一种在线优化“德士古气化炉”运行工况的方法

摘要

本发明涉及一种“急冷工艺”的德士古水煤浆加压气化工艺中“德士古气化炉”运行工况的控制方法。采用本发明所述的方法，能够实现在不增加生产成本的情况下，实时获得“德士古气化炉”的“有效气产率”，并对当前系统工况进行评判，从而及时掌握装置的运行工况及生产状态，并且通过优化计算，在线调整控制参数(氧气流量、中心枪氧气流量、急冷水流量)，从而优化反应工况，快速准确地提高德士古气化系统“有效气产率”。

主权项

1.一种在线优化“德士古气化炉”运行工况的方法，其特征在于，所述方法包括如下步骤：(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。