燃氣熱值數值模擬與預測優化控制

李 陽， 劉丕亮， 崔桂梅

（內蒙古科技大學信息工程學院，內蒙古包頭014010）

0 引 言

高爐熱風爐燃燒過程能耗占鋼鐵工業總能耗40%，因高爐爐況不穩定、高爐煤氣熱值波動頻繁，此外熱風爐固定空燃比燃燒導致無法根據波動的高爐煤氣熱值去匹配最佳助燃空氣。上述兩種情況均影響熱風爐的高效燃燒，導致生產過程能耗偏高。減少燃燒過程能耗的關鍵是：空燃比及時調整、準確有效檢測出燃氣熱值和及時做出合理供氣方案。現階段為了改善以上問題，在熱風爐煙道閥安裝氧化鋯殘氧分析儀存在很多問題，例如：氧化鋯殘氧分析儀前期投資成本大、后期維護費用高、在實際生產過程中使用壽命短的緣故被擱置。針對以上問題，本文設計了燃氣熱值分析控制系統，該系統和熱風爐控制系統并行作為熱風爐控制系統的并行前饋控制環節［1-3］。

如圖1 所示，高爐煤氣和空氣混合后，提前在燃氣熱值分析系統內進行小規模燃燒，通過1% ～2%殘氧含量、廢氣溫度和廢氣CO 含量綜合調整該小系統空燃比即是熱風爐控制系統的空燃比，由于在本系統中高爐煤氣流量和熱風爐控制系統相比要小很多，參與檢測燃燒氣體流量相應較小，使得氧化鋯使用率降低，延長系統使用壽命。本文還提出利用改進粒子群優化徑向基神經網絡（Particle Swarm Optimization-Radial basis function，PSO-RBF）在燃氣熱值分析系統殘氧含量穩定在1% ～2%時即熱風爐控制系統穩定運行的情況下，將改進PSO-RBF神經網絡算法預測的燃氣熱值作為計量高爐煤氣熱值并輔助本系統優化空燃比的重要參考依據。

圖1 殘氧燃氣熱值分析檢測系統結構圖

1 熱值儀系統

1.1 系統簡介

殘氧燃氣熱值分析檢測系統其結構如圖2 所示［4］，由PLC控制、燃燒控制、組態顯示和燃氣熱值計算等系統構成。PLC控制系統主要控制空氣與煤氣管道的通斷、流量的給進和數據傳輸功能。煤氣流量經過兩級穩壓裝置進入燃燒器內抑制煤氣壓力波動，穩定入爐煤氣量。燃燒控制環節通過修正空燃比，調節空氣流量，將殘氧穩定在1% ～2%內，當殘氧量超出1% ～2%時，通過控制器調節助燃空氣的流量修正空燃比，將煙道殘氧量限定在1% ～2%內。

圖2 熱值儀系統結構圖

1.2 CO控制策略

CO濃度是否超標對整個殘氧燃氣熱值系統運行環節有重要意義，由于CO 危害人體健康，CO 濃度大于100 ×10-6時，人體出現頭暈癥狀，CO濃度大于600×10-6時，人體就會有中毒反應；在實驗過程中為了避免此類現象，熱值儀系統點火之前對煙氣管道的CO濃度進行檢測，判斷CO 濃度是否超出200 ×10-6，若超出，則調節空氣調節閥讓過量空氣給入燃燒室中稀釋CO濃度，若小于200 ×10-6，則進行點火操作，此時要時刻注意煙道中的殘氧含量是否在1%-2%內，殘氧含量超出2%和不足1%都要經過調節空氣調節閥對空燃比例進行糾正，將殘氧含量濃度重新控制在1%-2%，CO控制策略的結構圖如圖3 所示。

圖3 CO控制策略圖

1.3 空氣調節閥控制

本次設計對燃氣殘氧檢測儀空氣調節閥進行更換，并將PI控制改為模糊PI控制，將空氣調節閥等效為一階系統，模糊控制器輸入為空氣流量偏差e、偏差變化量ec，模糊控制器輸出為調節閥空氣輸出量。空氣調節閥模糊PI 控制框圖如圖4 所示，系統Simlink仿真如圖5 所示，模糊PI控制器和PI控制器在Matlab上仿真結果相比響應更快，可滿足控制空氣流量調節閥快速響應需求，如圖6 所示。

圖4 空氣調節閥模糊PI控制框圖

圖5 Simlink系統搭建

圖6 系統仿真對比

1.4 燃氣熱值與殘氧含量相關性實驗探究

高爐煤氣含量復雜，CO 是主要可燃氣體，約占33%。為了論證殘氧含量和高爐煤氣熱值之間關系。在實驗室中選取煤氣作為實驗對象，為了證明實驗結果可靠性，另選取天然氣進行對比。

定空燃比條件下，根據CO燃燒的化學方程式：

可知一方煤氣充分燃燒理論上需要0.5 方氧氣，而空氣中含氧量是21%，所以一方煤氣大約需要2.4方空氣，因此煤氣充分燃燒時理論空燃比大概是2.4∶1。天然氣的主要成分是CH4，根據燃燒的化學方程式：

可知一方天然氣要2 方氧氣，所以一方天然氣大約需要9.5 方空氣，因此天然氣充分燃燒時的理論空燃比是9.5∶1。實驗過程中通過調節空氣管道中電動調節閥，使煤氣與空氣保持在理論上的大概空燃比，殘氧分析儀通過采集煙道內殘氧含量，得到空燃比、殘氧含量的數據。

燃氣熱值由如下經驗計算：

式（1）～（3）中：H 為燃氣發熱量，kJ／m3；Fg為燃氣流量，m3／h；Fa為空氣流量，m3／h；CPs 為混合氣體燃燒后的定壓比熱，kJ／（m3·℃）；r 為燃氣／空氣，0.02 ～0.005；h為華白，燃氣熱值指數；g 為燃氣相對密度；a為空氣相對密度；pa為空氣壓力；pg為燃氣壓力；Q 為熱值；W為比重，燃氣相對密度（干燥空氣密度：1.239mg／cm3）。

燃氣熱值、空燃比、殘氧含量的數據見表1、2。

表1 煤氣熱值

表2 天然氣熱值

由表中數據可得，當殘氧含量控制在1% ～2%內，天然氣和煤氣熱值均與殘氧含量基本上成線性的關系。殘氧含量與熱值線性關系如圖7、8 所示。

圖7 煤氣熱值殘氧關系圖

圖8 天然氣熱值與殘氧關系圖

對燃氣流量、燃氣壓力、空氣流量、空氣壓力、殘氧 含量、溫度做相關性分析，見表3。

表3 相關性分析

由表3 可知溫度與燃氣熱值相關性最小，故將燃氣流量、燃氣壓力、空氣流量和空氣壓力和殘氧含量作為燃氣熱值預測輸入節點。

2 RBF神經網絡

2.1 燃氣熱值預測神經網絡

RBF神經網絡是3 層前饋神經網絡［5-9］，通過非線性基函數的線性組合實現映射關系，具體如圖9所示。

圖9 RBF神經網絡結構

燃氣熱值預測的RBF神經網絡有5 個輸入節點、一個輸出節點，通過式（4）以及適湊法對構造的神經網絡進行反復訓練誤差對比：

式中：k為隱含層節點數目；m為輸入層節點數目；n為輸出層節點數目。得到神經絡有6 個隱層節點時預測結果誤差最小，用高斯函數做隱含層神經元激活函數：

式中：ci為第i個隱含結點中心；δi為隱含結點寬度。

線性函數作為輸出層神經元激活函數：

式中：wi為隱含層中第i個結點到輸出節點的權值；m為隱含層結點個數。

2.2 基于改進粒子群算法優化RBF神經網絡

選取適當的輸出權重wi，隱含層單元中心ci，以及寬度δi，但一般找到合適的wi，ci，δi很難，利用PSO搜索能力快和全局尋優能力強的特點對隱含層中高斯函數的3 個重要參數進行優化，為了避免PSO在提高收斂速度的前提下，不易陷入局部極小值的情況，對原有PSO算法進行改進［10］。

假設在K 維的解向量中有n 個粒子，第i 個粒子的位置向量為：為速度向量；是第i個粒子的最優位置；Pi是群最優位

每個粒子在迭代過程中更新自己的速度和位置：

式中：w 為慣性權重；c1、c2為學習因子；η 為［0，1］的隨機數。

采用線性遞減權值策略求解權值：

式中：Gk為最大迭代次數；wini為初始慣性權值；wend為迭代至最大凈化代數時的慣性權值；l 為Gk的調節參數。取Gk＝1 000，wini＝0.10，wend＝0.90。

結合線性遞減權值策略，在原粒子更新速度式中加入收縮因子

式中：φ ＝c1＋c2，（φ ＞4）；根據多次試驗驗證，當φ ＝4.1 時，收斂因子α ＝0.729。

改進后新粒子速度及位置：

在收斂因子α和權重系數w 共同作用下，對傳統PSO優化算法進行改進，提高粒子在全局搜索精度及速度。

3 仿真實驗研究

為了驗證改進PSO-RBF模型性能，在某鋼廠實驗平臺采集數據進行仿真實驗，選取800 個數據訓練集構建燃氣熱值預測模型，200 個做數據作為測試集，在訓練前對燃氣熱值數據進行歸一化處理：

將歸一之后的訓練樣本輸入到模型中進行訓練，分別對型參數進行優化。對預測結果進行反歸一化處理：

式中：x′為歸一化后的燃氣熱值；xmax和xmin分別為燃氣熱值的最大值和最小值。

經過反復訓練測試BP、RBF 和TS-FNN 3 種算法［11-14］，得到預測曲線并做相應對比，如圖10 所示。圖中給出了實際燃氣熱值與各預測模型預測曲線。由圖10 可見，RBF神經網絡相對于BP 和TS-FNN 神經網絡，預測準確性高，燃氣熱值預測效果較好，說明RBF在燃氣熱值預測上比其他神經網絡更準確。

圖10 BP、RBF和T-SFNN神經網絡燃氣預測曲線對比圖

將預測模型權值分別通過GA 和PSO 優化，對仿真結果進行分析比較，如圖11 所示。可以發現GARBF預測模型對于燃氣熱氣熱值預測有所改善，但改進PSO-RBF模型預測精度效果更準確；改進PSO-RBF和GA-RBF預測誤差曲線如圖12 所示，由圖可見GARBF建模方法產生的誤差波動較大尤其是在60 ～80 min階段出現跳變，PSO-RBF 誤差曲線波動幅度明顯較小。

圖11 改進GA-RBF、PSO-RBF神經網絡燃氣預測對比圖

圖12 GA-RBF、改進PSO-RBF誤差曲線圖

兩種方法的性能評價指標對比，見表4。

表4 RBF、GA-RBF、改進PSO-RBF神經網絡性能評價表

由表4 可見，改進PSO-RBF神經網絡預測模型優于GA-RBF預測模型，具體體現在：

（1）預測精度。改進PSO-RBF 神經網絡平均相對誤差在8.85%左右，低于RBF（0.119 5）、GA-RBF神經網絡（9.59%）。

（2）泛化能力。改進PSO-RBF 神經網絡泛化能力優于對比模型。

（3）命中率。改進PSO-RBF 神經網絡命中率在95%，明顯高于GA-RBF神經網絡命中率89%。

由此可見，改進PSO-RBF神經網絡預測精度要明顯優于其他神經網絡，有更好的辨識度。本文提出的算法可以較準確的計量高爐煤氣熱值。

4 結 語

綜上，針對實際現場固定空燃比燃燒導致無法根據波動燃氣熱值匹配最佳助燃空氣，以及氧化鋯殘氧分析系統費用高，高爐煤氣熱值高低未知、煤氣計費標準單一等問題，新型殘氧熱值分析檢測系統并行于熱風爐控制系統，有效的改善以上窘境，并提出了在工業應用領域上，高爐煤氣熱值檢測新方法，對評價高爐煤氣質量、熱風爐燃燒狀態、優化熱風爐空燃比、計量高爐煤氣費用均有重大意義，上述結果表明新型燃氣熱值分析檢測系統有實際應用價值，可將其用于今后工業燃氣檢測和空燃比優化與設定場景中，有利于提高經濟效益、減少廢氣排放。