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

（華東理工大學資源與環境工程學院，上海市煤氣化工程技術研究中心，上海200237）

引 言

氣流床氣化是目前最主要的氣化技術，具有氣體產物清潔、碳轉化率高等優點[1]。但氣化爐的操作狀態易受工藝參數變化的影響，具體表現為煤質波動、進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致煤氣化性能難以長期保持最優值。為了克服上述困難，有必要建立一個可以精準預測的氣化模型，為實現生產系統穩定高效運行提供理論價值和現實指導[2]。

目前應用廣泛的氣化爐模型主要分為機理模型[3-5]、數據驅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模型，實驗證明仿真結果與不同工況下的中試數據吻合較好。Watanabe等[7]將脫揮發分、煤焦氣化和氣相反應子模型用于大渦模擬，獲得了較高準確性的數值解。楊俊宇[8]結合流場分析和反應動力學，建立了多噴嘴氣化爐的反應器網絡模型，模擬的氣固停留時間分布與實驗結果吻合良好。上述機理模型均建立在較可靠的過程方程基礎上，因此在適用范圍內能合理地預測結果。然而氣化過程極為復雜，各機理模型均采取了不同程度的簡化，使其適用范圍受到限制。

數據驅動模型具有逼近任意函數的學習能力，且不需要詳細的過程機理知識，具有很強的泛化能力[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)神經網絡對氣流床粉煤氣化爐進行模擬研究，訓練后的BP神經網絡模型可以有效地預測實際生產過程。Chen等[11]根據5個不同水平表觀輸入因子及得到的界面，分別建立了BP神經網絡和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雜的非線性映射關系。同時，由于缺乏對過程機理的認識，數據驅動模型在面對操作窗口過大及突發狀況時往往出現過擬合或欠擬合的問題，有可能產生較大的安全風險[12]。

混合模型通過某種形式將機理模型及數據驅動模型進行耦合以取長補短，充分利用了過程的各種先驗知識，從而極大降低了數據驅動模型對樣本量的要求[13]，具有良好的局部逼近能力。根據排列屬性，將混合模型分為串聯式和并聯式。在串聯式混合模型中，數據驅動模型可以通過大量現場數據修正機理模型參數，提高模型的預測效率，減少模型的整體復雜程度。Liu等[14]針對乙烯裂解生產過程中結焦機理模型參數難以測量的問題，提出一種混合模型測量結焦量的方法，來確定機理模型參數。仿真結果表明：該混合模型可以克服傳統結焦機理模型難以準確測量的缺點，且避免“黑箱”模型過分依賴數據的不足。王惠杰等[15]通過機理與統計結合的方法，對燃氣輪機進行混合建模，更全面地了解燃氣輪機變工況運行過程中各參量的相互影響關系，解決了關鍵數據和資料缺少所造成的理論問題。關于并聯式混合模型，郭晶晶等[16]基于加氫絕熱反應流程，建立了一種基于過程特性的自適應迭代混合模型。將機理模型和數據驅動模型進行有效融合，以提高模型的預測精度。數據驅動模型對誤差補償機制進行更新，同時與現有機理模型的仿真對比結果表明，自適應迭代并聯模型能更有效地跟蹤實際系統，具有更高的預測精度。葉貞成等[17]提出了一種機理與機器學習結合的混合建模方法，利用機理模型的能質約束充分降低了神經網絡模型的約束違反度，解決了單一建模無法滿足工廠實際的需求等問題。

本文針對煤氣化過程中的煤質波動、強滯后、非線性等一系列問題，提出了一種機理與數據驅動結合的混合建模方法，對煤氣化爐進行模擬。通過機理模型描述氣化過程特性，掌握混合模型的全局特征；數據驅動模型可作為函數逼近器，彌補機理模型的建模偏差，為工業生產中的優化指導提供理論基礎。

1 氣化爐混合模型

1.1 機理模型

對于氣流床氣化工藝來說，干燥處理之后制成的煤粉經高壓氮氣輸送到氣化爐內，與氧氣和水蒸氣一起反應。在氣化爐內的反應，第一步是揮發分的析出和燃燒過程，其溫度達到1700～2300 K。然后進入煤焦的反應區，由于氣化反應溫度很高，所以合成氣中不含焦油等化合物。反應區的襯里通過水冷壁進行冷卻，同時產生高溫高壓的蒸汽。因此，氣流床粉煤氣化工藝主要分為三個部分：煤粉熱解、揮發分燃燒以及焦炭氣化反應[18]。

在氣化過程中，煤吸收熱量后，升溫、水分蒸發、低揮發分裂解產物逸出。根據煤的熱解反應模型，揮發性物質由CO、H2、CO2、H2O、H2S、N2、CH4和C6H6等氣體組成。因此煤熱解后，可燃氣體將與送入氣化爐的氧氣發生反應。同時由于氣體燃燒的反應速率非?？?，可認為反應瞬間完成[19]。在揮發分燃燒過程之后，來自煤熱解的焦炭通過與氣相中的氣體反應而進一步氣化,主要分為非均相反應和均相反應。非均相反應速率是根據未反應芯縮核模型[20]來進行計算，均相反應采用動力學模型進行計算。根據上述反應，氣化爐通過構建反應器進行分區模擬。建立的機理模型如圖1所示。

圖1 機理模型流程圖Fig.1 Flowchart of mechanism model

1.2 機理模型驗證

本文選取1、2號煤樣，根據上述建模方法，針對煤氣化工藝建立機理模型。兩種煤樣的煤質分析數據如表1所示。

表1 煤質分析數據Table1 Coal quality analysis data of coal

將上述兩個煤種工藝生產中的氧氣流量與煤漿流量輸入機理模型中進行模擬，將模擬結果分別與工廠數據進行比較。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，對比結果如表2所示。

由1、2號煤樣的模擬結果可知，采用機理模型所得到的模擬結果和工廠實際運行數據較為吻合，但仍然存在一定的誤差。煤的氣化過程是非常復雜的，其機理尚未全面清晰地認知，導致機理建模僅能夠在某種程度上反映部分過程，無法準確地表述系統行為。因此建立的機理模型與客觀事實之間存在一定的誤差，很大程度上限制了機理模型的應用范圍。

1.3 GRNN建模

GRNN模型是一種包含四層的前饋型神經網絡，如圖2所示，分別為輸入層、模式層、求和層和輸出層，相對應的網絡輸入X=[x1,x2,…,xn]T，其輸出Y=[y1,y2,…,yk]T。并且每一層在進行數據處理時，都會分派到一個特定的神經元傳遞函數來進行非線性回歸。在訓練過程中，GRNN模型不必調整神經元之間的權值。唯一需要確定的為光滑因子，避免了主觀影響預測結果可能性的發生[21]。因此，GRNN在信號傳遞過程、能源等各個領域得到了廣泛的應用[22-24]。

圖2 GRNN模型結構示意圖Fig.2 Schematic diagram of GRNNmodel structure

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

表2 模擬結果與工廠數據Table 2 Simulation results and plant datas

GRNN模型的理論基礎是基于非線性回歸分析得到的，工作原理來自統計學中概率論等相關思想。當該網絡被用作函數逼近時，其網絡輸出可被理解為網絡輸入相關的回歸函數。對密度函數進行泊松估計，得到密度估計函數之后，代入進行計算，可得隨機變量y的預測輸出[25-27]。

式中，Xi，Yi為隨機變量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，在網絡的訓練學習過程中，唯一需確定的參數為平滑因子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，造成欠擬合現象；若σ過小，則變化趨于陡峭，會造成較大的預測誤差。因此可以通過建立適當的目標函數，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號煤樣的工廠數據（80組）進行篩選和預處理，建立GRNN模型的訓練集（68組）和預測集（7組）。將干煤量、水量與氧氣流量作為輸入參數，氣化溫度與氣體組成作為輸出結果。通過交叉驗證搜索算法求取最佳的光滑因子，建立GRNN模型，完成輸入參數和輸出結果的非線性映射。隨機選取預測集中的一組數據，運用GRNN模型進行模擬，其預測結果如表3所示。

表3 GRNN模型預測結果與工廠數據Table 3 Prediction results of GRNN model and plant data

由上述結果可得，在已訓練的情況下GRNN模型的預測結果與工廠的實際數據比較契合，誤差較小。但是在未經訓練的情況下，GRNN模型的預測結果和工廠的實際數據偏差較大。因此可以得知，GRNN模型的預測能力和訓練樣本有很大的關系。在訓練樣本之內有非常好的預測效果，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，建立機理與GRNN結合的混合模型。將干煤量、水量與氧氣流量作為神經網絡模型的輸入參數，工廠數據中氣化溫度、氣體組成與機理模型預測結果的差值作為神經網絡模型的輸出結果。GRNN模型預測的結果與機理模型結合之和為混合模型的預測輸出。

機理模型與GRNN模型結合的混合模型流程如圖3所示。首先對工廠的數據進行采集、篩選和預處理，得出訓練樣本空間。選取煤量、氧氣流量和水量作為神經網絡模型的輸入，分別為X=[x1,x2,…,xn]T；氣化溫度和氣體組分在機理模型和工廠數據中的差值作為網絡模型的輸出，分別為Y=[y1,y2,…,yk]T，以此建立GRNN模型。通過GRNN模型預測出氣化溫度和氣體組分關于工廠數據與模擬結果中的差值y2，與機理模型預測結果y1之和為混合模型的輸出y。

同時收集該工況下的工廠運行數據，輸入訓練樣本空間中重新訓練，建立新的人工神經網絡模型，并應用到混合模型的模擬和預測中。GRNN模型對機理模型的模擬值起到殘差補償的作用。

2.2 混合模型驗證與分析

為了驗證預測效果，選取機理模型與GRNN模型驗證時相同的流量輸入，訓練及預測樣本數據和GRNN模型相同。采用混合模型對以下兩種情況進行預測分析，并與工廠數據進行比較：①在煤種不變的情況下對氣化爐工況進行預測：②在煤種改變的情況下檢驗混合模型的預測準確度。本文選用1、2號煤樣對混合模型的預測精度進行檢驗。

氣化溫度、CO以及H2含量為氣化生產中常見的工藝指標。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，如繼續按照初始的氣化爐負荷進行模擬計算的話，預測結果將和實際生產數據有較大的偏差，進而產生比較大的安全隱患。因此在工況從正常值波動到隨機選取的4種工況時，通過上述模型分別對煤氣化結果進行預測，分析三者模擬結果和工廠數據的偏差。模擬結果如表4所示。對四種工況中關于每個輸出的模擬結果偏差取平均，如圖4所示，以此來判斷模型的優劣。

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

結合上述圖表可得：機理模型、GRNN模型以及混合模型的預測結果與工廠數據較為接近，預測誤差都在5%以內，證明三種模型均可以有效地模擬氣化爐的氣化過程，得出合理的氣化結果。同時機理模型關于氣化溫度和CO、CO2及H2含量的預測誤差為0.32%和0.67%、3.34%及1.76%；GRNN模型的預測誤差為1.95%和1.09%、4.74%及1.68%；混合模型的預測誤差為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，進料煤變為2號煤樣。在這種情況下，如果繼續按照1號煤樣的煤質分析數據進行預測，氣化結果將會有很大的偏差。所以需要運用混合模型對新煤樣的輸出結果進行預測，保障氣化過程的安全穩定。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，選取其85%、90%、100%以及105%的流量作為驗證集的氧氣流量，對氣化結果進行預測。預測結果及誤差分析如表5所示。

表4 煤種固定情況下的模型預測結果Table 4 Prediction results of model with fixed coal type

表5 煤種改變情況下的模型預測結果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據處理方式，建立了三種模型的預測結果和預測誤差示意圖。結合圖5、表5可得：在煤種改變的情況下，機理模型、GRNN模型和混合模型一定程度上可以反映氣化過程的真實性。同時機理模型關于氣化溫度和CO、CO2及H2含量的平均預測誤差為1.23%和0.48%、7.91%及1.20%；GRNN模型的預測誤差為1.59%和4.00%、5.09%及7.52%；混合模型的預測誤差為0.81%和0.11%、2.53%及0.42%，是三個模型中最準的。不過結合圖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測結果中某些數據誤差會稍偏大一點。這可能是因為GRNN模型是以單一煤種的氣化結果為依據進行建立的，之后研究會針對性地進行改進。

結合上述兩種情況可以得出：混合模型的結果與實際數據的偏差更小，代表混合模型具有更高的預測精度。因此針對煤氣化工藝來說，將數據驅動建模的結果作為殘差補償和機理模型進行疊加，預測效果會更好。其中機理模型描述過程特性的總規律，把握混合模型的全局特性；數據驅動模型作為函數逼近器，彌補機理模型的建模偏差，把握混合模型的局部特性。

3結 論

本文以煤氣化工藝為基礎，選取兩種不同煤樣進行氣化爐建模。分別考察了機理模型和GRNN模型，并建立了并聯式混合模型。通過分析不同煤樣及不同工況下模型的預測結果，和工廠數據進行對比，得出以下結論。

（1）機理模型、GRNN模型以及混合模型關于氣化溫度和氣體組分的預測結果都與工廠的實際運行數據接近，可以很好地反映工廠的實際氣化過程。

（2）在煤種固定的情況下，混合模型關于氣化溫度和CO、CO2及H2含量的預測誤差分別為0.18%和0.25%、1.72%及0.43%，均在2%以內。與機理模型和GRNN模型相比，混合模型的結果和實際生產數據的誤差最小，可以極大程度上反映氣化過程。

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