基于混合模型的煤气化过程模拟研究

2023-10-18方薪晖安海泉孙凯蒂彭宝仔

煤炭学报 2023年9期

方薪晖，安海泉，刘臻，李烨，孙凯蒂，彭宝仔

(北京低碳清洁能源研究院,北京 102209)

建立煤气化模型是研究气化过程的重要手段，当前煤气化模型主要集中在气化机理模型[1-2]，气化机理模型一般是基于系统处于稳态，其输入变量为运行参数在一段时间的平均值，模型单次运行只能模拟一个工况，这样的单工况机理模型在气化炉设计及研究中已有广泛的应用，孟辉等[3]基于Aspen Plus 软件建立了Texaco 气化炉模型，研究分析了气化炉的水煤浆质量分数、氧煤比和氧气纯度对气化结果的影响。安海泉等[4]使用Unisim 软件建立了500 t/d 水煤浆气流床气化炉模型，根据3 种物料的实验运行结果对模型进行校核和优化。

对于气化炉的在线优化、状态监测及关键参数的软测量而言，往往需要建立精准的在线模型，对气化炉运行过程进行连续不断的模拟计算[5-6]，这时就需要将单工况机理模型进行自动化控制以实现连续运行，形成一种能够进行长周期模拟计算的机理模型，但是机理模型也有其先天的不足，由于气化炉进料煤的煤质多变会导致反应动力学参数不适用[7]，气化炉及附属设备的操作特性也会随时间而发生改变，这就使得气化机理模型难以在长周期范围内保持较高的准确性，长周期机理模型的残差较大是当前面临的一个主要问题，因此有必要对机理模型进行修正。

近年来人工智能的大力发展使得气化炉数据模型受到了很大的关注[8-9]，数据模型避开了气化过程的反应机理，对于原料多变的气化炉有较高的适应性。将数据模型和机理模型结合形成的混合模型既具有良好的预测性又可以借助数据模型来减小残差[10]。笔者首先利用通用流程模拟软件Unisim 建立煤气化单工况机理模型，并将该模型与VBA 相结合开发了气化炉的长周期机理模型，然后对机理模型并联BP神经网络模型的混合模型进行了验证与分析，最后对该混合模型在气化指标预测和气化性能分析方面的应用进行了研究。

1 气化模型的建立

1.1 机理模型

1.1.1单工况机理模型

Unisim 是基于反应动力学来建立气化炉模型，当气化炉处于稳态时，取煤浆流量和氧气流量的24 h 平均值作为模型输入变量。根据气化反应的特点，将气化炉分为热解、气化和激冷3 个区[4]。热解区为全混流反应器，根据热解过程的质量平衡、热量平衡将煤中挥发分裂解成常规小分子，如CO、CO2、H2、H2O、CH4等，热解所需热量与气化过程进行耦合处理。气化区主要包含的反应为：煤的燃烧、气化反应、合成气的燃烧反应、甲烷化反应和水煤气变换反应等，反应方程式如式(1)～(9)所示，其中非均相反应(式(1)～(4))采用未反应收缩核模型[11-12]来计算，通过设置活化能、指前因子等参数来调节各反应速率。Unisim内置的数据校正器 Data calibration utility 可根据工厂运行数据修正各个反应动力学参数，调整炉内各个均相和非均相反应的速率，以匹配不同煤种的反应特性。激冷区为激冷水与高温合成气的接触式换热过程，用闪蒸平衡来描述该过程，不考虑液滴在合成气中的夹带。

1.1.2长周期机理模型

长周期机理模型是在单工况模型的基础上进行开发，其与单工况机理模型最大的区别是：模型输入变量由单一数据源变为一段时间的数据集合，如图1所示。单工况机理模型中的氧气和煤浆流量为一定值，而长周期机理模型中的氧气和煤浆流量则为动态变化的运行实时数据。

图1 模型输入变量对比Fig.1 Comparison of model input variables

长周期机理模型应用Activex 技术，在Excel 的VBA 平台进行自主开发，模型通过VBA 程序对该时间段内的每一个工况进行连续运行，实现长周期的模拟计算。ActiveX[13]是 Microsoft 提出的一组使用部件对象模型(Component Object Model,COM)，使得软件部件在不同环境中进行交互的技术集，Unisim 的Windows 用户界面是一个ActiveX 服务器应用程序，它作为Activex 控件为外部应用程序提供了相应接口，用户通过接口程序把Unisim 模型的输入输出与其他应用程序如过程综合、设计软件或优化算法等相连接，实现软件集成。利用Active X 接口实现Excel 与Unisim 之间的交互如图2 所示。

图2 Excel 与Unisim 交互过程Fig.2 Interaction relationship between Excel and Unisim

1.2 混合模型

混合模型通过机理模型与数据模型的耦合来建立。混合模型以Excel 作为中间平台，在后台调用Matlab 数据模型和Unisim 机理模型，Excel 与Matlab 之间通过插件Excellink 作为接口，实现数据交互的过程如图3 所示。

图3 混合模型数据交互过程Fig.3 Data interaction relationship of the hybrid model

混合模型中的机理模型和数据模型采用并联结构[14-15]，如图4 所示。混合模型计算公式为

图4 混合模型结构Fig.4 Mixed model structure

式中，Y为混合模型输出值；y为机理模型计算值；Δy为神经网络模型输出值。

数据模型采用Matlab 中的BP(Back Propagation)神经网络工具箱来建立，BP 神经网络是目前应用最广泛的神经网络，其思想是梯度下降法，利用此法最终实现预测值与真实值误差、均方差达到最小[16-18]。本文神经网络模型采用3 层网络模型，为2－10－4结构，如图5 所示，该模型属于多输入多输出结构，输入层的2 个神经元为煤浆流量和氧气流量，中间隐含层为10 个节点，输出层的4 个神经元为气化温度，合成气中H2、CO 和CO2摩尔分数的运行值与Unisim机理值的差值，样本量为1 400 组气化炉运行数据。

图5 BP 神经网络结构Fig.5 BP neural network structure

该神经网络的训练集、验证集和测试集的比例分别为75%、15%、15%。根据输入系列(x1，x2，…，xn)和输出序列(y1，y2，…，ym)确定网络输入层节点数n为2、输出层节点数m为4、隐含层节点数为10，并初始化输入层、输出层、隐含层神经元之间的连接权值ωij、ωjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。然后开始隐含层输出计算，根据输入变量x，输入层和隐含层间的连接权值ωij以及隐含层阈值a，计算隐含层输出H。

式中，L为隐含层的节点数；f为隐含层激励函数：

根据隐含层输出H，连接权值ωij和阈值b，计算BP 神经网络的预测输出Δy[19]：

2 结果与讨论

2.1 机理模型验证与分析

2.1.1单工况机理模型

一个男人举起匕首向我冲过来，而我举起早已抓在手里的椅子，狠狠地砸在他头上，木片散落一地，我捡起了匕首，挡在白衣女孩身前，准确无误地将匕首插在扑过来的男人胸口，他捂住心脏，不可思议地瞪大了眼睛，倒在地上。

为考察单工况机理模型对气化指标的模拟精度，本文以国家能源投资集团榆林化工有限公司3 000 t/d水煤浆气化炉为对象，将气化温度、合成气组成作为考察指标，气化温度为气化炉炉膛热电偶测量值。取稳定工况下煤浆流量、氧气流量的24 h 平均值作为模型输入，该工况下的氧煤比为485 Nm3/m3，气化炉热损失为干基煤发热量的3%，煤浆质量分数为62%，模型输出为气化温度、合成气组成等指标，气化区采用Unisim 内置的Calibarion 工具对各反应动力学参数进行校正。原料煤为某矿区低阶煤，煤质数据见表1。

表1 气化原料煤的煤质分析Table 1 Coal quality analysis of gasification raw coal

单工况机理模型的模拟结果见表2，气化主要指标的模拟误差小于5%，由此可知，对于单工况的气化炉模拟，由于煤质不变，气化系统处于稳态，基于反应动力学的机理模型是可以将误差降低至较小范围。

表2 单工况机理模型计算结果Table 2 Simulation results of single working condition mechanism model

2.1.2长周期机理模型

长周期机理模型的输入变量为1 400 min 的煤浆流量和氧气总流量，数据频率为1 组/min，其中煤浆流量、氧气流量选取原则为气化炉整个操作窗口内的数据集合，以保证数据模型具有更广泛的适用性，该气化炉设计负荷为176 m3/h 煤浆，本文煤浆流量为85～170 m3，如图6 所示。

图6 长周期机理模型输入变量Fig.6 Input variables of long period mechanism model

对气化炉开展长周期的模拟，以气化温度为指标来验证长周期模型的准确性。长周期机理模型的模拟值与运行值间的吻合程度采用相关系数来量化表征，相关系数是反应变量之间关系密切度的统计指标，相关系数取值在1～-1。1 表示2 个变量完全线性相关，-1 表示2 个变量完全负相关，0 表示2 个变量不相关。气化温度的平均波动幅度用相对标准差RSD来表征：

式中，N为采集个数；zp为气化温度的离散值；为采集周期内的平均值。

长周期机理模型的模拟值与运行值如图7 所示，可看出气化温度模拟值的变化趋势与运行值保持一致，相关系数达到0.822，同时也可看出模拟值的波动较大，其RSD 是运行值的3.8 倍，由图8 可知在P1 阶段(0～100 min)时，气化炉模拟值与运行值吻合较好，误差在5%以内；但是P2 阶段(100 min 后)，模拟误差增大至-5%～15%；P3 阶段的模拟最大误差变为负偏差-15%，这说明在氧煤比不断变化的工况下，长周期机理模型无法减小气化温度的模拟残差。从气化反应机理分析，P1 阶段模拟误差较小是因为入炉煤的动力学参数与模型内置的参数吻合，使得气化炉模型对合成气组分和热平衡计算与运行值吻合度高，在P2和P3 阶段由于煤质波动较大，其原料煤的反应动力学参数与Unisim 的设定值偏离较大，则难以保证模型的准确性。

图7 长周期机理模型对气化温度的模拟结果Fig.7 Simulation results of gasification temperature by long period mechanism model

图8 长周期机理模型的模拟误差Fig.8 Simulation error of long period mechanism model

2.2 混合模型验证与分析

混合模型采用与长周期机理模型相同的输入变量，煤浆流量、氧气流量及动力学参数均与机理模型保持一致。混合模型模拟结果如图9 所示，以X(CO)、X(CO2)、X(H2)分别表示合成气中CO、CO2和H2的摩尔分数，可看出气化温度、合成气组成在1 400 min内的变化趋势与运行值吻合良好，采用相关系数来表征混合模型计算值与运行值的变化趋势吻合程度，混合模型计算值与运行值间的相关系数R均为0.8 以上，其中气化温度高达0.961，由前文可知机理模型的气化温度模拟值与运行值的相关系数R为0.822，混合模型模拟精度远大于前文介绍的长周期机理模型。

图10 为对1 400 min 的混合模型和机理模型的模拟误差进行统计分析，由图10 可看出混合模型对气化温度、合成气组成的模拟误差均在2%以内，远小于机理模型的计算误差，机理模型计算的H2和CO 摩尔分数的误差在8%以内，CO2摩尔分数和气化温度的最大误差达到18%。

图10 混合模型模拟误差的统计分析Fig.10 Statistical analysis of simulation error of hybrid model

2.3 混合模型的应用

2.3.1气化指标预测

模型的适用性主要体现在工况改变后的模拟精度，对气化炉而言，设计负荷下的气化性能指标与低负荷下有着较大不同，为考虑更换工况后的混合模型的模拟精度，本文对不同工况下的气化指标进行模拟预测。如前文所述，该混合模型是基于气化炉负荷在煤浆流量70～170 m3/h 时来建立，本文考察当气化炉负荷为60%(煤浆流量104～108 m3/h)时混合模型的预测性。混合模型对气化温度的预测结果如图11 和图12 所示，由此可知，在更换工况后，混合模型仍然有较高的准确性，在P1 阶段(0～170 min)气化温度的模拟误差在4%以内，在P2 阶段(170～1 400 min)模拟误差减小至2%以内，对比初始混合模型可知，该负荷下混合模型对气化温度的预测误差稍增大一点，模拟误差由之前的2%增大至4%以内。值得注意的是该负荷下混合模型误差为负偏差，即模拟值偏小，而且该负荷下的气化温度运行值与模拟值的相关性系数R为0.646，也明显低于初始模型的0.822。

图11 混合模型误差分析Fig.11 Error analysis of hybrid model

图12 60%装置负荷下混合模型对气化温度的预测Fig.12 Prediction of gasification temperature by hybrid model under 60% unit load

2.3.2气化性能分析

基于混合模型和机理模型，对不同氧煤比下的气化性能进行了分析。如图13 所示，混合模型中氧煤比对气化指标的影响规律与机理模型保持一致。随着氧煤比从480 Nm3/m3增加至498 Nm3/m3，混合模型计算的气化温度由1 160℃升高至1 306 ℃，合成气中CO2摩尔分数由18.6%升高至19.9%，CO 摩尔分数由42.6%降低至42.0%，H2摩尔分数由37.7%降低至36.8%，该变化规律符合煤气化反应机理，也与其他学者的研究结果相一致[3,20-21]，但是从图13 也可看出，机理模型计算的气化指标随氧煤比变化较为平滑，混合模型中的气化指标变化则呈波动性，这主要是由于因为混合模型是在机理模型基础上耦合了BP神经网络模型，BP 神经网络对机理模型计算值起到了修正作用。以各个氧煤比下，混合模型对气化指标的计算值与机理值的偏差均值作为修正值，混合模型对气化温度的修正为正偏差，即混合模型中的气化温度计算值高于机理模型约38 ℃，混合模型对合成气中CO、CO2、H2的摩尔分数分别修正了-1%、-0.9%、1.5%。