基于BP神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化建模

劉軍德 趙乘麟

摘要：生物質(zhì)發(fā)電是生物質(zhì)能利用的一種重要技術(shù)，生物質(zhì)氣化是生物質(zhì)發(fā)電的核心環(huán)節(jié)。國內(nèi)外很多學(xué)者為改進(jìn)生物質(zhì)的氣化效率在多方面對其進(jìn)行了建模與研究，通常采用動(dòng)力學(xué)方法進(jìn)行生物質(zhì)氣化建模。生物質(zhì)氣化過程復(fù)雜，動(dòng)力學(xué)建模需要詳盡的物性參數(shù)，而這些參數(shù)往往難以直接獲得。針對機(jī)理建模的缺陷，選取小麥秸稈作為實(shí)驗(yàn)對象，記錄氣化反應(yīng)的初始參數(shù)和結(jié)果，再用神經(jīng)網(wǎng)絡(luò)擬合小麥秸稈的氣化反應(yīng)過程，建立基于BP神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化模型，并依據(jù)實(shí)驗(yàn)數(shù)據(jù)對模型進(jìn)行仿真驗(yàn)證。結(jié)果表明，模型對小麥秸稈氣化反應(yīng)過程特性具有較好的模擬預(yù)測作用。

關(guān)鍵詞：生物質(zhì)發(fā)電；氣化過程；BP神經(jīng)網(wǎng)絡(luò)

DOI：10.11907/rjdk.181280

中圖分類號：TP319

文獻(xiàn)標(biāo)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(chǎn)資源枯竭、環(huán)境污染加重的背景下，全世界都在謀求以循環(huán)經(jīng)濟(jì)、生態(tài)經(jīng)濟(jì)為指導(dǎo)，堅(jiān)持可持續(xù)發(fā)展戰(zhàn)略，充分有效利用可再生資源。生物質(zhì)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(zhuǎn)化技術(shù)多樣化，除轉(zhuǎn)化成電力外，還可以轉(zhuǎn)化為熱能或液態(tài)燃料使用。生物質(zhì)能開發(fā)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(zhì)能最具有發(fā)展前景。因?yàn)椋茉匆彩怯缮镔|(zhì)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?xì)浠衔?，成為自然界中重要的碳?xì)滟Y源[2]。我國生物質(zhì)能極為豐富，現(xiàn)在每年農(nóng)村秸稈量約6.5×108t，2018年將達(dá)到7.26×108t，相當(dāng)于5×108t標(biāo)煤[3]。生物質(zhì)發(fā)電將是中國最大的環(huán)保項(xiàng)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(zhì)能源發(fā)電技術(shù)有重要意義。根據(jù)《可再生能源中長期發(fā)展規(guī)劃》確定的發(fā)展目標(biāo)，2010年生物質(zhì)發(fā)電達(dá)到550萬kW，2020年生物質(zhì)發(fā)電裝機(jī)達(dá)到3000萬kW[4]，其中生物質(zhì)發(fā)電技術(shù)主要是氣化發(fā)電技術(shù)，目前已經(jīng)出現(xiàn)了18MW的實(shí)驗(yàn)電站[5]。

然而我國的生物質(zhì)氣化技術(shù)正處于起步階段，該領(lǐng)域中有許多技術(shù)問題需要深入研究和開發(fā)。為了適應(yīng)上述要求，需要加強(qiáng)對生物質(zhì)氣化過程運(yùn)行特性的研究，分析影響氣化過程主要性能指標(biāo)的因素和規(guī)律，建立一種生物質(zhì)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(zhì)氣化過程的參數(shù)優(yōu)化和控制提供依據(jù)，對于實(shí)現(xiàn)生物質(zhì)氣化過程自動(dòng)化有著十分重要的意義。國內(nèi)目前在基于神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化建模上主要進(jìn)展包括：郭兵等[6]建立了生物質(zhì)氣化過程的人工神經(jīng)網(wǎng)絡(luò)模型，采用典型的層前向神經(jīng)網(wǎng)絡(luò)，分為輸入層、隱層、輸出層，輸入層以氣化時(shí)間和氣化溫度兩個(gè)變量作為輸入?yún)?shù)，只涉及實(shí)驗(yàn)運(yùn)行參數(shù)，所以該網(wǎng)絡(luò)的應(yīng)用僅限于同一種生物質(zhì)。陳平[7]分別建立了以進(jìn)料量和進(jìn)風(fēng)量為輸入變量，氣化溫度、燃?xì)鉄嶂?、產(chǎn)氣率、碳轉(zhuǎn)化率和氣化效率為輸出變量的層前饋神經(jīng)網(wǎng)絡(luò)模型以及以氣化爐直徑、進(jìn)料量和進(jìn)風(fēng)量為輸入變量，氣化溫度、燃?xì)鉄嶂?、產(chǎn)氣率、碳轉(zhuǎn)化率和氣化效率變量為輸出變量的層前饋神經(jīng)網(wǎng)絡(luò)模型。本文選取小麥秸稈作為研究對象，基于神經(jīng)網(wǎng)絡(luò)建模，只需要考慮輸入變量和輸出變量。

1生物質(zhì)氣化指標(biāo)以及影響因素

1.1氣化過程指標(biāo)

1.1.1當(dāng)量比

當(dāng)量比是指單位生物質(zhì)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(shù)。

1.1.2氣體產(chǎn)率

氣體產(chǎn)率Gp是單位質(zhì)量生物質(zhì)氣化后所得氣體燃料在標(biāo)準(zhǔn)狀態(tài)下的體積，即：

1.1.3氣體熱值

生物質(zhì)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?xì)浠衔顲nHm，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(shí)驗(yàn)測試外，還可以按下述公式進(jìn)行計(jì)算[8]：

1.2氣化影響條件

1.2.1反應(yīng)溫度

反應(yīng)溫度是影響氣化結(jié)果的重要條件，不同反應(yīng)階段的溫度也不同。

1.2.2反應(yīng)壓力

反應(yīng)壓力最終影響氣化化學(xué)反應(yīng)平衡，決定氣化產(chǎn)率。

1.2.3催化劑

合適的催化劑能夠降低底物的化學(xué)反應(yīng)活化能，使化學(xué)反應(yīng)盡快達(dá)到平衡。

2基于BP神經(jīng)網(wǎng)絡(luò)建立生物質(zhì)氣化模型

2.1三層BP神經(jīng)網(wǎng)絡(luò)

氣化過程模擬最早開始于20世紀(jì)70年代煤的氣化，針對不同的氣化技術(shù)和研究重點(diǎn)，已有很多關(guān)于氣化過程的數(shù)學(xué)模型[9-13]，大部分為化學(xué)熱力學(xué)模型和化學(xué)動(dòng)力學(xué)模型。而對于生物質(zhì)氣化過程的數(shù)學(xué)模型的研究還不多，目前的生物質(zhì)氣化過程模型可以分為兩類：一類是基于生物質(zhì)的物料平衡、能量平衡以及化學(xué)平衡的平衡模型；另一類是基于生物質(zhì)氣化過程反應(yīng)動(dòng)力學(xué)特性的動(dòng)態(tài)模型[14]。本文選取前者，基于物料平衡，用三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測反應(yīng)結(jié)果，屬于“黑盒子”模型，不需要知道反應(yīng)細(xì)節(jié)，由操作參數(shù)，如溫度、壓力和物料等即可快速給出反應(yīng)器出口產(chǎn)物分布。

多層前饋神經(jīng)網(wǎng)絡(luò)（BP）是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型，占整個(gè)神經(jīng)網(wǎng)絡(luò)應(yīng)用的80%左右，以Sigmoid為傳遞函數(shù)的BP網(wǎng)絡(luò)在工程領(lǐng)域已經(jīng)得到了廣泛應(yīng)用。BP網(wǎng)絡(luò)有一個(gè)非常重要的定理，即對于任何在閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用單隱層的BP網(wǎng)絡(luò)逼近，一個(gè)三層BP網(wǎng)絡(luò)就可以完成任意n維到m維的映射[15]。

在BP網(wǎng)絡(luò)中，層與層之間多采用全互連方式，但同一層的節(jié)點(diǎn)之間不存在相互連接。三層BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成，它可以形成任意復(fù)雜的決策區(qū)域，以任意精度逼近任何連續(xù)函數(shù)。

2.2氣化過程神經(jīng)網(wǎng)絡(luò)模型建立

本文所建立的氣化過程神經(jīng)網(wǎng)絡(luò)模型是以影響氣化過程的兩個(gè)主要因素，即氣化反應(yīng)溫度（T）和氣化劑當(dāng)量比（ER）作為網(wǎng)絡(luò)的輸入（輸入層神經(jīng)元個(gè)數(shù)和輸出層神經(jīng)元個(gè)數(shù)由所研究問題本身決定）。當(dāng)量比（ER）是指單位生物質(zhì)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(shí)驗(yàn)測得的氣體成分作為網(wǎng)絡(luò)的輸出，對模型進(jìn)行訓(xùn)練。

本文設(shè)計(jì)的三層BP網(wǎng)絡(luò)如圖1所示，其中輸入層2個(gè)單元對應(yīng)氣化條件為：X1為氣化劑當(dāng)量比（α），X2為氣化溫度（T），輸出層4個(gè)單元分別對應(yīng)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(shí)現(xiàn)

3.1MATLAB神經(jīng)網(wǎng)絡(luò)工具箱

根據(jù)各種典型的修正網(wǎng)絡(luò)權(quán)值規(guī)則，加上網(wǎng)絡(luò)的訓(xùn)練過程，用MATLAB編寫出各種網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的子程序，網(wǎng)絡(luò)設(shè)計(jì)者則可以根據(jù)需要調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練程序，使自己從繁瑣的編程中解脫出來，提高開發(fā)效率。

MATLAB的BP網(wǎng)絡(luò)工具箱中包含進(jìn)行BP網(wǎng)絡(luò)分析和設(shè)計(jì)的許多函數(shù)，本文利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的隱層變換函數(shù)logsig函數(shù)，它可以將神經(jīng)元的輸入范圍從（-∞，+∞）映射到（0，1），且是可微函數(shù)，非常適合于訓(xùn)練BP網(wǎng)絡(luò)神經(jīng)元。如果BP網(wǎng)絡(luò)的輸出層是sigmoid型神經(jīng)元，那么整個(gè)網(wǎng)絡(luò)的輸出就限制在一個(gè)較小范圍內(nèi)，如果是purelin型線性神經(jīng)元，則整個(gè)網(wǎng)絡(luò)的輸出可以是任意值，本文取purelin型函數(shù)作為輸出層的變換函數(shù)，學(xué)習(xí)速率為0.01，網(wǎng)絡(luò)訓(xùn)練期望誤差為0.001，網(wǎng)絡(luò)均方誤差計(jì)算式為：

3.2實(shí)驗(yàn)方法

選取我國北方廣大農(nóng)村中常見的小麥秸稈作為氣化物料，它們的工業(yè)分析與元素分析數(shù)據(jù)如表1所示。

由于神經(jīng)元激勵(lì)函數(shù)使每個(gè)神經(jīng)元的輸出介于0～1之間，所以必須對樣本數(shù)據(jù)作歸一化處理。本文采用常規(guī)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(gè)值Pn可按式（4）歸一化：

隱層的神經(jīng)元數(shù)目選取目前還沒有一個(gè)理想的解析式表示，本文采用經(jīng)驗(yàn)公式：

可以在MATLAB中使用歸一化處理數(shù)據(jù)很方便地訓(xùn)練三層BP神經(jīng)網(wǎng)絡(luò)，具體訓(xùn)練過程如下：

步驟1：用小的隨機(jī)數(shù)對每一層權(quán)值w和閾值b初始化，以保證網(wǎng)絡(luò)不被大的加權(quán)輸入飽和，同時(shí)還要進(jìn)行以下參數(shù)初始化：

（1）設(shè)定期望誤差最小值：err_goal。

（2）設(shè)定最大循環(huán)次數(shù)：max_epoch。

（3）設(shè)定修正權(quán)值的學(xué)習(xí)速率：一般選取lr=0.01～0.7。

（4）從1開始的循環(huán)訓(xùn)練：forepoch=1：max_epoch。

步驟2：計(jì)算網(wǎng)絡(luò)各層輸出矢量A1和A2以及網(wǎng)絡(luò)誤差E，與其對應(yīng)的輸出樣本為T：

步驟3：計(jì)算各層反向傳播的誤差變化D2和D1，并計(jì)算各層權(quán)值的修正值以及新的權(quán)值：

在經(jīng)驗(yàn)公式（5）給出的隱層節(jié)點(diǎn)數(shù)n1±5范圍內(nèi)選取不同的值，按上述步驟經(jīng)多次實(shí)驗(yàn)比對，結(jié)果表明小麥秸稈氣化網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)為12時(shí)網(wǎng)絡(luò)精度最高。

3.3實(shí)驗(yàn)結(jié)果

如圖2所示，當(dāng)訓(xùn)練步數(shù)在0～15之間時(shí)，隨著步數(shù)增加，網(wǎng)絡(luò)訓(xùn)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(xùn)練步數(shù)為15步。當(dāng)然，在計(jì)算資源充足且對精度要求比較高的情況下，訓(xùn)練步數(shù)越大越好。

如圖3所示，在氣化劑當(dāng)量比為0.2時(shí)，氣體產(chǎn)率隨溫度變化，顯然這個(gè)關(guān)系是非線性的，而對非線性關(guān)系的預(yù)測正是神經(jīng)網(wǎng)絡(luò)擅長領(lǐng)域。其中，氣體產(chǎn)率=（單組分氣化氣的體積數(shù)）/（氣化產(chǎn)氣總的體積數(shù)）×100%。

4結(jié)語

運(yùn)用神經(jīng)網(wǎng)絡(luò)模型預(yù)測不同種類生物質(zhì)氣化燃?xì)饨M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(yàn)值相對誤差均小于10%。其中，網(wǎng)絡(luò)訓(xùn)練的樣本數(shù)據(jù)較少，以及數(shù)據(jù)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(jìn)一步增加生物質(zhì)料的試驗(yàn)樣本數(shù)據(jù)，以及改進(jìn)模型和優(yōu)化權(quán)值、閾值。

另外，網(wǎng)絡(luò)輸入?yún)?shù)可在本文所選的氣化溫度與氣化劑當(dāng)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(shí)際值。

參考文獻(xiàn)：

[1]高虹，張愛黎.新能源技術(shù)與應(yīng)用[M].北京：國防工業(yè)出版社，2007：123-125.

[2]肖波，周英彪，李建芬.生物質(zhì)能循環(huán)經(jīng)濟(jì)技術(shù)[M].北京：化學(xué)工業(yè)出版社，2015.

[3]袁振宏，吳創(chuàng)之，馬隆龍，等.生物質(zhì)能利用原理與技術(shù)[M].北京：化學(xué)工業(yè)出版社，2010.

[4]陳德銘.全面貫徹落實(shí)科學(xué)發(fā)展觀加快生物質(zhì)能的開發(fā)利用[J].可再生能源，2009（5）：1-3.

[5]朱錫鋒.生物質(zhì)熱解原理與技術(shù)[M].北京：中國科學(xué)技術(shù)大學(xué)出版社，2006.

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

[7]陳平.生物質(zhì)流化床氣化機(jī)理與工業(yè)應(yīng)用研究[D].合肥：中國科技大學(xué)，2008.

[8]馬蘭蘭.變廢為寶，生物質(zhì)發(fā)電在中國成為朝陽業(yè)[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(zhì)發(fā)電氣化過程的機(jī)理建模分析[J].可再生能源，2007，25（3）：39-43.

[15]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2013.

[16]叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M].合肥：中國科學(xué)技術(shù)大學(xué)出版社，1999.

（責(zé)任編輯：何麗）