文献类型：期刊文章

作　　者：王恺洲[1] 韩洋[1] 仇鹏[1] 许建良[1] 代正华[1,2] 刘海峰[1]

WANG Kaizhou;HAN Yang;QIU Peng;XU Jianliang;DAI Zhenghua;LIU Haifeng(Shanghai Coal Gasification Engineering Technology Research Center,School of Resources and Environmental Engineering,East China University of Science and Technology,Shanghai 200237,China;College of Chemical Engineering and Technology,Xinjiang University,Urumqi 830046,China)

机构地区：[1]华东理工大学资源与环境工程学院,上海煤气化工程技术研究中心,上海200237 [2]新疆大学化工学院,乌鲁木齐830046

出　　处：《华东理工大学学报（自然科学版）》

基　　金：上海市科技创新行动计划(21DZ1209003);上海市优秀技术带头人项目(19XD1434800)。

年　　份：2024

卷　　号：50

期　　号：2

起止页码：161-169

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CAS、CSCD、CSCD_E2023_2024、INSPEC、JST、SCOPUS、核心刊

摘　　要：基于遗传算法-反向传播神经网络(GA-BPNN)、遗传算法-支持向量机(GA-SVM)、极限学习机(ELM)单一数据驱动模型稳定性差、信息熵线性融合模型建立时间成本高的问题,提出了信息熵Stacking融合建模法。使用工厂实际生产数据,以气化炉负荷、进料压力与流量、激冷水流量为输入,以气化炉出口温度、水洗塔出口合成气温度与流量、合成气组成为输出,建立了气化炉的信息熵Stacking融合预测模型。结果表明:信息熵Stacking融合模型预测项—气化炉出口温度、水洗塔出口合成气温度与流量、合成气中CO含量与H_(2)含量这5个参数的平均相对误差(MRE)分别为1.89%、0.17%、0.78%、0.95%与0.71%,均表现良好且较单一数据驱动模型更加稳定,拟合速度较信息熵线性融合模型提升约19%。模型可结合优化算法应用于气化过程氧气与煤浆流量比等操作条件的在线优化以及气化炉气化温度的优化,从而提高过程的有效气产率。

关 键 词：煤气化 BPNN SVM ELM Stacking算法  

分 类 号：TP183]