[发明专利]一种在线优化“德士古气化炉”运行工况的方法

权利要求书

1.一种在线优化“德士古气化炉”运行工况的方法，包括如下步骤：

(1)选取采用“急冷工艺”的德士古水煤浆加压气化工艺流程中，入“德士古气化炉”的变量参数：水分(“M”)；灰分(“A”)；挥发分(“Va”)；固定碳含量(“C”)；灰熔点(“ST”)，煤浆浓度(“Cc”)；煤浆流量(“Fc”)；煤浆压力(“Pc”)；煤浆温度(“Tc”)；氧气流量(“Fo”)；中心枪氧气流量(“Foc”)；氧气压力(“Po”)；氧气温度(“To”)；急冷水流量(“Fw”)；急冷水温度(“Tw”)；及出“德士古气化炉”的变量参数：出炉合成气流量(“Fg”)；合成气中CO的含量(“CO”)；和合成气中H₂含量(“H₂”)；共18个变量参数为“德士古气化炉”工况在线优化方法的辅助变量；

其中“M”、“A”、“Va”、“C”、“ST”和“Cc”为人工分析变量参数，其余为在线测量变量参数；采集以上18个辅助变量1个月的过程数据，应用3σ准则和一阶数字滤波技术对在线测量变量数据进行错误数据的剔除和数据平滑后，从中选取稳态工况下的对应时间的数据组成历史数据，且历史数据样本不少于300组；

(2)以气化系统的“有效气产率”为评判标准将历史数据样本中的历史工况分为“优”、“良”、“中”、“差”4个等级，利用K均值聚类方法将历史数据样本中的有效气产率数据集分为4个等级，获得4个聚类中心，并根据聚类中心的值划分“优”、“良”、“中”、“差”4种工况；

(3)采用3个结构相同的BP神经网络分别建立“Fg”、“CO”和“H₂”的BP神经网络模型；即，对由步骤(1)中获得的历史数据样本中的18个辅助变量进行归一化，并对前15个辅助变量进行主元分析，然后，将8个主元变量作为3个BP神经网络的输入变量，“Fg”、“CO”和“H₂”分别作为3个BP神经网络的输出变量组成训练样本，分别对3个BP神经网络模型进行训练；

(4)计算当前气化系统实际的“有效气产率”，按步骤(2)中所述方法评价系统当前工况的等级，并根据工况等级判断结果进行相应操作；

如需要进行优化计算，则采用粒子群优化算法求解优化的控制变量参数：“Fo”、“Foc”、和“Fw”，进而实现“德士古气化炉”运行工况在线优化；

(5)按表1的检测频率“滚动”获取、更新、保存最近1个月的步骤(1)中所述的18个辅助变量过程数据：

表1

当步骤(3)中建立的某个BP神经网络模型的计算结果和对应的变量测量结果的误差超过限制时，按步骤(2)中所述方法获得新的优化区域，同时对步骤(3)中超过限制的BP神经网络模型重新进行训练，以保证优化区域及模型不断适应系统特性的变化和生产工况的迁移。

2.如权利要求1所述的方法，其特征在于，其中步骤(3)中所建立的BP网络均含有输入层、隐含层和输出层的三层网络结构，输入层有8个节点，隐含层有8个节点，输出层有1个节点。

3.如权利要求1或2所述的方法，其特征在于，在步骤(4)中计算当前气化系统实际的“有效气产率”前，还包括判断当前装置是否处于正常或稳定状态的步骤，具体包括如下步骤：

①各个测量变量均有有效的测量值，且近5分钟时间段内的变化范围在该变量允许的变化范围内；

②“Fc”和“Fo”在5分钟时间段内的波动范围均在±5％以内；

如果装置当前运行状态不正常或不稳定，则优化系统自动切除，不对当前工况进行优化。

4.如权利要求1或2所述的方法，其特征在于，在步骤(5)中，分别判断步骤(3)中建立的“Fg”、“CO”和“H₂”的BP神经网络模型计算结果与当前测量值的相对误差是否超限：即连续10次相对误差超过±2％；如果有任何一个模型结果超此限，则系统按步骤(1)中所述方法，根据系统保存的过去1个月的历史数据重新获取历史数据样本，并按步骤(2)中所述方法，对历史数据样本中的历史工况进行K均值聚类，获得新的优化区域，同时，按步骤(3)中所述方法，对历史数据样本进行归一化和主元分析后，对超限的BP网络模型重新进行训练，以获得新的模型参数。