基于BP神經網絡的生物質氣化建模

劉軍德 趙乘麟

摘要：生物質發電是生物質能利用的一種重要技術，生物質氣化是生物質發電的核心環節。國內外很多學者為改進生物質的氣化效率在多方面對其進行了建模與研究，通常采用動力學方法進行生物質氣化建模。生物質氣化過程復雜，動力學建模需要詳盡的物性參數，而這些參數往往難以直接獲得。針對機理建模的缺陷，選取小麥秸稈作為實驗對象，記錄氣化反應的初始參數和結果，再用神經網絡擬合小麥秸稈的氣化反應過程，建立基于BP神經網絡的生物質氣化模型，并依據實驗數據對模型進行仿真驗證。結果表明，模型對小麥秸稈氣化反應過程特性具有較好的模擬預測作用。

關鍵詞：生物質發電；氣化過程；BP神經網絡

DOI：10.11907/rjdk.181280

中圖分類號：TP319

文獻標識碼：A文章編號：1672-7800（2018）007-0176-04

Abstract：Biomasspowergenerationisanimportanttechnologyofbiomassenergyutilizationandbiomassgasificationisthecorelinkofbiomasspowergeneration.Inordertoimprovethegasificationefficiencyofbiomass，manyscholarsathomeandabroadmodelandresearchitinmanyways，andtheyusuallymodelthebiomassgasificationbydynamicmethod.Thephysicalandchemicalprocessesofbiomassgasificationarecomplexanddynamicmodelingrequiresdetailedphysicalparametersbuttheseparameterareoftendifficulttoobtaindirectly.Aimingatthedefectsofmechanismmodeling，wheatstrawwasselectedastheexperimentalobject.Theinitialparametersandresultsofthegasificationreactionwererecorded，andthenthegasificationreactionprocessofthewheatstrawwasfittedbyaneuralnetwork，thebiomassgasificationmodelbasedonBPneuralnetworkwasestablished，andthemodelwasverifiedbysimulationaccordingtotheexperimentaldata.Theresultsshowedthatthemodelhadagoodsimulationandpredictioneffectontheprocesscharacteristicsofwheatstrawgasificationreaction.

KeyWords：biomasspowergeneration；gasificationprocess；BPneuralnetwork

0引言

在礦產資源枯竭、環境污染加重的背景下，全世界都在謀求以循環經濟、生態經濟為指導，堅持可持續發展戰略，充分有效利用可再生資源。生物質能源是最具潛力的可再生能源之一，它品種多，資源量不斷增加，可采用的轉化技術多樣化，除轉化成電力外，還可以轉化為熱能或液態燃料使用。生物質能開發可以解決化石能源日益減少、能源短缺的問題[1]。在可再生能源中，生物質能最具有發展前景。因為，化石能源也是由生物質能衍變而來的，都是利用太陽能將大自然中的CO2與H2O通過光合作用固定在植物上的碳氫化合物，成為自然界中重要的碳氫資源[2]。我國生物質能極為豐富，現在每年農村秸稈量約6.5×108t，2018年將達到7.26×108t，相當于5×108t標煤[3]。生物質發電將是中國最大的環保項目，可有效解決秸稈焚燒造成的大氣污染，減少溫室氣體排放，所以研究生物質能源發電技術有重要意義。根據《可再生能源中長期發展規劃》確定的發展目標，2010年生物質發電達到550萬kW，2020年生物質發電裝機達到3000萬kW[4]，其中生物質發電技術主要是氣化發電技術，目前已經出現了18MW的實驗電站[5]。

然而我國的生物質氣化技術正處于起步階段，該領域中有許多技術問題需要深入研究和開發。為了適應上述要求，需要加強對生物質氣化過程運行特性的研究，分析影響氣化過程主要性能指標的因素和規律，建立一種生物質氣化過程的模型和模擬氣化過程特性的方法，為今后生物質氣化過程的參數優化和控制提供依據，對于實現生物質氣化過程自動化有著十分重要的意義。國內目前在基于神經網絡的生物質氣化建模上主要進展包括：郭兵等[6]建立了生物質氣化過程的人工神經網絡模型，采用典型的層前向神經網絡，分為輸入層、隱層、輸出層，輸入層以氣化時間和氣化溫度兩個變量作為輸入參數，只涉及實驗運行參數，所以該網絡的應用僅限于同一種生物質。陳平[7]分別建立了以進料量和進風量為輸入變量，氣化溫度、燃氣熱值、產氣率、碳轉化率和氣化效率為輸出變量的層前饋神經網絡模型以及以氣化爐直徑、進料量和進風量為輸入變量，氣化溫度、燃氣熱值、產氣率、碳轉化率和氣化效率變量為輸出變量的層前饋神經網絡模型。本文選取小麥秸稈作為研究對象，基于神經網絡建模，只需要考慮輸入變量和輸出變量。

1生物質氣化指標以及影響因素

1.1氣化過程指標

1.1.1當量比

當量比是指單位生物質氣化過程所消耗的空氣（氧氣）量與完全燃燒所需要的理論空氣（氧氣）量之比，是氣化過程的重要控制參數。

1.1.2氣體產率

氣體產率Gp是單位質量生物質氣化后所得氣體燃料在標準狀態下的體積，即：

1.1.3氣體熱值

生物質氣化氣體中的可燃組分主要是一氧化碳（CO）、氫氣（H2）、甲烷（CH4）和不飽和碳氫化合物CnHm，如果知道了這些可燃成分的組分，則氣化氣體的低位熱值Qg除了實驗測試外，還可以按下述公式進行計算[8]：

1.2氣化影響條件

1.2.1反應溫度

反應溫度是影響氣化結果的重要條件，不同反應階段的溫度也不同。

1.2.2反應壓力

反應壓力最終影響氣化化學反應平衡，決定氣化產率。

1.2.3催化劑

合適的催化劑能夠降低底物的化學反應活化能，使化學反應盡快達到平衡。

2基于BP神經網絡建立生物質氣化模型

2.1三層BP神經網絡

氣化過程模擬最早開始于20世紀70年代煤的氣化，針對不同的氣化技術和研究重點，已有很多關于氣化過程的數學模型[9-13]，大部分為化學熱力學模型和化學動力學模型。而對于生物質氣化過程的數學模型的研究還不多，目前的生物質氣化過程模型可以分為兩類：一類是基于生物質的物料平衡、能量平衡以及化學平衡的平衡模型；另一類是基于生物質氣化過程反應動力學特性的動態模型[14]。本文選取前者，基于物料平衡，用三層BP神經網絡預測反應結果，屬于“黑盒子”模型，不需要知道反應細節，由操作參數，如溫度、壓力和物料等即可快速給出反應器出口產物分布。

多層前饋神經網絡（BP）是目前應用最廣泛的神經網絡模型，占整個神經網絡應用的80%左右，以Sigmoid為傳遞函數的BP網絡在工程領域已經得到了廣泛應用。BP網絡有一個非常重要的定理，即對于任何在閉區間內的一個連續函數都可以用單隱層的BP網絡逼近，一個三層BP網絡就可以完成任意n維到m維的映射[15]。

在BP網絡中，層與層之間多采用全互連方式，但同一層的節點之間不存在相互連接。三層BP神經網絡由輸入層、隱含層、輸出層組成，它可以形成任意復雜的決策區域，以任意精度逼近任何連續函數。

2.2氣化過程神經網絡模型建立

本文所建立的氣化過程神經網絡模型是以影響氣化過程的兩個主要因素，即氣化反應溫度（T）和氣化劑當量比（ER）作為網絡的輸入（輸入層神經元個數和輸出層神經元個數由所研究問題本身決定）。當量比（ER）是指單位生物質在氣化過程中所消耗的空氣（氧氣）量與完全燃燒所需要的理論空氣（氧氣）量之比，以實驗測得的氣體成分作為網絡的輸出，對模型進行訓練。

本文設計的三層BP網絡如圖1所示，其中輸入層2個單元對應氣化條件為：X1為氣化劑當量比（α），X2為氣化溫度（T），輸出層4個單元分別對應氣化氣組分：y1為CO2，y2為CO，y3為CH4，y4為H2。

3氣化模型的MATLAB實現

3.1MATLAB神經網絡工具箱

根據各種典型的修正網絡權值規則，加上網絡的訓練過程，用MATLAB編寫出各種網絡設計與訓練的子程序，網絡設計者則可以根據需要調用工具箱中有關神經網絡的設計訓練程序，使自己從繁瑣的編程中解脫出來，提高開發效率。

MATLAB的BP網絡工具箱中包含進行BP網絡分析和設計的許多函數，本文利用MATLAB神經網絡工具箱中的隱層變換函數logsig函數，它可以將神經元的輸入范圍從（-∞，+∞）映射到（0，1），且是可微函數，非常適合于訓練BP網絡神經元。如果BP網絡的輸出層是sigmoid型神經元，那么整個網絡的輸出就限制在一個較小范圍內，如果是purelin型線性神經元，則整個網絡的輸出可以是任意值，本文取purelin型函數作為輸出層的變換函數，學習速率為0.01，網絡訓練期望誤差為0.001，網絡均方誤差計算式為：

3.2實驗方法

選取我國北方廣大農村中常見的小麥秸稈作為氣化物料，它們的工業分析與元素分析數據如表1所示。

由于神經元激勵函數使每個神經元的輸出介于0～1之間，所以必須對樣本數據作歸一化處理。本文采用常規處理方法，即若變量P的最小值和最大值分別為minp和maxp，則每一個值Pn可按式（4）歸一化：

隱層的神經元數目選取目前還沒有一個理想的解析式表示，本文采用經驗公式：

可以在MATLAB中使用歸一化處理數據很方便地訓練三層BP神經網絡，具體訓練過程如下：

步驟1：用小的隨機數對每一層權值w和閾值b初始化，以保證網絡不被大的加權輸入飽和，同時還要進行以下參數初始化：

（1）設定期望誤差最小值：err_goal。

（2）設定最大循環次數：max_epoch。

（3）設定修正權值的學習速率：一般選取lr=0.01～0.7。

（4）從1開始的循環訓練：forepoch=1：max_epoch。

步驟2：計算網絡各層輸出矢量A1和A2以及網絡誤差E，與其對應的輸出樣本為T：

步驟3：計算各層反向傳播的誤差變化D2和D1，并計算各層權值的修正值以及新的權值：

在經驗公式（5）給出的隱層節點數n1±5范圍內選取不同的值，按上述步驟經多次實驗比對，結果表明小麥秸稈氣化網絡的隱層節點數為12時網絡精度最高。

3.3實驗結果

如圖2所示，當訓練步數在0～15之間時，隨著步數增加，網絡訓練誤差快速減小，大于15步以后，誤差的下降梯度變小，所以最終選取的訓練步數為15步。當然，在計算資源充足且對精度要求比較高的情況下，訓練步數越大越好。

如圖3所示，在氣化劑當量比為0.2時，氣體產率隨溫度變化，顯然這個關系是非線性的，而對非線性關系的預測正是神經網絡擅長領域。其中，氣體產率=（單組分氣化氣的體積數）/（氣化產氣總的體積數）×100%。

4結語

運用神經網絡模型預測不同種類生物質氣化燃氣組分的方法可行有效，模型具有較好的擬合效果，各種氣體成分的模型值與試驗值相對誤差均小于10%。其中，網絡訓練的樣本數據較少，以及數據分布不夠均勻等是造成誤差的主要原因。對于模型的誤差問題，可考慮進一步增加生物質料的試驗樣本數據，以及改進模型和優化權值、閾值。

另外，網絡輸入參數可在本文所選的氣化溫度與氣化劑當量比之外，盡可能多考慮一些影響氣化過程的因素（如氣化劑類型、催化劑和氣化壓力等），使模型的輸出值更加接近實際值。

參考文獻：

[1]高虹，張愛黎.新能源技術與應用[M].北京：國防工業出版社，2007：123-125.

[2]肖波，周英彪，李建芬.生物質能循環經濟技術[M].北京：化學工業出版社，2015.

[3]袁振宏，吳創之，馬隆龍，等.生物質能利用原理與技術[M].北京：化學工業出版社，2010.

[4]陳德銘.全面貫徹落實科學發展觀加快生物質能的開發利用[J].可再生能源，2009（5）：1-3.

[5]朱錫鋒.生物質熱解原理與技術[M].北京：中國科學技術大學出版社，2006.

[6]GUOB，LIDK，CHENGCM，etal.Simulationofbiomassgasificationwithahybridneuralnetworkmodel[J].BioresourceTechnology，2014，76（2）：77-83.

[7]陳平.生物質流化床氣化機理與工業應用研究[D].合肥：中國科技大學，2008.

[8]馬蘭蘭.變廢為寶，生物質發電在中國成為朝陽業[EB/OL].http：∥www.nbe.cn.

[9]FANGYT，HUANGJJ，WANGY，etal.Experimentandmathematicalmodelingofabench-scalecirculatingfluidizedbedgasifier[J].FuelProcessingTechnology，2001，69：29-44.

[10]TOMINAGAH，YAMASHITAT，ANDOT，etal.Simulatordevelopmentofentrainedflowcoalgasifiersathightemperatureandhighpressureatmosphere[J].IFRFCombustionJournal，2000，6：103-107.

[11]LIUGS，TATEAG，BRYANTGW，etal.MathematicalmodelingofcoalcharrespectivelywithCO2athighpressuresandtemperatures[J].Fuel，2000，79：1145-1154.

[12]CHOIYC，LIXY，PARKTJ，etal.Numericalstudyonthecoalgasificationcharacteristicsinanentrainedflowcoalgasifier[J].Fuel，2001，80：2193-2201.

[13]CHENCX，MASAYUKIH，TOSHINORIK.Useofnumerialmodelinginthedesignandscale-upofentrainedflowcoalgasifiers[J].Fuel，2001，80：1513-1523.

[14]李大中，張瑞祥，包立公，等.生物質發電氣化過程的機理建模分析[J].可再生能源，2007，25（3）：39-43.

[15]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2013.

[16]叢爽.面向MATLAB工具箱的神經網絡理論與應用[M].合肥：中國科學技術大學出版社，1999.

（責任編輯：何麗）