.25%、1.72%及0.43%，均在2%以內(nèi)。與機(jī)理模型和GRNN模型相比，混合模型的結(jié)果和實(shí)際生產(chǎn)數(shù)據(jù)的誤差最小，可以極大程度上反映氣化過程。

（3）在煤種改變的情況下，混合模型關(guān)于氣化溫度和CO、CO2及H2含量的預(yù)測誤差分別為0.81%和0.11%、2.53%及0.42%，預(yù)測誤差在3%以內(nèi)。在三種模型的比較中最接近工廠的實(shí)際數(shù)據(jù)，可以更精確地反映煤種改變時的氣化過程。