具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

在本发明实施方式中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

如图1及图2所示，在本发明第一方面，提供一种智能气化配料系统，包括：

气化配料子系统，气化配料子系统包括原料性质快速分析模块、配料性质预测模块、配料方案优化模块及配料方案经济性评价模块；

原料性质快速分析模块用于接收入炉原料的特征谱线强度，并依据特征谱线强度得到原料的原料性质参数；

配料性质预测模块用于建立预测模型，依据原料性质参数及原料配比，经预测模型预测配料的性质参数；

配料方案优化模块用于建立优化模型，以及依据配料的性质参数，通过优化模型得到优化后的配料方案；

配料方案经济性评价模块用于对优化后的配料方案进行技术经济性分析，并输出技术经济性最佳的配料方案。

如此，本实施方式的上述技术方案通过对原料进行快速分析得到原料性质参数，依据得到的原料性质参数及预设的原料配比，经建立的预测模型实现对配料性质参数的预测，并依据得到的配料性质参数，通过建立的优化模型对配料方案进行优化，并对优化后的配料方案进行技术经济性分析，从而得到最佳的配料方案，构建了一个具有完整生命周期流程的智能化气化配料系统，有效提高了配煤的效率及准确率，通过计算机技术建立配煤煤质预测模型实现了气化配煤的智能化精准化控制，能有效降低原料性质问题给企业带来的不利影响。

具体的，气化炉的稳定运行与入炉原料的性质密切相关，要使气化炉保持稳定的运行，需要对入炉原料进行严格限制，而不同的单独原料特性不同，要满足气化要求，入炉原料往往由多种单独原料混合组成，则对入炉原料的配料方案尤为重要，本实施方式中，单独原料可以为煤、半焦、石油焦、生物质、污泥、油泥及垃圾炭等含碳物质。由于目前对煤炭进行成分分析普遍采用的离线分析存在分析速度慢、工序繁琐等缺点，不能为操作人员提供实时在线的参考数据，难以适应工业生产的需求，本实施方式采用激光诱导等离子光谱技术(LIBS)获取待测样本的特征谱线强度，激光诱导等离子光谱技术是指当强脉冲激光经过聚焦照射到样品上时，样品会在瞬间被气化成高温、高密度的等离子体，处于激发态的等离子体会对外释放出不同的射线，等离子体发射光谱谱线对应的波长和强度分别反映所测对象中的组成元素和其浓度大小，LIBS具有检测速度快、灵敏度高、成本低以及可以同时对多种元素进行分析的优点，原料性质快速分析模块接收由LIBS检测仪获取的待测原料的特征谱线强度，通过现有的专用算法，如光谱标准化算法和自吸收校正算法对特征谱线强度进行计算分析，得到待测原料的原料性质参数，分别对单独原料进行检测，从而得到各单独原料的性质参数。其中，原料性质参数包括碳、氢、硫及成灰元素含量、灰分、挥发分和发热量。

配料性质预测模块建立以单独原料的性质参数及配比为输入、以配料的性质参数为输出的预测模型。其中，配料的性质参数包括基础性质、灰熔融特性、成浆特性及气化反应特性；基础性质包括工业分析参数、元素分析参数、可磨性参数及发热量参数。本实施方式中，配料性质预测模块通过建立基础性质预测模型、灰熔融特性预测模型、成浆特性预测模型及气化反应特性预测模型，分别对配料的基础性质、灰熔融特性、成浆特性及气化反应特性进行预测，其中基础性质预测模型基于线性加权和算法建立，灰熔融特性预测模型、成浆特性预测模型及气化反应特性预测模型基于BP神经网络建立，预测模型并不限于上述算法，也可以基于其他算法建立，如卷积神经网络等

配料方案优化模块依据对配料方案的需求建立目标函数，目标函数可以为一个或多个，得到的可行配料方案可以为多个。例如，目标函数可以依据配料价格最低、发热量最高或环保性最好等需求建立。确定气化配料需要满足的约束条件，约束条件指求目标函数极值时的限制条件，本实施方式的约束条件为气化炉对入炉配料的要求，即气化炉对配料的性质参数要求及相关性质参数的变化范围。通过配料性质预测模块得到单独原料的性质参数与该原料的配比函数关系，获取气化炉对原料性质参数的变化范围上下限，从而得到目标函数的约束条件，依据建立的目标函数，考虑得到的约束条件从而建立优化模型。

配料方案经济性评价模块一方面可以通过调用流程模拟软件对得到的所有的优化后的可行配料方案进行技术经济性分析，依据预设的目标优选产品结构合适及经济性好的方案作为最佳的配料方案，从而实现实时在线调节配料比例；另一方面通过调整气化炉运行参数实现产品结构及经济性最优的效果，同时保证运行的稳定性。其中，对可行配料方案的技术经济性分析可以根据实际需求基于气化工艺条件进料量、氧气流量、添加剂量、气化温度、气化压力和碳转化率来进行分析，以合成气的组成成分和原料成本为判断标准。

本实施方式中，系统还包括原料性质标准子系统，原料性质标准子系统包括入炉原料标准管理模块，入炉原料标准管理模块用于建立并存储不同种类的气化炉与其对应的原料之间的映射关系，以便在气化炉种类确定后确定入炉原料。由于不同种类的气化炉对其入炉原料的要求是不同的，例如气化炉对入炉原料的成分、配比及发热量等有不同的要求，要使得气化炉稳定运行，必须使得入炉原料满足气化炉对原料的要求，通过入炉原料标准管理模块事先建立不同种类的气化炉与其对应的入炉原料要求之间的映射关系并存储，有利于在对入炉原料的配料方案预测时快速调用选定的气化炉对应的原料要求以便进行后续步骤，同时能方便的在不同气化炉之间切换，有效的提高了工作效率。

本实施方式的系统还包括信息管理子系统，信息管理子系统包括原料信息管理模块、气化炉信息管理模块、添加剂信息管理模块及气化灰渣信息管理模块；

原料信息管理模块用于存储由原料性质快速分析模块得到的原料性质参数；

气化炉信息管理模块用于建立并存储不同种类的气化炉与其对应的运行参数之间的映射关系；

添加剂信息管理模块用于建立并存储灰熔融特性及成浆特性预测与其对应的添加剂之间的映射关系；

气化灰渣信息管理模块用于建立并存储气化炉的种类、原料、气化炉运行参数及灰渣性质之间一一对应的映射关系。

具体的，每次原料性质快速分析模块预测得到原料性质参数后，都将得到的原料性质参数存储至原料信息管理模块，以便于查询及调用。由于不同种类的气化炉其运行参数不同，要使得气化炉保持稳定运行，则需要严格按照不同种类气化炉的运行参数对气化炉进行调整，通过气化炉信息管理模块预先建立并存储各种类气化炉与其对应的运行参数之间的映射关系，以利于在配料方案经济性评价模块得到最佳的配料方案后，调用对应的气化炉运行参数，从而对气化炉运行参数进行调整，以保证气化炉的稳定运行。

由于在通过灰熔融特性预测模型对灰熔融特性预测及通过成浆特性预测模型对成浆特性的预测过程中需要给输入的原料添加合适的添加剂，通过预先在添加剂信息管理模块中建立并存储灰熔融特性及成浆特性预测与其对应的添加剂之间的映射关系，从而在进行灰熔融预测及成浆特性预测时能准确、快速的对添加剂进行调用。

煤气化工项目中，煤气化灰渣占据固体废物的重要比例，煤气化灰渣包括粗渣和细渣两部分，灰渣成分与气化原料煤灰分含量、组成及气化工艺等相关，主要为SiO2、Al2O3、CaO和残余碳等，通过气化灰渣的成分，可以判断气化炉的入炉原料、运行参数等是否满足要求。通过预先在气化灰渣信息管理模块建立并存储不同原料在不同气化炉运行参数下得到的灰渣性质，得到气化炉的种类、原料、气化炉运行参数及灰渣性质之间一一对应的映射关系，使得可以通过调用预存的灰渣性质判断得到的气化灰渣是否异常，并根据映射关系对异常原因进行诊断。

为了保证气化炉的稳定运行，本实施方式的气化配料子系统还包括气化炉预警模块，气化炉预警模块用于建立配料、气化炉运行参数及灰渣性质之间的函数关系，并依据得到的技术经济性最佳的配料方案的配料及气化炉运行参数，预测对应的灰渣性质，并判断得到的灰渣性质是否异常。气化炉预警模块基于BP神经网络但不限于BP神经网络建立灰渣性质预测模型，通过接收配料方案优化模块得到的配料方案，依据配料方案的配料及对应的气化炉运行参数，经灰渣性质预测模型预测得到对应的灰渣性质，并通过调用气化灰渣信息管理模块中的映射关系对灰渣性质进行匹配对比，并依据对比结果判断灰渣性质是否异常，当判断得到的灰渣性质异常时，进行告警，气化炉预警模块将得到的灰渣性质与匹配到的预先存储的灰渣性质进行对比，依据预先存储的灰渣性质与气化炉的种类、原料及气化炉运行参数之间的映射关系，得到导致灰渣性质异常的相关参数，从而对气化流程进行诊断，找出问题源。若得到的灰渣性质异常，则依据配料方案优化模块得到的次优解调整单独原料的配比，并通过配料性质预测模块更新配比，重复预测配料的性质参数、得到优化后的配料方案、进行技术经济性评价并输出最佳的配料方案以及灰渣性质预测及诊断的过程，直至得到灰渣性质最优的配料方案。

以下通过具体数据举例说明本实施方式：

确定气化炉为GE水煤浆气化炉，通过入炉原料标准管理模块调用GE水煤浆气化炉对入炉原料的要求为发热量＞25.12MJ/kg，内在水分≤8％，煤浆浓度≥60％，表观黏度≤1500mPa·s，灰分含量≤13％，灰熔点≤1300℃。依据GE水煤浆气化炉对入炉原料的要求及现场情况，确定入炉原料通过一种煤及一种半焦煤进行掺配，通过原料性质快速分析模块对两种单独原料进行原料性质分析，得到各原料的性质参数，其中，原料的性质参数包括碳、氢、硫及成灰元素含量、灰分、挥发分和发热量。通过现场实验得到原料的基础性质、灰熔融特性、成浆特性及气化反应特性，如表1所示为煤及半焦煤的基础性质和灰熔融特性，如表2所示为煤及半焦煤的成浆特性，如表3所示为煤及半焦煤的气化反应特性。

表1

表2

表3

配料性质预测模块基于线性加权和算法建立基础性质预测模型，基于BP神经网络建立灰熔融特性预测模型、成浆特性预测模型及气化反应特性预测模型，通过调用原料信息管理模块中存储的原料性质参数生成数据集对BP神经网络进行训练，其中，BP神经网络为三层网络结构，输入层为单独原料性质参数及配比，输出层为配料性质参数，采用误差反向传播算法对BP神经网络的权值及阈值进行优化，隐含层中的神经元多采用S型传递函数tansig，输出层的神经元多采用线性传递函数purelin。以原料的性质参数为输入，分别通过基础性质预测模型、灰熔融特性预测模型、成浆特性预测模型及气化反应特性预测模型对配料的性质参数进行预测。

本实施方式中，以配料价格最低为目标，通过配料方案经济性评价模块建立目标函数：

minP＝500X₁+200X₂，

其中，煤和半焦末的价格分别为500元/吨和200元/吨，确定目标函数的约束条件为：

半焦末掺配比例0≤X₂≤5％，

配料发热量

发热量约束Q_net,ad,X≥25.12，

配料灰熔融性：

FT_X＝f_FT(SiO₂,Al₂O₃,CaO,Fe₂O₃,MgO,Na₂O,TiO₂,SO₃)，

灰熔融性约束FT≤1300，

配料灰分

灰分约束A_ad,X≤13，

配料水分

水分约束M_ad,X≤8，

配料成浆性D_X＝f_D(M_ad,HGI,O_ad)，

配料气化反应性R_X＝f_R(C_d,A_d,CaO,Fe₂O₃,MgO,Na₂O,V_daf,S_BET)，

其中，M_ad为内水含量，HGI为可磨性指数，O_ad为氧含量，C_d为碳含量,A_d为灰含量,CaO,Fe₂O₃,MgO及Na₂O分别表示所列氧化物的含量,V_daf表示挥发分含量,S_BET表示比表面积。

以目标函数和约束条件为输入，配比为输出，通过基于遗传算法建立的优化模型求得最佳配煤比例为：煤97％，半焦末3％，价格为491元/吨。遗传算法一般通过罚函数法将有约束的问题转化为无约束的问题，本实施方式中，以原料性质参数为种群的个体，将种群分为若干子种群，依据个体的适应度值，通过选择、交叉、变异的循环操作，得到最优解，遗传算法为现有技术，此处对遗传算法的具体过程不再赘述。

通过配料方案经济性评价模块调用流程模拟软件对得到的配料方案进行气化模拟及技术经济评价，气化模拟如表4所示，技术经济评价如表5所示。

表4

表5

判断当前配料方案是否符合经济性评价要求，若符合，以当前配料方案为最佳配料方案，否则，对备选的可行配料方案进行经济性评价，直至得到最佳配料方案，其中，备选的可行配料方案为目标函数输出的次优方案。通过气化炉预警模块对得到的灰渣性质进行预测，通过调用气化灰渣信息管理模块中的映射关系对得到的灰渣性质进行匹配对比，气化炉预警模块发出粗渣和细渣残碳量达到上限的告警信息，作业人员通过调用原料信息管理模块中的原料性质参数及气化灰渣信息管理模块中预存的灰渣性质映射关系对配料方案进行比对从而对配料进行诊断，如，本实施方式中，通过比对发现配料使用的煤气化反应性偏低，则诊断为气化残渣含碳量偏高的可能原因，通过配料性质预测模块更新单独原料的配比，降低煤在配料中的比例，重复上述过程，直至最终解决气化残渣含碳量偏高的问题，得到最佳配料方案。

如图3所示，在本发明第二方面，提供一种智能气化配料方法，包括，气化配料子步骤，气化配料子步骤包括：

接收入炉原料的特征谱线强度，并依据特征谱线强度得到原料的原料性质参数；

建立预测模型，依据原料性质参数及原料配比，经预测模型预测配料的性质参数；

建立优化模型，以及依据配料的性质参数，通过优化模型得到优化后的配料方案；

对优化后的配料方案进行技术经济性分析，输出技术经济性最佳的配料方案。

可选地，方法还包括原料性质标准子步骤，原料性质标准子步骤包括：

建立并存储不同种类的气化炉与其对应的原料之间的映射关系，以便在气化炉种类确定后确定入炉原料。

可选地，配料的性质参数包括基础性质、灰熔融特性、成浆特性及气化反应特性。

可选地，基础性质包括工业分析参数、元素分析参数、可磨性参数及发热量参数。

可选地，方法还包括信息管理子步骤，信息管理子步骤包括：

存储由原料性质快速分析模块得到的原料性质参数；

建立并存储不同种类的气化炉与其对应的运行参数之间的映射关系；

建立并存储灰熔融特性及成浆特性预测与其对应的添加剂之间的映射关系；

建立并存储气化炉的种类、原料、气化炉运行参数及灰渣性质之间一一对应的映射关系。

可选地，气化配料子步骤还包括：

建立配料、气化炉运行参数及灰渣性质之间的函数关系，并依据得到的技术经济性最佳的配料方案的配料及气化炉运行参数，预测对应的灰渣性质，并判断得到的灰渣性质是否异常。

可选地，气化配料子步骤还包括：当判断得到的灰渣性质异常时，将得到的灰渣性质与预先存储的灰渣性质进行对比，依据预先存储的灰渣性质与气化炉的种类、原料及气化炉运行参数之间的映射关系，得到导致灰渣性质异常的相关参数。

本发明上述技术方案通过对原料进行快速分析得到原料性质参数，依据得到的原料性质参数经建立的预测模型实现对配料性质参数的预测，并依据得到的配料性质参数，通过建立的目标函数对配料方案进行优化，并对优化后的配料方案进行技术经济性分析，从而得到最佳的配料方案，构建了一个具有完整生命周期流程的智能化气化配料系统，有效提高了配煤的效率及准确率，实现了气化配料的智能化精准化控制，能有效降低原料性质问题给企业带来的不利影响。

本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。