基于数据驱动的煤化工气化炉配煤优化研究

郑浩天

摘要：煤化工行业对于我国的发展尤为重要，而美化工行业中，气化炉的配煤方式不仅仅会影响到煤化工行业的配煤成本，还关系到相关企业的发展。为了让气化炉的配煤方案最优化，就要以成本为最终的目标，而约束条件则是产气量，利用数学建模的方式进行相关运算，进而对气化炉的配煤方式进一步优化，让煤化工行业能够有更好的发展。

关键词：配煤成本，配煤优化，气化炉

引言

煤炭是中国乃至世界的基本能源来源，也是工业原料的最主要来源，而中国更是需要大量使用煤炭来进行工业的发展。早在二十世纪中期，煤炭作为提供能源的重要原料，在我国的能源消费结构中就占有90%的高比例。到了二十世纪中后期，随着石油的发现以及科学化的开采，煤炭在能源消费结构中才有所下降，但仍超半数。化学工业对于煤炭的需求量极大，在该行业中，每年的煤炭消费量占我国总煤炭消费量的11.5%，由此看来，煤炭的高效使用以及煤炭资源的合理利用有着重要的意义。

而多种动力配煤可以改变煤炭原有的物理特性，对于燃烧特性也会有一定的改变，这种改变能够让煤炭达到燃烧设备对于煤炭质量的要求，从而达到提高煤炭燃烧速率，也能够降低相关企业的生产成本，合理地配煤方式能够减少煤炭因燃烧所产生的各类污染物，减少污染物的排放。现如今，多数的类似企业依然按照经验进行配煤，而且多数配煤方式都是以两种煤炭掺配的形式进行。毫无疑问，这种方式的配煤能够达到一定的效果，但实际上这只是经验之谈，对于实际的配煤方式的相关理论的形成的指导性并不是特别的强，而且没有大量数据的支撑，也不能够判断配煤能否满足气化炉的需求。换言之，这种经验驱使的配煤方式很难达到配煤最优化的效果。在大数据充斥着我们生活的时代，充分利用数据驱动建立模型的方式去进行配煤优化，是当下最简单便捷的方式，而如何利用数据驱动进行气化炉配煤的优化，是相关行业人员需要研究的重点问题。

一、建立数学模型

现如今，多数煤化工企业的气化炉可用的煤的种类较多，而企业多数是在众多煤中选择一种符合要求的煤作为原料煤进行气化工作。要对配煤优化方式进行研究，降低生产的成本，可以根据企业所在地的煤炭资源进行分析，按照气化炉的要求，将多种煤进行线性掺配，并且记录数据。在理论数据获得以后，就能够解决煤库单煤库存不足的情况下正常生产的问题，还能够降低生产的成本。

线性配煤的方式实际上要以入炉的煤质量要求以及最低成本作为约束，对其他煤炭与主要使用的煤进行线性没配，以此得到多种配煤的比例。利用数学模型，对配对的煤的组合加参数进行线性计算，最终得出各组煤的煤质量数据。在数学模型建立过程中，输入数据应当是气化炉在实际生产过程中的配煤质量以及消耗的煤的重量数据，而最终的输出数据应当是产出的合成气的数据，利用网络建设以数据驱动的模型，以此进行产气量的最终预测，再利用这一结果进一步分析搭配好的煤的经济效益，与成本进行对比，最终再对配煤iLike进行简单的调整，已达到成本最低的目的。

二、主要参数的选取

根据气化炉现有的燃烧性能，配煤的限制因素包含水分、灰分、挥发分、固碳含量、硫含量等多种因素，而在配煤的过程中，这些因素应当作为约束条件，并且将其应用于各类大数据驱动模型之中。当然，这些因素的参与，会让模型变得更加的复杂，其计算难度也会大大增加，更有可能会出现约束条件过多导致模型无法完全满足所有条件的情况。因此在建立模型前，需要对这些影响因素进行分类，对于强关联性的因素例如灰分、全水分、固定碳因素具有强关联性，可用灰分作为主要参数，只要一个参数满足条件，其他参数也能够满足。类似操作方式还能将其他的约束因素进行分组，并且选出较有代表性的因素作为目标函数的主要约束条件，以此确定最终用于模型的约束条件，简化模型。

约束参数确定以后，就必须要对参数的具体范围进行确認，首先参数范围必须要符合气化炉的设计要求，这是基础要求，所有的设计都是为了能够让气化炉的效率最大限度的进行高，因此气化炉的设计要求应当摆在首位。其次，需要对气化炉的产出合成器与煤炭消耗量的比例作为参照的标准，而这个比例越高，产能也就越高，相对应的煤质也就越好。选择参数范围时，可以利用平均数的方式将数据进行分类聚集，最终选出最好的参数约束范围。

三、目标函数的设定

对于煤化工企业来说，降低原料的成本才是最关键的，这也是众多企业追求的目标。而数据驱动下的气化炉配煤优化的计算模型可以根据实际的情况设定目标函数。例如有i种单煤参与配煤，那么第i种单煤的运输成本和单价的总和就设定为Ai，配煤比例为Xi，而设定的函数为F（x），那最终目标函数的模型可以用下式表示：

而煤化工企业可以选择用企业所使用的单煤的煤质参数进行设定，以价格最低化为优化的最终目标，而此函数实际上就是最小值，而帕累托的自由算法能够有效地解决最大值以及最小值的问题。企业在进行函数预设以后，就可以根据预设的函数在计算机上形成一套可以计算配煤最优化的算法流程，利用建模以及优化算法去进行仿真求解，最终得出最优化的煤质配比。

将优化后的配煤方案与企业原有的配煤方案进行对比，能够得到相对应的煤的煤质参数，经过对比后不难发现，优化后的配煤方式虽然与单煤的煤质差距很小，但实际上在价格上来说，经过优化的配煤方式的在价格上会比原有的配煤方式要低得多，也就是说，这种形式的配煤优化是可用的。

实际上，如今不少的企业为了降低成本，一直都在致力于相关的研究，但就目前研究情况看来主流的配煤方式依然主要分为两种，一种是按照工作经验用不断试验的方式进行配煤比例的试探，这种方式多数是按照平均比例来进行的，而配煤比例也是按照平均值去进行的，然后再不断地进行调整，在配煤完成后，再根据实际的情况去进行试验，方才找出最好方案。但实际上，这种方式有很大的不确定因素的存在，在尝试的过程中，可能会发生的对气化炉的损害又或者是对成本的影响都是不得而知的，其中所承担的风险也会相对较高。而另一种方法则是以一种价格高且质量好的煤作为主煤，用一种低的煤作为辅煤进行搭配，而且主煤的比例不断的下降，以下降式的模式进行配煤，并且最后将配得的煤进行燃烧，记录所得到的数据。经过多次的试验所得出来的数据去进行配比的调整，最终得出一个主煤的最小比例，而从成本上来说，主煤的比例越小，成本也就越低。实际上，这种方式的可行性极强，只是需要耗费的时间以及人力物力会相对较多，而且最终得出的比例也并不是最准确的比例，这个比例相对比较模糊，因此一旦出现某一煤质发生变化时，相关的尝试就需要再次启动，并且要重复以往的所有做法，这将会再次投入大量的成本，该配煤方式的适用条件极其狭窄，不能够真正做到配煤效益最大化以及成本最小化。

从整体上来看，基于数据驱动的数学建模的方式能够准确的获得煤质的参数，还能够得出配出煤的成本价格，以这种方式进行的配煤优化漠视能够有效解决煤产量不足的问题，还能够为煤化工企业有效的降低生产成本。而混配煤得到了煤质参数以后，可以对所配的煤质进行全面的了解以及分析，这种分析方式通常会选用BP神经网络建模，最终通过各种参数进行分析，得出最终所配煤的产气量。

BP神经网络建模实际上是模仿动物的神经网络行为特征，进行分布式的并行信息处理的一种算法数学模型，而这种模型能够调整内部大量的节点之间的关联关系去处理所输入的信息，并且最终输出逼近期望值的输出值。该模型可以通过设置合适的节点以及各种可能出现的函数等参数，在误差范围内得到准确的预测模型，对于相关企业来说，利用BP神经网络建模可以大大降低建模的难度，也能够让模型的建立更加迅速，为后续的数学模型的测试预留出足够多的时间。

优化配煤必须要根据需要又或者是实际的情况进行约束条件的设置，例如水分的约束，灰分的约束等等，再进行单煤煤种参数的输入，最终结合各种数据进行优化。系统会根据预设的优化方法进行配煤优化，并且最后进行配煤微调，最终得出配煤结果。在结果获得以后系统还会对产气量进行模拟计算输出最终的产气量，并且在综合两种结果的前提下进行对比，评价给配煤效果的优良中差。

四、结语

配煤优化是现如今煤化工企業降低成本，提高效率的一个重要途径，而传统的配煤优化具有消耗时间长，消耗人力物力过多的缺点，对于美化工企业来说投入过大，因此最终优化的结果并不能给企业带来过多的改变。而基于数据驱动的数学建模的模式进行配煤优化则能够很好地解决这些缺点，可以用最好的方式进行配煤优化，以此解决煤化工企业的单煤储备不足的问题，还能够降低成本，提高企业的生产效率，对于煤化工企业的发展而言，这种配煤优化模式更有优势。

参考文献：

[1]崔桂梅，张勇，石琳.基于数据驱动的高炉冶炼过程的建模与优化研究[J].中国科技成果，2019：22-22.

[2]吴海.基于煤质工程分析的动力配煤优化研究[J].引文版：工程技术，2016：242.

[3]杨鹏，张勇，袁晨博，贾风军.基于数据驱动建模的气化炉配煤成本优化研究[J].煤化工，2020：26-30.

河南玖迈建筑工程有限公司  河南  洛阳  471000