【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 ...
【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)...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。