基于LM算法的雙流化床循環(huán)流率預測模型研究

陳鴻偉, 祁海波, 梁占偉, 楊 新

(華北電力大學能源動力與機械工程學院,保定 071003)

當今世界經濟的高速發(fā)展以化石能源的過度消耗為代價,對化石燃料的過度依賴造成了世界范圍的能源危機,大力發(fā)展可再生能源是解決能源危機實現可持續(xù)發(fā)展的必然要求.生物質作為一種新型能源,是世界第四大能源,熱分解、氣化和燃燒是生物質能量轉換的主要技術[1].傳統(tǒng)的生物質能源利用大都是進行直接燃燒以獲取能量,其碳利用率不足15%,而生物質氣化技術可實現其高效、清潔利用,開發(fā)該技術具有十分重要的現實意義和戰(zhàn)略意義[2].

目前,生物質氣化技術在常規(guī)循環(huán)流化床中有一些應用,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化率較低.雙循環(huán)流化床生物質氣化技術是新型生物質利用技術,它將生物質的燃燒與氣化分開[3],生物質在氣化室中進行熱解氣化,未完全氣化的半焦在燃燒室中燃燒放熱,加熱載體并產生過熱蒸汽[4],熱載體攜帶熱量進入氣化室,提供生物質氣化需要的熱量[5].該新技術增加了床料在床內的停留時間,提高了碳轉化率,產生的可燃氣具有低含氮量、高熱值和低焦油含量的優(yōu)點,國內外學者已經在進行相關的研究[6-8].

由于熱態(tài)雙循環(huán)流化床生物質氣化裝置中最復雜的傳熱傳質過程發(fā)生在燃燒室內,筆者定義燃燒室內單位時間內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)流化床生物質氣化技術的關鍵是控制雙循環(huán)流化床內的顆粒循環(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].提升管送風特性對顆粒循環(huán)流率有一定的影響,這些特性包括提升管流化風速、二次風量QS及二次風送風方式、二次風口高度和風口數量等,但目前相關課題的研究報道還很少.BP網絡預測模型實現了輸入到輸出的映射,適合求解內部機制復雜的問題,并能夠用于系統(tǒng)的運行控制.因此,筆者通過大量試驗數據建立、訓練并優(yōu)化了基于LM優(yōu)化算法的BP神經網絡預測模型,并對提升管送風特性影響下的GS進行預測,且與試驗結果進行對比.

1 試驗系統(tǒng)

試驗臺主體由有機玻璃制成,包括提升管、旋風分離器、立管、氣化室、返料管和輔助系統(tǒng).試驗臺的裝置示意圖見圖1.氣化室內徑為200 mm,高2 m,頂部設有加料口,以方便進行加料;立管內徑50 mm;在立管上安裝有蝶閥用來測量系統(tǒng)內的顆粒循環(huán)流率;提升管內徑為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口;返料管內徑為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由兩臺風機提供,風機型號9-26No5.6;用蝶閥控制空氣流量,采用轉子流量計測量空氣流量.

試驗物料為石英砂,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,返料管口距布風板8 cm,靜床料埋管10 cm,以消除物料高度對GS的影響.

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

2 試驗結果及分析

試驗研究了提升管流化風速、二次風量、二次風送風方式、二次風口高度及風口數量對雙循環(huán)流化床GS的影響.為使GS不受氣化室參數影響且保證物料流化,設定氣化室風速u1=1.41 m/s.

2.1 提升管流化風速的影響

顆粒循環(huán)流率隨著提升管流化風速up的增大而增加,如圖2所示.這是由于流化風速增加,提升管由密相區(qū)進入飛濺區(qū)的物料增加,到達二次風口以上的物料被及時帶走,密相區(qū)顆粒濃度減小,對返料管返料阻力減小,單位時間參加循環(huán)的物料顆粒增多.

2.2 提升管二次風量的影響

試驗發(fā)現,顆粒循環(huán)流率隨二次風量QS增大而增加.二次風量對顆粒循環(huán)流率的影響見圖3.增加送入提升管的風量,即增大QS,使提升管內的風速增大 ,能夠到達二次風口以上的物料被及時帶走,提升管內壓力減小,物料運行阻力減小,物料運動加快,因此GS隨著QS增大而增加.當提升管風速達到一定的值(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放緩,GS增加幅度也趨于平緩.

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

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

2.3 提升管二次風送風方式的影響

試驗中設置了4種提升管的二次風送風方式,四口徑向、四口切向和兩口徑向、兩口切向,見圖4.

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

試驗發(fā)現,當二次風徑向送入提升管時顆粒循環(huán)流率比切向送入時大,如圖5所示.

二次風切向送風循環(huán)流率較小的原因是:提升管內徑較小,顆粒受離心力作用貼壁嚴重,壁面附近顆粒團聚加重,顆粒團加速較慢;軸向中心區(qū)域風速較高,但物料濃度低,壁面附近顆粒濃度雖然高,但風速較小,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 二次風送風方式對顆粒循環(huán)流率的影響Fig.5 Effect of secondary air supply mode on the solid circulation rate

2.4 提升管二次風口高度的影響

當提升管風速較低時,風口高度對顆粒循環(huán)流率影響不大,部分顆粒達不到快速流態(tài)化所需曳力,此時風速是顆粒循環(huán)流率的主要制約因素.當提升管風速逐漸增大時,風口以上顆粒所受的曳力迅速增大,達到快速流態(tài)化,但在二次風口以下位置風速較低,到達二次風口以上的物料相對較少,此時二次風口高度成為顆粒循環(huán)流率的主要制約因素.因此,隨著二次風量的增加,顆粒循環(huán)流率也增加,且幅度有增大的趨勢,如圖6所示.

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

2.5 風口數目的影響

提升管上布置4個二次風出口比布置2個二次風口時管內流場更均勻,具有更好的空氣動力場,截面顆粒分布不均的狀況有所改善,顆粒團聚現象減少.風口較少時,流場不均勻,隨著風口的增加,提升管內流場趨于均勻,使得顆粒循環(huán)流率增加,如圖7所示.

圖7 風口數目對顆粒循環(huán)流率的影響Fig.7 Effect of tuyere number on the solid circulation rate

3 BP神經網絡模型預測及結果分析

3.1 BP神經網絡及LM算法簡介

BP神經網絡是一種多層前饋神經網絡,包括輸入層、隱含層和輸出層,是利用非線性可微分函數進行權值訓練的網絡,其基本學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成.預測值與真實值之間的誤差從輸出層經過隱含層逐層修正各連接權值,最后回到輸入層,也叫“誤差逆?zhèn)鞑ニ惴ā盵10],如圖8所示.標準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);訓練次數多使得學習效率低,收斂速度慢[11].為了提高其性能,BP神經網絡的改進主要有2種途徑:一是采用啟發(fā)式學習方法;二是采用更有效的優(yōu)化算法.

圖8 n個輸入、1個輸出、i個隱含層的BP神經網絡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,網絡訓練通過不斷地調整權值及閾值來實現,可以有效地改善網絡收斂性能[12].其基本思想是:為了減輕非最優(yōu)點的奇異問題,使目標函數在接近最優(yōu)點時,極值點附近的特性近似二次性,以加快尋優(yōu)收斂過程[13],同時在梯度下降法和高斯-牛頓法之間通過自適應調整來優(yōu)化網絡權值,這大大提高了網絡的收斂速度和泛化能力[14].其權值調整公式為:

式中:a為誤差向量;J為誤差對權值微分的雅可比矩陣;I為單位矩陣;μ為標量,當 μ較大時,LM 算法接近于具有較小學習速率的梯度下降法,當μ=0時,該算法成為高斯-牛頓法.

3.2 BP神經網絡模型結構設計及預測結果分析

隱含層數和隱含層節(jié)點數會影響網絡性能.隱含層節(jié)點數量太少,網絡從樣本中獲取信息的能力就差;隱含層節(jié)點數量過多,網絡可能會記住樣本中的噪聲,降低泛化能力,訓練時間增加.隱含層存在一個最佳神經元節(jié)點數,確定該節(jié)點數一般采用試湊法.根據 Kolmogorov定理,三層網絡中輸入、輸出層節(jié)點數與隱含層節(jié)點數之間的近似關系為:

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

本研究中測試得到的隱含層節(jié)點數為3～15,隱含層數取1和2.對比不同BP神經網絡輸出結果,認為輸出值與實測值的誤差和訓練次數均較小的網絡最佳.

利用基于 Levenberg-Marquardt優(yōu)化算法的BP神經網絡預測模型對雙循環(huán)流化床顆粒循環(huán)流率進行了預測研究.BP神經網絡選取試驗部分的前4個影響因素作為輸入層:提升管流化風速、二次風量、二次風送風方式和二次風口高度;輸出是顆粒循環(huán)流率GS.從96組試驗數據中隨機選取80組作為訓練樣本,其余作為測試樣本.為了使樣本所有分量在網格訓練時同等重要,先對訓練樣本和測試樣本進行歸一化處理.

BP神經網絡輸入層到隱含層傳遞函數選用雙曲正切S型傳遞函數“tansig”.S型函數具有良好的非線性特點且目標向量經過歸一化正好滿足函數tansig的輸出要求.隱含層到輸出層函數選取純線性函數“purelin”.采用 Levenberg-Marquardt算法對模型進行訓練.對不同隱含層、不同節(jié)點時的預測結果進行對比分析,如圖9、圖10所示.

算法中學習率設為0.1,學習率增加因子和下降因子分別為1.05和0.7,Marquart調整參數初值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,訓練次數為100次,目標誤差為0.001.

觀察模擬結果發(fā)現:BP神經網絡隱含層有6個節(jié)點時,預測結果相對誤差較小,1個隱含層時最大相對誤差為1.016%,2個隱含層時最大相對誤差為0.916%,二者均較準確;但2個隱含層時訓練次數是1個隱含層時的2倍.所以可認為含1個隱含層、6個節(jié)點時的神經網絡為最佳網絡,該BP網絡預測結果如圖11所示.

圖9 3層、4層網絡最大相對誤差對比Fig.9 Comparison of maximum relative error between layer 3 and layer 4

圖10 3層、4層網絡訓練次數對比Fig.10 Relative prediction error of the optimal BP neural network

圖11 最優(yōu)BP神經網絡預測相對誤差Fig.11 The relative prediction error of the optimization BP neural network

最優(yōu)BP神經網絡模型預測的平均偏差為0.07 kg/(m2?s),平均相對誤差為0.49%;第14個樣本偏差最大,為0.23 kg/(m2?s),該點相對誤差為0.915%;第15個樣本偏差為0.14 kg/(m2?s),相對誤差為1.016%.

4 結 論

(1)顆粒循環(huán)流率隨著提升管流化風速和二次風量的增大而增加,且二次風量超過一定值后,增加的趨勢變緩;徑向引入的二次風比切向引入時的顆粒循環(huán)流率大;顆粒循環(huán)流率對二次風口高度的變化十分敏感,風口最佳高度的選取還有待研究.

(2)基于LM優(yōu)化算法的BP神經網絡預測模型能準確地預測雙循環(huán)流化床的顆粒循環(huán)流率.當BP神經網絡含有1個隱含層、6個節(jié)點時模型預測效果達到最佳,平均相對誤差僅為0.07%,最大相對誤差為1.016%,能夠準確地預測提升管送風特性對顆粒循環(huán)流率的影響,對雙循環(huán)流化床的運行控制有一定意義.

[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.高溫加壓氣流床內生物質氣化特性的實驗研究[J].動力工程,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.串行流化床生物質催化制氫模擬研究[J].中國電機工程學報,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與煤共氣化研究(Ⅱ)[J].太陽能學報,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.串行流化床生物質氣化制取富氫氣體模擬研究[J].太陽能學報,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)流率實驗與BP神經網絡預測[J].中國電機工程學報,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]飛思科技產品研發(fā)中心.神經網絡理論與 MATLAB7實現應用[M].北京:電子工業(yè)出版社,2005:99-108.

[11]周開利,康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京:清華大學出版社,2005:69-90.

[12]劉鵬.一種基于 Levenberg-M arquardt算法的神經PID控制研究[J].重慶工商大學學報:自然科學版,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神經網絡股價預測[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算法的神經網絡監(jiān)督控制[J].西安交通大學學報,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.