基于混合模型的气流床气化炉建模

2021-06-03姚源朝仇鹏许建良代正华刘海峰

化工学报 2021年5期

姚源朝，仇鹏，许建良，代正华，刘海峰

（华东理工大学资源与环境工程学院，上海市煤气化工程技术研究中心，上海200237）

引言

气流床气化是目前最主要的气化技术，具有气体产物清洁、碳转化率高等优点[1]。但气化炉的操作状态易受工艺参数变化的影响，具体表现为煤质波动、进口物料流量及浓度的波动等。同时由于不确定因素的影响导致煤气化性能难以长期保持最优值。为了克服上述困难，有必要建立一个可以精准预测的气化模型，为实现生产系统稳定高效运行提供理论价值和现实指导[2]。

目前应用广泛的气化炉模型主要分为机理模型[3-5]、数据驱动模型以及混合模型。Dai等[6]基于吉布斯自由能最小化原理建立了粉煤气化系统模型，实验证明仿真结果与不同工况下的中试数据吻合较好。Watanabe等[7]将脱挥发分、煤焦气化和气相反应子模型用于大涡模拟，获得了较高准确性的数值解。杨俊宇[8]结合流场分析和反应动力学，建立了多喷嘴气化炉的反应器网络模型，模拟的气固停留时间分布与实验结果吻合良好。上述机理模型均建立在较可靠的过程方程基础上，因此在适用范围内能合理地预测结果。然而气化过程极为复杂，各机理模型均采取了不同程度的简化，使其适用范围受到限制。

数据驱动模型具有逼近任意函数的学习能力，且不需要详细的过程机理知识，具有很强的泛化能力[9]。赵锦超等[10]以Shell粉煤气化炉为例，利用三层误差反向传播(BP)神经网络对气流床粉煤气化炉进行模拟研究，训练后的BP神经网络模型可以有效地预测实际生产过程。Chen等[11]根据5个不同水平表观输入因子及得到的界面，分别建立了BP神经网络和GRNN模型，检验证明两种模型均能很好地捕捉界面能量与各因素之间复杂的非线性映射关系。同时，由于缺乏对过程机理的认识，数据驱动模型在面对操作窗口过大及突发状况时往往出现过拟合或欠拟合的问题，有可能产生较大的安全风险[12]。

混合模型通过某种形式将机理模型及数据驱动模型进行耦合以取长补短，充分利用了过程的各种先验知识，从而极大降低了数据驱动模型对样本量的要求[13]，具有良好的局部逼近能力。根据排列属性，将混合模型分为串联式和并联式。在串联式混合模型中，数据驱动模型可以通过大量现场数据修正机理模型参数，提高模型的预测效率，减少模型的整体复杂程度。Liu等[14]针对乙烯裂解生产过程中结焦机理模型参数难以测量的问题，提出一种混合模型测量结焦量的方法，来确定机理模型参数。仿真结果表明：该混合模型可以克服传统结焦机理模型难以准确测量的缺点，且避免“黑箱”模型过分依赖数据的不足。王惠杰等[15]通过机理与统计结合的方法，对燃气轮机进行混合建模，更全面地了解燃气轮机变工况运行过程中各参量的相互影响关系，解决了关键数据和资料缺少所造成的理论问题。关于并联式混合模型，郭晶晶等[16]基于加氢绝热反应流程，建立了一种基于过程特性的自适应迭代混合模型。将机理模型和数据驱动模型进行有效融合，以提高模型的预测精度。数据驱动模型对误差补偿机制进行更新，同时与现有机理模型的仿真对比结果表明，自适应迭代并联模型能更有效地跟踪实际系统，具有更高的预测精度。叶贞成等[17]提出了一种机理与机器学习结合的混合建模方法，利用机理模型的能质约束充分降低了神经网络模型的约束违反度，解决了单一建模无法满足工厂实际的需求等问题。

本文针对煤气化过程中的煤质波动、强滞后、非线性等一系列问题，提出了一种机理与数据驱动结合的混合建模方法，对煤气化炉进行模拟。通过机理模型描述气化过程特性，掌握混合模型的全局特征；数据驱动模型可作为函数逼近器，弥补机理模型的建模偏差，为工业生产中的优化指导提供理论基础。

1 气化炉混合模型

1.1 机理模型

对于气流床气化工艺来说，干燥处理之后制成的煤粉经高压氮气输送到气化炉内，与氧气和水蒸气一起反应。在气化炉内的反应，第一步是挥发分的析出和燃烧过程，其温度达到1700～2300 K。然后进入煤焦的反应区，由于气化反应温度很高，所以合成气中不含焦油等化合物。反应区的衬里通过水冷壁进行冷却，同时产生高温高压的蒸汽。因此，气流床粉煤气化工艺主要分为三个部分：煤粉热解、挥发分燃烧以及焦炭气化反应[18]。

在气化过程中，煤吸收热量后，升温、水分蒸发、低挥发分裂解产物逸出。根据煤的热解反应模型，挥发性物质由CO、H2、CO2、H2O、H2S、N2、CH4和C6H6等气体组成。因此煤热解后，可燃气体将与送入气化炉的氧气发生反应。同时由于气体燃烧的反应速率非常快，可认为反应瞬间完成[19]。在挥发分燃烧过程之后，来自煤热解的焦炭通过与气相中的气体反应而进一步气化,主要分为非均相反应和均相反应。非均相反应速率是根据未反应芯缩核模型[20]来进行计算，均相反应采用动力学模型进行计算。根据上述反应，气化炉通过构建反应器进行分区模拟。建立的机理模型如图1所示。

图1 机理模型流程图Fig.1 Flowchart of mechanism model

1.2 机理模型验证

本文选取1、2号煤样，根据上述建模方法，针对煤气化工艺建立机理模型。两种煤样的煤质分析数据如表1所示。

表1 煤质分析数据Table1 Coal quality analysis data of coal

将上述两个煤种工艺生产中的氧气流量与煤浆流量输入机理模型中进行模拟，将模拟结果分别与工厂数据进行比较。同时选择气化温度及CO、CO2、H2含量作为煤气化过程的工艺指标，对比结果如表2所示。

由1、2号煤样的模拟结果可知，采用机理模型所得到的模拟结果和工厂实际运行数据较为吻合，但仍然存在一定的误差。煤的气化过程是非常复杂的，其机理尚未全面清晰地认知，导致机理建模仅能够在某种程度上反映部分过程，无法准确地表述系统行为。因此建立的机理模型与客观事实之间存在一定的误差，很大程度上限制了机理模型的应用范围。

1.3 GRNN建模

GRNN模型是一种包含四层的前馈型神经网络，如图2所示，分别为输入层、模式层、求和层和输出层，相对应的网络输入X=[x1,x2,…,xn]T，其输出Y=[y1,y2,…,yk]T。并且每一层在进行数据处理时，都会分派到一个特定的神经元传递函数来进行非线性回归。在训练过程中，GRNN模型不必调整神经元之间的权值。唯一需要确定的为光滑因子，避免了主观影响预测结果可能性的发生[21]。因此，GRNN在信号传递过程、能源等各个领域得到了广泛的应用[22-24]。

图2 GRNN模型结构示意图Fig.2 Schematic diagram of GRNNmodel structure

输入层的神经元数目和学习样本中输入向量的维数相同。各神经元是简单的分布单元，可以直接将输入变量传递至模式层。模式层神经元的数目等同于学习样本的数目，各神经元对应不同的样本。求和层使用两种类型进行求和。一类是针对所有模式层中神经元输出进行算术求和，其模式层与神经元连接权值为1；另一类是针对所有模式层神经元进行加权求和，输出层中的神经元数目与学习样本输出向量的维数相同，各神经元中求和层输出进行相除。

表2 模拟结果与工厂数据Table 2 Simulation results and plant datas

GRNN模型的理论基础是基于非线性回归分析得到的，工作原理来自统计学中概率论等相关思想。当该网络被用作函数逼近时，其网络输出可被理解为网络输入相关的回归函数。对密度函数进行泊松估计，得到密度估计函数之后，代入进行计算，可得随机变量y的预测输出[25-27]。

式中，Xi，Yi为随机变量x，y的样本观测值；n为样本容量；σ为光滑因子。

对于GRNN模型而言，在网络的训练学习过程中，唯一需确定的参数为平滑因子σ[28]。若σ值过大，则期望输出变化过于平滑，从而影响拟合效果，造成欠拟合现象；若σ过小，则变化趋于陡峭，会造成较大的预测误差。因此可以通过建立适当的目标函数，基于最小均方误差的交叉验证搜索算法[29-31]求取最佳的σ值。

1.4 GRNN模型验证

选取1号煤样的工厂数据（80组）进行筛选和预处理，建立GRNN模型的训练集（68组）和预测集（7组）。将干煤量、水量与氧气流量作为输入参数，气化温度与气体组成作为输出结果。通过交叉验证搜索算法求取最佳的光滑因子，建立GRNN模型，完成输入参数和输出结果的非线性映射。随机选取预测集中的一组数据，运用GRNN模型进行模拟，其预测结果如表3所示。

表3 GRNN模型预测结果与工厂数据Table 3 Prediction results of GRNN model and plant data

由上述结果可得，在已训练的情况下GRNN模型的预测结果与工厂的实际数据比较契合，误差较小。但是在未经训练的情况下，GRNN模型的预测结果和工厂的实际数据偏差较大。因此可以得知，GRNN模型的预测能力和训练样本有很大的关系。在训练样本之内有非常好的预测效果，同时泛化能力较差。

2 混合模型

2.1 混合模型的建立

为了模型模拟得更加精确，建立机理与GRNN结合的混合模型。将干煤量、水量与氧气流量作为神经网络模型的输入参数，工厂数据中气化温度、气体组成与机理模型预测结果的差值作为神经网络模型的输出结果。GRNN模型预测的结果与机理模型结合之和为混合模型的预测输出。

机理模型与GRNN模型结合的混合模型流程如图3所示。首先对工厂的数据进行采集、筛选和预处理，得出训练样本空间。选取煤量、氧气流量和水量作为神经网络模型的输入，分别为X=[x1,x2,…,xn]T；气化温度和气体组分在机理模型和工厂数据中的差值作为网络模型的输出，分别为Y=[y1,y2,…,yk]T，以此建立GRNN模型。通过GRNN模型预测出气化温度和气体组分关于工厂数据与模拟结果中的差值y2，与机理模型预测结果y1之和为混合模型的输出y。

同时收集该工况下的工厂运行数据，输入训练样本空间中重新训练，建立新的人工神经网络模型，并应用到混合模型的模拟和预测中。GRNN模型对机理模型的模拟值起到残差补偿的作用。

2.2 混合模型验证与分析

为了验证预测效果，选取机理模型与GRNN模型验证时相同的流量输入，训练及预测样本数据和GRNN模型相同。采用混合模型对以下两种情况进行预测分析，并与工厂数据进行比较：①在煤种不变的情况下对气化炉工况进行预测：②在煤种改变的情况下检验混合模型的预测准确度。本文选用1、2号煤样对混合模型的预测精度进行检验。

气化温度、CO以及H2含量为气化生产中常见的工艺指标。因此以工厂工况的操作窗口为边界，均匀选择4种工况，定为煤种固定情况下的工况波动。在工况改变的情况下，如继续按照初始的气化炉负荷进行模拟计算的话，预测结果将和实际生产数据有较大的偏差，进而产生比较大的安全隐患。因此在工况从正常值波动到随机选取的4种工况时，通过上述模型分别对煤气化结果进行预测，分析三者模拟结果和工厂数据的偏差。模拟结果如表4所示。对四种工况中关于每个输出的模拟结果偏差取平均，如图4所示，以此来判断模型的优劣。

图3 混合模型流程图Fig.3 Flowchart of the hybrid model

结合上述图表可得：机理模型、GRNN模型以及混合模型的预测结果与工厂数据较为接近，预测误差都在5%以内，证明三种模型均可以有效地模拟气化炉的气化过程，得出合理的气化结果。同时机理模型关于气化温度和CO、CO2及H2含量的预测误差为0.32%和0.67%、3.34%及1.76%；GRNN模型的预测误差为1.95%和1.09%、4.74%及1.68%；混合模型的预测误差为0.18%和0.25%、1.72%及0.43%。由图4也可以看出，与另外两种模型相比，混合模型预测效果是最好的一个。

同样，以1号煤样为例，在该种煤样正常气化时，进料煤变为2号煤样。在这种情况下，如果继续按照1号煤样的煤质分析数据进行预测，气化结果将会有很大的偏差。所以需要运用混合模型对新煤样的输出结果进行预测，保障气化过程的安全稳定。因此本文假定在这种情况下，以工厂的正常氧气流量为基准，选取其85%、90%、100%以及105%的流量作为验证集的氧气流量，对气化结果进行预测。预测结果及误差分析如表5所示。

表4 煤种固定情况下的模型预测结果Table 4 Prediction results of model with fixed coal type

表5 煤种改变情况下的模型预测结果Table 5 Prediction results of the model under the change of coal type

图4 煤种固定情况下的混合模型预测误差示意图Fig.4 Schematic diagramof the prediction error of the mixed model under the fixed coal type

图5 煤种改变情况下的混合模型预测误差示意图Fig.5 Schematic diagram of the prediction error of the mixed model when the coal type changes

选取与煤种固定情况相同的数据处理方式，建立了三种模型的预测结果和预测误差示意图。结合图5、表5可得：在煤种改变的情况下，机理模型、GRNN模型和混合模型一定程度上可以反映气化过程的真实性。同时机理模型关于气化温度和CO、CO2及H2含量的平均预测误差为1.23%和0.48%、7.91%及1.20%；GRNN模型的预测误差为1.59%和4.00%、5.09%及7.52%；混合模型的预测误差为0.81%和0.11%、2.53%及0.42%，是三个模型中最准的。不过结合图4、图5和表4、表5可以看出，相比煤种固定情况来说，在煤种改变情况下的混合模型预测结果中某些数据误差会稍偏大一点。这可能是因为GRNN模型是以单一煤种的气化结果为依据进行建立的，之后研究会针对性地进行改进。

结合上述两种情况可以得出：混合模型的结果与实际数据的偏差更小，代表混合模型具有更高的预测精度。因此针对煤气化工艺来说，将数据驱动建模的结果作为残差补偿和机理模型进行叠加，预测效果会更好。其中机理模型描述过程特性的总规律，把握混合模型的全局特性；数据驱动模型作为函数逼近器，弥补机理模型的建模偏差，把握混合模型的局部特性。