一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法技术

本发明专利技术提出一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法。针对固废焚烧过程固有的非线性和不确定性，无法建立精确数学模型的特点，首先构建基于自组织长短期记忆神经网络的预测模型，该模型能够动态地、自适应地调整隐含层神经元个数，得到精简的模型结构和较高的烟气含氧量预测精度；其次，建立基于长短期记忆神经网络的误差反馈校正模型，对烟气含氧量预测结果进行校正，进一步提高了模型的预测精度；最后，设计基于双长短期记忆神经网络的模型预测控制器，采用梯度下降方法滚动优化模型预测控制的目标函数，高效求解多步控制律。本方法可以较好的跟踪烟气含氧量设定值，实现了城市固废焚烧过程烟气含氧量的精准控制。准控制。准控制。

【技术实现步骤摘要】
一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法


[0001]本专利技术利用数据驱动技术和模型预测控制技术建立一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法。预测控制是工业流程智能控制研究的主要发展趋势之一，是先进制造
的重要分支。本专利技术既属于城市固废焚烧领域，也属于工业流程智能控制研究


技术介绍

[0002]随着经济的快速发展，居民生活水平提高，城市化进程不断加快，全球每年约产生20亿吨城市固体废弃物，预计到2030年将达到25.9亿吨，城市固体废弃物处理问题日益突出。目前，对于不能直接资源回收的城市固体废弃物，一般采用卫生填埋、堆肥和焚烧等方式进行处理。相比于其它处理方法，城市固体废弃物焚烧技术具有无害化、减容化和资源化的优点，代表了城市固体废弃物处理技术的发展趋势。城市固体废弃物焚烧过程是一个大型而复杂的系统，包括多个子系统和多变的运行工况。这一过程存在着复杂的运行机理、强非线性和随机扰动。水平烟道出口处的烟气含氧量是衡量焚烧效果的工艺参数，与焚烧效率和污染物排放密切相关。如果烟气含氧量过小，则表明不完全燃烧热损失增加，燃烧效率就会下降，还会产生大量的二噁英、一氧化碳和二氧化硫等有毒有害气体；如果烟气含氧量过大，则表明空气量送入过大，过量的空气会带走大量的热量和灰尘，也会增加燃料型氮氧化物NOx污染物生成。因此，高效、稳定的烟气含氧量控制技术一直是城市固体废弃物焚烧过程控制的研究重点。
[0003]模型预测控制作为处理约束优化问题的先进控制算法，具有一定的自适应性和鲁棒性，受到不少研究学者及工程技术人员的青睐。然而制约模型预测控制技术实际应用关键因素之一是非线性系统预测模型的精准建模。数据驱动的建模方法是基于过程采集数据建立的，不需要深入了解过程机理且算法通用性强。在众多数据驱动模型中，长短期记忆网络是一种特殊的循环神经网络，可用内部存储单元上的门控机制来学习输入序列数据之间的长期依赖关系，对时间序列数据具有较好的预测性能。确定合适的网络结构是长短期记忆神经网络模型构建的关键步骤之一，结构过小或过大都会导致神经网络的欠拟合或过拟合问题。因此，如何根据待处理任务有效地构建结构紧凑且预测性能优良的长短期记忆神经网络预测模型仍然是数据驱动模型预测控制的关键研究问题之一。
[0004]在实际焚烧过程中，由于设备老化、结焦污垢和外部干扰等变化，过程模型往往也会随时间发生变化，数据驱动模型在干扰出现后可能无法正确预测系统未来动态，最终影响模型预测控制性能。传统的方法是利用实测误差对模型预测进行补偿，然而这种误差反馈校正方法具有明显的滞后性，难以适应复杂非线性系统动态变化。为了提高模型预测控制器在城市固废焚烧过程动态环境下的鲁棒性，可以通过构造误差校正模型，对系统动态模型预测误差进行修正，进一步提高模型预测控制效果。

技术实现思路

[0005]针对现有方法存在的不足，本专利技术提出一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法。提出数据驱动的城市固废焚烧过程烟气含氧量模型预测控制框架，设计基于自组织长短期记忆神经网络的烟气含氧量预测方法，建立基于长短期记忆神经网络的误差反馈校正模型，并采用梯度下降方法求解控制律。该控制方法具有较好的烟气含氧量变设定值跟踪性能。
[0006](1)设计用于城市固废焚烧过程中烟气含氧量模型预测控制的目标函数：
[0007][0008]其中，r(t)＝[r(t+1),r(t+2),...,r(t+H
p
)]T
是t时刻烟气含氧量设定值向量，是t时刻烟气含氧量预测值向量，Δu(t)＝[Δu(t),Δu(t+1),...,Δu(t+H
u
‑
1)]T
是t时刻烟气含氧量控制量调整向量。H
p
为预测时域，H
p
∈[1,10]；H
u
为控制时域，H
u
∈[1,5]；其中H
u
≤H
p
。T为公式的转置，ρ1和ρ2是控制权重因子，ρ1∈[0,1]，ρ2∈[0,1]。该数据驱动模型预测控制器的优势在于准确的预测模型、无滞后的误差反馈校正和高效的控制律求解。
[0009](2)设计自组织长短期记忆神经网络，建立烟气含氧量预测控制器的预测模型，该模型的隐含层神经元结构可以根据训练数据的变化而增长或修剪，在达到模型结构精简的同时提高模型泛化性能。
[0010]自组织长短期记忆神经网络的输入为x(t)＝[y(t
‑
1),y(t
‑
2),u1(t
‑
1),u1(t
‑
2),u2(t
‑
1),u2(t
‑
2),u3(t
‑
1),u3(t
‑
2)]，y(t
‑
1)为t
‑
1时刻固废焚烧过程中烟气含氧量的实际值，y(t
‑
2)为t
‑
2时刻固废焚烧过程中烟气含氧量的实际值，u1(t
‑
1)为t
‑
1时刻固废焚烧过程中炉排干燥段一次风流量，u1(t
‑
2)为t
‑
2时刻固废焚烧过程中炉排干燥段一次风流量，u2(t
‑
1)为t
‑
1时刻固废焚烧过程中炉排燃烧1段一次风流量，u2(t
‑
2)为t
‑
2时刻固废焚烧过程中炉排燃烧1段一次风流量，u3(t
‑
1)为t
‑
1时刻固废焚烧过程中二次风流量，u3(t
‑
2)为t
‑
2时刻固废焚烧过程中二次风流量。自组织长短期记忆神经网络的输出为烟气含氧量预测值。
[0011]LSTM神经网络通过门控结构实现单元状态和隐含状态的信息更新，具体运算公式如下
[0012]f(t)＝σ(w
fx
x(t)+w
fh
h(t
‑
1)+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0013]i(t)＝σ(w
ix
x(t)+w
ih
h(t
‑
1)+b
i
)
ꢀꢀꢀꢀꢀꢀ
(3)
[0014]o(t)＝σ(w
ox
x(t)+w
oh
h(t
‑
1)+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0015][0016][0017]h(t)＝o(t)
⊙
τ(c(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0018]其中w
fx
，w
ix
，w
ox
和是输入权值；w
fh
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法，以炉排干燥段一次风流量、炉排燃烧1段一次风流量和二次风流量为控制量，烟气含氧量为被控量，其特征在于包括如下步骤：(1)设计用于城市固废焚烧过程中烟气含氧量模型预测控制的目标函数：其中，r(t)＝[r(t+1)，r(t+2)，...，r(t+H
p
)]
T
是t时刻烟气含氧量设定值向量，是t时刻烟气含氧量预测值向量，Δu(t)＝[Δu(t)，Au(t+1)，...，Δu(t+H
u
‑
1)]
T
是t时刻烟气含氧量控制量调整向量；H
p
为预测时域，H
p
∈[1，10]；H
u
为控制时域，H
u
∈[1，5]；其中H
u
≤H
p
；T为公式的转置，ρ1和ρ2是控制权重因子，ρ1∈[0，1]，ρ2∈[0，1]；(2)设计自组织长短期记忆神经网络，建立烟气含氧量预测控制器的预测模型；自组织长短期记忆神经网络的输入为x(t)＝[y(t
‑
1)，y(t
‑
2)，u1(t
‑
1)，u1(t
‑
2)，u2(t
‑
1)，u2(t
‑
2)，u3(t
‑
1)，u3(t
‑
2)]，y(t
‑
1)为t
‑
1时刻固废焚烧过程中烟气含氧量的实际值，y(t
‑
2)为t
‑
2时刻固废焚烧过程中烟气含氧量的实际值，u1(t
‑
1)为t
‑
1时刻固废焚烧过程中炉排干燥段一次风流量，u1(t
‑
2)为t
‑
2时刻固废焚烧过程中炉排干燥段一次风流量，u2(t
‑
1)为t
‑
1时刻固废焚烧过程中炉排燃烧1段一次风流量，u2(t
‑
2)为t
‑
2时刻固废焚烧过程中炉排燃烧1段一次风流量，u3(t
‑
1)为t
‑
1时刻固废焚烧过程中二次风流量，u3(t
‑
2)为t
‑
2时刻固废焚烧过程中二次风流量；自组织长短期记忆神经网络的输出为烟气含氧量预测值；LSTM神经网络通过门控结构实现单元状态和隐含状态的信息更新，具体运算公式如下f(t)＝σ(w
fx
x(t)+w
fh
h(t
‑
1)+b
f
)
ꢀꢀꢀꢀ
(2)i(t)＝σ(w
ix
x(t)+w
ih
h(t
‑
1)+b
i
)
ꢀꢀꢀꢀ
(3)o(t)＝σ(w
ox
x(t)+w
oh
h(t
‑
1)+b
o
)
ꢀꢀꢀꢀ
(4)(4)h(t)＝o(t)
⊙
τ(c(t))
ꢀꢀꢀꢀ
(7)其中w
fx
，w
ix
，w
ox
和是输入权值；w
fh
，w
ih
，w
oh
和是循环结构的权值；b
f
，b
i
，b
o
和是相应的偏置；σ和τ代表非线性sigmoid函数和tanh函数；向量点乘运算表示为
⊙
；经前向传播后，LSTM网络的预测输出计算为y
p
(t)...

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