多目標遺傳算法在煤氣化過程中的應用.pdf

1、我國是一個煤炭資源豐富,油氣資源短缺的國家。近年來,隨著IGCC發(fā)電、燃料電池、合成天然氣、合成氨、合成甲醇、制氫、煤煉油、冶金等工業(yè)的發(fā)展,煤炭資源的利用以及煤氣化技術(shù)受到了廣泛的關(guān)注。煤氣化過程的最終目標是盡可能多的生成高品質(zhì)的合成氣,但由于氣化操作條件的最優(yōu)控制仍存在問題,所以煤氣化效率不高、資源浪費與環(huán)境污染等問題依舊嚴峻。對煤氣化過程操作參數(shù)進行優(yōu)化,一方面能提高合成氣的生產(chǎn)效率、保證合成氣的質(zhì)量,另一方面可以降低能耗提高資源

2、利用率。因此,煤氣化過程參數(shù)優(yōu)化的研究具有重要的理論和實踐意義。本課題以固定床煤氣化技術(shù)為研究對象,主要研究成果如下:
　　(1)本文采用最小二乘支持向量機和BP神經(jīng)網(wǎng)絡黑箱模型建立了神府煤固定床煤氣化過程預測模型,利用遺傳算法求解模型參數(shù),并擬合了煤氣化過程的主要評價指標(冷煤氣效率、氣體產(chǎn)率和氣體熱值)與主要控制參數(shù)(水煤比和氧煤比)之間的函數(shù)關(guān)系。兩種模型預測精度檢驗結(jié)果表明:神府煤固定床煤氣化過程GA-LSSVM模型比GA

3、-BP模型具有更好的預測精度和泛化能力。
　　(2)將混沌局部搜索策略與算法OB-NSGA-II結(jié)合,提出基于混沌對位學習的多目標遺傳算法(CLS-OB-NSGA-II),其在OB-NSGA-II算法的基礎上,對每一代精英保留后種群中在非支配層為1或者2上的個體進行混沌細搜索,以進一步加強多目標遺傳算法OB-NSGA-II的局部搜索能力。將算法NSGA-II、OB-NSGA-II和本文改進的多目標遺傳算法分別用于兩目標和三目標測試

4、函數(shù),檢驗結(jié)果表明:改進的多目標遺傳算法具有較好的收斂性和分布性,并且用較小的初始種群規(guī)模和較少的遺傳代數(shù)就能收斂到優(yōu)化問題的真實Pareto解附近。
　　(3)根據(jù)(1)中擬合的煤氣化過程主要性能指與主要控制參數(shù)標之間的函數(shù)關(guān)系,建立了固定床煤氣化過程的多目標優(yōu)化模型。應用改進的多目標遺傳算法和OB-NSGA-II對固定床煤氣化過程控制參數(shù)進行優(yōu)化,仿真結(jié)果表明:改進的多目標遺傳算法獲得的Pareto解集優(yōu)于算法OB-NSGA-