城市固废焚烧过程风量智能优化设定方法技术

城市固废焚烧过程风量智能优化设定方法既属于优化计算领域，又属于城市固废焚烧领域。本发明专利技术提出了城市固废焚烧过程风量智能优化设定方法，针对城市固废焚烧过程仅依赖操作人员对风量值进行经验设定难以满足实际性能指标要求的问题。首先，结合最大相关最小冗余算法及前馈神经网络，建立燃烧效率和氮氧化物排放浓度性能指标评价模型；然后，提出分阶段多目标粒子群优化算法，获得一次风流量和二次风流量的Pareto优化解集；此外，设计效用函数，确定一次风流量和二次风流量的最优设定值；实验结果表明了该方法通过对风量进行优化设定能同时实现燃烧效率的提高和氮氧化物排放浓度的降低。度的降低。度的降低。

【技术实现步骤摘要】
城市固废焚烧过程风量智能优化设定方法


[0001]本专利技术针对城市固废焚烧过程特性，利用改进多目标粒子群优化算法设计了一种城市固废焚烧过程风量优化设定方法，对固废焚烧过程操作变量一次风流量和二次风流量设定值进行优化，实现降低氮氧化物排放浓度降低的同时提高城市固废的燃烧效率；一次风流量和二次风流量设定值的优化是实现城市固废焚烧过程高效运行和和节能减排的重要环节，是流程工业
的重要分支，既属于优化计算领域，又属于城市固废焚烧领域。

技术介绍

[0002]随着城市化进程的不断加快，城市固体废物的急剧增加导致“垃圾围城”现象愈发严重。垃圾焚烧技术因其具有减容减量效果明显、无害化处理充分和资源利用率高等特点，已逐渐成为我国城市固废处理的主要方式。然而，由于国内城市固体废物热值较低、含水量高且成分复杂，在焚烧过程中容易出现焚烧稳定性差、燃烧效率较低以及焚烧产生的污染物排放浓度较高等问题。城市固废焚烧过程排放的氮氧化物NOx是造成大气污染的主要污染源之一，严重危害动物和人体健康。
[0003]目前，部分城市固废焚烧厂通过调节一次风流量和二次风流量等关键变量来减少氮氧化物的排放，风量值多依赖操作人员经验设定，难以满足实际需求。尽管调节风量能控制NOx的排放，但同时也会影响燃烧效率。燃烧效率反映了城市固废焚烧的充分性，城市固废焚烧的充分性不仅影响其减量化效果，而且焚烧不充分会产生较多的一氧化碳排放，造成空气污染。因此，从提高城市固废燃烧效率以及降低氮氧化物排放浓度的角度出发对风量设定值进行优化已经成为城市固废焚烧过程亟待解决的问题，具有重要的现实意义。
[0004]城市固废焚烧过程的风量设定值优化主要包括两方面：一是性能指标燃烧效率和氮氧化物排放浓度模型的建立；二是选取合适的优化算法求解风量设定值，以实现多个指标的优化。然而，城市固废焚烧过程具有强非线性，其机理模型难以建立。随着数据收集技术的发展，海量数据的获取使得数据驱动的建模方法可以用于建立固废焚烧过程模型。近年来，多目标进化优化技术取得了长足发展，特别是多目标粒子群算法具有较快的收敛速度，能够实现对多个指标优化问题的求解。但是传统的粒子群算法迭代进化时容易陷入局部最优，不能兼顾优化解的收敛性和多样性。
[0005]本专利技术提出了一种基于多目标粒子群算法的城市固废焚烧过程风量智能优化设定方法，主要通过前馈神经网络建立燃烧效率CE和氮氧化物NOx排放浓度的评价模型，将其作为优化目标，通过分阶段多目标粒子群算法对风量的设定值进行优化来降低城市固废焚烧的氮氧化物排放，同时最大化燃烧效率。

技术实现思路

[0006]本专利技术获得了一种城市固废焚烧过程风量智能优化设定方法，该方法深入分析城市固废焚烧过程特性，考虑燃烧效率和氮氧化物排放浓度两个优化性能指标，通过前馈神
经网络建立其评价模型；基于评价模型，建立风量优化设定的目标函数，采用分阶段多目标粒子群算法获得一次风流量和二次风流量设定值的优化解集；根据优化解集，设计效用函数确定一次风流量和二次风流量的唯一优化设定值，从而完成对城市固废焚烧过程风量的优化设定，实现提高燃烧效率和降低氮氧化物排放的目标。
[0007]本专利技术采用了如下的技术方案及实现步骤：
[0008]城市固废焚烧过程风量智能优化设定方法，
[0009]针对城市固废焚烧过程的一次风流量和二次风流量的设定值进行优化，以城市固废燃烧效率和氮氧化物NOx排放浓度为优化性能指标，一次风流量和二次风流量为优化的操作变量；
[0010]其特征在于包括以下步骤：
[0011](1)设计城市固废焚烧过程风量优化设定方法的性能指标评价模型，燃烧效率和氮氧化物排放浓度模型都由三层前馈神经网络建立，分别为：输入层、隐含层和输出层；两个的输入都为x＝[x1,x2,...,x
H
]，H为输入变量维数，输出分别为燃烧效率和氮氧化物排放浓度；其计算方式如下：
[0012]①
确定性能指标评价模型网络输入变量：基于最大相关最小冗余准则的mRMR特征选择方法确定除优化变量外的其它模型输入变量；mRMR算法计算变量之间的互信息，选择与输出变量相关性最大同时被选变量之间相关性最小的一组变量，计算公式为：
[0013]I(q；p)＝H(q)+H(p)
‑
H(q；p)
ꢀꢀꢀ
(1)
[0014]其中，I(q；p)表示变量q和变量p之间的互信息，q和p为城市固废焚烧过程的变量，H(q)和H(p)分别表示变量q和变量p的信息熵，H(q；p)为变量q和变量p的联合熵；结合mRMR算法和固废焚烧机理确定模型的输入变量为：一次风流量x1、二次风流量x2、一次燃烧室右侧烟气温度x3、一次燃烧室左侧烟气温度x4、一次燃烧室右侧温度x5、一次燃烧室左侧温度x6、干燥炉排右1空气流量x7、干燥炉排左1空气流量x8、燃烧段炉排右1
‑
1段空气流量x9、燃烧段炉排左1
‑
1段空气流量x
10
、尿素溶液量x
11
、石灰给料量x
12
、活性炭储仓给料量x
13
、锅炉出口主蒸汽流量x
14
、入口烟气含氧量x
15
、炉膛平均温度x
16
，H的值为16；
[0015]②
初始化性能指标模型前馈神经网络：确定燃烧效率和氮氧化物排放浓度模型神经网络16
‑
L
‑
1的连接方式，即输入层神经元个数为16，隐含层神经元个数为L，其值为25，输出层神经元为1个，表示如下：
[0016][0017]其中，y1(x)为燃烧效率，y2(x)为氮氧化物排放浓度；W
1l
和W
2l
分别是燃烧效率和氮氧化物排放浓度模型神经元隐含层第l个神经元与输出节点之间的连接权值，l＝1,2,...,L，偏置分别是B1和B2，网络的连接权值和偏置随机初始化；和是隐含层连接到输出层神经元的第l个输入，表达式如下：
[0018][0019]其中，隐含层神经元采用双曲正切sigmoid函数作为激活函数，和分别为燃烧效率和氮氧化物排放浓度模型隐含层第l个神经元的输出函数，连接到输出层神经元；w
1h,l
和w
2h,l
分别为燃烧效率和氮氧化物排放浓度模型神经元第h个输入节点与隐含层第l个神经元之间的连接权值，h＝1,2,...,H，b
1l
和b
2l
分别为隐含层第l个神经的偏置，网络的连接权值和偏置随机初始化；x
h
为隐含层第h个输入变量；
[0020]③
对性能指标模型前馈神经网络的参数进行更新：确定采用二阶LM算法来训练网络、更新参数，直到网络的预测输出与实际输出的归一化后的均方根误差小于0.001；
[0021](2)设计城市固废焚烧过程风量优化设定方法的多目标优化算法，具体为：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.城市固废焚烧过程风量智能优化设定方法，针对城市固废焚烧过程的一次风流量和二次风流量的设定值进行优化，以城市固废燃烧效率和氮氧化物NOx排放浓度为优化性能指标，一次风流量和二次风流量为优化的操作变量；其特征在于包括以下步骤：(1)设计城市固废焚烧过程风量优化设定方法的性能指标评价模型，燃烧效率和氮氧化物排放浓度模型都由三层前馈神经网络建立，分别为：输入层、隐含层和输出层；模型输入都为x[x1,x2,...,x
H
]，H为输入变量维数，输出分别为燃烧效率和氮氧化物排放浓度；其计算方式如下：
①
确定性能指标评价模型网络输入变量：基于最大相关最小冗余准则的mRMR特征选择方法确定除优化变量外的其它模型输入变量；mRMR算法计算变量之间的互信息，选择与输出变量相关性最大同时被选变量之间相关性最小的一组变量，计算公式为：I(q；p)＝H(q)+H(p)
‑
H(q；p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，I(q；p)表示变量q和变量p之间的互信息，q和p表示城市固废焚烧过程的变量，H(q)和H(p)分别表示变量q和变量p的信息熵，H(q；p)为变量q和变量p的联合熵；结合mRMR算法和固废焚烧机理确定模型的输入变量为：一次风流量x1、二次风流量x2、一次燃烧室右侧烟气温度x3、一次燃烧室左侧烟气温度x4、一次燃烧室右侧温度x5、一次燃烧室左侧温度x6、干燥炉排右1空气流量x7、干燥炉排左1空气流量x8、燃烧段炉排右1
‑
1段空气流量x9、燃烧段炉排左1
‑
1段空气流量x
10
、尿素溶液量x
11
、石灰给料量x
12
、活性炭储仓给料量x
13
、锅炉出口主蒸汽流量x
14
、入口烟气含氧量x
15
、炉膛平均温度x
16
，H的值为16；
②
初始化性能指标模型前馈神经网络：确定燃烧效率和氮氧化物排放浓度模型神经网络16
‑
L
‑
1的连接方式，即输入层神经元个数为16，隐含层神经元个数为L，其值为25，输出层神经元为1个，表示如下：其中，y1(x)为燃烧效率，y2(x)为氮氧化物排放浓度；W
1l
和W
2l
分别是燃烧效率和氮氧化物排放浓度模型神经元隐含层第l个神经元与输出节点之间的连接权值，l＝1,2,...,L，偏置分别是B1和B2，网络的连接权值和偏置随机初始化；和是隐含层连接到输出层神经元的第l个输入，表达式如下：其中，隐含层神经元采用双曲正切sigmoid函数作为激活函数，和分别为燃烧效率和氮氧化物排放浓度模型隐含层第l个神经元的输出函数，连接到输出层神经元；w
1h,l
和w
2h,l
分别为燃烧效率和氮氧化物排放浓度模型神经元第h个输入节点与隐含层第l个
神经元之间的连接权值，h＝1,2,...,H，b
1l
和b
2l
分别为隐含层第l个神经的偏置，网络的连接权值和偏置随机初始化；x
h
为隐含层第h个输入变量；
③
对性能指标模型前馈神经网络的参数进行更新：确定采用二阶LM算法来训练网络、更新参数，直到网络的预测输出与实际输出的归一化后的均方根误差小于0.001；(2)设计城市固废焚烧过程风量优化设定方法的多目标优化算法，具体为：
①
分阶段多目标粒子群优化算法参数设置及种群初始化，设定粒子群算法种群规模为N，外部档案规模为NP，设置其值都为50；最大迭代次数为T
max
，设置其值为20；随机产生二维初始化种群：v
i
(t)＝[v
i,1
(t),v
i,2
(t)],z
i
(t)＝[z
i,1
(t),z
i,2
(t)],i＝1,2,...,N
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，v
i
(t)和z
i
(t)分别表示第t次迭代种群中第i个粒子的速度和位置，t＝1,2,...,T
max
，当前初始化时t的数值为1，z

【专利技术属性】
技术研发人员：乔俊飞，崔莺莺，蒙西，汤健，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：