PDF《基于数据融合 IGA鄄RGRNN 低阶煤制甲烷 产量预测模型》

improved genetic algorithm;

data fusion;

meth鄄ane yield;

prediction model 电源学报Journal of Power Supply Vol.16 No.1 Jan.

2018 第16 卷第1期2018 年1月第1期优势,在系统预测过程中可对网络进行合理优化[5~6] . 本研究通过数据采集与监控系统采集低阶煤制甲 烷过程实时数据,运用信息融合技术与改进遗传算 法鄄广 义旋转回归神经网络IGA鄄RGRNN(improve genetic algorithm鄄rotated generalized regression neu鄄ral network) 算法相结合的方法建立预测模型,首 次把该算法引入到低阶煤制甲烷产量的预测过程 中,解决了系统数据存在的精度低、泛化能力弱的 问题.

1 低阶煤制甲烷多传感器预测模型 影响低阶煤制甲烷产量的因素众多, 包括原 料、加热条件、添加剂、停留时间、升温速率等,而这 些因素与传感器之间存在极其复杂的非线性映射 关系. 信息融合是通过对影响甲烷产量产生的变量 进行加工构成信息序列,使采集与监测系统获取的 各项信息流融合成源信息,达到对各项数据信息整 合的目的. 虽然数据融合技术降低了单个采集监测 系统在预测过程中的偶然性,但该技术侧重于数据 的实时决策,缺乏对未来数据的预测能力,不能对 煤制甲烷趋势进行有效追踪. 因此,利用 IGA 的全 局搜索能力得到 RGRNN 的最优参数来实现对整 个系统的预测功能,即应用 IGA鄄RGRNN 预测方法 构建低阶煤制甲烷产量预测模型. 1.1 煤制甲烷过程分析 目前较成熟的制甲烷化工工艺方法有氧气气 化、加氢气化和催化蒸汽气化

3 类. 煤中碳元素的 质量分数一般均大于 50%, 氧元素一般小于 10%, 碳氢质量比为 3. 只有反应器内的碳氢质量比越趋 近于

3 才会使得反应之后的甲院产量较高. 为使反 应过程中的碳氢达到最佳比值的需要在反应器内 不断加入适量的氢气. 与煤氧气气化和蒸汽气化比 较,煤直接制氢和煤加氢气化反应的温度条件均偏 低且压力条件偏高. 煤加氧气化反应的反应温度区 间为 500~800 ℃左右,反应压力区间为 5~10 MPa, 而煤直接制氢反应的反应温度区间为 600~850 ℃ 左右,反应压力区间为 1~5 MPa,所以可对两方法 加以整合. 对于这种以 CaO 吸收体为基础的加氢 气化反应,选取合适的水蒸汽量和 CaO 含量,理论 上可达到反应气体产物中只含有 CH4 的效果,即煤 直接制甲院系统. 煤制甲烷系统中采用 直接制氢,矿石固化二 氧化碳 的方法构成煤制甲烷系统,实现一步法制 甲烷工艺,其工作原理如图

1 所示. 反应器内主要反应方程为 C+H2O→CO+H2 ΔH =135.8 kJ CO+H2O→CO2+H2 ΔH = -35.9 kJ C+2H2→CH4 ΔH = -88.7 kJ CaO+CO2→CaCO3 ΔH = -178 k k J (1) 理想状态下,反应器内总反应为 2C+2H2O+CaO→CH4+CaCO3 ΔH900K = -166.8 kJ (2) 采用该方法制甲烷具有工艺流程简单,高能量 转换率的优点,并且总体反应为放热反应,系统无 需外界提供热量,热效率高. 1.2 信息融合技术 信息融合技术可解决复杂多变环境中数据信 息冗杂等问题,RGRNN 网络在高度非线性的超大 规模连续时间系统中具有自适应信息处理能力,因 而将信息融合技术加入到 IGA鄄RGRNN 算法之中. 利用采集监测系统获取待处理参数,然后将多次监 测获得的信息作为源融合信息并对其进行融合. Si = (1-|xi-xo|)(1-(xi-xo)2 )-1 (3) wi = Si n i=1 移Si i -1 (4) 式中:Si 为采集数据与平均值之间模糊贴近度;