论文部分内容阅读
我国是一个煤炭资源丰富，油气资源短缺的国家。近年来，随着IGCC发电、燃料电池、合成天然气、合成氨、合成甲醇、制氢、煤炼油、冶金等工业的发展，煤炭资源的利用以及煤气化技术受到了广泛的关注。煤气化过程的最终目标是尽可能多的生成高品质的合成气，但由于气化操作条件的最优控制仍存在问题，所以煤气化效率不高、资源浪费与环境污染等问题依旧严峻。对煤气化过程操作参数进行优化，一方面能提高合成气的生产效率、保证合成气的质量，另一方面可以降低能耗提高资源利用率。因此，煤气化过程参数优化的研究具有重要的理论和实践意义。本课题以固定床煤气化技术为研究对象，主要研究成果如下：（1）本文采用最小二乘支持向量机和BP神经网络黑箱模型建立了神府煤固定床煤气化过程预测模型，利用遗传算法求解模型参数，并拟合了煤气化过程的主要评价指标（冷煤气效率、气体产率和气体热值）与主要控制参数（水煤比和氧煤比）之间的函数关系。两种模型预测精度检验结果表明：神府煤固定床煤气化过程GA-LSSVM模型比GA-BP模型具有更好的预测精度和泛化能力。（2）将混沌局部搜索策略与算法OB-NSGA-II结合，提出基于混沌对位学习的多目标遗传算法（CLS-OB-NSGA-II），其在OB-NSGA-II算法的基础上，对每一代精英保留后种群中在非支配层为1或者2上的个体进行混沌细搜索，以进一步加强多目标遗传算法OB-NSGA-II的局部搜索能力。将算法NSGA-II、OB-NSGA-II和本文改进的多目标遗传算法分别用于两目标和三目标测试函数，检验结果表明：改进的多目标遗传算法具有较好的收敛性和分布性，并且用较小的初始种群规模和较少的遗传代数就能收敛到优化问题的真实Pareto解附近。（3）根据（1）中拟合的煤气化过程主要性能指与主要控制参数标之间的函数关系，建立了固定床煤气化过程的多目标优化模型。应用改进的多目标遗传算法和OB-NSGA-II对固定床煤气化过程控制参数进行优化，仿真结果表明：改进的多目标遗传算法获得的Pareto解集优于算法OB-NSGA-II，并且能够在较小种群规模和进化代数下获得优于原煤气化问题的Pareto解集。优化得到的参数值均在实际固定床煤气化最优操作参数范围之内，证明了本文改进的算法应用于煤气化过程参数优化具有可行性和有效性。