基于混合模型的煤气化过程模拟研究.pdf

基于混合模型的煤气化过程模拟研究方薪晖，安海泉，刘臻，李烨，孙凯蒂，彭宝仔(北京低碳清洁能源研究院,北京102209)摘要：建立煤气化模型是研究气化过程的重要手段，为解决当前气化机理模型在变工况条件下存在残差较大，模型单次运行只能模拟一个工况，无法连续运行来表征气化炉长周期运行状态的问题，首先利用流程模拟软件 Unisim，以国家能源投资集团榆林化工有限公司 3000t/d 水煤浆气化炉为对象，建立了基于反应动力学的气化炉单工况机理模型，并基于 ActiveX 技术开发了气化炉的长周期机理模型，然后建立了机理模型并联 BP 神经网络模型的混合模型，对混合模型的模拟精度进行了验证与分析，最后对混合模型在气化指标预测和气化性能分析方面的应用进行了研究。结果表明：单工况机理模型对气化温度和合成气组成的模拟误差小于 5%；长周期机理模型可以预测气化炉温的变化趋势，模拟值与运行值间的相关系数为 0.822，但是模拟值的波动较大，气化温度模拟值的相对标准偏差(RSD)是运行值的 3.8 倍；气化混合模型的模拟精度比机理模型有着显著提高，其模拟值与运行值的变化趋势吻合良好，气化温度及合成气组成的误差小于 2%；在更换工况后混合模型仍然有较高的准确性，模拟误差由之前的 2%增大至 4%以内。随着氧煤比从 480增加至 498Nm3/m3，混合模型计算的气化温度由 1160 升高至 1306，合成气中 CO2摩尔分数由 18.6%升高至 19.9%，CO 摩尔分数由 42.6%降低至 42%，H2摩尔分数由 37.7%降低至36.8%，该变化趋势与机理模型保持一致，但是混合模型对机理模型有着明显的修正作用，其中对气化温度修正约 38，对合成气中 CO、CO2、H2的摩尔分数分别修正了1%、0.9%、1.5%。关键词：煤气化；混合模型；Unisim；神经网络；ActiveX中图分类号：TQ545文献标志码：A文章编号：02539993(2023)09355408Simulation of coal gasification process based on hybrid modelFANGXinhui,ANHaiquan,LIUZhen,LIYe,SUNKaidi,PENGBaozai(National Institute of Clean-and-Low-Carbon Energy,Beijing102211,China)Abstract:Thecurrentgasificationmechanismmodelhaslargeresidualsundervariableworkingconditionsandthemodelcanonlysimulateoneworkingconditioninasinglerunandcannotberuncontinuouslytocharacterizethelong-cycleop-erationofgasifier.ThispaperfirstlyusedtheprocesssimulationsoftwareUnisimtoestablishthelong-cyclemechanismmodelofgasifierbasedonthereactionkineticsof3000t/dcoal-waterslurrygasifierinYulinChemicalCo.ofNationalEnergyInvestmentGroup.Then,ahybridmodelofthemechanismmodelinparallelwiththeBPneuralnetworkmodelwasdeveloped,andthesimulationaccuracyofthehybridmodelwasverifiedandanalyzed.Finally,theapplicationofthehybridmodelingasificationindexpredictionandgasificationperformanceanalysiswasinvestigated.Theapplicationofthehybridmodelforgasificationindexpredictionandgasificationperformanceanalysiswasinvestigated.Theresultsshowthatthesimulationerrorofthesingle-casemechanisticmodelforgasificationtemperatureandsyngascompositionis收稿日期：20220705修回日期：20220907责任编辑：钱小静DOI：10.13225/ki.jccs.2022.1007基金项目：国家能源投资集团科技创新资助项目(GJNY-20-119,GJNY-22-28)作者简介：方薪晖(1982)，男，湖北蕲春人，高级工程师，博士。E-mail：引用格式：方薪晖，安海泉，刘臻，等.基于混合模型的煤气化过程模拟研究J.煤炭学报，2023，48(9)：35543561.FANGXinhui，ANHaiquan，LIUZhen，etal.SimulationofcoalgasificationprocessbasedonhybridmodelJ.JournalofChinaCoalSociety，2023，48(9)：35543561.第48卷第9期煤炭学报Vol.48No.92023年9月JOURNALOFCHINACOALSOCIETYSep.2023lessthan5%.Thelong-periodmechanisticmodelcanpredictthevariationtrendofgasificationfurnacetemperature,andthe correlation coefficient between the simulated and operational values is 0.822,but the simulated values fluctuategreatly,andtherelativestandarddeviation(RSD)ofthesimulatedgasificationtemperaturevaluesis3.8timesoftheoper-ationalvalues.Thesimulationaccuracyofthehybridmodelforgasificationissignificantlybetterthanthatofthemechan-isticmodel.Thesimulationaccuracyofthegasificationmixingmodelissignificantlybetterthanthatofthemechanisticmodel,withthesimulatedvaluesmatchingwellwiththetrendoftheoperatingvalues,andtheerrorsofgasificationtem-peratureandsyngascompositionarelessthan2%.Themixingmodelstillhasahighaccuracyafterthechangeofworkingconditions,andthesimulationerrorincreasesfrom2%tolessthan4%.Astheoxygentocoalratioincreasesfrom480Nm3/m3to498Nm3/m3,thegasificationtemperaturecalculatedbythemixingmodelincreasesfrom1160to1306,theCO2contentinthesyngasincreasesfrom18.6%to19.9%,theCOcontentdecreasesfrom42.6%to42%,andtheH2contentdecreasesfrom37.7%to36.8%,whichareconsistentwiththemechanisticmodel.Thehybridmodelhasasigni-ficantcorrectioneffectonthemechanisticmodel,inwhichthetemperatureiscorrectedbyabout38,andX(CO),X(CO2)andX(H2)arecorrectedby1,0.9and1.5percentagepointsrespectively.Key words:gasification；hybridmodel；Unisim；neuralnetwork；ActiveX建立煤气化模型是研究气化过程的重要手段，当前煤气化模型主要集中在气化机理模型1-2，气化机理模型一般是基于系统处于稳态，其输入变量为运行参数在一段时间的平均值，模型单次运行只能模拟一个工况，这样的单工况机理模型在气化炉设计及研究中已有广泛的应用，孟辉等3基于 AspenPlus 软件建立了 Texaco 气化炉模型，研究分析了气化炉的水煤浆质量分数、氧煤比和氧气纯度对气化结果的影响。安海泉等4使用 Unisim 软件建立了 500t/d 水煤浆气流床气化炉模型，根据 3 种物料的实验运行结果对模型进行校核和优化。对于气化炉的在线优化、状态监测及关键参数的软测量而言，往往需要建立精准的在线模型，对气化炉运行过程进行连续不断的模拟计算5-6，这时就需要将单工况机理模型进行自动化控制以实现连续运行，形成一种能够进行长周期模拟计算的机理模型，但是机理模型也有其先天的不足，由于气化炉进料煤的煤质多变会导致反应动力学参数不适用7，气化炉及附属设备的操作特性也会随时间而发生改变，这就使得气化机理模型难以在长周期范围内保持较高的准确性，长周期机理模型的残差较大是当前面临的一个主要问题，因此有必要对机理模型进行修正。近年来人工智能的大力发展使得气化炉数据模型受到了很大的关注8-9，数据模型避开了气化过程的反应机理，对于原料多变的气化炉有较高的适应性。将数据模型和机理模型结合形成的混合模型既具有良好的预测性又可以借助数据模型来减小残差10。笔者首先利用通用流程模拟软件 Unisim 建立煤气化单工况机理模型，并将该模型与 VBA 相结合开发了气化炉的长周期机理模型，然后对机理模型并联 BP神经网络模型的混合模型进行了验证与分析，最后对该混合模型在气化指标预测和气化性能分析方面的应用进行了研究。1气化模型的建立1.1机理模型1.1.1单工况机理模型Unisim 是基于反应动力学来建立气化炉模型，当气化炉处于稳态时，取煤浆流量和氧气流量的 24h 平均值作为模型输入变量。根据气化反应的特点，将气化炉分为热解、气化和激冷 3 个区4。热解区为全混流反应器，根据热解过程的质量平衡、热量平衡将煤中挥发分裂解成常规小分子，如 CO、CO2、H2、H2O、CH4等，热解所需热量与气化过程进行耦合处理。气化区主要包含的反应为：煤的燃烧、气化反应、合成气的燃烧反应、甲烷化反应和水煤气变换反应等，反应方程式如式(1)(9)所示，其中非均相反应(式(1)(4)采用未反应收缩核模型11-12来计算，通过设置活化能、指前因子等参数来调节各反应速率。Unisim内置的数据校正器Datacalibrationutility 可根据工厂运行数据修正各个反应动力学参数，调整炉内各个均相和非均相反应的速率，以匹配不同煤种的反应特性。激冷区为激冷水与高温合成气的接触式换热过程，用闪蒸平衡来描述该过程，不考虑液滴在合成气中的夹带。C+O2 CO2(1)C+CO2 2CO(2)C+H2O CO+H2(3)C+2H2 CH4(4)第9期方薪晖等：基于混合模型的煤气化过程模拟研究3555CO+0.5O2 CO2(5)H2+0.5O2 H2O(6)CO+H2O CO2+H2(7)CH4+H2O CO+3H2(8)3H2+N2 2NH3(9)1.1.2长周期机理模型长周期机理模型是在单工况模型的基础上进行开发，其与单工况机理模型最大的区别是：模型输入变量由单一数据源变为一段时间的数据集合，如图 1所示。单工况机理模型中的氧气和煤浆流量为一定值，而长周期机理模型中的氧气和煤浆流量则为动态变化的运行实时数据。长周期机理模型应用 Activex 技术，在 Excel的VBA 平台进行自主开发，模型通过 VBA 程序对该时间段内的每一个工况进行连续运行，实现长周期的模拟计算。ActiveX13是Microsoft提出的一组使用部件对象模型(ComponentObjectModel,COM)，使得软件部件在不同环境中进行交互的技术集，Unisim 的Windows用户界面是一个 ActiveX 服务器应用程序，它作为 Activex 控件为外部应用程序提供了相应接口，用户通过接口程序把 Unisim 模型的输入输出与其他应用程序如过程综合、设计软件或优化算法等相连接，实现软件集成。利用 ActiveX 接口实现 Excel 与Unisim 之间的交互如图 2 所示。UnisimExcelActiveX接口模拟参数模拟结果图2Excel 与 Unisim 交互过程Fig.2InteractionrelationshipbetweenExcelandUnisim1.2混合模型混合模型通过机理模型与数据模型的耦合来建立。混合模型以 Excel 作为中间平台，在后台调用Matlab 数据模型和 Unisim 机理模型，Excel 与 Mat-lab 之间通过插件 Excellink 作为接口，实现数据交互的过程如图 3 所示。Unisim机理模型Excel混合模型ActiveX接口模拟参数模拟结果Excelink接口模拟参数模拟结果Matlab数据模型图3混合模型数据交互过程Fig.3Datainteractionrelationshipofthehybridmodel混合模型中的机理模型和数据模型采用并联结构14-15，如图 4 所示。混合模型计算公式为Y=y+y(10)式中，Y 为混合模型输出值；y 为机理模型计算值；y为神经网络模型输出值。数据模型采用 Matlab 中的 BP(BackPropagation)神经网络工具箱来建立，BP神经网络是目前应用最广泛的神经网络，其思想是梯度下降法，利用此法最终实现预测值与真实值误差、均方差达到最小16-18。本文神经网络模型采用 3 层网络模型，为 2104结构，如图 5 所示，该模型属于多输入多输出结构，输入层的 2 个神经元为煤浆流量和氧气流量，中间隐含层为 10 个节点，输出层的 4 个神经元为气化温度，合运行时间单工况机理模型长周期机理模型模型输入变量图1模型输入变量对比Fig.1Comparisonofmodelinputvariables数据预处理长周期运行数据机理模型数据模型UnisimMatlab混合模型yyY=y+y混合模型预测值煤粉流量,氧气流量图4混合模型结构Fig.4Mixedmodelstructure3556煤炭学报2023年第48卷成气中 H2、CO 和 CO2摩尔分数的运行值与 Unisim机理值的差值，样本量为 1400 组气化炉运行数据。该神经网络的训练集、验证集和测试集的比例分别为 75%、15%、15%。根据输入系列(x1，x2，xn)和输出序列(y1，y2，ym)确定网络输入层节点数 n为 2、输出层节点数m 为 4、隐含层节点数为 10，并初始化输入层、输出层、隐含层神经元之间的连接权值ij、jk，初始化隐含层阈值 a，输出层阈值b，给定学习速率和神经元激励函数。然后开始隐含层输出计算，根据输入变量x，输入层和隐含层间的连接权值ij以及隐含层阈值a，计算隐含层输出 H。Hi=fni=1ijxiaj,j=1,2,3,L(11)式中，L 为隐含层的节点数；f 为隐含层激励函数：f(x)=1/(1+ex)(12)根据隐含层输出 H，连接权值 ij和阈值 b，计算BP 神经网络的预测输出 y19：y=Lj=1Hjjkbk,k=1,2,3,m(13)2结果与讨论2.1机理模型验证与分析2.1.1单工况机理模型为考察单工况机理模型对气化指标的模拟精度，本文以国家能源投资集团榆林化工有限公司 3000t/d水煤浆气化炉为对象，将气化温度、合成气组成作为考察指标，气化温度为气化炉炉膛热电偶测量值。取稳定工况下煤浆流量、氧气流量的 24h 平均值作为模型输入，该工况下的氧煤比为 485Nm3/m3，气化炉热损失为干基煤发热量的 3%，煤浆质量分数为 62%，模型输出为气化温度、合成气组成等指标，气化区采用 Unisim 内置的 Calibarion 工具对各反应动力学参数进行校正。原料煤为某矿区低阶煤，煤质数据见表 1。表 1 气化原料煤的煤质分析Table 1 Coal quality analysis of gasification raw coal工业分析/%元素分析/%热值Qgr,d/(MJkg1)MarAdVdFCdCdafHdafNdafOdafSdaf2.907.9634.7854.3681.984.911.0411.490.5829.81单工况机理模型的模拟结果见表 2，气化主要指标的模拟误差小于 5%，由此可知，对于单工况的气化炉模拟，由于煤质不变，气化系统处于稳态，基于反应动力学的机理模型是可以将误差降低至较小范围。表 2 单工况机理模型计算结果Table 2 Simulation results of single working conditionmechanism model项目气化温度/合成气组分摩尔分数/%H2COCO2模拟值124835.9443.7118.70运行值126535.1043.0117.89误差/%1.342.391.634.532.1.2长周期机理模型长周期机理模型的输入变量为 1400min 的煤浆流量和氧气总流量，数据频率为 1 组/min，其中煤浆流量、氧气流量选取原则为气化炉整个操作窗口内的数据集合，以保证数据模型具有更广泛的适用性，该气化炉设计负荷为 176m3/h 煤浆，本文煤浆流量为 85170m3，如图 6 所示。对气化炉开展长周期的模拟，以气化温度为指标输入层隐藏层输出层x1y1y2y3ymxnijjk.图5BP 神经网络结构Fig.5BPneuralnetworkstructure氧气流量/(Nm3h-1)煤浆流量/(m3h-1)90 00080 00070 00060 00050 00040 000运行时间/min氧气流量煤浆流量180160140120100800200400600800 1 0001 2001 4001 600图6长周期机理模型输入变量Fig.6Inputvariablesoflongperiodmechanismmodel第9期方薪晖等：基于混合模型的煤气化过程模拟研究3557来验证长周期模型的准确性。长周期机理模型的模拟值与运行值间的吻合程度采用相关系数来量化表征，相关系数是反应变量之间关系密切度的统计指标，相关系数取值在 11。1 表示 2 个变量完全线性相关，1 表示 2 个变量完全负相关，0 表示 2 个变量不相关。气化温度的平均波动幅度用相对标准差 RSD来表征：RSD(z)=1zvut1N1Np=1(zpz)2),z=1NNp=1zp(14)zpz式中，N 为采集个数；为气化温度的离散值；为采集周期内的平均值。长周期机理模型的模拟值与运行值如图 7 所示，可看出气化温度模拟值的变化趋势与运行值保持一致，相关系数达到 0.822，同时也可看出模拟值的波动较大，其 RSD 是运行值的 3.8 倍，由图 8 可知在 P1 阶段(0100min)时，气化炉模拟值与运行值吻合较好，误差在 5%以内；但是 P2 阶段(100min 后)，模拟误差增大至5%15%；P3 阶段的模拟最大误差变为负偏差15%，这说明在氧煤比不断变化的工况下，长周期机理模型无法减小气化温度的模拟残差。从气化反应机理分析，P1 阶段模拟误差较小是因为入炉煤的动力学参数与模型内置的参数吻合，使得气化炉模型对合成气组分和热平衡计算与运行值吻合度高，在 P2和 P3 阶段由于煤质波动较大，其原料煤的反应动力学参数与 Unisim 的设定值偏离较大，则难以保证模型的准确性。气化温度运行值/C气化温度模拟值/C1 3201 3001 2801 2601 2401 2201 2001 6001 5001 4001 3001 2001 1001 000运行时间/min0200400600800 1 0001 2001 4001 600R=0.822气化温度运行值(RSD=1.6)气化温度模拟值(RSD=6.1)图8长周期机理模型的模拟误差Fig.8Simulationerroroflongperiodmechanismmodel2.2混合模型验证与分析混合模型采用与长周期机理模型相同的输入变量，煤浆流量、氧气流量及动力学参数均与机理模型保持一致。混合模型模拟结果如图 9 所示，以 X(CO)、P2P1P3机理模型误差/%20100-10-20运行时间/min0200400600800 1 0001 2001 4001 600图7长周期机理模型对气化温度的模拟结果Fig.7SimulationresultsofgasificationtemperaturebylongperiodmechanismmodelR=0.961R=0.821R=0.884X(CO2)运行值X(CO2)混合模型运行时间/min0200400600800 1 0001 2001 400运行时间/min02004006008001 000 1 200 1 400运行时间/min02004006008001 000 1 200 1 4001 600气化温度/CX(CO2)/%X(CO)/%1 3201 3001 2801 2601 2401 2201 2001 18023222120191817161546454443424140气化温度运行值气化温度混合模型X(CO)运行值X(CO)混合模型(a)气化温度(b)X(CO)(c)X(CO2)R=0.801运行时间/min02004006008001 000 1 200 1 400X(H2)/%4039383736353433X(H2)运行值X(H2)混合模型(d)X(H2)图9混合模型对气化指标的计算结果Fig.9Calculationresultsofgasificationindexbyhybridmodel3558煤炭学报2023年第48卷X(CO2)、X(H2)分别表示合成气中 CO、CO2和 H2的摩尔分数，可看出气化温度、合成气组成在 1400min内的变化趋势与运行值吻合良好，采用相关系数来表征混合模型计算值与运行值的变化趋势吻合程度，混合模型计算值与运行值间的相关系数 R 均为 0.8 以上，其中气化温度高达 0.961，由前文可知机理模型的气化温度模拟值与运行值的相关系数 R 为 0.822，混合模型模拟精度远大于前文介绍的长周期机理模型。混合模型和机理模型中气化指标模拟值的平均波动幅度见表 3，由此可知混合模型计算的气化指标的波动幅度远小于机理模型，气化温度、合成气组分的平均波动幅度为机理模型的 1/41/2，同时也可看出混合模型中气化指标的波动幅度与运行值处于同一水平。表 3 混合模型和机理模型计算值的平均波动幅度(RSD)分析结果Table 3 RSD value of hybrid model and mechanism model项目气化温度平均波动幅度/%合成气组分平均波动幅度/%COCO2H2运行值1.601.222.190.47混合模型计算值1.561.001.760.64机理模型计算值6.311.913.721.43图 10 为对 1400min 的混合模型和机理模型的模拟误差进行统计分析，由图 10 可看出混合模型对气化温度、合成气组成的模拟误差均在 2%以内，远小于机理模型的计算误差，机理模型计算的 H2和CO 摩尔分数的误差在 8%以内，CO2摩尔分数和气化温度的最大误差达到 18%。2.3混合模型的应用2.3.1气化指标预测模型的适用性主要体现在工况改变后的模拟精度，对气化炉而言，设计负荷下的气化性能指标与低负荷下有着较大不同，为考虑更换工况后的混合模型的模拟精度，本文对不同工况下的气化指标进行模拟预测。如前文所述，该混合模型是基于气化炉负荷在煤浆流量 70170m3/h 时来建立，本文考察当气化炉负荷为 60%(煤浆流量 104108m3/h)时混合模型的预测性。混合模型对气化温度的预测结果如图 11 和图 12 所示，由此可知，在更换工况后，混合模型仍然有较高的准确性，在 P1 阶段(0170min)气化温度的模拟误差在 4%以内，在 P2 阶段(1701400min)模拟误差减小至 2%以内，对比初始混合模型可知，该负荷下混合模型对气化温度的预测误差稍增大一点，模拟误差由之前的 2%增大至 4%以内。值得注意的是该负荷下混合模型误差为负偏差，即模拟值偏小，而且该负荷下的气化温度运行值与模拟值的相关性系数 R 为 0.646，也明显低于初始模型的 0.822。0.40.30.20.100.200.150.100.0500.40.30.20.10.150.100.05000.40.30.20.10.150.100.05000.30.20.100.200.150.100.050-2-8-6-4-20-5-505-202-2024-20-112-1505-10-5101520101520250502X(H2)混合模型误差X(CO)混合模型误差气化温度混合模型误差气化温度机理模型误差X(H2)机理模型误差X(CO2)混合模型误差X(CO2)机理模型误差X(CO)机理模型误差模型误差/%频率频率频率频率频率频率频率频率图10混合模型模拟误差的统计分析Fig.10StatisticalanalysisofsimulationerrorofhybridmodelP1P2混合模型误差/%10-1-2-3-4-5运行时间/min0200400600800 1 000 1 200 1 400 1 600图11混合模型误差分析Fig.11Erroranalysisofhybridmodel第9期方薪晖等：基于混合模型的煤气化过程模拟研究35592.3.2气化性能分析基于混合模型和机理模型，对不同氧煤比下的气化性能进行了分析。如图 13 所示，混合模型中氧煤比对气化指标的影响规律与机理模型保持一致。随着氧煤比从 480Nm3/m3增加至 498Nm3/m3，混合模型计算的气化温度由 1160 升高至 1306，合成气中 CO2摩尔分数由 18.6%升高至 19.9%，CO 摩尔分数由 42.6%降低至 42.0%，H2摩尔分数由 37.7%降低至 36.8%，该变化规律符合煤气化反应机理，也与其他学者的研究结果相一致3,20-21，但是从图 13 也可看出，机理模型计算的气化指标随氧煤比变化较为平滑，混合模型中的气化指标变化则呈波动性，这主要是由于因为混合模型是在机理模型基础上耦合了 BP神经网络模型，BP 神经网络对机理模型计算值起到了修正作用。以各个氧煤比下，混合模型对气化指标的计算值与机理值的偏差均值作为修正值，混合模型对气化温度的修正为正偏差，即混合模型中的气化温度计算值高于机理模型约 38，混合模型对合成气中CO、CO2、H2的摩尔分数分别修正了1%、0.9%、1.5%。X(H2)/%X(CO2)/%3938373635气化温度/C2221201918475480485490495500505X(H2)机理模型X(H2)混合模型气化温度机理模型气化温度混合模型X(CO2)机理模型X(CO2)混合模型氧煤比/(Nm3m-3)475480485490495500氧煤比/(Nm3m-3)475480485490495500505氧煤比/(Nm3m-3)475480485490495500505氧煤比/(Nm3m-3)(d)X(H2)(b)X(CO)(c)X(CO2)X(CO)/%4544434241X(CO)机理模型X(CO)混合模型1 3201 2801 2401 2001 160(a)气化温度图13混合模型中氧煤比对气化指标的影响Fig.13Effectofoxygen-coalratioongasificationperformanceinhybridmodel3结论(1)单工况机理模型计算的气化温度、合成气组成与运行值间的误差小于 5%。(2)对于长周期机理模型，其气化温度模拟值的变化趋势与运行值保持一致，相关系数 R 达到 0.822，但是气化温度模拟值的 RSD 为运行值的 3.8 倍，模拟误差最大可达 15%。(3)混合模型可显著提高气化指标的模拟精度，气化温度和合成气组分的计算值与运行值间的模拟误差均小于 2%，且相关系数 R 均在 0.8 以上，其中气化温度计算值与运行值的相关系数 R 高达 0.961。(4)当工况发生变化时，混合模型对气化温度的计算误差由之前的 2%增大至 4%；基于混合模型，获取了氧煤比对气化主要指标的影响规律，混合模型对气化温度修正了 38，对合成气中 CO、CO2、H2的摩尔分数分别修正了1%、0.9%、1.5%。运行时间/min0200400600800 1 000 1 200 1 400 1 600气化温度运行值(RSD=0.4)气化温度混合模型(RSD=0.14)R=0.646气化温度运行值/C气化温度混合模型计算值/C1 2801 2601 2401 2201 2001 2401 2351 2301 2251 2151 2201 210图1260%装置负荷下混合模型对气化温度的预测Fig.12Predictionofgasificationtemperaturebyhybridmodelunder60%unitload3560煤炭学报2023年第48卷参考文献(References)：薛美盛，徐智康，秦宇海.航天气化炉先进控制与优化系统的设计和实现J.化工自动化及仪表，2021，48(3)：206211.XUEMeisheng,XUZhikang,QINYuhai.Designandimplementa-tionofHT-LgasifieradvancedcontrolandoptimizationsystemJ.ControlandInstrumentsinChemicalIndustry，2021，48(3)：206211.1张志华，白金锋，刘洋，等.煤炭气化过程数学模型构建的研究进展J.煤炭科学技术，2019，47(11)：196205.ZHANGZhihua,BAIJinfeng,LIUYang,etal.Progressonmathem-aticalmodelsconstructionincoalgasificationprocessJ.CoalSci-enceandTechnology，2019，47(11)：196205.2孟辉，段立强，杨勇平.基于AspenPlus的Texaco气化炉性能研究J.现代电力，2008，25(4)：5358.MENG Hui,DUAN Liqiang,YANG Yongping.Study on TexacogasifierperformancebasedonAspenPlusJ.ModernElectricPower，2008，25(4)：5358.3安海泉，方薪晖，冯子洋，等.500t/d水煤浆气流床气化炉模拟及优化J.化学工程，2021，49(6)：6772.ANHaiquan,FANGXinhui,FENGZiyang,etal.Simulationandop-timizationof500t/dentrainedflowgasifierwithcoalwaterslurryJ.ChemicalEngineering(China)，2021，49(6)：6772.4郭永增,李亦方.APC在煤化工聚烯烃装置中的应用J.能源与节能,2015(11)：153155.GUOYongzeng,LIYifang,OntheapplicationofAPCinpolyolefindeviceofcoalchemicalindustryJ.EnergyandEnergyConserva-tion,2015(11)：153155.5张成学，周琨，孙乐文，等.先进过程控制系统在水煤浆气化中的应用J.大氮肥，2019，42(5)：325329,335.ZHANGChengxue,ZHOUKun,SUNLewen,etal.Applicationofadvanced process control in coal-water-slurry gasification unitsJ.LargeScaleNitrogenousFertilizerIndustry，2019，42(5)：325329,335.6彭宝仔，方薪晖，刘臻，等.煤质对水煤浆气化性能的影响研究J.热科学与技术，2021，20(5)：488494.PENGBaozi,FANGXinhui,LIUZhen,etal.Studyontheeffectofcoalpropertiesongasificationperformanceofcoalwaterslurrygasi-fierJ.Journal of Thermal Science and Technology，2021，20(5)：488494.7李乐伦，祝祥年，侯倩倩，等.基于RBF神经网络法的气化炉炉膛温度软测量建模研究与设计J.氮肥与合成气，2021，49(3)：36.LILelun,ZHUXiangnian,HOUQianqian,etal.ResearchanddesignofgasifierfurnacetemperaturesoftmeasurementmodelingbasedonrbfneuralnetworkmethodJ.NitrogenousFertilizer&Syngas，2021，49(3)：36.8张亚坤.多目标三层文化智能优化算法及其在德士古气化炉操作优化中的应用D.上海：华东理工大学,2013.ZHANGYakun.MO-3LM-CAanditsapplicationinoperationop-timization methods for Texaco gasifierD.Shanghai：East ChinaUniversityofScienceandTechnology,2013.9张梦轩，刘洪辰，王敏，等.化工过程的智能混合建模方法及应用J.化工进展，2021，40(4)：17651776.ZHANGMengxuan,LIU Hongchen,WANG Min,et al.Intelli-gencehybridmodelingmethodandapplicationsinchemicalpro-cessJ.ChemicalIndustryandEngineeringProgress，2021，40(4)：1017651776.谷小虎.义马煤气化反应性研究D.焦作：河南理工大学,2010.GU Xiaohu.Study on gasification reactivity of Yima CoalD.Jiaozuo：HenanPolytechnicUniversity,2010.11王子元，刘世平，苗谦，等.气流床气化炉反应模型在实时优化(RTO)中的应用J.煤化工，2022，50(1)：3539,53.WANGZiyuan,LIUSh