杜旭鵬，王鈺琪，許建良，于廣鎖，劉海峰

（華東理工大學(xué)國(guó)家能源煤氣化技術(shù)研發(fā)中心, 上海煤氣化工程技術(shù)研究中心, 上海 200237）

煤氣化是煤炭清潔高效利用的關(guān)鍵技術(shù)之一，是煤炭轉(zhuǎn)化為原料氣的主要方式[1]。氣流床氣化因煤種適用性強(qiáng)、操作負(fù)荷大、轉(zhuǎn)化效率高等優(yōu)勢(shì)，成為煤炭氣化的主流技術(shù)和優(yōu)先發(fā)展方向[2]。氣化爐是氣流床氣化的核心設(shè)備，氣化爐溫度是氣流床氣化裝置運(yùn)行的關(guān)鍵參數(shù)，實(shí)時(shí)監(jiān)控氣化爐溫度對(duì)氣化爐安全、穩(wěn)定和高效運(yùn)行具有重要意義[3]。根據(jù)氣化爐耐火襯里的結(jié)構(gòu)，可將氣化爐分為耐火磚氣化爐（熱壁爐）和水冷壁氣化爐（冷壁爐）[4]。通?？梢圆捎酶邷?zé)犭娕紲y(cè)量耐火磚氣化爐的溫度，但熱電偶受高溫高壓環(huán)境和氣流沖擊、熔渣侵蝕等因素影響，其使用壽命一般小于1 個(gè)月[5]。水冷壁氣化爐則由于固態(tài)渣層的存在，難以安裝高溫?zé)犭娕糩6]。因此對(duì)于氣流床氣化爐溫度的長(zhǎng)期穩(wěn)定測(cè)量十分困難。

隨著數(shù)據(jù)分析和相關(guān)算法的發(fā)展，眾多學(xué)者嘗試采用神經(jīng)網(wǎng)絡(luò)[7]、隨機(jī)森林[8]、支持向量機(jī)[9]、卡爾曼濾波器[10]等方法對(duì)氣化爐的性能及狀態(tài)進(jìn)行預(yù)測(cè)分析。Wang 等[11]利用煤粉、水蒸氣、氧氣、氮?dú)獾攘髁繑?shù)據(jù)，將煤中的灰分、揮發(fā)分、水分等參數(shù)作為輸入?yún)?shù)，建立了一個(gè)由8 個(gè)子網(wǎng)絡(luò)組成的神經(jīng)網(wǎng)絡(luò)模型，對(duì)某中試規(guī)模氣流床氣化爐的內(nèi)部峰值溫度、氣化爐表面溫度以及碳轉(zhuǎn)化率、氣體組成等參數(shù)進(jìn)行了預(yù)測(cè)。Li 等[12]采用廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)模型，利用某流化床氣化爐整體段和氣流段的氧氣流量、蒸汽流量、煤量等數(shù)據(jù)對(duì)流化床氣化爐出口氣體組成、氣化溫度等數(shù)據(jù)進(jìn)行了預(yù)測(cè)。?gren等[13]結(jié)合圖像處理技術(shù)，采用深度神經(jīng)網(wǎng)絡(luò)(DNN)模型預(yù)測(cè)氣流床氣化爐的耗氧量和主要?dú)怏w產(chǎn)物的濃度，取得了良好的預(yù)測(cè)效果。Wang 等[14]采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型，以煤炭、氧氣、蒸汽等物料流率和溫度等參數(shù)，對(duì)殼牌粉煤氣化爐出口氣體組成和噴嘴處溫度進(jìn)行預(yù)測(cè)。

從上述研究可以看出，目前以數(shù)據(jù)驅(qū)動(dòng)方式構(gòu)建的氣化爐關(guān)鍵參數(shù)的預(yù)測(cè)模型中，均采用氣化爐反應(yīng)系統(tǒng)參數(shù)作為輸入?yún)?shù)（如煤量、氧量），氣化爐的反應(yīng)參數(shù)是直接影響氣化爐內(nèi)溫度的因素，目前的數(shù)據(jù)源存在以下兩個(gè)問題：

（1）進(jìn)入氣化爐的煤質(zhì)組成直接影響到氣化爐內(nèi)的反應(yīng)裝置及操作參數(shù)調(diào)整，而煤質(zhì)的波動(dòng)目前無(wú)法實(shí)現(xiàn)在線的跟蹤與檢測(cè)。如將煤的灰分變化2%，氣化爐操作溫度變化達(dá)到50℃[15]。

（2）作為輸入?yún)?shù)的煤漿流量或煤粉質(zhì)量流量受煤質(zhì)及原理的限制，測(cè)量精度較差，直接影響數(shù)據(jù)源的可靠性。在工業(yè)運(yùn)行氣化爐中，操作溫度一般指確保氣化爐液態(tài)排渣的出渣口溫度。如何根據(jù)工業(yè)運(yùn)行狀態(tài)下氣化裝置相關(guān)運(yùn)行數(shù)據(jù)，實(shí)時(shí)準(zhǔn)確監(jiān)控氣化爐的操作溫度成為了工業(yè)界的迫切需求。本文通過分析氣流床氣化裝置，提取穩(wěn)健、可靠的數(shù)據(jù)源，結(jié)合神經(jīng)網(wǎng)絡(luò)模型對(duì)氣化爐出口溫度進(jìn)行預(yù)測(cè)，并進(jìn)行工業(yè)應(yīng)用。

1 模型建立

1.1 氣化爐過程分析

圖1 所示為工業(yè)上應(yīng)用廣泛的多噴嘴對(duì)置式水煤漿氣化工藝，其主要工藝過程如下：來(lái)自制備系統(tǒng)的煤漿，在高壓煤漿泵的作用下，與空分來(lái)的高壓氧氣一起通過噴嘴進(jìn)入氣化爐氣化室，氣化的高溫合成氣從氣化室底部進(jìn)入激冷室，與來(lái)自水洗塔回用的灰水進(jìn)行水浴冷卻降溫；洗滌后的合成氣依次通過混合器、旋風(fēng)分離器和水洗塔洗滌后出界區(qū)。目前工業(yè)運(yùn)行氣化爐能獲得的與氣化室內(nèi)反應(yīng)相關(guān)的數(shù)據(jù)包括：煤漿流量、氧氣流量、氣化室壓力、渣口壓差（高溫合成氣流經(jīng)氣化爐出口的壓降）。在激冷室內(nèi)，對(duì)高溫合成氣及其攜帶的熔渣進(jìn)行充分冷卻，高溫合成氣攜帶的熱量直接影響到激冷室出口冷卻后的合成氣溫度和加熱后的黑水溫度。激冷室內(nèi)涉及的流股包括：進(jìn)入激冷室的高溫合成氣、激冷水、流出激冷室的高溫黑水、冷卻后的飽和合成氣。該過程涉及的變量包括：激冷室液位、黑水溫度、激冷水流量及溫度、合成氣溫度及壓力，其中合成氣流量利用水洗塔后的文丘里流量計(jì)進(jìn)行監(jiān)測(cè)，考慮到該過程沒有化學(xué)反應(yīng)，因此可以采用水洗塔后的合成氣流量、溫度和壓力作為激冷室出口合成氣流量、溫度和壓力的補(bǔ)充，涉及到的氣化爐工藝流股和參數(shù)如圖2 所示。在氣化室內(nèi)，氧氣、煤漿等數(shù)據(jù)直接影響氣化爐的溫度，而激冷系統(tǒng)相關(guān)參數(shù)主要受氣化爐操作溫度的影響，因此，可以分別從氣化室和激冷室兩套數(shù)據(jù)實(shí)現(xiàn)對(duì)氣化爐出口溫度的監(jiān)測(cè)。

圖1 水煤漿氣化系統(tǒng)Fig.1 Coal water slurry gasification system

圖2 氣化爐流股參數(shù)Fig.2 Flow stock parameters of gasifier

1.2 氣化爐溫度預(yù)測(cè)方法

1.2.1基于激冷系統(tǒng)的理論計(jì)算 根據(jù)進(jìn)出激冷系統(tǒng)的各股物流的溫度、流量等數(shù)據(jù)以及估算得到的熔渣質(zhì)量與熱量等數(shù)據(jù)，通過理論分析建立熱量平衡方程，計(jì)算得到氣化爐出口氣體的溫度。激冷系統(tǒng)的熱平衡方程如式(1)所示：

其中：Qgi、Qgo分別為高溫合成氣進(jìn)、出激冷室的熱量；Qsi、Qso分別為熔渣進(jìn)、出激冷室的熱量；Qwi、Qwo分別為進(jìn)入激冷室的激冷水和離開激冷室的黑水的熱量。熔渣質(zhì)量及其熱量通過進(jìn)入氣化爐的物料量和氣化爐出口的產(chǎn)量估算得到。理論計(jì)算所用到的因素主要包括激冷水流量和溫度、黑水流量和溫度、出激冷室的氣體溫度和濕氣流量。在氣化爐操作過程中，激冷水流量用于保護(hù)下降管和激冷環(huán)，取值一般為定值，因此激冷系統(tǒng)的變化參數(shù)主要包括出激冷室濕合成氣的流量和溫度、黑水流量和溫度。采用敏感度分析方法對(duì)理論計(jì)算因素進(jìn)行分析[16]，計(jì)算公式如式(2)所示。

其中：Si表示第i個(gè)變量的敏感度；ΔT為出口溫度的變化量；ΔFi為第i個(gè)變量的波動(dòng)量。

對(duì)理論計(jì)算用到的參數(shù)與出口溫度進(jìn)行敏感性分析，其結(jié)果如圖3 所示，圖中數(shù)據(jù)表示氣化爐出口處高溫合成氣溫度每變化100 K，激冷系統(tǒng)中激冷室出口壓力、黑水溫度、激冷室出口氣體溫度和水洗塔出口氣體溫度的變化幅度。激冷系統(tǒng)溫度測(cè)量中常采用的鉑銠-鉑熱電偶的Ⅰ級(jí)允許誤差為±1℃[17]。因此，當(dāng)激冷系統(tǒng)中激冷室出口壓力以及黑水溫度、激冷室出口氣體溫度和水洗塔出口氣體溫度的變化幅度分別為0.5494 MPa 以及0.996 0、2.239 7 K 和2.435 7 K（圖3）時(shí)，在各參數(shù)測(cè)量誤差范圍內(nèi)，氣化爐出口溫度將發(fā)生數(shù)十乃至數(shù)百開爾文的變化。若采用這些參數(shù)對(duì)氣化爐出口溫度進(jìn)行理論計(jì)算，則得到的計(jì)算結(jié)果誤差較大，預(yù)測(cè)精度較低。

圖3 理論計(jì)算相關(guān)參數(shù)的敏感性分析Fig.3 Sensitivity analysis of relevant factors calculated theoretically

通過以上分析可知，氣化爐出口溫度的變化必然會(huì)導(dǎo)致激冷系統(tǒng)參數(shù)發(fā)生變化，且該變化不受煤質(zhì)等的影響。對(duì)一個(gè)運(yùn)行相對(duì)穩(wěn)定的氣化爐而言，激冷系統(tǒng)的反饋是多參數(shù)、小振幅的弱反饋，如何從復(fù)雜多參數(shù)弱反饋中快速計(jì)算出氣化爐出口溫度是實(shí)現(xiàn)氣化爐實(shí)時(shí)準(zhǔn)確監(jiān)測(cè)的關(guān)鍵。神經(jīng)網(wǎng)絡(luò)是一種有效的數(shù)據(jù)驅(qū)動(dòng)方法，可以快速地對(duì)目標(biāo)參數(shù)進(jìn)行準(zhǔn)確的計(jì)算。

1.2.2GABP 神經(jīng)網(wǎng)絡(luò)方法 誤差反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的一種預(yù)測(cè)工具，作為一種前饋神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)過程由信號(hào)的正向傳播和誤差的反向傳播兩個(gè)過程組成[18]。BP 神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力和復(fù)雜的邏輯操作能力[19]，一般由輸入層、輸出層和隱藏層組成，隱藏層由一組權(quán)重因子連接[20]，其常見結(jié)構(gòu)如圖4 所示，其中W1和W2表示不同層的權(quán)重，b1和b2表示閾值。每個(gè)神經(jīng)元可以通過使用不同的層權(quán)重來(lái)增強(qiáng)或減弱信號(hào)。當(dāng)誤差信號(hào)反傳通過不同的層時(shí)，根據(jù)相應(yīng)規(guī)則調(diào)整對(duì)應(yīng)層的權(quán)重和閾值。通過訓(xùn)練大量數(shù)據(jù)樣本，構(gòu)建可以完成復(fù)雜非線性映射的算法模型[21]。

圖4 常見的BP 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.4 Common BP neural network model structure

遺傳算法(GeneticAlgorithm,GA)是一種通過模擬自然界進(jìn)化過程來(lái)探尋最優(yōu)解，根據(jù)適應(yīng)度函數(shù)對(duì)個(gè)體進(jìn)行數(shù)值評(píng)價(jià)的方法[22]。遺傳算法仿照遺傳學(xué)方法對(duì)個(gè)體通過選擇、交叉、變異等操作進(jìn)行種群更新和優(yōu)化[23]。相較于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)模型，遺傳算法改進(jìn)后的神經(jīng)網(wǎng)絡(luò)模型（GABP）可以對(duì)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行更新和選擇，使網(wǎng)絡(luò)具有全局尋優(yōu)的功能，彌補(bǔ)神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的缺點(diǎn)，有助于獲得較好的網(wǎng)絡(luò)初始權(quán)值和閾值，提高預(yù)測(cè)精度[24]。遺傳算法的基本步驟包括種群初始化、確定適應(yīng)度函數(shù)、選擇操作、交叉操作和變異操作等。

為提高運(yùn)算速度，對(duì)遺傳算法采用實(shí)數(shù)編碼的方式，每個(gè)實(shí)數(shù)串個(gè)體x都包含一個(gè)網(wǎng)絡(luò)的所有連接權(quán)值和閾值，x的維數(shù)即為編碼的長(zhǎng)度。通過不斷的迭代，計(jì)算最高適應(yīng)度并解碼得到對(duì)應(yīng)的權(quán)值和閾值。經(jīng)過不斷的迭代與選擇，并與收斂標(biāo)準(zhǔn)對(duì)比，若滿足收斂準(zhǔn)則，則與適應(yīng)度值相對(duì)應(yīng)的一組解即為所求問題的解，輸入到神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行預(yù)測(cè)；否則，執(zhí)行遺傳算法選擇操作，繼續(xù)執(zhí)行交叉、變異操作，最終得到預(yù)測(cè)值。

為滿足神經(jīng)網(wǎng)絡(luò)計(jì)算需求，消除各參數(shù)之間的量綱影響，對(duì)收集的數(shù)據(jù)進(jìn)行歸一化處理：

式中：y為歸一化處理后的數(shù)據(jù)，其中ymin和ymax分別為?1 和1，從而將數(shù)據(jù)歸一化到[?1,1]之間；x為原始數(shù)據(jù)。

表1 給出了汽化爐激冷系統(tǒng)參數(shù)，以這些參數(shù)作為GABP 神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)對(duì)氣化爐出口溫度進(jìn)行預(yù)測(cè)。為了對(duì)比研究，本文收集了氣化爐反應(yīng)系統(tǒng)參數(shù)，如表2 所示。氣化爐表面溫度雖然易于測(cè)量，但氣化爐壁面較厚，傳熱系數(shù)低，內(nèi)部溫度傳遞到壁面的時(shí)間較長(zhǎng)，不能及時(shí)響應(yīng)當(dāng)前氣化爐內(nèi)部溫度變化，因此不能用于預(yù)測(cè)氣化爐出口溫度。

表1 氣化爐激冷系統(tǒng)相關(guān)參數(shù)Table 1 Relevant parameters of quench system of gasifier

表2 氣化爐反應(yīng)系統(tǒng)相關(guān)參數(shù)Table 2 Relevant parameters of reaction system of gasifier

所有數(shù)據(jù)均由分布式控制系統(tǒng)(DCS)在線測(cè)量和記錄，采樣間隔為1 min，共獲取1 個(gè)月的工業(yè)測(cè)量數(shù)據(jù)。在工業(yè)運(yùn)行中部分傳感器會(huì)出現(xiàn)間歇性故障，部分?jǐn)?shù)據(jù)存在重復(fù)值和超出正常范圍的突變數(shù)據(jù)，因此需要對(duì)這類數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗。對(duì)初始數(shù)據(jù)中連續(xù)3 min 出現(xiàn)的相同數(shù)據(jù)和超出正常范圍的數(shù)據(jù)進(jìn)行整例刪除。大范圍出現(xiàn)相同值和的異常值的變量視為無(wú)法使用，進(jìn)行變量刪除。經(jīng)過數(shù)據(jù)清洗，原有數(shù)據(jù)中的無(wú)效值和不合理數(shù)據(jù)得以刪除，選擇30000 min 的連續(xù)數(shù)據(jù)作為研究數(shù)據(jù)。

根據(jù)表1 和表2 分別建立以激冷系統(tǒng)和反應(yīng)系統(tǒng)為輸入?yún)?shù)的GABP 神經(jīng)網(wǎng)絡(luò)模型，如圖5 所示，其中輸入?yún)?shù)分別與表1 和表2 對(duì)應(yīng)。對(duì)比以氣化爐反應(yīng)系統(tǒng)和激冷系統(tǒng)參數(shù)作為輸入?yún)?shù)時(shí)的預(yù)測(cè)結(jié)果，探討不同輸入?yún)?shù)下預(yù)測(cè)模型的預(yù)測(cè)性能。GABP神經(jīng)網(wǎng)絡(luò)的主要參數(shù)包括種群規(guī)模、進(jìn)化代數(shù)、交叉概率、變異概率和隱含層神經(jīng)元數(shù)目等。交叉概率和變異概率一般在0～1 之間取值，經(jīng)過多次試驗(yàn)，將各參數(shù)確定如下：種群規(guī)模為100，進(jìn)化代數(shù)為60，交叉概率和變異概率分別為0.9 和0.01，神經(jīng)網(wǎng)絡(luò)算法的隱含層神經(jīng)元數(shù)目確定為3。

圖5 不同輸入?yún)?shù)的GABP 神經(jīng)網(wǎng)絡(luò)Fig.5 GABP neural network with different input parameters

利用收集到的氣化爐運(yùn)行數(shù)據(jù)，結(jié)合氣化爐反應(yīng)流動(dòng)和激冷流程原理，對(duì)氣化爐出口溫度的關(guān)鍵影響因素進(jìn)行分析。采用10000 min 數(shù)據(jù)對(duì)GABP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn)練，并對(duì)后續(xù)2000 min 數(shù)據(jù)進(jìn)行預(yù)測(cè)，依次將預(yù)測(cè)集中的輸入?yún)?shù)增大10%，考察各參數(shù)變化對(duì)氣化爐出口溫度預(yù)測(cè)情況的影響。表3 中示出了對(duì)氣化爐出口溫度影響較為明顯的參數(shù)及其增大10%前后氣化爐出口溫度的變化值。由表3 可以看出，氣化爐出口溫度的關(guān)鍵影響因素包括氧氣流量、煤漿流量等反應(yīng)系統(tǒng)參數(shù)以及激冷室出口氣體溫度、黑水溫度、激冷水溫度等激冷系統(tǒng)參數(shù)，這些參數(shù)的變化對(duì)氣化爐出口溫度的預(yù)測(cè)產(chǎn)生了顯著影響。

表3 氣化爐參數(shù)與出口溫度變化關(guān)系Table 3 Variation of gasifier parameters and outlet temperature

2 結(jié)果與討論

圖6 示出了根據(jù)公式(1)計(jì)算得到的氣化爐出口溫度及誤差分布。從圖6(a)可以看出，理論計(jì)算結(jié)果與測(cè)量結(jié)果在趨勢(shì)上基本吻合，能基本反映氣化爐出口溫度的變化趨勢(shì)。對(duì)比兩組數(shù)據(jù)可以看出，一方面理論計(jì)算得到的溫度整體比測(cè)量值偏小，另一方面理論計(jì)算得到的爐溫波動(dòng)比測(cè)量值大，特別是存在一些偏差大的極端數(shù)值，容易誤導(dǎo)操作。

采用平均絕對(duì)誤差（e）來(lái)評(píng)價(jià)預(yù)測(cè)結(jié)果的精度，其計(jì)算過程如式(4)所示：

其中：xi和分別表示工業(yè)運(yùn)行值和預(yù)測(cè)值；a為樣本總數(shù)，即10000。

圖6(b)示出了出口溫度理論計(jì)算的誤差分布，出口溫度理論計(jì)算誤差絕對(duì)值（?T）的平均溫差達(dá)40 K，部分高達(dá)80 K。這是由于理論計(jì)算相關(guān)因素與出口溫度之間敏感性較低，數(shù)據(jù)測(cè)量中存在較大的誤差，導(dǎo)致理論計(jì)算誤差較大。

圖6 理論計(jì)算的出口溫度(a)及誤差分布(b)Fig.6 Outlet temperature (a) and error distribution (b) of theoretical calculation

為考察GABP 神經(jīng)網(wǎng)絡(luò)模型對(duì)訓(xùn)練集和驗(yàn)證集的預(yù)測(cè)性能，采用1～30000 min 數(shù)據(jù)對(duì)GABP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并對(duì)其中的10000 min 時(shí)間長(zhǎng)度的數(shù)據(jù)進(jìn)行預(yù)測(cè)，以考察訓(xùn)練集的預(yù)測(cè)效果；采用1～20000 min 數(shù)據(jù)對(duì)GABP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并對(duì)后續(xù)的10000 min 時(shí)間長(zhǎng)度的數(shù)據(jù)進(jìn)行預(yù)測(cè)，以考察驗(yàn)證集的預(yù)測(cè)效果。

圖7(a)、7(b)分別為采用激冷系統(tǒng)參數(shù)作為GABP神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)時(shí)訓(xùn)練集和驗(yàn)證集的預(yù)測(cè)結(jié)果?？梢钥吹剑詺饣癄t激冷系統(tǒng)的參數(shù)作為輸入得到的預(yù)測(cè)結(jié)果能夠完好地描述出氣化爐出口溫度的變化情況，預(yù)測(cè)結(jié)果與工業(yè)運(yùn)行結(jié)果吻合良好，在溫度突變區(qū)間內(nèi)仍對(duì)工業(yè)數(shù)據(jù)具有良好的預(yù)測(cè)跟隨性。訓(xùn)練集預(yù)測(cè)結(jié)果略優(yōu)于驗(yàn)證集，訓(xùn)練集和驗(yàn)證集的預(yù)測(cè)平均絕對(duì)誤差分別為4.61 K 和5.25 K。圖7(c)示出了驗(yàn)證集在預(yù)測(cè)時(shí)間段內(nèi)的誤差分布，在長(zhǎng)達(dá)10000 min 的預(yù)測(cè)時(shí)間內(nèi)，大部分區(qū)間內(nèi)的預(yù)測(cè)誤差的絕對(duì)值都在15 K 以內(nèi)，預(yù)測(cè)誤差一直保持在較低的水平，具有良好的穩(wěn)定性。

圖7 激冷系統(tǒng)參數(shù)對(duì)出口溫度的預(yù)測(cè)結(jié)果（a～b）及GABP 驗(yàn)證集的誤差分布（c）Fig.7 Predict results of outlet temperature (a～b) and error distribution of GABP-test (c) with quench system

圖8(a)和8(b)分別示出了采用反應(yīng)系統(tǒng)參數(shù)作為GABP 神經(jīng)網(wǎng)絡(luò)輸入時(shí)的訓(xùn)練集和驗(yàn)證集的預(yù)測(cè)結(jié)果?？梢钥闯?，采用反應(yīng)系統(tǒng)參數(shù)對(duì)氣化爐出口溫度進(jìn)行預(yù)測(cè)得到的結(jié)果可以較為準(zhǔn)確地描述出口溫度的變化情況。相較于圖6 理論計(jì)算方法得到的出口溫度，其誤差大大降低，訓(xùn)練集和驗(yàn)證集的平均絕對(duì)誤差分別為6.78 K 和10.06 K，具有較好的預(yù)測(cè)精度。但對(duì)比圖7 可以看到，以反應(yīng)系統(tǒng)參數(shù)作為輸入時(shí)的預(yù)測(cè)結(jié)果穩(wěn)定性仍然較差，部分區(qū)間的誤差較高，驗(yàn)證集的預(yù)測(cè)誤差（圖8（c））高達(dá)50 K。這是由于反應(yīng)系統(tǒng)參數(shù)中的煤漿流量數(shù)據(jù)難以準(zhǔn)確測(cè)量，煤漿濃度又常常發(fā)生變化；同時(shí)煤質(zhì)數(shù)據(jù)在工業(yè)運(yùn)行中難以做到實(shí)時(shí)測(cè)量，煤炭輸入過程中煤質(zhì)常常發(fā)生變化，導(dǎo)致氣化爐內(nèi)部溫度發(fā)生變化，因此煤質(zhì)數(shù)據(jù)無(wú)法準(zhǔn)確匹配真實(shí)的出口溫度情況。由于在煤質(zhì)和煤漿數(shù)據(jù)測(cè)量過程中難以避免的誤差，部分區(qū)間如6000～8000 min 時(shí)的溫度預(yù)測(cè)值出現(xiàn)了較大的偏差。

圖8 反應(yīng)系統(tǒng)參數(shù)對(duì)出口溫度的預(yù)測(cè)結(jié)果（a～b）及GABP 驗(yàn)證集的誤差分布（c）Fig.8 Predict result of outlet temperature (a～b) and error distribution of GABP-test (c) with reaction system

為考察GABP 神經(jīng)網(wǎng)絡(luò)模型不同工況下的氣化爐出口溫度預(yù)測(cè)效果，另選取兩段穩(wěn)定負(fù)荷和變化負(fù)荷的氣化爐運(yùn)行數(shù)據(jù)。圖9(a)和9(b)分別示出了氣化爐處于穩(wěn)定負(fù)荷和變化負(fù)荷下的出口溫度預(yù)測(cè)結(jié)果?？梢钥吹讲煌?fù)荷工況下的溫度變化趨勢(shì)迥異，穩(wěn)定負(fù)荷下的溫度變化較為穩(wěn)定，而變化負(fù)荷工況下的溫度變化較為劇烈。但從預(yù)測(cè)結(jié)果上看，這兩段變化區(qū)間的預(yù)測(cè)結(jié)果都能夠反映出口溫度的變化趨勢(shì)，預(yù)測(cè)結(jié)果與實(shí)際運(yùn)行數(shù)據(jù)基本一致，沒有出現(xiàn)較為極端的預(yù)測(cè)結(jié)果，出口溫度平均絕對(duì)誤差分別為5.34 K 和6.16 K。

圖10 示出了分別采用理論計(jì)算、以激冷系統(tǒng)參數(shù)為輸入的GABP 模型和以反應(yīng)系統(tǒng)參數(shù)為輸入的GABP 模型得到的預(yù)測(cè)結(jié)果與工業(yè)運(yùn)行氣化爐出口溫度誤差分布之間的頻率關(guān)系，GABP 預(yù)測(cè)結(jié)果均采用驗(yàn)證集。從圖中可以看出，理論計(jì)算的出口溫度誤差主要分布在40 K 左右，明顯偏移最小溫度誤差區(qū)域，最大溫度誤差達(dá)到80 K；以激冷系統(tǒng)參數(shù)為輸入的GABP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果的溫度誤差主要分布在±15 K 以內(nèi)，超過15 K 的區(qū)域出現(xiàn)的頻率很??；與之相對(duì)，以反應(yīng)系統(tǒng)參數(shù)為GABP 神經(jīng)網(wǎng)絡(luò)輸入時(shí)的預(yù)測(cè)結(jié)果主要分布在低于35 K 的區(qū)域，溫度誤差明顯增大。因此以激冷系統(tǒng)參數(shù)為輸入時(shí)GABP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果最優(yōu)。

圖10 不同預(yù)測(cè)方法的氣化爐出口溫度誤差分布頻率Fig.10 Frequency of temperature error distribution in gasifier outlet by different prediction methods

3 結(jié) 論

本文以工業(yè)運(yùn)行氣流床氣化爐為對(duì)象，分別采用激冷系統(tǒng)理論計(jì)算模型、激冷系統(tǒng)和反應(yīng)系統(tǒng)GABP 神經(jīng)網(wǎng)絡(luò)模型對(duì)氣化爐內(nèi)實(shí)時(shí)溫度進(jìn)行了預(yù)測(cè)，并與工業(yè)測(cè)量值進(jìn)行了對(duì)比，考察了3 種預(yù)測(cè)方法的可行性和精度，得出以下主要結(jié)論：

（1）基于激冷室內(nèi)的進(jìn)出物料的熱量衡算理論計(jì)算方法得到氣化爐出口溫度，基本能反映實(shí)際出口溫度變化趨勢(shì)。但理論計(jì)算涉及的參數(shù)對(duì)出口溫度敏感度較低，計(jì)算結(jié)果的精度和穩(wěn)定性較差，難以滿足對(duì)氣化爐出口溫度實(shí)時(shí)監(jiān)測(cè)的需求。

（2）神經(jīng)網(wǎng)絡(luò)模型能夠建立強(qiáng)映射關(guān)系，由反應(yīng)系統(tǒng)參數(shù)作為輸入建立的GABP 神經(jīng)網(wǎng)絡(luò)模型能夠顯著提高預(yù)測(cè)精度和穩(wěn)定性。但反應(yīng)系統(tǒng)參數(shù)受煤量波動(dòng)和缺乏煤質(zhì)數(shù)據(jù)影響，部分區(qū)間的預(yù)測(cè)溫度誤差達(dá)到50 K，精度和穩(wěn)定性較差。

（3）激冷系統(tǒng)參數(shù)具有測(cè)量簡(jiǎn)便，數(shù)據(jù)穩(wěn)定等優(yōu)勢(shì)，可以作為GABP 神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)對(duì)氣化爐出口溫度進(jìn)行預(yù)測(cè)。該方法能夠?qū)⑵骄鶞囟日`差降低到5 K，絕大部分區(qū)間內(nèi)的預(yù)測(cè)溫度誤差都保持在15 K 以下，恒定負(fù)荷和變化負(fù)荷下的出口溫度預(yù)測(cè)結(jié)果基本相同，表明該預(yù)測(cè)方法具有良好的預(yù)測(cè)穩(wěn)定性和準(zhǔn)確性。