用于平衡多个电解槽集气罩烟气收集量的方法与流程

1.本发明属于电解铝节能减排技术领域，具体涉及一种用于平衡多个电解槽集气罩烟气收集量的方法。


背景技术：

2.氧化铝在电解过程中会散发出大量烟气，烟气由气态和固态物质所组成，一般通过电解槽集气罩将烟气收集起来排入主管网，经除尘器后进入排烟净化风机，最终通过烟囱排入大气。电解槽一般并排布置，多个电解槽的集气罩通过支管连接在同一个主管上，烟气经多个主管汇集后进入除尘器，除尘器进口的负压为所有集气罩提供集气动力。对于距离主管汇集口较近的集气罩，由于沿程阻力小，集气罩内的负压较低，在吸入烟气的同时将厂房内的空气经电解槽盖板间隙吸入集气罩，导致抽出的烟气量偏大，系统做了无用功；而距离主管汇集口较远处的集气罩则相反，抽出的烟气量偏小。这造成不同集气罩的烟气收集能力差别过大，部分高于设计值而其它则低于设计值，不仅不利于电解铝的高效生产，而且整体上使得烟气流量偏大，导致系统阻力过高，造成排烟风机能耗过大。
3.针对以上问题，目前工业生产中普遍采用的做法是在集气罩支管上安装阀门，通过调节各阀门的开度控制集气罩的烟气收集量。然而，在现场调节过程中，主要依靠人工经验由近及远阀门开度依次开大，但阀门开度多少缺乏定量的指导策略。此外，由于管路连接处焊接等原因，各支管阻力不一致，导致各集气罩的实际烟气收集量难以调节平衡。亟需探索平衡各集气罩烟气收集量的智能调节方法，实现多个电解槽集气罩烟气收集量的平衡和一致，进而在不改变厂房烟气浓度的前提下降低烟气总量，同时降低系统阻力，从而实现排烟净化系统整体能耗的下降。电解铝排烟净化系统耗电量巨大，我国2021年铝产能为3760万吨，排烟净化系统耗电约56.4亿kw
·
h。如能降低5％的烟气总量，可降低系统阻力9.77％，实现系统节能11％，年节电量可达6亿kw
·
h。


技术实现要素：

4.本发明的目的是提供用于平衡多个电解槽集气罩烟气收集量的方法，降低系统烟气总量和系统阻力，从而可减少8％-25％的排烟风机能耗。
5.本发明所采用的技术方案是，用于平衡多个电解槽集气罩烟气收集量的方法，具体按照以下步骤实施：
6.步骤1、针对各电解槽集气罩支管的所有阀门安装定位器，实现阀门由开至关的连续调节；
7.步骤2、调节各支管阀门开度xi，记录不同阀门开度下集气罩的负压pi，i＝1,2,3
…
n，n为集气罩数量；并计算各集气罩的烟气流量vi，生成多组{xi}m与{vi}m的对应关系，表示为{xi}m∝
{vi}m，其中，m表示数据的组数；利用神经网络建立支管阀门开度xi与烟气流量vi间的非线性关系；
8.步骤3、结合神经网络并利用遗传算法对阀门开度进行优化，得到与集气罩设计烟
气流量最为接近的阀门开度组合x
opt，i
。
9.本发明的特点还在于，
10.步骤2中，第i个集气罩的烟气流量vi的计算公式如式(1)所示：
[0011][0012]
其中，d为支管直径；
[0013]
ρi为烟气密度，其计算公式如式(2)所示：
[0014]
ρi＝(p
a-pi)/rtiꢀꢀꢀꢀꢀꢀꢀ
(2)；
[0015]
其中，pa为当地大气压，ti为第i个集气罩处的烟气温度，r是气体常数。
[0016]
步骤2中，神经网络包含三层结构，分别为输入层、隐含层和输出层；
[0017]
选择每一个支管的阀门开度为神经网络的输入节点，输入层节点数为n；选择每一个支管的烟气流量vi作为神经网络的输出节点，即输出层节点数为n；隐含层的层数位于2～4层之间，每层的节点数位于2n～3n之间，取无量纲均方根误差最小的隐含层参数为最终的设计参数，且应保证rms《3％；
[0018]
已知集气罩设计烟气流量无量纲均方根误差如式(3)所示：
[0019][0020]
样本的建立方式：距离主管最远处阀门开度为100％，由远及近按线性关系关闭阀门，调节n＝1时的阀门开度为30％～100％之间，进而得到m组样本数据。
[0021]
神经网络的训练方式：选择m个样本中的一部分为训练样本数据，其余组为测试数据，利用测试数据对神经网络进行验证，直至满足精度要求。
[0022]
步骤3中，具体为：
[0023]
第一、初始化种群分布：在已有阀门开度{xi}m的基础上，针对每一组数据{xi}，将其变动范围设定在30％以内，得到{xi±
0.3xi*randi}作为随机种群，randi为0～1范围内的随机数，由计算机自动生成；将随机种群与{xi}m合并作为初始种群，种群数量为2m；
[0024]
第二、对于每个个体，利用建立的神经网络作为适应度函数，计算不同个体对应的烟气流量vi，计算无量纲均方根误差；
[0025]
第三、从种群中选择两个个体作为父方和母方；
[0026]
第四、在种群中随机选择两个个体，将选中的个体染色体随机交换组合产生新的染色体；
[0027]
第五、在群体中以一定的概率随机选择一个个体，对于这个选中的个体再以一定的概率随机选择结构上的一个位点改变其值的大小；
[0028]
第六、重复第二至第五步的操作，开始循环直至找到最优阀门开度组合x
opt
，i，结束循环。
[0029]
本发明的有益效果是：未采用该方法设计前，各集气罩的烟气收集量不一致，导致系统烟气排放量大，管网阻力偏高。采用本发明的方法对集气罩烟气收集系统进行调节后，
可平衡各集气罩的烟气收集量，并使其位于设计水平附近，进而大幅度降低系统的烟气总量和系统阻力，从而可降低8％-25％的排烟风机能耗。改造后，可大幅度降低企业生产成本，同时响应了国家的节能减排战略。
附图说明
[0030]
图1是本发明电解铝厂的集气罩烟气收集系统的结构图；
[0031]
图2是本发明方法中神经网络和遗传算法的流程图；
[0032]
图3是本发明实施例中某电解铝厂的阀门开度样本数据图；
[0033]
图4是本发明实施例中某电解铝厂与阀门开度样本对应的各支管烟气流量图；
[0034]
图5是本发明实施例中某电解铝厂经基于rbf神经网络的调节方法优化后的各阀门开度图；
[0035]
图6是本发明实施例中电解铝厂经基于rbf神经网络的调节方法优化后的各支管烟气流量图；
[0036]
图7是本发明实施例中某电解铝厂利用bp神经网络实现的烟气预测值与实际值的对比图；
[0037]
图8是本发明实施例中电解铝厂经基于bp神经网络的调节方法优化后的各阀门开度图；
[0038]
图9是本发明实施例中电解铝厂经基于bp神经网络的调节方法优化后的各支管烟气流量图。
具体实施方式
[0039]
下面结合附图和具体实施方式对本发明进行详细说明。
[0040]
本发明用于平衡多个电解槽集气罩烟气收集量的方法，具体按照以下步骤实施：
[0041]
步骤1、针对各电解槽集气罩支管的所有阀门安装定位器，实现阀门由开至关的连续调节，阀门开度如图1所示，对于蝶阀调节精度应小于2
°
，对于插板阀调节精度应小于2％最大行程。阀门定位器信号通过plc接入dcs集控系统，实现对所有阀门开度的远程控制；或者，对于已安装有阀门定位器的系统，只需将信号通过plc接入dcs集控系统；亦或者，所有阀门使用手动调节；
[0042]
步骤2、通过电动或手动调节各支管阀门开度xi(0～100％)，通过dcs系统自动记录不同阀门开度下集气罩的负压pi(i＝1,2,3
…
n，n为集气罩数量)，并计算各集气罩的烟气流量vi，生成多组{xi}m与{vi}m的对应关系，表示为{xi}m∝
{vi}m，其中m表示数据的组数。利用神经网络建立支管阀门开度xi与烟气流量vi间的非线性关系，神经网络由图2给出。
[0043]
第i个集气罩的烟气流量vi的计算公式如式(1)所示：
[0044][0045]
其中，d为支管直径(每个支管直径一样)；
[0046]
ρi为烟气密度，其计算公式如式(2)所示：
[0047]
ρi＝(p
a-pi)/rtiꢀꢀꢀꢀꢀꢀꢀ
(2)
[0048]
其中，pa为当地大气压，ti为第i个集气罩处的烟气温度，r是气体常数；
[0049]
在建立非线性关系中可使用bp(误差反向传播)神经网络实现，神经网络包含三层结构，分别为输入层、隐含层和输出层，适用于本发明的神经网络为：
[0050]
第一、输入层节点数。由于每个支管阀门的开度变化均会影响其自身及其它支管的烟气流量，因此，选择所有支管阀门开度xi作为神经网络的输入节点，即输入层节点数为n。
[0051]
第二、输出层节点数。选择每一个支管的烟气流量vi作为神经网络的输出节点，即输出层节点数为n。神经元传递函数为线性传递函数。
[0052]
第三、隐含层的层数和节点数。由于神经网络模型的误差、精度和运行速度与隐含层的层数有关，所以结合实际情况试探性选择，再逐步优化。隐含层的层数位于2～4层中间，每层的节点数应位于2n～3n之间，各隐含层节点数保持一致，神经元传递函数均为s型的tan-sigmoid。试算后，取无量纲均方根误差最小的隐含层参数为最终的设计参数，且应保证rms《3％。
[0053]
集气罩设计烟气流量无量纲均方根误差如式(3)所示：
[0054][0055]
第四、样本的建立方式。xi在调节过程中，应遵循流体力学的基本原则，距离主管最远处阀门开度为100％，由远及近按线性关系关闭阀门，n＝1时阀门最小开度一般应大于30％。调节n＝1时的阀门开度为30％～100％之间，进而得到m组样本数据。
[0056]
第五、神经网络的训练方式。选择m个样本中的一部分(取总样本数的2/3)为训练样本数据，其余组为测试数据。训练中的学习规则可选用最速下降法，训练步数需依据实际情况选择，应满足误差随训练步数的增加基本不变。利用测试数据对所建立的神经网络模型进行验证，选取测试数据作为神经网络模型的输入，验证模型精度。如不满足精度要求，则将测试数据中的一部分加入训练，重复上述过程，直至满足精度要求(rms《3％)，得到神经网络net。
[0057]
步骤3、结合神经网络并利用遗传算法对阀门开度进行优化，得到与集气罩设计烟气流量最为接近的阀门开度组合x
opt
，i；
[0058]
具体为：
[0059]
第一、初始化种群分布。在已有阀门开度{xi}m的基础上，针对每一组数据{xi}，将其变动范围设定在30％以内，得到{xi±
0.3xi*randi}作为随机种群，randi为0～1范围内的随机数，由计算机自动生成。将随机种群与{xi}m合并作为初始种群，种群数量为2m。
[0060]
第二、评估每条染色体所对应个体的适应度。对于每个个体，利用上一步建立的神经网络net作为适应度函数，计算不同个体对应的烟气流量vi，通过式(3)计算无量纲均方根误差。
[0061]
第三、选择操作。个体被选中的概率跟适应度值有关，遵照适应度越高，选择概率越大的原则，从种群中选择两个个体作为父方和母方。
[0062]
第四、交叉操作。在种群中随机选择两个个体，将选中的个体染色体随机交换组合
产生新的染色体。
[0063]
第五、变异操作。在群体中以一定的概率随机选择一个个体，对于这个选中的个体再以一定的概率随机选择结构上的一个位点改变其值的大小。
[0064]
第六、重复第二至第五步的操作，开始循环直至找到满意的解，结束循环。
[0065]
以最终得到的最优阀门开度组合x
opt，i
为输入，通过神经网络net得到各支管的烟气流量v
opt,i
，则烟气量的减少量δv如式(4)所示：
[0066][0067]v0
是测量主管的烟气体积流量；
[0068]
已知整个管网阻力为pz，则由于烟气量减少带来的系统阻力降低量δpz如式(5)所示：
[0069][0070]
系统节能率ω如式(6)所示：
[0071][0072]
实施例
[0073]
某电解铝厂的排烟系统有4条主管，每条主管上有电解槽36个，共有电解槽144个，单个电解槽的设计烟气量为5200m3/h，支管直径为300mm，当地大气压为78kpa，所有电解槽烟气温度均约为400℃，管网阻力pz＝1900。通过主管流量计测得总烟气流量为200000m3/h，说明集气罩的烟气收集量高于设计值，存在优化空间。采用本发明的方法进行改造，将最远端n＝36处的阀门设置为全开即开度为100％，由远及近依次关小阀门，n＝1时阀门最小开度设置为52％，生成50组阀门开度样本如图3所示。针对每个样本采集支管压力并计算各支管流量如图4所示。
[0074]
利用rbf神经网络和遗传算法进行优化：
[0075]
随机取其中的33组数据作为训练样本，建立rbf神经网络并进行训练，发现该神经网络可精确拟合{xi}m与{vi}m间的非线性关系。将该神经网络作为适应度函数，利用遗传算法进行优化设计，初始种群数量为100组，经过35次迭代取得最优值，最优阀门开度由图5给出。将最优阀门开度输入rbf神经网络，得到对应的最优烟气流量由图6给出。由图6可知，经过优化后所有支管流量均布在设计值5200m3/h附近，最大误差为1％左右，满足设计要求。优化后烟气量降低12030m3/h，系统阻力降低11.6％，计算节能率为ω＝16.9％。
[0076]
利用bp神经网络和遗传算法进行优化：
[0077]
随机取其中的33组数据作为训练样本，建立bp神经网络并进行训练，经调整后，隐含层设置为3层，节点数分别为73,73,73。经训练及验证后，该神经网络可较为精确地预测烟气流量vi，如图7所示。将该神经网络作为适应度函数，利用遗传算法进行优化设计，初始种群数量设置为100组，经过75次迭代取得最优值，最优阀门开度由图8给出。将最优阀门开度输入bp神经网络，得到对应的最优烟气流量由图9给出。由图9可知，经过优化后所有支管流量均布在设计值5200m3/h附近，最大误差为1％左右，满足设计要求。优化后烟气量降低
12179m3/h，系统阻力降低11.8％，计算节能率为ω＝17.18％。
[0078]
本发明用于平衡多个电解槽集气罩烟气收集量的方法，具体优势如下：
[0079]
1)各电解槽间烟气量相互影响，且由于管路焊接等因素导致各支管阀门开度与烟气量间具有强烈的非线性特征，采用神经网络来建立阀门开度与烟气量间的非线性关系，不仅可以较好地符合流体力学的基本定律，同时可较为精确地得到阀门开度与烟气量间的定量关系。
[0080]
2)在使用神经网络中，样本的建立尤为关键，通过研究发现，需根据流体力学的基本原理来设置阀门开度，进而得到样本数据，否则无法通过下一步的优化来得到最优的阀门开度组合。
[0081]
3)对烟气量的调节不仅要保证各电解槽烟气量的一致性，同时应使总烟气量最小，因此采用遗传算法来避免限于局部最优，得到全局最优解。
[0082]
4)在遗传算法的使用过程中，通过对具体案例的研究发现，初始化种群的方式较为关键，应在随机样本中加入原始样本作为初始种群，可加快优化速度，同时得到更优的阀门开度组合。