化工原料煤智慧配煤优化系统研究与应用
时间：2023-08-08 来源：中国煤炭杂志官网 分享：★ 清洁利用 ★
化工原料煤智慧配煤优化系统研究与应用
0 引言
煤气化技术是煤化工产业的关键共性技术，为气化炉匹配适宜且煤质稳定的化工原料煤是保证气化炉稳定、高效运行最根本的方法。以粉煤气化炉为例，航天炉、Shell炉、神宁炉、GSP炉等气化炉的结构及工艺特性均有不同，对原料煤的煤质要求也各有不同[1-2]。此外，随着我国煤炭供应结构逐步发生变化，化工用煤主要适用的煤种长期面临供应偏紧的局面，而化工煤也逐渐从粗犷化的生产和销售转变为专用化、规格细分的产品供应，以适应不同气化技术的要求。在生产中使用单一的原料煤种较难满足系统正常运行的要求，因此为不同气化炉用户匹配合理的配煤设计十分必要。
目前在化工原料煤配煤方案制定时仍在采用历史经验预测方式，预测效率和准确率偏低且工作量大，因此化工煤在供应端的资源整合和配煤方案优化亟待提升。
1 化工原料煤智慧配煤优化系统概述
化工原料煤智慧配煤优化系统主要以内存数据库为基础，连接逻辑组态、本地配煤与数据管理、远程配煤与数据共享等3个上层应用，同时结合机器学习算法、气化平衡模型等核心算法。该系统主要包括煤质数据管理、智能配煤、气化性能预测、数据可视化分析、用户管理等5大功能模块，能够通过数据分析建模，并根据原料煤及配比精准预测煤质指标；给定配煤目标，全局寻优获取原料煤种及掺混比例，并生成推荐配煤方案；利用气化性能预测模型，评价配煤方案的气化效果，最终给出与气化炉用户高度匹配的配煤方案，以指导原煤的采购、堆存、化工原料煤的生产。
化工原料煤智慧配煤优化系统可提供一个以原料智能化、信息化管理为基础的智慧配煤管理与决策平台，能够长期科学指导化工煤的生产管理工作，确保气化装置的长期安全、稳定、经济运行，推动化工原料煤供给侧的信息集成与智能化。
2 系统架构设计
化工原料煤智慧配煤优化系统基于B/S架构，管理员在服务器上完成软件安装、环境配置、软件维护、模型更新，用户通过浏览器在网页端登录即可快速访问软件功能，无需进行环境配置。采用前后端分离的构建模式，前端负责页面展示和交互，后端负责处理业务逻辑和数据存储，前后端通过应用程序编程接口(API)进行数据交互，该结构有利于提高开发效率及系统的可维护性。该系统由前端页面展示层、API接口层、服务层、数据库、全局配置和运行环境等6部分组成，化工原料煤智慧配煤优化系统架构设计如图1所示。
图1 化工原料煤智慧配煤优化系统架构设计
(1)展示层。采用目前主流的渐进式Java Script框架，即Vue框架(Vue.js)作为核心来实现页面控制，该框架适用于构建现代化的Web应用程序，其组件化的开发模式让代码更加模块化、易维护、易扩展。同时，采用Element-UI这一基于Vue框架的界面组件库，来实现页面的样式渲染，可以高效搭建美观的用户界面。此外，利用Echarts来实现煤质数据的可视化，系统利用Echarts提供的柱状图、散点图、旭日图等多种直观且高度可定制的可视化图表来构建数据可视化功能模块，不仅能够帮助用户更直观的展示煤质数据，还有助于挖掘数据内涵及不同数据条目间的内在关联。
(2)API接口层。该层的构建对于系统的稳定性至关重要，采用了Nginx服务器作为前端资源的挂载点，用于管理和协调前端请求的转发。此外，系统使用了负载均衡技术，能够将请求均衡分配到多个服务器上，从而充分利用系统资源，以提升系统性能。
(3)服务层。该层是整个系统的核心部分，主要指后端服务，涵盖了数据处理、业务逻辑和系统运行基础设施等多个方面。服务层采用Spring boot作为基础框架，其提供了快捷的开发、部署及维护的能力，有助于提升开发效率及稳定性。同时采用Guava提供的缓存能力提升系统响应速度，使用Python引擎来执行Python程序以实现对多种配煤业务需求的快速预测，采用My Batis Plus进行数据库访问，支持多种数据源，以提升系统的扩展性和灵活性。
(4)数据库。采用Mysql关系型数据库进行多种业务数据的持久化存储，通过对Mysql数据库的优化和调整，确保其具备高可用性、高扩展性和高性能，以应对未来业务发展的需求。此外，对数据库进行合理设计，并规范数据管理，以确保数据安全性、完整性和可控性。
(5)全局配置。主要包含权限控制和日志记录，通过权限控制，管理员可基于用户角色对其权限进行设置，实现对系统的部分或全部功能的操作，进一步提高系统的安全性和用户体验。全局添加日志记录功能可全流程监控系统的运行情况，基于日志记录及时预判并解决问题，以增强系统的稳定性和可维护性。
(6)运行环境。可以在Windows、独立服务器、虚拟机等多环境下进行部署，能够基于实际情况与需求做出灵活调整。
3 系统功能及模型算法
化工原料煤智慧配煤优化系统集成了数据分析、机器学习模型开发、智能配煤功能开发、气化炉工程化数学模型开发、用户数据共享服务开发，按功能具体分为煤质数据管理、智能配煤、气化性能预测、数据可视化分析、用户管理等5大主要功能模块，调用了多项基于大数据训练的机器学习模型以及若干专业算法，使操作人员与专家知识全面互联，可实现化工原料煤与气化炉用户的精准匹配，科学指导化工原料煤的生产管理，确保气化装置的长期安全、稳定、经济运行。化工原料煤智慧配煤优化系统主要功能设计如图2所示。
图2 化工原料煤智慧配煤优化系统主要功能设计
3.1 煤质数据管理模块
煤质数据管理模块用于煤质数据的管理及全方位展示。煤质数据的管理可支持煤质信息新增、修改、删除、批量导入、导出；支持按名称、港口、煤源矿点、装车站单个及多个条件组合查询；嵌入了基准转化算法和单位转换算法，能够实现工业分析和元素分析数据在空气干燥基、干燥基、干燥无灰基、收到基等基准之间的转换计算，以及各发热量的单位转换计算；还可以全方位展示煤质基础信息、工业分析数据、元素分析数据、煤灰成分、煤灰熔融温度、黏温特性和黏温曲线等；此外，这一模块还可以实现数据的初步可视化展示与分析，以散点图的形式展示各煤质数据的分布情况。
煤质基准换算涉及到工业分析和元素分析数据，基准转换算法见式(1)～式(3)[3]
式中：X——灰分(A)、挥发分(V)、固定碳(FC)、碳(C)、氢(H)、氧(O)、氮(N)、硫(S)等；
xd—— 干燥基X，%；
xad—— 空气干燥基X，%；
Mad——空气干燥基水分，%；
Xdaf—— 干燥无灰基X，%；
Aad—— 空气干燥基灰分，%；
Xar—— 收到基X，%；
Mar—— 收到基全水分，%。
3.2 智能配煤模块
智能配煤模块将服务于配煤煤质的预测以及推荐潜在配煤方案，配煤煤质预测支持2种或3种煤任意比例的混合计算，可基于选取的煤种对混煤的工业分析、元素分析、煤灰成分、发热量等基础煤质信息进行预测计算，并采用支持向量机回归、k近邻算法等人工智能机器学习模型实现混煤的煤灰熔融温度、黏温特性预测。配煤煤质预测还支持自定义气化约束条件，判断并提示配煤方案是否满足入炉煤质的要求。配煤方案推荐以对入气化炉煤的煤质要求为目标，调用配煤模型在指定数据库范围内全局寻优，生成所有可行的潜在配煤方案，以指导配煤方案的制定。
如图2所示，智能配煤模块嵌入了多种模型和算法，以实现配煤工业分析、元素分析、煤灰成分、发热量、煤灰熔点、黏温特性的预测。其中配煤的工业分析、元素分析、煤灰成分等煤质指标的预测算法基于线性可加性原则[4]；配煤的发热量算法基于文献中经验公式[4-5]；配煤的煤灰熔点预测模型及黏温特性预测模型为自主开发模型，结合了大数据分析、机理与机器学习算法。
煤灰熔融温度包括变形温度(DT)、软化温度(ST)、半球温度(HT)、流动温度(FT)，预测模型为基于大数据的机器学习模型。基于Python语言及支持向量回归算法，利用2 000余组煤质数据建立了各主要煤灰含量与DT/ST/HT/FT这4个灰熔融温度之间关系的预测模型。支持向量机 (SVM)是Vapnik等人根据统计学理论在VC维 (Vapnik-Chervonenkis theory)理论和结构风险最小原理基础上建立的一种学习方法，可以有效解决小样本、非线性、高维数和局部极小点等实际问题，已成功应用到工程实际领域[6-7]。利用支持向量机解决回归问题称为支持向量回归(SVR)，其求解借助凸优化技术[8]。其原理是将训练样本通过非线性映射，将给定训练样本D=[(x1，y1)，(x2，y2)，…，(xm，ym)]，yi∈R，映射到高维特征空间中，在高维空间中建立线性模型见式(4)：
f(x)=wT·x+b
(4)
式中：f(x)——模型函数；
wT——法向量；
x——特征向量；
b——截距。
最终希望得到的模型f(x)与y尽量接近，其中w和b是待确定的模型参数。
支持向量回归的约束优化问题可转化为式(5)：
(5)
并满足下述约束条件：
式中：ξi和ξi*——松弛变量；
C——正则化常数；
f(xi)——模型输出；
yi——真实输出；
——不敏感损失系数。
引入拉格朗日乘子后SVR见式(6)：
(6)
式中：αi*和αi——拉格朗日乘子；
κ(x，xi)——核函数，本模型选取高斯核函数进行建模[6，9-12]。
选取RMSE(均方根误差)为模型评价指标，对于4个灰熔融温度DT、ST、HT、FT，模型的RMSE分别为16.7、15.71、15.72、19.82 ℃，4个灰熔融温度模型预测准确性较高且满足国标《煤灰熔融性的测定方法》(GB/T 219-2008)中的精度要求。煤灰熔融温度预测模型建立流程如图3所示，以FT预测情况为例，FT预测值与测试值对比如图4所示。
图3 煤灰熔融温度预测模型建立流程
图4 FT预测值与测试值对比
黏温特性预测模型包含渣型的预测以及玻璃渣的黏温曲线预测[13-18]，为实现渣型的分类预测，将玻璃渣视为一类，将塑性渣和结晶渣统一视为一类(非玻璃渣)，渣型分类问题则可视为二分类问题。基于Python语言以及k近邻学习方法、支持向量回归方法、朴素贝叶斯算法等多种机器学习分类算法，建立了渣型和各主要煤灰成分之间关系的预测模型，以实现渣型的分类预测。其中，朴素贝叶斯分类算法的预测效果较好，准确率为73%，作为渣型预测模型嵌入化工原料煤智能配煤优化系统。此外，以Urbain修正模型作为基础[19]，结合实际煤质数据对模型进行了修正，以实现对玻璃渣的黏温曲线进行预测。当预测灰渣黏温特性时，首先基于渣型预测模型来初步判断煤灰的渣型类别，再利用Urbain修正模型预测黏温曲线，将两方面结合起来研究对预测灰渣的黏温特性有一定的指导意义。
3.3 气化性能预测模块
气化性能预测模块旨在进一步验证潜在配煤方案，利用煤质数据和运行参数对气化性能指标进行预测。基于入炉煤量、氧量、气化压力、气化炉热损失等工艺参数以及配煤煤质数据，调用气化炉工程化数学模型[20]，计算气化温度、煤气产量、煤气组成、碳转化率、冷煤气效率、氧耗、煤耗、产气率、有效气产率等气化参数或指标，并对计算结果加以分析展示[20]。通过气化性能预测，可以从潜在配煤方案中优选出与实际生产相适配的最优方案。
3.4 数据可视化分析模块
数据可视化分析模块旨在对数据库中的煤质数据进行深入分析，以挖掘不同数据条目中的相互关联。该模块不仅可以实现煤质数据基本信息统计，例如煤种数量、港口分布、煤源矿点等信息加以统计并直观展示，还能够对不同煤种的水分、灰分、灰成分、煤灰流动温度等关键煤质指标的分布进行分析及可视化展示。除上述几方面外，还可以基于实际应用场景对可视化模块进行定制化的调整，以满足多种业务场景的需要。
3.5 系统管理模块
除上述4个功能模块外，智能配煤系统还可实现Web端远程访问及数据共享等功能。管理员用户不仅具有上述全部功能访问权限，还具有系统管理的权限，管理员用户通过系统管理模块可向普通用户自定义开放功能。普通用户通过Web端远程访问智能配煤系统，可实现除远程数据查询显示、数据创建、配煤操作等功能。通过远程配煤与数据共享，可拓宽智能配煤系统的应用场景，各煤矿、港口可远程访问配煤系统，及时录入更新煤质数据，使煤质数据库得以不断扩充。与此同时，本地管理人员可不断优化预测模型，打造一套不断优化完善的智能配煤系统。
4 应用场景
国能销售集团有限公司作为国家能源集团产运销一体化的枢纽，具有煤炭品种多样化的优势，能够全面把握、深入分析煤质特征，与此同时了解化工原料煤用户需求。利用化工原料煤智能配煤优化系统，可将外购煤与自产煤、低质煤与高质煤通过智能配煤算法，基于不同气化炉用户的需求，生成并推荐与其高度匹配的化工原料煤，以保障气化装置长期安全、稳定运行。
4.1 系统登录
用户通过网页访问系统，输入管理员分配的账号密码后即可登录系统，系统登录界面如图5所示。
图5 系统登录界面
4.2 煤质数据管理
煤质数据管理界面最上方为增加、删减、修改及筛选等基础管理功能，页面中部展示了煤种基本信息、元素分析等煤质数据，界面右侧可进行基准换算，点击某一数据条目可展示煤质数据详情，用户可以选择输入或导入的方式来录入煤质数据。煤质数据管理界面如图6所示。
图6 煤质数据管理界面
4.3 智能配煤
在系统中录入煤质数据后，可以在常规配煤界面选取配煤煤种、比例及相应算法进行二元/三元配煤的预测计算，并且通过录入气化约束条件来判断配煤结果是否满足入炉煤质要求。二元/三元配煤界面如图7所示。在智能配煤界面录入配煤目标及备选煤种，系统将自动生成推荐配煤方案以供用户选择。智能配煤界面如图8所示。
图7 二元/三元配煤界面
图8 智能配煤界面
4.4 气化性能预测
配煤方案初步形成后，用户可以在气化性能预测界面开展气化性能计算，以评价配煤方案的气化效果，可以分别对水煤浆气化和粉煤气化进行预测，为用户筛选出与气化工艺高度匹配的配煤方案。气化性能预测界面如图9所示。
图9 气化性能预测界面
4.5 可视化分析
可视化分析模块统计了煤源信息，以装车站煤源矿点等作为维度进行直观展示，还展示了不同煤种的煤灰熔融温度、煤灰含量等关键煤质指标的分布情况，以实现对关键煤质数据的直观分析及深入挖掘。数据可视化分析界面如图10所示。
图10 数据可视化分析界面
4.6 系统管理
系统管理模块仅供管理员用户使用，包含了用户管理、角色管理、菜单管理、日志管理等子功能模块，以实现对用户及系统的全面管理。系统管理界面如图11所示。
图11 系统管理界面
化工原料煤智慧配煤优化系统在国能销售集团有限公司的应用，扩大了国能销售集团有限公司化工煤产品的种类，并用以实现煤炭分类管理和精准利用。此外，该系统可以与煤矿、港口协同使用，以扩充煤质数据并持续优化模型，还可供化工原料煤用户使用，为其提供精准的配煤方案，便于用户直接采购原料煤种。
5 结论
化工原料煤智慧配煤优化系统借助大数据、工业互联网、机器学习等信息技术，将国家能源集团煤炭经营分公司大量商品煤煤质数据纳入数据库统一管理，挖掘数据价值，为气化炉用户制定了精准的配煤方案，并指导化工原料煤新产品的开发。
(1)化工原料煤智慧配煤优化系统具有自主知识产权，该智能系统将基于自研和开源框架构建，可以有效适配国产化软硬件，自主可控安全性高。
(2)该智慧配煤系统基于B/S架构，用户通过浏览器在网页端登录即可快速访问。由前端页面展示层、API接口层、服务层、数据库、全局配置和运行环境等6部分组成，不仅能够实现本地功能操作数据管理，还可实现远程客户服务。
(3)核心算法为煤灰熔融温度等预测模型，预测模型通过大量数据分析建模获得，建模数据准确性好，模型将能够精准的预测配煤煤质数据，配煤结果更可靠。
(4)配煤结果经过煤气化性能预测模型评价气化效果，确保气化煤产品与实际生产高度匹配。
[1]黎军，李寒旭.煤质对Texaco(GE)气化装置运行的影响及其选择[J].广东化工，2011，38(12)：114-115.
[2]马乐波.宁煤集团气化用水煤浆原料煤筛选与制浆工艺研究[D].上海：华东理工大学，2016.
[3]张双全.煤化学[M].徐州：中国矿业大学出版社，2009.
[4]李娜，范荣昌，刘晓君.加权平均在煤质指标计算中的应用[J].煤质技术，2017，209(1)：26-29.
[5]郑元刚，武琼，李静，等.利用工业分析结果计算煤的发热量[J].煤质技术，2018，210(5)：31-33.
[6]王红娜.基于支持向量机的混煤灰熔点预测[D].北京：华北电力大学，2017.
[7]翟海龙.支持向量机在船舶柴油机故障诊断中的应用[D].上海：上海海事大学，2007.
[8]Boyd S，Vandenberghe L.Convex Optimization[M].Cambridge，UK：Cambridge University Press，2004.
[9]XIAN H，CHEN Y，DOU C，et al.Prediction of ash-deformation temperature based on grey-wolf algorithm and support-vector machine[J].Fuel，2019，241：304-310.
[10]林德平.支持向量机在预测配煤灰熔点中的应用[J].电力科学与工程，2015，31(8)：66-70.
[11]李航.统计学习方法[M].北京：清华大学出版社，2019.
[12]周志华.机器学习[M].北京：清华大学出版社，2016.
[13]李德侠.煤灰熔融及粘温特性的研究[D].上海：华东理工大学，2012.
[14]郑常昊，王倩，张建胜.气化中煤灰熔点和黏度预测模型[J].燃料化学学报，2016，44(5)：521-527.
[15]KONG L，BAI J，LI W.Viscosity-temperature property of coal ash slag at the condition of entrained flow gasification：A review[J].Fuel Processing Technology，2021，215(3)：106751.
[16]张昀朋，丁华，白向飞.神东矿区高硅铝比煤灰黏温特性研究[J].煤炭科学技术，2021，49(4)：244-250.
[17]Jung B，Schobert H H.Improved prediction of coal ash slag viscosity by thermodynamic modeling of liquid-phase composition[J].Energy &fuels，1992，6(4)：387-398.
[18]宋文佳.高温煤气化炉中煤灰熔融、流动和流变行为特性研究[D].上海：华东理工大学，2011.
[19]李文，白进.煤的灰化学[M].北京：科学出版社，2013.
[20]刘臻，卢洪.气流床气化炉工程化数学模型的开发与应用[J].中国煤炭，2014，40(S1)：436-441.
Research and application of intelligent coal blending optimization system of feed coal for coal chemical industry
SUN Kaidi，LIU Zhen，GU Hongwei，et al.Research and application of intelligent coal blending optimization system of feed coal for coal chemical industry [J].China Coal，2023，49(5)：108-116.DOI：10.19880/j.cnki.ccm.2023.05.015
- 相关推荐
