一种煤气化炉系统的炉温自学习控制方法
【专利摘要】本发明公开了一种煤气化炉系统的炉温自学习控制方法，其包括：构建一个基于数据的煤气化炉系统炉温自学习系统模型，用于确定煤气化炉炉温变化；利用三层BP神经网络构建输入煤中元素含量比例的煤质模型，用于确定煤质；利用三层BP神经网络构建输入量参考控制模型，用于确定煤气化炉系统输入参考量；将构建的煤气化炉系统炉温自学习系统模型误差、煤质模型误差和输入量参考控制模型误差与系统外部扰动转化为煤气化炉系统炉温自学习系统控制模型的扰动控制变量；基于迭代自适应动态规划自学习最优控制方法，在所述扰动控制变量对所述系统温度控制误差影响最大的情况下建立求解最优控制的函数，最终获得系统控制。
【专利说明】一种煤气化炉系统的炉温自学习控制方法
【技术领域】
[0001]本发明属于煤气化炉【技术领域】，具体涉及煤气化炉的炉温控制方法，特别是一种通过气化炉系统的运行数据对气化炉炉温进行自学习最优控制的方法。
【背景技术】
[0002]煤气化炉亦称水煤浆煤气化炉，是一种以煤或焦炭为原料，以氧气和水蒸气为气化剂，在固定床内进行氧化还原反应产生混合煤气的专用设备，可广泛应用于冶金、机械、化工、建材、陶瓷等各类行业。其工作过程:水煤浆被泵压入喷嘴，在此处被高压、高速的氧气流破碎雾化进入煤气化炉。在煤气化炉内，雾状水煤浆和氧气在加温加压后，经过预热、水分蒸发、煤的干馏与热解以及气化物的裂解燃烧等一系列的复杂物理化学过程，最终形成以氢气、一氧化碳、二氧化碳和水蒸气为主要成分的粗煤气以及煤渣。粗煤气经过洗剂、冷却和净化得到精煤气，煤渣则在炉内反应结束后进入气化炉底部渣池，经过水浴、淬冷、固化后运往渣仓，定期处理排放。
[0003]煤气化炉是一种用煤制取煤气的重要设备，是煤气化制甲醇、甲醛等煤基化工过程中非常重要的基础环节，具有工艺流程复杂、设备庞大、反应滞后等特点。一方面通过煤气化的主要工作机理分析煤气化炉的工作动态，另一方面要根据煤气化炉运行特性对气化炉温度等重要参数进行最优调控，优化气化炉运行，提高煤气化炉系统运行效率并避免不必要的事故发生。然而在实际生产过程中，煤气化炉设备庞大，炉内温度高，反应剧烈以及时滞现象严重等使得气化炉的数学机理模型难以建立，这给气化炉系统优化与控制带来极大的困难。在气化炉系统每日运行过程中都会存储大量的数据，因此基于气化炉系统的运行数据，设计一套有效的最优控制方案，使得煤气化炉系统能够智能调控在最优工作状态是煤气化炉控制技术发展亟需解决的问题。
【发明内容】
[0004](一 )要解决的技术问题
[0005]本发明所要解决的技术问题是利用气化炉系统运行数据与神经网络，构建煤气化炉系统控制神经网络模型，煤质神经网络模型以及参考控制神经网络模型，采用基于自适应动态规划自学习方法，最优化控制煤气化炉的炉温工作状态。
[0006]( 二 )技术方案
[0007]基于煤气化系统生产过程的运行数据，利用自适应动态规划理论，构建煤气化炉系统炉温控制神经网络模型、煤中元素含量比例的模型(煤质神经网络模型)以及参考控制神经网络模型，综合考虑建模误差以及外部扰动，采用迭代自适应动态规划方法在扰动控制对系统性能影响最大情况下获得系统最优控制方案并获得容许误差上界，实现气化炉系统温度最优化运行。
[0008]具体来说，本发明提出一种煤气化炉系统的炉温自学习控制方法，其包括:
[0009]S1、构建一个基于数据的煤气化炉系统炉温自学习系统模型，用于确定煤气化炉炉温变化；
[0010]S2、基于系统运行数据，利用三层BP神经网络构建输入煤中元素含量比例的煤质模型，用于确定煤质；
[0011]S3、基于系统运行数据，利用三层BP神经网络构建输入量参考控制模型，用于确定煤气化炉系统输入参考量；
[0012]S4、将构建的煤气化炉系统炉温自学习系统模型误差、煤质模型误差和输入量参考控制模型误差与系统外部扰动转化为煤气化炉系统炉温自学习系统控制模型的扰动控制变量；
[0013]S5、基于迭代自适应动态规划自学习最优控制方法，在所述扰动控制变量对所述系统温度控制误差影响最大的情况下建立求解最优控制的函数，最终获得系统的最优控制；其中所述最优控制表示使得煤气化炉炉温达到设定温度的煤气化炉的输入量。
[0014](三)有益效果
[0015]本发明根据煤气化炉系统运行数据，构建气化炉系统的神经网络模型，综合考虑建模误差以及外部扰动，采用迭代自适应动态规划方法在扰动控制对系统性能影响最大情况下获得系统最优控制方案，从而能够高效、实时、最优化控制气化炉温度，实现气化炉系统最优化运行。
【专利附图】
【附图说明】
[0016]图1是本发明实施例中煤气化炉的结构示意图；
[0017]图2是本发明实施例中一种煤气化炉系统的炉温自学习控制方法流程图；
[0018]图3是本发明实施例中迭代自适应动态规划自学习最优控制方法流程图。
【具体实施方式】
[0019]为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
[0020]图1是本发明中煤气化炉的结构示意图。如图1所示，煤气化炉I包括进料口 2、煤气出口 3和煤渣出口 4，其中水煤浆和氧气经过进料口 2进入煤气化炉I后，在一定温度和压力下，发生一系列复杂的物理化学反应，生成以CO(—氧化碳)、C02(二氧化碳)、H2(氢气)为主要成分的粗煤气，经过煤气出口 3输出，反应后的煤渣从出口 4排出。需要说明的是，该图1只是示意性的简图，实际的煤气化炉还包括其他各工作部件，例如调节阀及压力杆等，但其皆为本领域的技术人员熟知，并且不影响本发明的控制方法，因而在此不加赘述。
[0021]图2示出了本发明中煤气化炉系统的炉温自学习控制方法流程图。如图2所示，该方法包括依次执行的如下步骤:
[0022]S1、构建一个基于数据的煤气化炉系统炉温自学习系统模型，用于确定煤气化炉炉温变化；
[0023]S2、基于系统运行数据，利用三层BP神经网络构建输入煤中元素含量比例的煤质模型，用于确定煤质；
[0024]S3、基于系统运行数据，利用三层BP神经网络构建输入量参考控制模型，用于确定煤气化炉系统输入参考量；[0025]S4、将构建的煤气化炉系统炉温自学习系统模型误差、煤质模型误差和输入量参考控制模型误差与系统外部扰动转化为煤气化炉系统炉温自学习系统控制模型的扰动控制变量，即误差函数；
[0026]S5、基于迭代自适应动态规划自学习最优控制方法，在所述扰动控制变量对所述系统温度控制误差影响最大的情况下建立求解最优控制的方程，所述最优控制表示使得煤气化炉炉温达到设定温度的煤气化炉的输入量。
[0027]下面分别介绍上述各个步骤。
[0028]S1、构建一个基于数据的煤气化炉系统炉温自学习系统模型，该模型利用神经网络构建煤气化炉系统炉温动态特性，无需煤气化炉系统炉温具体数学模型。
[0029]本发明的煤气化炉系统控制模型基于煤气化炉前期运行积累的数据利用人工神经网络进行构建，无需煤气化炉的具体反应机理模型。
[0030]根据煤气化炉系统内部的反应原理，按照前期煤气化炉运行时得到的相关历史数据，包括系统输入变量、输出变量以及系统状态变量，利用人工神经网络构建煤气化炉系统的控制模型。稳态建模具体描述如下:假定煤气化炉进料口 2的原料为O2 (氧气),H2O (水)和煤，其中煤的主要成分为C(碳)、H(氢)、0(氧)，要求构建相应的控制模型，预测未来煤气化炉内的温度变化，计算出料口 3生成气中的CO ( 一氧化碳)、CO2 ( 二氧化碳)、H2 (氢气)、H20(水)的量以及出口 4排放煤渣的量。
[0031]煤气化过程中，煤气化炉I的进料口 2的进料为水煤浆和氧气，煤气出口 3输出粗煤气，煤渣出口 4输出煤渣。水煤浆和氧气进入煤气化炉I后,在一定的温度和压力下,经过一系列复杂的物理化学反应，生成以一氧化碳、二氧化碳、氢气为主要成分的粗煤气。
[0032]煤气化炉中主要考虑的化学反应如下:
[0033](I)氧化反应
【权利要求】
1.一种煤气化炉系统的炉温自学习控制方法，其包括: S1、构建一个基于数据的煤气化炉系统炉温自学习系统模型，用于确定煤气化炉炉温变化； S2、基于系统运行数据，利用三层BP神经网络构建输入煤中元素含量比例的煤质模型，用于确定煤质； S3、基于系统运行数据，利用三层BP神经网络构建输入量参考控制模型，用于确定煤气化炉系统输入参考量； S4、将构建的煤气化炉系统炉温自学习系统模型误差、煤质模型误差和输入量参考控制模型误差与系统外部扰动转化为煤气化炉系统炉温自学习系统控制模型的扰动控制变量; S5、基于迭代自适应动态规划自学习最优控制方法，在所述扰动控制变量对所述系统温度控制误差影响最大的情况下建立求解最优控制的函数，最终获得系统的最优控制；其中所述最优控制表示使得煤气化炉炉温达到设定温度的煤气化炉的输入量。
2.如权利要求1所述的煤气化炉系统的炉温控制方法，其特征在于，在步骤SI中构建的煤气化炉系统炉温自学习系统模型表示为:
3.如权利要求2所述的煤气化炉系统的炉温控制方法，其特征在于，所述神经网络权 值
4.如权利要求1所述的煤气化炉系统的炉温控制方法，其特征在于，所述煤质模型如下表示:
5.如权利要求1所述的煤气化炉系统的炉温控制方法，其特征在于，所述输入量参考控制模型如下所示:
6.如权利要求1所述的煤气化炉系统的炉温控制方法，其特征在于，在步骤S4中转化后的煤气化炉系统炉温自学习系统的扰动控制变量使用如下所示的误差函数e(k)表示:
7.如权利要求1所述的煤气化炉系统的炉温控制方法，其特征在于，在步骤S5中所建立的求解最优控制的函数如下所示:
8.如权利要求1所述的煤气化炉系统的炉温控制方法，其特征在于，所建立的最优控制的函数如下求解: 步骤1、令i = O,对We{k、，定义初始迭代性能指标函数:
【文档编号】G05B13/00GK103529699SQ201310516852
【公开日】2014年1月22日 申请日期:2013年10月28日 优先权日:2013年10月28日
【发明者】刘德荣, 魏庆来, 徐延才 申请人:中国科学院自动化研究所