基于BP神经网络的生物质气化建模

刘军德 赵乘麟

摘要：生物质发电是生物质能利用的一种重要技术，生物质气化是生物质发电的核心环节。国内外很多学者为改进生物质的气化效率在多方面对其进行了建模与研究，通常采用动力学方法进行生物质气化建模。生物质气化过程复杂，动力学建模需要详尽的物性参数，而这些参数往往难以直接获得。针对机理建模的缺陷，选取小麦秸秆作为实验对象，记录气化反应的初始参数和结果，再用神经网络拟合小麦秸秆的气化反应过程，建立基于BP神经网络的生物质气化模型，并依据实验数据对模型进行仿真验证。结果表明，模型对小麦秸秆气化反应过程特性具有较好的模拟预测作用。

关键词：生物质发电；气化过程；BP神经网络

DOI：10.11907/rjdk.181280

中图分类号：TP319

文献标识码：A文章编号：1672-7800（2018）007-0176-04

Abstract：Biomasspowergenerationisanimportanttechnologyofbiomassenergyutilizationandbiomassgasificationisthecorelinkofbiomasspowergeneration.Inordertoimprovethegasificationefficiencyofbiomass，manyscholarsathomeandabroadmodelandresearchitinmanyways，andtheyusuallymodelthebiomassgasificationbydynamicmethod.Thephysicalandchemicalprocessesofbiomassgasificationarecomplexanddynamicmodelingrequiresdetailedphysicalparametersbuttheseparameterareoftendifficulttoobtaindirectly.Aimingatthedefectsofmechanismmodeling，wheatstrawwasselectedastheexperimentalobject.Theinitialparametersandresultsofthegasificationreactionwererecorded，andthenthegasificationreactionprocessofthewheatstrawwasfittedbyaneuralnetwork，thebiomassgasificationmodelbasedonBPneuralnetworkwasestablished，andthemodelwasverifiedbysimulationaccordingtotheexperimentaldata.Theresultsshowedthatthemodelhadagoodsimulationandpredictioneffectontheprocesscharacteristicsofwheatstrawgasificationreaction.

KeyWords：biomasspowergeneration；gasificationprocess；BPneuralnetwork

0引言

在矿产资源枯竭、环境污染加重的背景下，全世界都在谋求以循环经济、生态经济为指导，坚持可持续发展战略，充分有效利用可再生资源。生物质能源是最具潜力的可再生能源之一，它品种多，资源量不断增加，可采用的转化技术多样化，除转化成电力外，还可以转化为热能或液态燃料使用。生物质能开发可以解决化石能源日益减少、能源短缺的问题[1]。在可再生能源中，生物质能最具有发展前景。因为，化石能源也是由生物质能衍变而来的，都是利用太阳能将大自然中的CO2与H2O通过光合作用固定在植物上的碳氢化合物，成为自然界中重要的碳氢资源[2]。我国生物质能极为丰富，現在每年农村秸秆量约6.5×108t，2018年将达到7.26×108t，相当于5×108t标煤[3]。生物质发电将是中国最大的环保项目，可有效解决秸秆焚烧造成的大气污染，减少温室气体排放，所以研究生物质能源发电技术有重要意义。根据《可再生能源中长期发展规划》确定的发展目标，2010年生物质发电达到550万kW，2020年生物质发电装机达到3000万kW[4]，其中生物质发电技术主要是气化发电技术，目前已经出现了18MW的实验电站[5]。

然而我国的生物质气化技术正处于起步阶段，该领域中有许多技术问题需要深入研究和开发。为了适应上述要求，需要加强对生物质气化过程运行特性的研究，分析影响气化过程主要性能指标的因素和规律，建立一种生物质气化过程的模型和模拟气化过程特性的方法，为今后生物质气化过程的参数优化和控制提供依据，对于实现生物质气化过程自动化有着十分重要的意义。国内目前在基于神经网络的生物质气化建模上主要进展包括：郭兵等[6]建立了生物质气化过程的人工神经网络模型，采用典型的层前向神经网络，分为输入层、隐层、输出层，输入层以气化时间和气化温度两个变量作为输入参数，只涉及实验运行参数，所以该网络的应用仅限于同一种生物质。陈平[7]分别建立了以进料量和进风量为输入变量，气化温度、燃气热值、产气率、碳转化率和气化效率为输出变量的层前馈神经网络模型以及以气化炉直径、进料量和进风量为输入变量，气化温度、燃气热值、产气率、碳转化率和气化效率变量为输出变量的层前馈神经网络模型。本文选取小麦秸秆作为研究对象，基于神经网络建模，只需要考虑输入变量和输出变量。

1生物质气化指标以及影响因素

1.1气化过程指标

1.1.1当量比

当量比是指单位生物质气化过程所消耗的空气（氧气）量与完全燃烧所需要的理论空气（氧气）量之比，是气化过程的重要控制参数。

1.1.2气体产率

气体产率Gp是单位质量生物质气化后所得气体燃料在标准状态下的体积，即：

1.1.3气体热值

生物质气化气体中的可燃组分主要是一氧化碳（CO）、氢气（H2）、甲烷（CH4）和不饱和碳氢化合物CnHm，如果知道了这些可燃成分的组分，则气化气体的低位热值Qg除了实验测试外，还可以按下述公式进行计算[8]：

1.2气化影响条件

1.2.1反应温度

反应温度是影响气化结果的重要条件，不同反应阶段的温度也不同。

1.2.2反应压力

反应压力最终影响气化化学反应平衡，决定气化产率。

1.2.3催化剂

合适的催化剂能够降低底物的化学反应活化能，使化学反应尽快达到平衡。

2基于BP神经网络建立生物质气化模型

2.1三层BP神经网络

气化过程模拟最早开始于20世纪70年代煤的气化，针对不同的气化技术和研究重点，已有很多关于气化过程的数学模型[9-13]，大部分为化学热力学模型和化学动力学模型。而对于生物质气化过程的数学模型的研究还不多，目前的生物质气化过程模型可以分为两类：一类是基于生物质的物料平衡、能量平衡以及化学平衡的平衡模型；另一类是基于生物质气化过程反应动力学特性的动态模型[14]。本文选取前者，基于物料平衡，用三层BP神经网络预测反应结果，属于“黑盒子”模型，不需要知道反应细节，由操作参数，如温度、压力和物料等即可快速给出反应器出口产物分布。

多层前馈神经网络（BP）是目前应用最广泛的神经网络模型，占整个神经网络应用的80%左右，以Sigmoid为传递函数的BP网络在工程领域已经得到了广泛应用。BP网络有一个非常重要的定理，即对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近，一个三层BP网络就可以完成任意n维到m维的映射[15]。

在BP网络中，层与层之间多采用全互连方式，但同一层的节点之间不存在相互连接。三层BP神经网络由输入层、隐含层、输出层组成，它可以形成任意复杂的决策区域，以任意精度逼近任何连续函数。

2.2气化过程神经网络模型建立

本文所建立的气化过程神经网络模型是以影响气化过程的两个主要因素，即气化反应温度（T）和气化剂当量比（ER）作为网络的输入（输入层神经元个数和输出层神经元个数由所研究问题本身决定）。当量比（ER）是指单位生物质在气化过程中所消耗的空气（氧气）量与完全燃烧所需要的理论空气（氧气）量之比，以实验测得的气体成分作为网络的输出，对模型进行训练。

本文设计的三层BP网络如图1所示，其中输入层2个单元对应气化条件为：X1为气化剂当量比（α），X2为气化温度（T），输出层4个单元分别对应气化气组分：y1为CO2，y2为CO，y3为CH4，y4为H2。

3气化模型的MATLAB实现

3.1MATLAB神经网络工具箱

根据各种典型的修正网络权值规则，加上网络的训练过程，用MATLAB编写出各种网络设计与训练的子程序，网络设计者则可以根据需要调用工具箱中有关神经网络的设计训练程序，使自己从繁琐的编程中解脱出来，提高开发效率。

MATLAB的BP网络工具箱中包含进行BP网络分析和设计的许多函数，本文利用MATLAB神经网络工具箱中的隐层变换函数logsig函数，它可以将神经元的输入范围从（-∞，+∞）映射到（0，1），且是可微函数，非常适合于训练BP网络神经元。如果BP网络的输出层是sigmoid型神经元，那么整个网络的输出就限制在一个较小范围内，如果是purelin型线性神经元，则整个网络的输出可以是任意值，本文取purelin型函数作为输出层的变换函数，学习速率为0.01，网络训练期望误差为0.001，网络均方误差计算式为：

3.2实验方法

选取我国北方广大农村中常见的小麦秸秆作为气化物料，它们的工业分析与元素分析数據如表1所示。

由于神经元激励函数使每个神经元的输出介于0～1之间，所以必须对样本数据作归一化处理。本文采用常规处理方法，即若变量P的最小值和最大值分别为minp和maxp，则每一个值Pn可按式（4）归一化：

隐层的神经元数目选取目前还没有一个理想的解析式表示，本文采用经验公式：

可以在MATLAB中使用归一化处理数据很方便地训练三层BP神经网络，具体训练过程如下：

步骤1：用小的随机数对每一层权值w和阈值b初始化，以保证网络不被大的加权输入饱和，同时还要进行以下参数初始化：

（1）设定期望误差最小值：err_goal。

（2）设定最大循环次数：max_epoch。

（3）设定修正权值的学习速率：一般选取lr=0.01～0.7。

（4）从1开始的循环训练：forepoch=1：max_epoch。

步骤2：计算网络各层输出矢量A1和A2以及网络误差E，与其对应的输出样本为T：

步骤3：计算各层反向传播的误差变化D2和D1，并计算各层权值的修正值以及新的权值：

在经验公式（5）给出的隐层节点数n1±5范围内选取不同的值，按上述步骤经多次实验比对，结果表明小麦秸秆气化网络的隐层节点数为12时网络精度最高。

3.3实验结果

如图2所示，当训练步数在0～15之间时，随着步数增加，网络训练误差快速减小，大于15步以后，误差的下降梯度变小，所以最终选取的训练步数为15步。当然，在计算资源充足且对精度要求比较高的情况下，训练步数越大越好。

如图3所示，在气化剂当量比为0.2时，气体产率随温度变化，显然这个关系是非线性的，而对非线性关系的预测正是神经网络擅长领域。其中，气体产率=（单组分气化气的体积数）/（气化产气总的体积数）×100%。

4结语

运用神经网络模型预测不同种类生物质气化燃气组分的方法可行有效，模型具有较好的拟合效果，各种气体成分的模型值与试验值相对误差均小于10%。其中，网络训练的样本数据较少，以及数据分布不够均匀等是造成误差的主要原因。对于模型的误差问题，可考虑进一步增加生物质料的试验样本数据，以及改进模型和优化权值、阈值。

另外，网络输入参数可在本文所选的气化温度与气化剂当量比之外，尽可能多考虑一些影响气化过程的因素（如气化剂类型、催化剂和气化压力等），使模型的输出值更加接近实际值。

参考文献：

[1]高虹，张爱黎.新能源技术与应用[M].北京：国防工业出版社，2007：123-125.

[2]肖波，周英彪，李建芬.生物质能循环经济技术[M].北京：化学工业出版社，2015.

[3]袁振宏，吴创之，马隆龙，等.生物质能利用原理与技术[M].北京：化学工业出版社，2010.

[4]陈德铭.全面贯彻落实科学发展观加快生物质能的开发利用[J].可再生能源，2009（5）：1-3.

[5]朱锡锋.生物质热解原理与技术[M].北京：中国科学技术大学出版社，2006.

[6]GUOB，LIDK，CHENGCM，etal.Simulationofbiomassgasificationwithahybridneuralnetworkmodel[J].BioresourceTechnology，2014，76（2）：77-83.

[7]陳平.生物质流化床气化机理与工业应用研究[D].合肥：中国科技大学，2008.

[8]马兰兰.变废为宝，生物质发电在中国成为朝阳业[EB/OL].http：∥www.nbe.cn.

[9]FANGYT，HUANGJJ，WANGY，etal.Experimentandmathematicalmodelingofabench-scalecirculatingfluidizedbedgasifier[J].FuelProcessingTechnology，2001，69：29-44.

[10]TOMINAGAH，YAMASHITAT，ANDOT，etal.Simulatordevelopmentofentrainedflowcoalgasifiersathightemperatureandhighpressureatmosphere[J].IFRFCombustionJournal，2000，6：103-107.

[11]LIUGS，TATEAG，BRYANTGW，etal.MathematicalmodelingofcoalcharrespectivelywithCO2athighpressuresandtemperatures[J].Fuel，2000，79：1145-1154.

[12]CHOIYC，LIXY，PARKTJ，etal.Numericalstudyonthecoalgasificationcharacteristicsinanentrainedflowcoalgasifier[J].Fuel，2001，80：2193-2201.

[13]CHENCX，MASAYUKIH，TOSHINORIK.Useofnumerialmodelinginthedesignandscale-upofentrainedflowcoalgasifiers[J].Fuel，2001，80：1513-1523.

[14]李大中，张瑞祥，包立公，等.生物质发电气化过程的机理建模分析[J].可再生能源，2007，25（3）：39-43.

[15]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京：电子工业出版社，2013.

[16]丛爽.面向MATLAB工具箱的神经网络理论与应用[M].合肥：中国科学技术大学出版社，1999.

（责任编辑：何丽）