基于数据驱动的气化炉出口温度在线测量

为实时监控气流床气化炉的气化温度和运行状态，收集气化炉激冷系统和反应系统等系统的可测量数据，采用理论计算模型和遗传算法改进的BP(GABP)神经网络模型对气化炉出口温度进行预测，并与工业测量数据进行对比分析。结果表明，由激冷系统理论计算模型可以得到气化炉出口温度，但因测量参数敏感度低，导致温度预测精度和稳定性较差。采用GABP神经网络模型总体上可以提高预测温度的精度和稳定性，但反应系统中由于煤量波动和煤质数据缺乏等原因，导致部分区间预测误差较大；采用激冷系统参数可大幅提高绝大部分区间内温度的预测精度，预测误差保持在15 K以下，可满足不同工况下的气化炉温度实时在线监测需要。