陳鴻偉, 祁海波, 梁占偉, 楊 新

(華北電力大學(xué)能源動(dòng)力與機(jī)械工程學(xué)院,保定 071003)

當(dāng)今世界經(jīng)濟(jì)的高速發(fā)展以化石能源的過度消耗為代價(jià),對(duì)化石燃料的過度依賴造成了世界范圍的能源危機(jī),大力發(fā)展可再生能源是解決能源危機(jī)實(shí)現(xiàn)可持續(xù)發(fā)展的必然要求.生物質(zhì)作為一種新型能源,是世界第四大能源,熱分解、氣化和燃燒是生物質(zhì)能量轉(zhuǎn)換的主要技術(shù)[1].傳統(tǒng)的生物質(zhì)能源利用大都是進(jìn)行直接燃燒以獲取能量,其碳利用率不足15%,而生物質(zhì)氣化技術(shù)可實(shí)現(xiàn)其高效、清潔利用,開發(fā)該技術(shù)具有十分重要的現(xiàn)實(shí)意義和戰(zhàn)略意義[2].

目前,生物質(zhì)氣化技術(shù)在常規(guī)循環(huán)流化床中有一些應(yīng)用,其缺陷為:生成氣中帶出物較多、熱值較低、碳回流難以控制和碳轉(zhuǎn)化率較低.雙循環(huán)流化床生物質(zhì)氣化技術(shù)是新型生物質(zhì)利用技術(shù),它將生物質(zhì)的燃燒與氣化分開[3],生物質(zhì)在氣化室中進(jìn)行熱解氣化,未完全氣化的半焦在燃燒室中燃燒放熱,加熱載體并產(chǎn)生過熱蒸汽[4],熱載體攜帶熱量進(jìn)入氣化室,提供生物質(zhì)氣化需要的熱量[5].該新技術(shù)增加了床料在床內(nèi)的停留時(shí)間,提高了碳轉(zhuǎn)化率,產(chǎn)生的可燃?xì)饩哂械秃俊⒏邿嶂岛偷徒褂秃康膬?yōu)點(diǎn),國內(nèi)外學(xué)者已經(jīng)在進(jìn)行相關(guān)的研究[6-8].

由于熱態(tài)雙循環(huán)流化床生物質(zhì)氣化裝置中最復(fù)雜的傳熱傳質(zhì)過程發(fā)生在燃燒室內(nèi),筆者定義燃燒室內(nèi)單位時(shí)間內(nèi)通過提升管某截面的固體物料量為顆粒循環(huán)流率GS.雙循環(huán)流化床生物質(zhì)氣化技術(shù)的關(guān)鍵是控制雙循環(huán)流化床內(nèi)的顆粒循環(huán)流率,GS越大兩床之間溫差越小,就能維持較高的氣化室溫度[9].提升管送風(fēng)特性對(duì)顆粒循環(huán)流率有一定的影響,這些特性包括提升管流化風(fēng)速、二次風(fēng)量QS及二次風(fēng)送風(fēng)方式、二次風(fēng)口高度和風(fēng)口數(shù)量等,但目前相關(guān)課題的研究報(bào)道還很少.BP網(wǎng)絡(luò)預(yù)測(cè)模型實(shí)現(xiàn)了輸入到輸出的映射,適合求解內(nèi)部機(jī)制復(fù)雜的問題,并能夠用于系統(tǒng)的運(yùn)行控制.因此,筆者通過大量試驗(yàn)數(shù)據(jù)建立、訓(xùn)練并優(yōu)化了基于LM優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,并對(duì)提升管送風(fēng)特性影響下的GS進(jìn)行預(yù)測(cè),且與試驗(yàn)結(jié)果進(jìn)行對(duì)比.

1 試驗(yàn)系統(tǒng)

試驗(yàn)臺(tái)主體由有機(jī)玻璃制成,包括提升管、旋風(fēng)分離器、立管、氣化室、返料管和輔助系統(tǒng).試驗(yàn)臺(tái)的裝置示意圖見圖1.氣化室內(nèi)徑為200 mm,高2 m,頂部設(shè)有加料口,以方便進(jìn)行加料;立管內(nèi)徑50 mm;在立管上安裝有蝶閥用來測(cè)量系統(tǒng)內(nèi)的顆粒循環(huán)流率;提升管內(nèi)徑為75 mm,高6 m,在提升管下部不同高度用不同方式布置多層二次風(fēng)口;返料管內(nèi)徑為30 mm,為了減少兩床之間的串氣,返料管安裝角度為55°;提升管和氣化室的送風(fēng)由兩臺(tái)風(fēng)機(jī)提供,風(fēng)機(jī)型號(hào)9-26No5.6;用蝶閥控制空氣流量,采用轉(zhuǎn)子流量計(jì)測(cè)量空氣流量.

試驗(yàn)物料為石英砂,篩選277～401μm的石英砂顆粒,顆粒球形度為0.73,顆粒密度為2650 kg/m3,堆積密度為1650 kg/m3;氣化室靜床高18 cm,返料管口距布風(fēng)板8 cm,靜床料埋管10 cm,以消除物料高度對(duì)GS的影響.

圖1 雙循環(huán)流化床試驗(yàn)裝置示意圖Fig.1 Ex perimental setup of the dual circulating fluidized bed

2 試驗(yàn)結(jié)果及分析

試驗(yàn)研究了提升管流化風(fēng)速、二次風(fēng)量、二次風(fēng)送風(fēng)方式、二次風(fēng)口高度及風(fēng)口數(shù)量對(duì)雙循環(huán)流化床GS的影響.為使GS不受氣化室參數(shù)影響且保證物料流化,設(shè)定氣化室風(fēng)速u1=1.41 m/s.

2.1 提升管流化風(fēng)速的影響

顆粒循環(huán)流率隨著提升管流化風(fēng)速up的增大而增加,如圖2所示.這是由于流化風(fēng)速增加,提升管由密相區(qū)進(jìn)入飛濺區(qū)的物料增加,到達(dá)二次風(fēng)口以上的物料被及時(shí)帶走,密相區(qū)顆粒濃度減小,對(duì)返料管返料阻力減小,單位時(shí)間參加循環(huán)的物料顆粒增多.

2.2 提升管二次風(fēng)量的影響

試驗(yàn)發(fā)現(xiàn),顆粒循環(huán)流率隨二次風(fēng)量QS增大而增加.二次風(fēng)量對(duì)顆粒循環(huán)流率的影響見圖3.增加送入提升管的風(fēng)量,即增大QS,使提升管內(nèi)的風(fēng)速增大 ,能夠到達(dá)二次風(fēng)口以上的物料被及時(shí)帶走,提升管內(nèi)壓力減小,物料運(yùn)行阻力減小,物料運(yùn)動(dòng)加快,因此GS隨著QS增大而增加.當(dāng)提升管風(fēng)速達(dá)到一定的值(QS=0.0208 m3/s)后,飛濺區(qū)顆粒濃度降低,提升管底部的孔隙率變化幅度減緩,兩床間的壓差變化也相對(duì)放緩,GS增加幅度也趨于平緩.

圖2 提升管流化風(fēng)速對(duì)顆粒循環(huán)流率的影響Fig.2 Effect of fluidized air velocity in riser on the solid circulation rate

圖3 二次風(fēng)量對(duì)顆粒循環(huán)流率的影響Fig.3 Effect of secondary air flow rate on the solid circulation rate

2.3 提升管二次風(fēng)送風(fēng)方式的影響

試驗(yàn)中設(shè)置了4種提升管的二次風(fēng)送風(fēng)方式,四口徑向、四口切向和兩口徑向、兩口切向,見圖4.

圖4 提升管二次風(fēng)口的四種方式Fig.4 Four structures of secondary air tuyere for the riser

試驗(yàn)發(fā)現(xiàn),當(dāng)二次風(fēng)徑向送入提升管時(shí)顆粒循環(huán)流率比切向送入時(shí)大,如圖5所示.

二次風(fēng)切向送風(fēng)循環(huán)流率較小的原因是:提升管內(nèi)徑較小,顆粒受離心力作用貼壁嚴(yán)重,壁面附近顆粒團(tuán)聚加重,顆粒團(tuán)加速較慢;軸向中心區(qū)域風(fēng)速較高,但物料濃度低,壁面附近顆粒濃度雖然高,但風(fēng)速較小,造成GS下降;邊壁處顆粒受到的壁面摩擦力較大,顆粒上升需要克服的阻力明顯增大.

圖5 二次風(fēng)送風(fēng)方式對(duì)顆粒循環(huán)流率的影響Fig.5 Effect of secondary air supply mode on the solid circulation rate

2.4 提升管二次風(fēng)口高度的影響

當(dāng)提升管風(fēng)速較低時(shí),風(fēng)口高度對(duì)顆粒循環(huán)流率影響不大,部分顆粒達(dá)不到快速流態(tài)化所需曳力,此時(shí)風(fēng)速是顆粒循環(huán)流率的主要制約因素.當(dāng)提升管風(fēng)速逐漸增大時(shí),風(fēng)口以上顆粒所受的曳力迅速增大,達(dá)到快速流態(tài)化,但在二次風(fēng)口以下位置風(fēng)速較低,到達(dá)二次風(fēng)口以上的物料相對(duì)較少,此時(shí)二次風(fēng)口高度成為顆粒循環(huán)流率的主要制約因素.因此,隨著二次風(fēng)量的增加,顆粒循環(huán)流率也增加,且幅度有增大的趨勢(shì),如圖6所示.

圖6 二次風(fēng)口高度對(duì)顆粒循環(huán)流率的影響Fig.6 Effect of tuyere height on the solid circulation rate

2.5 風(fēng)口數(shù)目的影響

提升管上布置4個(gè)二次風(fēng)出口比布置2個(gè)二次風(fēng)口時(shí)管內(nèi)流場(chǎng)更均勻,具有更好的空氣動(dòng)力場(chǎng),截面顆粒分布不均的狀況有所改善,顆粒團(tuán)聚現(xiàn)象減少.風(fēng)口較少時(shí),流場(chǎng)不均勻,隨著風(fēng)口的增加,提升管內(nèi)流場(chǎng)趨于均勻,使得顆粒循環(huán)流率增加,如圖7所示.

圖7 風(fēng)口數(shù)目對(duì)顆粒循環(huán)流率的影響Fig.7 Effect of tuyere number on the solid circulation rate

3 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)及結(jié)果分析

3.1 BP神經(jīng)網(wǎng)絡(luò)及LM算法簡(jiǎn)介

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),包括輸入層、隱含層和輸出層,是利用非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的網(wǎng)絡(luò),其基本學(xué)習(xí)過程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過程組成.預(yù)測(cè)值與真實(shí)值之間的誤差從輸出層經(jīng)過隱含層逐層修正各連接權(quán)值,最后回到輸入層,也叫“誤差逆?zhèn)鞑ニ惴ā盵10],如圖8所示.標(biāo)準(zhǔn)BP算法存在一些不足,如易形成局部極小而得不到全局最優(yōu);訓(xùn)練次數(shù)多使得學(xué)習(xí)效率低,收斂速度慢[11].為了提高其性能,BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)主要有2種途徑:一是采用啟發(fā)式學(xué)習(xí)方法;二是采用更有效的優(yōu)化算法.

圖8 n個(gè)輸入、1個(gè)輸出、i個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)Fig.8 Schematic diag ram of a BP neural network

LM(Levenberg-Marquardt)算法是梯度下降法和高斯-牛頓法的結(jié)合,既有高斯-牛頓算法的快速收斂特性又有梯度下降法的全局特性,網(wǎng)絡(luò)訓(xùn)練通過不斷地調(diào)整權(quán)值及閾值來實(shí)現(xiàn),可以有效地改善網(wǎng)絡(luò)收斂性能[12].其基本思想是:為了減輕非最優(yōu)點(diǎn)的奇異問題,使目標(biāo)函數(shù)在接近最優(yōu)點(diǎn)時(shí),極值點(diǎn)附近的特性近似二次性,以加快尋優(yōu)收斂過程[13],同時(shí)在梯度下降法和高斯-牛頓法之間通過自適應(yīng)調(diào)整來優(yōu)化網(wǎng)絡(luò)權(quán)值,這大大提高了網(wǎng)絡(luò)的收斂速度和泛化能力[14].其權(quán)值調(diào)整公式為:

式中:a為誤差向量;J為誤差對(duì)權(quán)值微分的雅可比矩陣;I為單位矩陣;μ為標(biāo)量,當(dāng) μ較大時(shí),LM 算法接近于具有較小學(xué)習(xí)速率的梯度下降法,當(dāng)μ=0時(shí),該算法成為高斯-牛頓法.

3.2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)設(shè)計(jì)及預(yù)測(cè)結(jié)果分析

隱含層數(shù)和隱含層節(jié)點(diǎn)數(shù)會(huì)影響網(wǎng)絡(luò)性能.隱含層節(jié)點(diǎn)數(shù)量太少,網(wǎng)絡(luò)從樣本中獲取信息的能力就差;隱含層節(jié)點(diǎn)數(shù)量過多,網(wǎng)絡(luò)可能會(huì)記住樣本中的噪聲,降低泛化能力,訓(xùn)練時(shí)間增加.隱含層存在一個(gè)最佳神經(jīng)元節(jié)點(diǎn)數(shù),確定該節(jié)點(diǎn)數(shù)一般采用試湊法.根據(jù) Kolmogorov定理,三層網(wǎng)絡(luò)中輸入、輸出層節(jié)點(diǎn)數(shù)與隱含層節(jié)點(diǎn)數(shù)之間的近似關(guān)系為:

式中:m為隱含層節(jié)點(diǎn)數(shù);n、l分別為輸入、輸出層節(jié)點(diǎn)數(shù);α為1～10的常數(shù).

本研究中測(cè)試得到的隱含層節(jié)點(diǎn)數(shù)為3～15,隱含層數(shù)取1和2.對(duì)比不同BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果,認(rèn)為輸出值與實(shí)測(cè)值的誤差和訓(xùn)練次數(shù)均較小的網(wǎng)絡(luò)最佳.

利用基于 Levenberg-Marquardt優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)雙循環(huán)流化床顆粒循環(huán)流率進(jìn)行了預(yù)測(cè)研究.BP神經(jīng)網(wǎng)絡(luò)選取試驗(yàn)部分的前4個(gè)影響因素作為輸入層:提升管流化風(fēng)速、二次風(fēng)量、二次風(fēng)送風(fēng)方式和二次風(fēng)口高度;輸出是顆粒循環(huán)流率GS.從96組試驗(yàn)數(shù)據(jù)中隨機(jī)選取80組作為訓(xùn)練樣本,其余作為測(cè)試樣本.為了使樣本所有分量在網(wǎng)格訓(xùn)練時(shí)同等重要,先對(duì)訓(xùn)練樣本和測(cè)試樣本進(jìn)行歸一化處理.

BP神經(jīng)網(wǎng)絡(luò)輸入層到隱含層傳遞函數(shù)選用雙曲正切S型傳遞函數(shù)“tansig”.S型函數(shù)具有良好的非線性特點(diǎn)且目標(biāo)向量經(jīng)過歸一化正好滿足函數(shù)tansig的輸出要求.隱含層到輸出層函數(shù)選取純線性函數(shù)“purelin”.采用 Levenberg-Marquardt算法對(duì)模型進(jìn)行訓(xùn)練.對(duì)不同隱含層、不同節(jié)點(diǎn)時(shí)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析,如圖9、圖10所示.

算法中學(xué)習(xí)率設(shè)為0.1,學(xué)習(xí)率增加因子和下降因子分別為1.05和0.7,Marquart調(diào)整參數(shù)初值m=0.01,其上升因子和下降因子分別為0.1和10,m最大值為1×105,訓(xùn)練次數(shù)為100次,目標(biāo)誤差為0.001.

觀察模擬結(jié)果發(fā)現(xiàn):BP神經(jīng)網(wǎng)絡(luò)隱含層有6個(gè)節(jié)點(diǎn)時(shí),預(yù)測(cè)結(jié)果相對(duì)誤差較小,1個(gè)隱含層時(shí)最大相對(duì)誤差為1.016%,2個(gè)隱含層時(shí)最大相對(duì)誤差為0.916%,二者均較準(zhǔn)確;但2個(gè)隱含層時(shí)訓(xùn)練次數(shù)是1個(gè)隱含層時(shí)的2倍.所以可認(rèn)為含1個(gè)隱含層、6個(gè)節(jié)點(diǎn)時(shí)的神經(jīng)網(wǎng)絡(luò)為最佳網(wǎng)絡(luò),該BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果如圖11所示.

圖9 3層、4層網(wǎng)絡(luò)最大相對(duì)誤差對(duì)比Fig.9 Comparison of maximum relative error between layer 3 and layer 4

圖10 3層、4層網(wǎng)絡(luò)訓(xùn)練次數(shù)對(duì)比Fig.10 Relative prediction error of the optimal BP neural network

圖11 最優(yōu)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相對(duì)誤差Fig.11 The relative prediction error of the optimization BP neural network

最優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的平均偏差為0.07 kg/(m2?s),平均相對(duì)誤差為0.49%;第14個(gè)樣本偏差最大,為0.23 kg/(m2?s),該點(diǎn)相對(duì)誤差為0.915%;第15個(gè)樣本偏差為0.14 kg/(m2?s),相對(duì)誤差為1.016%.

4 結(jié) 論

(1)顆粒循環(huán)流率隨著提升管流化風(fēng)速和二次風(fēng)量的增大而增加,且二次風(fēng)量超過一定值后,增加的趨勢(shì)變緩;徑向引入的二次風(fēng)比切向引入時(shí)的顆粒循環(huán)流率大;顆粒循環(huán)流率對(duì)二次風(fēng)口高度的變化十分敏感,風(fēng)口最佳高度的選取還有待研究.

(2)基于LM優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型能準(zhǔn)確地預(yù)測(cè)雙循環(huán)流化床的顆粒循環(huán)流率.當(dāng)BP神經(jīng)網(wǎng)絡(luò)含有1個(gè)隱含層、6個(gè)節(jié)點(diǎn)時(shí)模型預(yù)測(cè)效果達(dá)到最佳,平均相對(duì)誤差僅為0.07%,最大相對(duì)誤差為1.016%,能夠準(zhǔn)確地預(yù)測(cè)提升管送風(fēng)特性對(duì)顆粒循環(huán)流率的影響,對(duì)雙循環(huán)流化床的運(yùn)行控制有一定意義.

[1]PRIYANKA K,TOBIAS P,HERMANN H.Model for biomass char combustion in the riser of a dual fluidized bed gasification unit:partΙmodel development and sensitivity analysis[J].Fuel Processing Technology,2008,89:651-659.

[2]吳曉江,張孝忠,樸桂林,等.高溫加壓氣流床內(nèi)生物質(zhì)氣化特性的實(shí)驗(yàn)研究[J].動(dòng)力工程,2007,27(4):629-634.WU Xiaojiang,ZHANG Xiaozhong,PU Guilin,et al.Experimental study on biomass gasification characteristics in high-temperature pressurized entrained flow gasifers[J].Journal of Power Engineering,2007,27(4):629-634.

[3]沈來宏,肖軍,高楊.串行流化床生物質(zhì)催化制氫模擬研究[J].中國電機(jī)工程學(xué)報(bào),2006,26(11):7-11.SHEN Laihong,XIAO Jun,GAO Yang.Simulation of hydrogen production from biomass catalytic gasification in interconnected fluidized beds[J].Proceedings of the CSEE,2006,26(11):7-11.

[4]HOFBAUER H.CFB-steam gasification[C]//14thEuropean Biomass Conference And Exhibition Biomass For Energy,Industry And Climate Protection.Paris:[s.n.],2005.

[5]L?FFLER G,KAISER S,BOSCH K,et al.Hydrodynamics of a dual fluidized-bed gasifier part I:simulation of a riser with gas injection and diffuser[J].Chemical Engineering Science,2003,58(18):4197-4213.

[6]王立群,宋旭,周浩生,等.在流化床氣化爐中生物質(zhì)與煤共氣化研究(Ⅱ)[J].太陽能學(xué)報(bào),2008,29(3):354-359.WANG Liqun,SONG Xu,ZHOU Haosheng,et al.Development study on co-gasification of biomass and coal in fluidized bed gasifier(Ⅱ)[J].Acta Energiae Solaris Sinica,2008,29(3):354-359.

[7]高楊,肖軍,沈來宏.串行流化床生物質(zhì)氣化制取富氫氣體模擬研究[J].太陽能學(xué)報(bào),2008,29(7):894-898.GAO Yang,XIAO Jun,SHEN Laihong.Simulation of hydrogen production from biomass gasification in interconnected fluidized beds[J].Acta Energiae Solaris Sinica,2008,29(7):894-898.

[8]XU G W,MURAKAMI T,SUDA T,et al.Twostage dual fluidized bed gasification:its conception and application to biomass[J].Fuel ProcessingTechnology,2009,90(1):137-144.

[9]陳鴻偉,劉煥志,李曉偉,等.雙循環(huán)流化床顆粒循環(huán)流率實(shí)驗(yàn)與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[J].中國電機(jī)工程學(xué)報(bào),2010,30(32):25-29.CHEN Hongwei,LIU Huanzhi,LI Xiaowei,et al.Experimental research on solids circulation rate in a double fluidized bed and BP neural network prediction[J].Proceedings of the CSEE,2011,30(32):25-29.

[10]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與 MATLAB7實(shí)現(xiàn)應(yīng)用[M].北京:電子工業(yè)出版社,2005:99-108.

[11]周開利,康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京:清華大學(xué)出版社,2005:69-90.

[12]劉鵬.一種基于 Levenberg-M arquardt算法的神經(jīng)PID控制研究[J].重慶工商大學(xué)學(xué)報(bào):自然科學(xué)版,2008,25(2):139-142.LIU Peng.Research into neural network system PID controller based on Levenberg-Marquardt algorithm[J].Chongqing Technology Business Univ:Nat Sci Et,2008,25(2):139-142.

[13]胡潔,曾祥金.基于LM算法的BP神經(jīng)網(wǎng)絡(luò)股價(jià)預(yù)測(cè)[J].科技創(chuàng)業(yè)月刊,2007,20(2):183-199.HU Jie,ZENG Xiangjin.BP neural network stock prediction based on LM algorithm[J].Pioneering With Science&Technology Monthly,2007,20(2):183-199.

[14]趙弘,周瑞祥,林廷圻.基于 Levenberg-Marquardt算法的神經(jīng)網(wǎng)絡(luò)監(jiān)督控制[J].西安交通大學(xué)學(xué)報(bào),2002,36(5):523-527.ZHAO Hong,ZHOU Ruixiang,LIN Tingqi.Neural network supervised control based on Levenberg-Marquardt algorithm[J].Journal of Xi′an Jiaotong University,2002,36(5):523-527.