CN106931453B - 循环流化床生活垃圾焚烧锅炉NOx排放的预测***及方法 - Google Patents
循环流化床生活垃圾焚烧锅炉NOx排放的预测***及方法 Download PDFInfo
- Publication number
- CN106931453B CN106931453B CN201710108979.8A CN201710108979A CN106931453B CN 106931453 B CN106931453 B CN 106931453B CN 201710108979 A CN201710108979 A CN 201710108979A CN 106931453 B CN106931453 B CN 106931453B
- Authority
- CN
- China
- Prior art keywords
- mrow
- particle
- msub
- value
- msup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 35
- 239000012530 fluid Substances 0.000 title claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 172
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000013508 migration Methods 0.000 claims abstract description 14
- 230000005012 migration Effects 0.000 claims abstract description 14
- 238000000465 moulding Methods 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 230000008901 benefit Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 7
- 239000003546 flue gas Substances 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 6
- 238000002485 combustion reaction Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 230000007480 spreading Effects 0.000 claims description 6
- 238000003892 spreading Methods 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 210000004218 nerve net Anatomy 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003134 recirculating effect Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 230000002068 genetic effect Effects 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 239000000779 smoke Substances 0.000 abstract description 3
- 238000005312 nonlinear dynamic Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000007812 deficiency Effects 0.000 description 5
- 239000000839 emulsion Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000009931 harmful effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 239000010791 domestic waste Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004056 waste incineration Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 229910001882 dioxygen Inorganic materials 0.000 description 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000005060 rubber Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000006276 transfer reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
- F23G5/30—Incineration of waste; Incinerator constructions; Details, accessories or control therefor having a fluidised bed
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
- F23G5/50—Control or safety arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G2203/00—Furnace arrangements
- F23G2203/50—Fluidised bed furnace
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G2900/00—Special features of, or arrangements for incinerators
- F23G2900/55—Controlling; Monitoring or measuring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Mechanical Engineering (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种循环流化床生活垃圾焚烧锅炉NOx排放的实时预测***及方法。采用BP神经网络算法和引入单纯形算子的多种群粒子群优化算法集成建模的方法，构建了一种快速经济且自适应更新的***和方法对锅炉烟气NOx排放进行实时预测，避开了繁琐复杂的机理建模工作。利用BP神经网络算法的非线性动力学特性、泛化能力和实时预测能力来表征NOx排放的动态变化特性；利用粒子群优化算法对BP神经网络的初始权值和阈值进行寻优，降低BP神经网络在训练过程中陷入局部最优值的可能性；引入单纯形算子和多种群迁移机制，提高粒子群优化算法解的多样性和局部搜索能力，减少粒子群算法寻优算陷入局部最优的可能性。
Description
技术领域
本发明涉及能源工程领域，特别地，涉及一种循环流化床生活垃圾焚烧锅炉NOx排放预测***及方法。
背景技术
垃圾焚烧由于能够良好实现垃圾处理技术的减容化、减量化、无害化和资源化，近十几年内，在国家相关产业政策的引导下，国内垃圾焚烧行业取得了蓬勃的发展。从上世纪90年代开始，国内多家科研结构对中国城市生活垃圾(Municipal Solid Waste,MSW)燃烧机理进行了大量深入研究，掌握了混合收集、水分高、成分复杂的城市生活垃圾的燃烧特性，根据我国对煤、煤矸石等劣质燃料循环流化床(Circulating Fluidized Bed,CFB)燃烧技术的开发经验的基础上，开发出了循环流化床垃圾焚烧锅炉，从1998年浙江大学开发的第一台流化床垃圾焚烧炉投入运行开始，表现出了适用于对国内高水分、热值偏低且波动性很大的生活垃圾进行大规模的焚烧处理的特点。目前，CFB垃圾焚烧技术已经在国内的多个城市进行了推广应用，截止2015年底，国内已建成垃圾焚烧锅炉70余台，日处理垃圾量6.9万吨，为我国的垃圾焚烧处理行业做出了重要的贡献。
锅炉尾部烟气NOx排放量是衡量锅炉是否环保运行的重要标志之一，《生活垃圾焚烧污染控制标准》(GB 18485-2014)规定NOx排放浓度的1小时均值和24小时均值分别不得超过300mg/m3和250mg/m3，否则将面临环保部门停产整顿的处罚。同时，生产人员和管理人员有可能需要某种运行工况下NOx的排放情况，以便于对锅炉的运行进行优化调整。因此，构建一个足够精度的NOx排放预测模型具有十分重要的意义。
国内外的研究人员对循环流化床锅炉的NOx排放特性建模进行了研究，主要有以下几种方法。一种是根据CFB锅炉燃烧动力学、流体力学、传热传质的特性，在经过合理的简化假设之后建立，通过数学描述的方式建立机理模型。这种方法能够反映NOx排放量的变化趋势，但由于假设模型和真实模型之间的偏差而无法达到足够的精确度；另一种方法是在大量的试验台试验或者现场试验的基础上，通过回归分析的方法建立关于NOx排放变化特性的经验模型。这种方法需要耗费大量的人力物力，时间成本高，同时无法保证试验覆盖所有的工况，具有一定局限性；第三种方法利用计算流体力学、计算传热学和化学反应的简化机理模拟炉内燃烧过程，精确地求解NOx的生成情况，显示了良好的效果具有很大的发展潜力。但这种方法主要受限于流体力学模型和化学反应的简化机理与实际情况的差距，需要高端的计算机配置和很长的计算时间，因此采用这种方法仍处于初步发展阶段。此外，CFB垃圾焚烧锅炉的给料***均匀性较差，入炉垃圾的热值波动性大、组分复杂、多边性强，是NOx排放建模过程中的面临的主要困难之一，它要求所建立的NOx排放特性模型具有良好的自适应能力，上述三种建模方法在这方面仍有所欠缺。
随着电子技术、计算机技术和信息技术的发展，集散控制***(DistributedControl System,DCS)广泛的应用于CFB生活焚烧锅炉的运行过程，包含温度、压力、流量等参数在内的过程数据都被完善得保存下来，这些历史数据中包含丰富过程信息，是人们认识和了解生产过程的重要途径之一，具有很高的挖掘价值，为智能数据挖掘算法的应用研究和应用提供了绝佳的软硬件平台。误差反传人工神经网络(Back PropagationArtificial Neural Network,BPANN)是一种典型多层感知器(Multilayer Perceptron,MLP)，神经网络的一个重要特征就是输入与输出之间的黑箱特性，它将待建模***视为一个黑箱，不关心待求解问题的内部机制如何复杂，只关心***的输入与输出。这使得神经网络特别适合用于电站锅炉的NOx排放特性的建模，采用这种方法可以绕开NOx生成过程中带有的滞后性、非线性和时变性等难点，实现NOx排放量与各影响因素之间的复杂映射关系。同时，BP网络具有自学习能力，能够根据新鲜样本进行训练，自适应调整网络的参数。当煤种、积灰以及设备性能(如垃圾给料***的性能变化等)发生变化时，NOx排放特性模型也将随之发生变化。利用BP网络的自学习特性可以在线训练调整NOx排放特性模型，保证模型的精度。
然而BP网络的性能对初始权值和阈值有一定程度上的依赖，如果初始权值和阈值设置的不理想，BP网络容易陷入局部最优值。为了改善这个问题，本专利将引入单纯形算子的多种群粒子群算法引入到BP网络中，用它来对BP网络的初始权值而后阈值进行优化。粒子群算法是模拟鸟群等捕食行为而发展起来的群体智能优化算法，它利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并在函数优化领域获得了广泛的应用。然而粒子群优化算法作为随机搜索算法，具有一定的盲目性，迭代后期局部搜索效率较低。因此，采用多种群协同搜索模式，通过种群内部个体之间信息共享，以及种群之间的信息交流，提高了解空间的多样性，可以降低陷入局部极值的概率。同时将单纯形搜索算子引入进来，提高算法后期的局部搜索能力。
NOx排放预测***具有较高的运算负荷，因此，为了提高NOx排放预测***计算效率，需要合理设置***的框架结构。
发明内容
本发明的目的在于针对现有技术的不足，提供一种循环流化床生活垃圾焚烧锅炉NOx排放的预测***及方法。本发明在分析CFB生活垃圾焚烧锅炉运行机理的基础上，选择NOx排放预测模型的输入变量，利用BP神经网络对样本集进行训练建模，并利用引入单纯形算子的多种群粒子群算法对BP神经网络的初始权值和阈值进行优化，最终利用异构计算环境构建NOx排放预测***。
本发明解决其技术问题所采用的技术方案是：一种循环流化床生活垃圾焚烧锅炉NOx排放的实时预测***。该***与循环流化床锅炉的集散控制***以及生产管理***相连，包括数据通讯接口和上位机，在上位机(服务器)中对NOx排放预测模型进行训练和更新，让后将训练好的模型通过通讯接口送往集散控制***、生产管理***(客户端)，所述上位机包括：
信号采集模块。该模块用于采集CFB生活垃圾焚烧锅炉在焚烧指定生活垃圾时的运行工况状态参数和操作变量，并组成垃圾热值预测模型输入变量的训练样本矩阵X(m×n)，m表示样本个数，n表示变量的个数；
数据预处理模块。对X(m×n)进行粗大误差处理和随机误差处理，以摒除那些并不是反映锅炉正常运行工况的虚假信息，将锅炉停炉、压火、给料机堵塞等异常工况排除掉，为了避免预测模型的参数之间量纲和数量级的不同对模型性能造成的不良影响，训练样本输入变量均经过归一化处理后映射到[0，1]区间内，得到标准化后的训练样本X*(m×n)。预处理过程采用以下步骤进行：
1.1)根据拉伊达准则，剔除训练样本X(m×n)中的野值；
1.2)剔除锅炉停炉运行工况，锅炉停炉时炉膛给煤机和给料机的开度为零，并且炉膛中温度接近常温；
1.3)剔除炉膛压火运行状况，锅炉压火时一次风机、二次风机引风机炉膛给煤机和给料机的开度为零，但是炉膛密相区的温度维持在350℃～450℃；
1.4)剔除给料机堵塞工况，给料机堵塞需要运行人员通过给料口的摄像头拍摄的画面对给料情况进行判断，给料机堵塞时，运行人员会显著地调高给料机的开度，反映在运行数据上，即给料机的开度大于35％；
1.5)数据归一化处理。按照式(1)将数据变量映射到[0 1]的区间内。
式中XJ表示第J变量所组成的向量，min()表示最小值，max()表示最大值。
专家知识库模块。采用滚动时间窗口的方法不断更新训练样本，使得训练样本始终保持在最新的状态上，滚动时间窗口方法是指从当前时间开始，回溯L(单位秒)长度的时间尺寸。
模型更新判定模块。检测当前预测模型的性能，当相对预测误差超过±5％时，则判定模型需要进行更新。
智能建模模块。智能建模模块是NOx排放预测***的核心部分，该模块先利用引入单纯形算子的多种群粒子群算法对BP神经网络的初始权值和阈值进行寻优，然后将得到的最优初始权值阈值赋给BP神经网络模型，并以此为基础进行训练。算法步骤如下：
2.1)初始化算法参数。对BP神经网络模型和寻优算法的参数进行设置，包括BP神经网络的隐含层数hl、隐含层节点数hn、训练迭代次数gen1、学习率η、隐含层神经元激活函数类型；多种群粒子群算法的最大寻优代数Tmax、最大惯性权重ωmax、最小惯性权重ωmin，速度更新系数R1、R2、R3、R4，种群数量pop、单个种群的粒子数量ind；单纯形算法的系数α、紧缩系数θ、扩展系数γ、收缩系数β以及搜索精度ε。
2.2)初始化种群。采用实数编码的方式，将BP神经网络模型的所有权值阈值有序编码在一个粒子当中，并将每个权值阈值随机生成为[0，1]之间的一个实数。
2.3)初始化个体极值和群体极值。将每个粒子中包含的初始权值和阈值赋给BP神经网络模型，并结合训练样本进行学***方和MSE作为粒子的适应度值fitness，适应度计算公式如下：
每个粒子的计算得到的适应度值作为该粒子本身的初始化极值，每个种群当中MSE最低的值作为群体极值。
2.4)更新粒子。根据最新的个体极值和群体极值，按照(3)式和(4)式更新粒子的速度vid(t)和位置xid(t)：
vid(t+1)＝ωvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t)) (3)
xid(t+1)＝xid(t)+vid(t+1) (4)
式中，t是粒子群优化算法的寻优代数，r1，r2是[0，1]之间的随机数，pid是指是指第i个粒子迄今为止寻搜索到最优位置，pgd指该种群迄今为止搜索最优位置。更进一步，为了改善基本粒子群算法容易陷入局部极值和收敛速度慢的缺陷，在PSO算法的基础上引进了动态加速常数c1、c2和惯性权重ω：
其中，Tmax为最大寻优代数，ωmax为最大惯性权重，ωmin为最小惯性权重，R1、R2、R3、R4为常数。
2.5)粒子适应度值计算。按照式(2)计算更新之后粒子的适应度值。
2.6)更新个体极值和群体极值。以适应度值为评价指标，比较当代粒子与上一代粒子之间的适应度值大小，如果当前粒子的适应度值优于上一代，则将当前粒子的位置设置为个体极值，否则个体极值保持不变。同时获取当代所有粒子适应度值最优的粒子，并与上一代最优粒子进行比较，如果当代最优粒子的适应度值优于上一代最优粒子的适应度值，则将当代粒子的最优适应度值设置为全局最优值，否则全局最优值保持不变。
2.7)判断是否需要进行单纯形搜索。每隔10代进行一次单纯形搜索，如果需要进行单纯形搜索则执行步骤2.8)，否则执行步骤2.9)。
2.8)单纯形搜索。单纯形法(Simplex Method,SM)是一种传统的局部寻优算法，它计算量小、搜索速度快，具有很强的局部搜索能力，能够在很大程度上弥补PSO局部寻优能力相对不足的窘境。该法首先在D维空间中构造一个具有D+1个顶点的多面体，求出各顶点的适应值，并确定其中的最优点、次优点和最差点，然后通过反射、扩张、收缩或压缩等策略找出一个较好点，取代最差点，从而构成新的多面体，这样重复迭代可以找到或逼近一个最优点。该方法无需求解函数的Jacobi矩阵和Hessian矩阵，不用进行复杂的矩阵运算，具有很强的普适性。首先构造初始的单纯形{x0,x1,…,xi,…,xD}，x0为每个子种群搜索到的最优解，xi依据式(8)、(9)生成：
k＝-0.05+0.1r (9)
式中j表示第j维变量，r服从为[0，1]上均匀分布的随机数。
将单纯形的D+1个顶点按目标函数的大小重新编号，使顶点的编号满足：
fitness(x0)≤fitness(x1)≤…≤fitness(xi)≤…≤fitness(xD) (10)
令若则停止迭代输出x0。
2.9)移民操作。在自然界中，一个物种的不同种群分布在不同的地域，一方面各个种群相对独立地从自然界中争取资源为己所用，不同的地域条件下催发了他们不同的生存模式和进化程度；另一方面，各个种群之间有可能通过迁徙，使彼此之间发生联系，达到互通有无、取长补短、共同进化的目的。本发明采用的多种群(Multi-Population,MP)粒子群算法正是借鉴了自然界中普遍存在的这一现象。每一次寻优过程中，种群之间采用单向循环迁移的方式进行移民操作，第1个种群中的优秀个体迁往第2个，第2个迁往第3个，以此类推，直到最后一个迁往第一个。种群间的移民率Pi＝0.04，即表示用源种群中排名前Pi×100％的个体替换目标种群当中排名后Pi×100％的个体，以此完成种群之间最优知识的交流。
2.10)算法停止条件判定。判断是否达到最大迭代次数或者到达预测精度的要求，如果没有达到则返回步骤2.4)，利用更新的聚类半径继续搜索，否则退出搜索，执行步骤2.11)。
2.11)输出最优的权值阈值粒子。
2.12)将最优粒子当中的初始权值阈值赋给BP神经网络模型，并结合训练样本进行学习。
2.13)验证模型的预测精度。将模型的预测值和实际值进行对比，计算相对预测误差。
2.14)判断相对预测误差是否在±5％以内，如果满足要求则执行步骤2.15)，否则返回步骤2.12)，重新神经网络模型的参数，并重新训练。
2.15)输出满足要求的NOx排放预测模型。
通讯模块。该模块将满足要求的NOx排放预测模型传送给函数集散控制***、生产管理***。
一种循环流化床生活垃圾焚烧锅炉NOx排放预测方法，该方法包括以下步骤：
1)分析循环流化床生活垃圾焚烧锅炉的运行机理和NOx生成机理，选择垃圾的给料量、给煤量、一次风量、二次风量、烟气含氧量、炉膛负压、床层温度、炉膛稀相区温度作为NOx排放预测模型的输入变量。
2)采集训练样本。按设定的时间间隔从数据库中采集输入变量的历史数据，或者采集指定工况下的运行参数，组成NOx排放预测模型输入变量的训练样本矩阵X(m×n)，m表示样本个数，n表示变量的个数，同时采集与之对应的NOx排放量作为模型的输出训练样本Y(m×1)；
3)数据预处理。对X(m×n)进行粗大误差处理和随机误差处理，以摒除那些并不是反映锅炉正常运行工况的虚假信息，将锅炉停炉、压火、给料机堵塞等异常工况排除掉，为了避免预测模型的参数之间量纲和数量级的不同对模型性能造成的不良影响，训练样本输入变量均经过归一化处理后映射到[0，1]区间内，得到标准化后的输入变量的训练样本X*(m×n)和输出变量的训练样本Y*(m×1)。
4)智能算法集成建模。先利用引入单纯形算子的多种群粒子群算对BP神经网络的初始权值和阈值进行寻优，然后将得到的最优初始权值阈值赋给BP神经网络模型，并以此为基础进行训练。算法步骤如下：
4.1)初始化算法参数。在该步骤要对BP神经网络模型和寻优算法的参数进行设置，包括BP神经网络的隐含层数hl、隐含层节点数hn、训练迭代次数gen1、为学习率η、隐含层神经元激活函数类型；多种群粒子群算法的最大寻优代数Tmax、最大惯性权重ωmax、最小惯性权重ωmin，速度更新系数R1、R2、R3、R4，种群数量pop、单个种群的粒子数量ind；单纯形算法的系数α、紧缩系数θ、扩展系数γ、收缩系数β以及搜索精度ε。
4.2)初始化种群。采用实数编码的方式，将BP神经网络模型的所有权值阈值有序编码在一个粒子当中，并将每个权值阈值随机生成为[0，1]之间的一个实数。
4.3)初始化个体极值和群体极值。将每个粒子中包含的初始权值和阈值赋给BP神经网络模型，利用训练得到的预测模型计算NOx排放预测值将预测值与实际测量值y*进行比较，并以误差平方和MSE作为粒子的适应度值fitness，适应度计算公式如下：
每个粒子的计算得到的适应度值作为该粒子本身的初始化极值，每个种群的当中MSE最低的值作为群体极值。
4.4)更新粒子。根据最新的个体极值和群体极值，按照(2)式和(3)式更新粒子的速度vid(t)和位置xid(t)：
vid(t+1)＝ωvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t)) (2)
xid(t+1)＝xid(t)+vid(t+1) (3)
式中，t是粒子群优化算法的寻优代数，r1，r2是[0，1]之间的随机数，pid是指是指第i个粒子迄今为止寻搜索到最优位置，pgd指该种群迄今为止搜索最优位置。更进一步，为了改善基本粒子群算法容易陷入局部极值和收敛速度慢的缺陷，在PSO算法的基础上引进了动态加速常数c1、c2和惯性权重ω：
其中，Tmax为最大寻优代数，ωmax为最大惯性权重，ωmin为最小惯性权重，R1、R2、R3、R4为常数。
4.5)粒子适应度值计算。按照式(1)计算更新之后粒子的适应度值。
4.6)更新个体极值和群体极值。以适应度值为评价指标，比较当代粒子与上一代粒子之间的适应度值大小，如果当前粒子的适应度值优于上一代，则将当前粒子的位置设置为个体极值，否则个体极值保持不变。同时获取当代所有粒子适应度值最优的粒子，并与上一代最优粒子进行比较，如果当代最优粒子的适应度值优于上一代最优粒子的适应度值，则将当代粒子的最优适应度值设置为全局最优值，否则全局最优值保持不变。
4.7)判断是否需要进行单纯形搜索。每隔10代进行一次单纯形搜索，如果需要进行单纯形搜索则执行步骤4.8)，否则执行步骤4.9)。
4.8)单纯形搜索。单纯形法(Simplex Method,SM)是一种传统的局部寻优算法，它计算量小、搜索速度快，具有很强的局部搜索能力，能够在很大程度上弥补PSO局部寻优能力相对不足的窘境。该法首先在D维空间中构造一个具有D+1个顶点的多面体，求出各顶点的适应值，并确定其中的最优点、次优点和最差点，然后通过反射、扩张、收缩或压缩等策略找出一个较好点，取代最差点，从而构成新的多面体，这样重复迭代可以找到或逼近一个最优点。该方法无需求解函数的Jacobi矩阵和Hessian矩阵，不用进行复杂的矩阵运算，具有很强的普适性。首先构造初始的单纯形{x0,x1,…,xi,…,xD}，x0为每个子种群搜索到的最优解，xi依据式(7)、(8)生成：
k＝-0.05+0.1r (8)
式中j表示第j维变量，r服从为[0，1]上均匀分布的随机数。
将单纯形的D+1个顶点按目标函数的大小重新编号，使顶点的编号满足：
fitness(x0)≤fitness(x1)≤…≤fitness(xi)≤…≤fitness(xD) (9)
令若则停止迭代输出x0。
4.9)移民操作。在自然界中，一个物种的不同种群分布在不同的地域，一方面各个种群相对独立地从自然界中争取资源为己所用，不同的地域条件下催发了他们不同的生存模式和进化程度；另一方面，各个种群之间有可能通过迁徙，使彼此之间发生联系，达到互通有无、取长补短、共同进化的目的。本专利采用的多种群(Multi-Population,MP)遗传粒子群算法正是借鉴了自然界中普遍存在的这一现象。每一次寻优过程中，种群之间采用单向循环迁移的方式进行移民操作，第1个种群中的优秀个体迁往第2个，第2个迁往第3个，以此类推，直到最后一个迁往第一个。种群间的移民率Pi＝0.04，即表示用源种群中排名前Pi×100％的个体替换目标种群当中排名后Pi×100％的个体，以此完成种群之间最优知识的交流。
4.10)算法停止条件判定。判断是否达到最大迭代次数或者到达预测精度的要求，如果没有达到则返回步骤4.4)，利用更新的聚类半径继续搜索，否则退出搜索，执行步骤4.11)。
4.11)输出最优的权值阈值粒子。
4.12)将最优粒子当中的初始权值阈值赋给BP神经网络模型，并结合训练样本进行学习。
4.13)验证模型的预测精度。将模型的预测值和实际值进行对比，计算相对预测误差。
4.14)判断相对预测误差是否在±5％以内，如果满足要求则执行步骤2.15)，否则返回步骤2.12)，重新神经网络模型的参数，并重新训练。
4.15)输出满足要求的NOx排放预测模型。
5)模型自适应更新。当NOx排放量与模型预测排放量的误差超过±5％时，立即更新模型。
本发明的有益效果是：在利用循环流化床生活垃圾焚烧锅炉的运行机理和运行历史数据中隐含的知识的基础上，采用BP神经网络算法和引入单纯形算子的多种群粒子群优化算法集成建模的方法，构建了一种快速经济且自适应更新的***和方法对锅炉烟气NOx排放进行实时预测，避开了繁琐复杂的机理建模工作。其中，利用BP神经网络算法的非线性动力学特性、泛化能力和实时预测能力来表征NOx排放的动态变化特性，为运行人员和设计人员掌握了解NOx排放的变化特性提供新的途径；利用粒子群优化算法对BP神经网络的初始权值和阈值进行寻优，降低BP神经网络在训练过程中陷入局部最优值的可能性；引入多种群迁移机制，提高粒子群优化算法解的多样性，减少粒子群算法寻优算陷入局部最优的可能性；引入单纯形算子，提高粒子群优化算法的局部寻优能力；异构的计算环境，大大提高了模型构建效率，使计算机资源得打了最大的发挥。整个建模过程逻辑清晰，建模自动化程度高，易于掌握和推广。训练良好的NOx排放预测模型可以用于指导运行人员的实际运行过程，可以服务那些基于模型的控制算法，或者作为软测量仪表与NOx硬件测量***相互补充校核。
附图说明
图1是本发明所提出的***的结构图。
图2是本发明所提出的上位机***的结构图。
图3是本发明所采用BP神经网络模型的***结构图。
图4是本发明所提出的智能建模方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
实施例1
参照图1、图2、图3、图4，本发明提供的一种循环流化床生活垃圾焚烧锅炉NOx排放预测***，包括循环流化床生活垃圾焚烧锅炉，用于该锅炉运行控制的集散控制***，数据通讯接口，数据库以及上位机。数据库通过数据通讯接口从集散控制***中读取数据，并用于上位机的训练学习和测试，上位机通过数据通讯接口与集散控制***进行数据交换，所述的上位机包括在线学习、在线更新、验证部分和在线预测部分。具体包括：
信号采集模块。该模块用于采集CFB生活垃圾焚烧锅炉在焚烧指定生活垃圾时的运行工况状态参数和操作变量，并组成垃圾热值预测模型输入变量的训练样本矩阵X(m×n)，m表示样本个数，n表示变量的个数；
数据预处理模块。对X(m×n)进行粗大误差处理和随机误差处理，以摒除那些并不是反映锅炉正常运行工况的虚假信息，将锅炉停炉、压火、给料机堵塞等异常工况排除掉，为了避免预测模型的参数之间量纲和数量级的不同对模型性能造成的不良影响，训练样本输入变量均经过归一化处理后映射到[0，1]区间内，得到标准化后的训练样本X*(m×n)。预处理过程采用以下步骤进行：
1.1)根据拉伊达准则，剔除训练样本X(m×n)中的野值；
1.2)剔除锅炉停炉运行工况，锅炉停炉时炉膛给煤机和给料机的开度为零，并且炉膛中温度接近常温；
1.3)剔除炉膛压火运行状况，锅炉压火时一次风机、二次风机引风机炉膛给煤机和给料机的开度为零，但是炉膛密相区的温度维持在350℃～450℃；
1.4)剔除给料机堵塞工况，给料机堵塞需要运行人员通过给料口的摄像头拍摄的画面对给料情况进行判断，给料机堵塞时，运行人员会显著地调高给料机的开度，反映在运行数据上，即给料机的开度大于35％；
1.5)数据归一化处理。按照式(1)将数据变量映射到[0 1]的区间内。
式中XJ表示第J变量所组成的向量，min()表示最小值，max()表示最大值。
专家知识库模块。采用滚动时间窗口的方法不断更新训练样本，使得训练样本始终保持在最新的状态上，滚动时间窗口方法是指从当前时间开始，回溯L(单位秒)长度的时间尺寸。
模型更新判定模块。检测当前预测模型的性能，当相对预测误差超过±5％时，则判定模型需要进行更新。
智能建模模块。智能建模模块是NOx排放预测***的核心部分，该模块先利用引入单纯形算子的多种群粒子群算对BP神经网络的初始权值和阈值进行寻优，然后将得到的最优初始权值阈值赋给BP神经网络模型，并以此为基础进行训练。算法步骤如下：
智能建模模块。智能建模模块是NOx排放预测***的核心部分，该模块先利用引入单纯形算子的多种群粒子群算对BP神经网络的初始权值和阈值进行寻优，然后将得到的最优初始权值阈值赋给BP神经网络模型，并以此为基础进行训练。算法步骤如下：
2.1)初始化算法参数。在该步骤要对BP神经网络模型和寻优算法的参数进行设置，使BP神经网络的隐含层数hl＝1、隐含层节点数hn＝20、训练迭代次数gen1＝150、学习率η＝0.1、隐含层神经元激活函数类型为tansig函数；多种群粒子群算法的最大寻优代数Tmax＝100、最大惯性权重ωmax＝1.4、最小惯性权重ωmin＝0.4，速度更新系数R1＝1、R2＝0.5、R3＝6、R4＝2，种群数量pop＝5、单个种群的粒子数量ind＝20；单纯形算法的系数α＝1、紧缩系数θ＝0.5、扩展系数γ＝2、收缩系数β＝0.5以及搜索精度ε＝0.0001。
2.2)初始化种群。采用实数编码的方式，将BP神经网络模型的所有权值阈值有序编码在一个粒子当中，并将每个权值阈值随机生成为[0，1]之间的一个实数。
2.3)初始化个体极值和群体极值。将每个粒子中包含的初始权值和阈值赋给BP神经网络模型，并结合训练样本进行学习训练，BP神经网络模型的学习过程如下：
BP算法的关键包括从输入层到隐含层再输出层的信息正向传播和误差从输出层到隐含层再到输入层的反向传递，两个过程循环交替，直到误差收敛为止。信息从第i层正向到第j层的第m个神经元的传输入输出关系为：
其中为第j层第m个神经元的输出，f(x)为激活函数，p表示第i层神经元的个数，表示第n次迭代时第i层第k个神经元到该神经元的权值，为第n次迭代时第i层第k个神经元的输出。
误差反向传递过程是根据第n次迭代时的期望输出值与实际输出值的误差能能量和，采用梯度下降法调节网络权值，使误差函数值达到最小。为了提高收敛速度，常在网络权值调整中加入动量项：
中w(n+1)为第n+1次迭代时的网络权值，η为学习率，E为误差能量函数，α0为动量项。
利用训练得到的预测模型计算NOx排放预测值将预测值与实际测量值y*进行比较，并以误差平方和MSE作为粒子的适应度值fitness，适应度计算公式如下：
每个粒子的计算得到的适应度值作为该粒子本身的初始化极值，每个种群的当中MSE最低的值作为群体极值。
2.4)更新粒子。根据最新的个体极值和群体极值，按照(5)式和(6)式更新粒子的速度vid(t)和位置xid(t)：
vid(t+1)＝ωvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t)) (5)
xid(t+1)＝xid(t)+vid(t+1) (6)
式中，t是粒子群优化算法的寻优代数，r1，r2是[0，1]之间的随机数，pid是指是指第i个粒子迄今为止寻搜索到最优位置，pgd指该种群迄今为止搜索最优位置。更进一步，为了改善基本粒子群算法容易陷入局部极值和收敛速度慢的缺陷，在PSO算法的基础上引进了动态加速常数c1、c2和惯性权重ω：
其中，Tmax为最大寻优代数，ωmax为最大惯性权重，ωmin为最小惯性权重，R1、R2、R3、R4为常数。
2.5)粒子适应度值计算。按照式(2)计算更新之后粒子的适应度值。
2.6)更新个体极值和群体极值。以适应度值为评价指标，比较当代粒子与上一代粒子之间的适应度值大小，如果当前粒子的适应度值优于上一代，则将当前粒子的位置设置为个体极值，否则个体极值保持不变。同时获取当代所有粒子适应度值最优的粒子，并与上一代最优粒子进行比较，如果当代最优粒子的适应度值优于上一代最优粒子的适应度值，则将当代粒子的最优适应度值设置为全局最优值，否则全局最优值保持不变。
2.7)判断是否需要进行单纯形搜索。每隔10代进行一次单纯形搜索，如果需要进行单纯形搜索则执行步骤2.8)，否则执行步骤2.9)。
2.8)单纯形搜索。单纯形法(Simplex Method,SM)是一种传统的局部寻优算法，它计算量小、搜索速度快，具有很强的局部搜索能力，能够在很大程度上弥补PSO局部寻优能力相对不足的窘境。该法首先在D维空间中构造一个具有D+1个顶点的多面体，求出各顶点的适应值，并确定其中的最优点、次优点和最差点，然后通过反射、扩张、收缩或压缩等策略找出一个较好点，取代最差点，从而构成新的多面体，这样重复迭代可以找到或逼近一个最优点。该方法无需求解函数的Jacobi矩阵和Hessian矩阵，不用进行复杂的矩阵运算，具有很强的普适性。首先构造初始的单纯形{x0,x1,…,xi,…,xD}，x0为每个子种群搜索到的最优解，xi依据式(10)、(11)生成：
k＝-0.05+0.1r (11)
式中j表示第j维变量，r服从为[0，1]上均匀分布的随机数。
将单纯形的D+1个顶点按目标函数的大小重新编号，使顶点的编号满足：
fitness(x0)≤fitness(x1)≤…≤fitness(xi)≤…≤fitness(xD) (12)
令若则停止迭代输出x0。
2.9)移民操作。在自然界中，一个物种的不同种群分布在不同的地域，一方面各个种群相对独立地从自然界中争取资源为己所用，不同的地域条件下催发了他们不同的生存模式和进化程度；另一方面，各个种群之间有可能通过迁徙，使彼此之间发生联系，达到互通有无、取长补短、共同进化的目的。本专利采用的多种群(Multi-Population,MP)遗传粒子群算法正是借鉴了自然界中普遍存在的这一现象。每一次寻优过程中，种群之间采用单向循环迁移的方式进行移民操作，第1个种群中的优秀个体迁往第2个，第2个迁往第3个，以此类推，直到最后一个迁往第一个。种群间的移民率Pi＝0.04，即表示用源种群中排名前Pi×100％的个体替换目标种群当中排名后Pi×100％的个体，以此完成种群之间最优知识的交流。
2.10)算法停止条件判定。判断是否达到最大迭代次数或者到达预测精度的要求，如果没有达到则返回步骤2.4)，利用更新的聚类半径继续搜索，否则退出搜索，执行步骤2.11)。
2.11)输出最优的权值阈值粒子。
2.12)将最优粒子当中的初始权值阈值赋给BP神经网络模型，并结合训练样本进行学习。
2.13)验证模型的预测精度。将模型的预测值和实际值进行对比，计算相对预测误差。
2.14)判断相对预测误差是否在±5％以内，如果满足要求则执行步骤2.15)，否则返回步骤2.12)，重新神经网络模型的参数，并重新训练。
2.15)输出满足要求的NOx排放预测模型。
通讯模块。该模块将满足要求的NOx排放预测模型传送给函数集散控制***、生产管理***。
实施例2
参照图1、图2、图3、图4，本发明提供的一种循环流化床生活垃圾焚烧锅炉NOx排放预测方法，该方法包括以下步骤：
1)分析循环流化床生活垃圾焚烧锅炉的运行机理和NOx生成机理，选择垃圾的给料量、给煤量、一次风量、二次风量以、烟气含氧量、炉膛负压、床层温度、炉膛稀相区温度作为NOx排放预测模型的输入变量。
国内的城市生活垃圾多为混合收集，导致入厂、入炉垃圾成分较为复杂，一般主要包括厨余垃圾、纸、塑料、橡胶、织物、木头、竹子以及无机物等主要成分，表现出低热值、高水分和波动性较大的特征。为了保证循环流化床垃圾焚烧锅炉的稳定燃烧，通常会添加煤作为辅助燃料。垃圾在循环流化床中的燃烧是一个十分复杂的剧烈物理化学变化过程，垃圾在进入炉膛之后会经历几个过程：干燥加热、挥发分析出及燃烧、焦炭燃烧。垃圾中质轻易碎的组分如纸纸张、塑料以及细颗粒等会在流化风的作用下进入炉膛上部，经历干燥、挥发分的析出及燃烧以及残炭的燃烧等一系列过程；而密度较大、含水率高以及颗粒尺寸较大的组分如木头、厨余垃圾等终端速度大于流化速度的组分会落入密相区，并在密相区中被床料加热、燃烧，与煤的热量释放规律不同，垃圾中高水分低热值的组分会在密相区中吸收大量的热，而大量的挥发分在悬浮段燃烧。
CFB尾部烟气中NOx排放量是由炉膛中的温度场分布状况、氧气浓度分布状况和有机挥发分浓度的分布状况决定的。给煤量、给料量和一二次风量共同决定了温度场分布、氧气浓度分布和有机挥发分浓度分布，他们通过床层温度、炉膛稀相区温度和烟气含氧量反映出来。尤其需要注意的是，在实际运行过程中，会出现温度场、组分场分布不均的情况，而通过烟气氧量测点和炉膛温度测点无法完全获知，而炉膛负压的波动情况可以在一定程度上反映它们的波动情况，因此也将它作为模型的输入变量之一。
2)采集训练样本。按设定的时间间隔从数据库中采集输入变量的历史数据，或者采集指定工况下的运行参数，组成CO排放预测模型输入变量的训练样本矩阵X(m×n)，m表示样本个数，n表示变量的个数，同时采集与之对应的CO排放量作为模型的输出训练样本Y(m×1)；
3)数据预处理。对X(m×n)进行粗大误差处理和随机误差处理，以摒除那些并不是反映锅炉正常运行工况的虚假信息，将锅炉停炉、压火、给料机堵塞等异常工况排除掉，为了避免预测模型的参数之间量纲和数量级的不同对模型性能造成的不良影响，训练样本输入变量均经过归一化处理后映射到[0，1]区间内，得到标准化后的输入变量的训练样本X*(m×n)和输出变量的训练样本Y*(m×1)。
4)智能算法集成建模。先利用引入单纯形算子的多种群粒子群算对BP神经网络的初始权值和阈值进行寻优，然后将得到的最优初始权值阈值赋给BP神经网络模型，并以此为基础进行训练。算法步骤如下：
4.1)初始化算法参数。在该步骤要对BP神经网络模型和寻优算法的参数进行设置，包括BP神经网络的隐含层数hl、隐含层节点数hn、训练迭代次数gen1、学习率η、隐含层神经元激活函数类型；多种群粒子群算法的最大寻优代数Tmax、最大惯性权重ωmax、最小惯性权重ωmin，速度更新系数R1、R2、R3、R4，种群数量pop、单个种群的粒子数量ind、；单纯形算法的系数α、紧缩系数θ、扩展系数γ、收缩系数β以及搜索精度ε。
4.2)初始化种群。采用实数编码的方式，将BP神经网络模型的所有权值阈值有序编码在一个粒子当中，并将每个权值阈值随机生成为[0，1]之间的一个实数。
4.3)初始化个体极值和群体极值。将每个粒子中包含的初始权值和阈值赋给BP神经网络模型，并结合训练样本进行学习训练，BP神经网络模型的学习过程如下：
BP算法的关键包括从输入层到隐含层再输出层的信息正向传播和误差从输出层到隐含层再到输入层的反向传递，两个过程循环交替，直到误差收敛为止。信息从第i层正向到第j层的第m个神经元的传输入输出关系为：
其中为第j层第m个神经元的输出，f(x)为激活函数，p表示第i层神经元的个数，表示第n次迭代时第i层第k个神经元到该神经元的权值，为第n次迭代时第i层第k个神经元的输出。
误差反向传递过程是根据第n次迭代时的期望输出值与实际输出值的误差能能量和，采用梯度下降法调节网络权值，使误差函数值达到最小。为了提高收敛速度，常在网络权值调整中加入动量项：
中w(n+1)为第n+1次迭代时的网络权值，η为学习率，E为误差能量函数，α0为动量项。
利用训练得到的预测模型计算NOx排放预测值将预测值与实际测量值y*进行比较，并以误差平方和MSE作为粒子的适应度值fitness，适应度计算公式如下：
每个粒子的计算得到的适应度值作为该粒子本身的初始化极值，每个种群的当中MSE最低的值作为群体极值。
4.4)更新粒子。根据最新的个体极值和群体极值，按照(4)式和(5)式更新粒子的速度vid(t)和位置xid(t)：
vid(t+1)＝ωvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t)) (4)
xid(t+1)＝xid(t)+vid(t+1) (5)
式中，t是粒子群优化算法的寻优代数，r1，r2是[0，1]之间的随机数，pid是指是指第i个粒子迄今为止寻搜索到最优位置，pgd指该种群迄今为止搜索最优位置。更进一步，为了改善基本粒子群算法容易陷入局部极值和收敛速度慢的缺陷，在PSO算法的基础上引进了动态加速常数c1、c2和惯性权重ω：
其中，Tmax为最大寻优代数，ωmax为最大惯性权重，ωmin为最小惯性权重，R1、R2、R3、R4为常数。
4.5)粒子适应度值计算。按照式(3)计算更新之后粒子的适应度值。
4.6)更新个体极值和群体极值。以适应度值为评价指标，比较当代粒子与上一代粒子之间的适应度值大小，如果当前粒子的适应度值优于上一代，则将当前粒子的位置设置为个体极值，否则个体极值保持不变。同时获取当代所有粒子适应度值最优的粒子，并与上一代最优粒子进行比较，如果当代最优粒子的适应度值优于上一代最优粒子的适应度值，则将当代粒子的最优适应度值设置为全局最优值，否则全局最优值保持不变。
4.7)判断是否需要进行单纯形搜索。每隔10代进行一次单纯形搜索，如果需要进行单纯形搜索则执行步骤4.8)，否则执行步骤4.9)。
4.8)单纯形搜索。单纯形法(Simplex Method,SM)是一种传统的局部寻优算法，它计算量小、搜索速度快，具有很强的局部搜索能力，能够在很大程度上弥补PSO局部寻优能力相对不足的窘境。该法首先在D维空间中构造一个具有D+1个顶点的多面体，求出各顶点的适应值，并确定其中的最优点、次优点和最差点，然后通过反射、扩张、收缩或压缩等策略找出一个较好点，取代最差点，从而构成新的多面体，这样重复迭代可以找到或逼近一个最优点。该方法无需求解函数的Jacobi矩阵和Hessian矩阵，不用进行复杂的矩阵运算，具有很强的普适性。首先构造初始的单纯形{x0,x1,…,xi,…,xD}，x0为每个子种群搜索到的最优解，xi依据式(9)、(10)生成：
k＝-0.05+0.1r (10)
式中j表示第j维变量，r服从为[0，1]上均匀分布的随机数。
将单纯形的D+1个顶点按目标函数的大小重新编号，使顶点的编号满足：
fitness(x0)≤fitness(x1)≤…≤fitness(xi)≤…≤fitness(xD) (11)
令若则停止迭代输出x0。
4.9)移民操作。在自然界中，一个物种的不同种群分布在不同的地域，一方面各个种群相对独立地从自然界中争取资源为己所用，不同的地域条件下催发了他们不同的生存模式和进化程度；另一方面，各个种群之间有可能通过迁徙，使彼此之间发生联系，达到互通有无、取长补短、共同进化的目的。本专利采用的多种群(Multi-Population,MP)遗传粒子群算法正是借鉴了自然界中普遍存在的这一现象。每一次寻优过程中，种群之间采用单向循环迁移的方式进行移民操作，第1个种群中的优秀个体迁往第2个，第2个迁往第3个，以此类推，直到最后一个迁往第一个。种群间的移民率Pi＝0.04，即表示用源种群中排名前Pi×100％的个体替换目标种群当中排名后Pi×100％的个体，以此完成种群之间最优知识的交流。
4.10)算法停止条件算法判定。判断是否达到最大迭代次数或者到达预测精度的要求，如果没有达到则返回步骤4.4)，利用更新的聚类半径继续搜索，否则退出搜索，执行步骤4.11)。
4.11)输出最优的权值阈值粒子。
4.12)将最优粒子当中的初始权值阈值赋给BP神经网络模型，并结合训练样本进行学习。
4.13)验证模型的预测精度。将模型的预测值和实际值进行对比，计算相对预测误差。
4.14)判断相对预测误差是否在±5％以内，如果满足要求则执行步骤2.15)，否则返回步骤2.12)，重新神经网络模型的参数，并重新训练。
4.15)输出满足要求的NOx排放预测模型。
5)模型自适应更新。当NOx排放量与模型预测排放量的误差超过±5％时，立即更新模型。
Claims (2)
1.一种循环流化床生活垃圾焚烧锅炉NOx排放的实时预测***，该***与循环流化床锅炉的集散控制***以及生产管理***相连，包括数据通讯接口和上位机，在上位机中对NOx排放预测模型进行训练和更新，然后将训练好的模型通过通讯接口送往集散控制***、生产管理***，所述上位机包括：
信号采集模块；该模块用于采集CFB生活垃圾焚烧锅炉在焚烧指定生活垃圾时的运行工况状态参数和操作变量，并组成垃圾热值预测模型输入变量的训练样本矩阵X(m×n)，m表示样本个数，n表示变量的个数；
数据预处理模块；对X(m×n)进行粗大误差处理和随机误差处理，剔除训练样本中的野值，排除异常工况，所述异常工况包括锅炉停炉、压火、给料机堵塞，训练样本输入变量经过归一化处理后映射到[0，1]区间内，得到标准化后的训练样本X*(m×n)；
专家知识库模块；采用滚动时间窗口的方法不断更新训练样本，使得训练样本始终保持在最新的状态上，滚动时间窗口方法是指从当前时间开始，回溯L(单位秒)长度的时间尺寸；
模型更新判定模块；检测当前预测模型的性能，当相对预测误差超过±5％时，则判定模型需要进行更新；
智能建模模块；该模块先利用引入单纯形算子的多种群粒子群算法对BP神经网络的初始权值和阈值进行寻优，然后将得到的最优初始权值阈值赋给BP神经网络模型，并以此为基础进行训练；具体步骤如下：
2.1)初始化算法参数；对BP神经网络模型和寻优算法的参数进行设置，包括BP神经网络的隐含层数hl、隐含层节点数hn、训练迭代次数gen1、学习率η、隐含层神经元激活函数类型；多种群粒子群算法的最大寻优代数Tmax、最大惯性权重ωmax、最小惯性权重ωmin，速度更新系数R1、R2、R3、R4，种群数量pop、单个种群的粒子数量ind；单纯形算法的系数α、紧缩系数θ、扩展系数γ、收缩系数β以及搜索精度ε；
2.2)初始化种群；采用实数编码的方式，将BP神经网络模型的所有权值阈值有序编码在一个粒子当中，并将每个权值阈值随机生成为[0，1]之间的一个实数；
2.3)初始化个体极值和群体极值；将每个粒子中包含的初始权值和阈值赋给BP神经网络模型，并结合训练样本进行学***方和MSE作为粒子的适应度值fitness，适应度计算公式如下：
<mrow>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mo>=</mo>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msup>
<mi>y</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
每个粒子的计算得到的适应度值作为该粒子本身的初始化极值，每个种群当中MSE最低的值作为群体极值；
2.4)更新粒子；根据最新的个体极值和群体极值，按照(3)式和(4)式更新粒子的速度vid(t)和位置xid(t)：
vid(t+1)＝ωvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t))(3)
xid(t+1)＝xid(t)+vid(t+1)(4)
式中，t是粒子群优化算法的寻优代数，r1，r2是[0，1]之间的随机数，pid是指是指第i个粒子迄今为止寻搜索到最优位置，pgd指该种群迄今为止搜索最优位置；更进一步，为了改善基本粒子群算法容易陷入局部极值和收敛速度慢的缺陷，在PSO算法的基础上引进了动态加速常数c1、c2和惯性权重ω：
<mrow>
<mi>&omega;</mi>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>T</mi>
<mi>max</mi>
</msub>
</mfrac>
<mi>t</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
<mo>&times;</mo>
<mi>t</mi>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>R</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mn>4</mn>
</msub>
<mo>&times;</mo>
<mi>t</mi>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Tmax为最大寻优代数，ωmax为最大惯性权重，ωmin为最小惯性权重，R1、R2、R3、R4为常数；
2.5)粒子适应度值计算；按照式(2)计算更新之后粒子的适应度值；
2.6)更新个体极值和群体极值；以适应度值为评价指标，比较当代粒子与上一代粒子之间的适应度值大小，如果当前粒子的适应度值优于上一代，则将当前粒子的位置设置为个体极值，否则个体极值保持不变；同时获取当代所有粒子适应度值最优的粒子，并与上一代最优粒子进行比较，如果当代最优粒子的适应度值优于上一代最优粒子的适应度值，则将当代粒子的最优适应度值设置为全局最优值，否则全局最优值保持不变；
2.7)判断是否需要进行单纯形搜索；每隔10代进行一次单纯形搜索，如果需要进行单纯形搜索则执行步骤2.8)，否则执行步骤2.9)；
2.8)单纯形搜索；首先在D维空间中构造一个具有D+1个顶点的多面体，求出各顶点的适应值，并确定其中的最优点、次优点和最差点，然后通过反射、扩张、收缩或压缩策略找出一个较好点，取代最差点，从而构成新的多面体，这样重复迭代可以找到或逼近一个最优点；具体为：首先构造初始的单纯形{x0,x1,…,xi,…,xD}，x0为每个子种群搜索到的最优解，xi依据式(8)、(9)生成：
<mrow>
<msup>
<mi>x</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>k</mi>
<mo>)</mo>
<msup>
<mi>x</mi>
<mn>0</mn>
</msup>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>,</mo>
<msup>
<mi>x</mi>
<mn>0</mn>
</msup>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>x</mi>
<mn>0</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mn>10</mn>
<mrow>
<mo>-</mo>
<mn>6</mn>
</mrow>
</msup>
<mo>,</mo>
<msup>
<mi>x</mi>
<mn>0</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
k＝-0.05+0.1r(9)
式中j表示第j维变量，r服从为[0，1]上均匀分布的随机数；
将单纯形的D+1个顶点按目标函数的大小重新编号，使顶点的编号满足：
fitness(x0)≤fitness(x1)≤…≤fitness(xi)≤…≤fitness(xD) (10)
令若则停止迭代输出x0；
2.9)移民操作；采用的多种群(Multi-Population,MP)粒子群算法；每一次寻优过程中，种群之间采用单向循环迁移的方式进行移民操作，第1个种群中的优秀个体迁往第2个，第2个迁往第3个，以此类推，直到最后一个迁往第一个；种群间的移民率Pi＝0.04，即表示用源种群中排名前Pi×100％的个体替换目标种群当中排名后Pi×100％的个体，以此完成种群之间最优知识的交流；
2.10)算法停止条件判定；判断是否达到最大迭代次数或者到达预测精度的要求，如果没有达到则返回步骤2.4)，利用更新的聚类半径继续搜索，否则退出搜索，执行步骤2.11)；
2.11)输出最优的权值阈值粒子；
2.12)将最优粒子当中的初始权值阈值赋给BP神经网络模型，并结合训练样本进行学习；
2.13)验证模型的预测精度；将模型的预测值和实际值进行对比，计算相对预测误差；
2.14)判断相对预测误差是否在±5％以内，如果满足要求则执行步骤2.15)，否则返回步骤2.12)，重新神经网络模型的参数，并重新训练；
2.15)输出满足要求的NOx排放预测模型；
通讯模块；该模块将满足要求的NOx排放预测模型传送给函数集散控制***、生产管理***。
2.一种循环流化床生活垃圾焚烧锅炉NOx排放预测方法，其特征在于，该方法包括以下步骤：
1)分析循环流化床生活垃圾焚烧锅炉的运行机理和NOx生成机理，选择垃圾的给料量、给煤量、一次风量、二次风量、烟气含氧量、炉膛负压、床层温度、炉膛稀相区温度作为NOx排放预测模型的输入变量；
2)采集训练样本；按设定的时间间隔从数据库中采集输入变量的历史数据，或者采集指定工况下的运行参数，组成NOx排放预测模型输入变量的训练样本矩阵X(m×n)，m表示样本个数，n表示变量的个数，同时采集与之对应的NOx排放量作为模型的输出训练样本Y(m×1)；
3)数据预处理；对X(m×n)进行粗大误差处理和随机误差处理，以摒除那些并不是反映锅炉正常运行工况的虚假信息，将异常工况排除掉，所述异常工况包括锅炉停炉、压火、给料机堵塞，为了避免预测模型的参数之间量纲和数量级的不同对模型性能造成的不良影响，训练样本输入变量均经过归一化处理后映射到[0，1]区间内，得到标准化后的输入变量的训练样本X*(m×n)和输出变量的训练样本Y*(m×1)；
4)智能算法集成建模；先利用引入单纯形算子的多种群粒子群算对BP神经网络的初始权值和阈值进行寻优，然后将得到的最优初始权值阈值赋给BP神经网络模型，并以此为基础进行训练；算法步骤如下：
4.1)初始化算法参数；在该步骤要对BP神经网络模型和寻优算法的参数进行设置，包括BP神经网络的隐含层数hl、隐含层节点数hn、训练迭代次数gen1、为学习率η、隐含层神经元激活函数类型；多种群粒子群算法的最大寻优代数Tmax、最大惯性权重ωmax、最小惯性权重ωmin，速度更新系数R1、R2、R3、R4，种群数量pop、单个种群的粒子数量ind；单纯形算法的系数α、紧缩系数θ、扩展系数γ、收缩系数β以及搜索精度ε；
4.2)初始化种群；采用实数编码的方式，将BP神经网络模型的所有权值阈值有序编码在一个粒子当中，并将每个权值阈值随机生成为[0，1]之间的一个实数；
4.3)初始化个体极值和群体极值；将每个粒子中包含的初始权值和阈值赋给BP神经网络模型，利用训练得到的预测模型计算NOx排放预测值将预测值与实际测量值y*进行比较，并以误差平方和MSE作为粒子的适应度值fitness，适应度计算公式如下：
<mrow>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mo>=</mo>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msup>
<mi>y</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
每个粒子的计算得到的适应度值作为该粒子本身的初始化极值，每个种群的当中MSE最低的值作为群体极值；
4.4)更新粒子；根据最新的个体极值和群体极值，按照(2)式和(3)式更新粒子的速度vid(t)和位置xid(t)：
vid(t+1)＝ωvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t))(2)
xid(t+1)＝xid(t)+vid(t+1)(3)
式中，t是粒子群优化算法的寻优代数，r1，r2是[0，1]之间的随机数，pid是指是指第i个粒子迄今为止寻搜索到最优位置，pgd指该种群迄今为止搜索最优位置；更进一步，为了改善基本粒子群算法容易陷入局部极值和收敛速度慢的缺陷，在PSO算法的基础上引进了动态加速常数c1、c2和惯性权重ω：
<mrow>
<mi>&omega;</mi>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>T</mi>
<mi>max</mi>
</msub>
</mfrac>
<mi>t</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
<mo>&times;</mo>
<mi>t</mi>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>R</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mn>4</mn>
</msub>
<mo>&times;</mo>
<mi>t</mi>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Tmax为最大寻优代数，ωmax为最大惯性权重，ωmin为最小惯性权重，R1、R2、R3、R4为常数；
4.5)粒子适应度值计算；按照式(1)计算更新之后粒子的适应度值；
4.6)更新个体极值和群体极值；以适应度值为评价指标，比较当代粒子与上一代粒子之间的适应度值大小，如果当前粒子的适应度值优于上一代，则将当前粒子的位置设置为个体极值，否则个体极值保持不变；同时获取当代所有粒子适应度值最优的粒子，并与上一代最优粒子进行比较，如果当代最优粒子的适应度值优于上一代最优粒子的适应度值，则将当代粒子的最优适应度值设置为全局最优值，否则全局最优值保持不变；
4.7)判断是否需要进行单纯形搜索；每隔10代进行一次单纯形搜索，如果需要进行单纯形搜索则执行步骤4.8)，否则执行步骤4.9)；
4.8)单纯形搜索；构造初始的单纯形{x0,x1,…,xi,…,xD}，x0为每个子种群搜索到的最优解，xi依据式(7)、(8)生成：
<mrow>
<msup>
<mi>x</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>k</mi>
<mo>)</mo>
<msup>
<mi>x</mi>
<mn>0</mn>
</msup>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>,</mo>
<msup>
<mi>x</mi>
<mn>0</mn>
</msup>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>x</mi>
<mn>0</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mn>10</mn>
<mrow>
<mo>-</mo>
<mn>6</mn>
</mrow>
</msup>
<mo>,</mo>
<msup>
<mi>x</mi>
<mn>0</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
k＝-0.05+0.1r(8)
式中j表示第j维变量，r服从为[0，1]上均匀分布的随机数；
将单纯形的D+1个顶点按目标函数的大小重新编号，使顶点的编号满足：
fitness(x0)≤fitness(x1)≤…≤fitness(xi)≤…≤fitness(xD) (9)
令若则停止迭代输出x0；
4.9)移民操作；采用的多种群遗传粒子群算法；每一次寻优过程中，种群之间采用单向循环迁移的方式进行移民操作，第1个种群中的优秀个体迁往第2个，第2个迁往第3个，以此类推，直到最后一个迁往第一个；种群间的移民率Pi＝0.04，即表示用源种群中排名前Pi×100％的个体替换目标种群当中排名后Pi×100％的个体，以此完成种群之间最优知识的交流；
4.10)算法停止条件判定；判断是否达到最大迭代次数或者到达预测精度的要求，如果没有达到则返回步骤4.4)，利用更新的聚类半径继续搜索，否则退出搜索，执行步骤4.11)；
4.11)输出最优的权值阈值粒子；
4.12)将最优粒子当中的初始权值阈值赋给BP神经网络模型，并结合训练样本进行学习；
4.13)验证模型的预测精度；将模型的预测值和实际值进行对比，计算相对预测误差；
4.14)判断相对预测误差是否在±5％以内，如果满足要求则执行步骤2.15)，否则返回步骤2.12)，重新神经网络模型的参数，并重新训练；
4.15)输出满足要求的NOx排放预测模型；
5)模型自适应更新；当NOx排放量与模型预测排放量的误差超过±5％时，立即更新模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710108979.8A CN106931453B (zh) | 2017-02-27 | 2017-02-27 | 循环流化床生活垃圾焚烧锅炉NOx排放的预测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710108979.8A CN106931453B (zh) | 2017-02-27 | 2017-02-27 | 循环流化床生活垃圾焚烧锅炉NOx排放的预测***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106931453A CN106931453A (zh) | 2017-07-07 |
| CN106931453B true CN106931453B (zh) | 2018-02-16 |
Family
ID=59424657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710108979.8A Active CN106931453B (zh) | 2017-02-27 | 2017-02-27 | 循环流化床生活垃圾焚烧锅炉NOx排放的预测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106931453B (zh) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107437111B (zh) * | 2017-07-31 | 2020-07-14 | 杭州朗和科技有限公司 | 基于神经网络的数据处理方法、介质、装置和计算设备 |
| CN108332213A (zh) * | 2018-01-30 | 2018-07-27 | 光大环保能源（宁波）有限公司 | 一种垃圾焚烧炉控制*** |
| CN108319146B (zh) * | 2018-03-09 | 2020-08-11 | 西安西热控制技术有限公司 | 一种径向基神经网络基于离散粒子群训练的方法 |
| CN108629495B (zh) * | 2018-04-23 | 2021-09-14 | 光大环保技术研究院（深圳）有限公司 | 一种垃圾热值的估算方法 |
| CN109388774A (zh) * | 2018-07-06 | 2019-02-26 | 国家电投集团河南电力有限公司技术信息中心 | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 |
| CN108940596B (zh) * | 2018-07-12 | 2020-05-26 | 浙江大学 | 一种基于混合模型的电除尘***优化控制方法 |
| CN109063359A (zh) * | 2018-08-16 | 2018-12-21 | 燕山大学 | 一种循环流化床锅炉燃烧过程的动态建模方法 |
| CN109508779B (zh) * | 2018-11-09 | 2023-10-13 | 重庆化工职业学院 | 一种市政路灯的节能控制方法 |
| CN109800890A (zh) * | 2019-01-31 | 2019-05-24 | 网宿科技股份有限公司 | 一种模型预测方法及装置 |
| CN110020712B (zh) * | 2019-03-26 | 2021-01-26 | 浙江大学 | 一种基于聚类的优化粒子群bp网络预测方法和*** |
| CN110276101B (zh) * | 2019-05-17 | 2022-11-15 | 杭州电子科技大学 | 基于差分进化单纯形算法的关节式坐标测量机标定方法 |
| CN110500596B (zh) * | 2019-08-13 | 2021-04-16 | 北方工程设计研究院有限公司 | 一种危险废物焚烧自动控制方法 |
| CN111158237B (zh) * | 2019-12-25 | 2022-07-19 | 南京理工大学 | 基于神经网络的工业炉炉温多步预测控制方法 |
| CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
| CN112130453B (zh) * | 2020-07-30 | 2022-12-13 | 浙江中控技术股份有限公司 | 基于机器学***稳性的控制方法及*** |
| CN112308311A (zh) * | 2020-10-29 | 2021-02-02 | 西安工业大学 | 火电厂烟气含氧量在线预测***及其预测方法 |
| CN112791566B (zh) * | 2020-12-01 | 2022-11-29 | 呼和浩特科林热电有限责任公司 | 一种SCR入口NOx浓度分区的预测方法 |
| CN113175678B (zh) * | 2021-03-09 | 2023-11-10 | 广州特种承压设备检测研究院 | 垃圾焚烧的监控方法及装置 |
| CN113408185B (zh) * | 2021-04-24 | 2023-05-23 | 北京工业大学 | 一种城市生活垃圾焚烧过程炉排空气流量设定方法 |
| CN113610260B (zh) * | 2021-04-24 | 2024-03-29 | 北京工业大学 | 一种城市生活垃圾焚烧过程烟气组分浓度预测方法 |
| CN113742997B (zh) * | 2021-08-02 | 2024-06-21 | 北京工业大学 | 城市固废焚烧过程风量智能优化设定方法 |
| CN114202111A (zh) * | 2021-11-19 | 2022-03-18 | 华南理工大学 | 基于粒子群优化bp神经网络的电子膨胀阀流量特性预测 |
| CN114202065B (zh) * | 2022-02-17 | 2022-06-24 | 之江实验室 | 一种基于增量式演化lstm的流数据预测方法及装置 |
| CN115310272B (zh) * | 2022-07-18 | 2023-10-13 | 浙江大学 | 一种基于集群枢纽策略的ccus运输优化方法及*** |
| CN117452828B (zh) * | 2023-12-22 | 2024-03-01 | 中电行唐生物质能热电有限公司 | 基于神经网络的锅炉有害气体排放控制方法及*** |
| CN117592769B (zh) * | 2024-01-19 | 2024-04-05 | 四川绿豆芽信息技术有限公司 | 一种碳小屋站点管理方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012007593A (ja) * | 2010-06-28 | 2012-01-12 | Honda Motor Co Ltd | プラントの制御装置 |
| CN103472866A (zh) * | 2013-09-22 | 2013-12-25 | 浙江大学 | 智能模糊***的农药废液焚烧炉炉温最佳化***及方法 |
| CN103488145A (zh) * | 2013-09-22 | 2014-01-01 | 浙江大学 | 群智模糊网络的焚烧炉有害物排放达标控制***及方法 |
| CN103488206A (zh) * | 2013-09-22 | 2014-01-01 | 浙江大学 | 智能径向基的农药生产废液焚烧炉炉温最佳化***及方法 |
| CN103472729B (zh) * | 2013-09-22 | 2016-01-06 | 浙江大学 | 群智的农药废液焚烧炉有害物排放达标控制***及方法 |
| CN105700576A (zh) * | 2016-03-11 | 2016-06-22 | 东南大学 | 基于多变量区间约束预测的scr脱硝优化控制***及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2085593B1 (en) * | 2008-01-29 | 2010-06-30 | Honda Motor Co., Ltd. | Control system for internal combustion engine |
-
2017
- 2017-02-27 CN CN201710108979.8A patent/CN106931453B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012007593A (ja) * | 2010-06-28 | 2012-01-12 | Honda Motor Co Ltd | プラントの制御装置 |
| CN103472866A (zh) * | 2013-09-22 | 2013-12-25 | 浙江大学 | 智能模糊***的农药废液焚烧炉炉温最佳化***及方法 |
| CN103488145A (zh) * | 2013-09-22 | 2014-01-01 | 浙江大学 | 群智模糊网络的焚烧炉有害物排放达标控制***及方法 |
| CN103488206A (zh) * | 2013-09-22 | 2014-01-01 | 浙江大学 | 智能径向基的农药生产废液焚烧炉炉温最佳化***及方法 |
| CN103472729B (zh) * | 2013-09-22 | 2016-01-06 | 浙江大学 | 群智的农药废液焚烧炉有害物排放达标控制***及方法 |
| CN105700576A (zh) * | 2016-03-11 | 2016-06-22 | 东南大学 | 基于多变量区间约束预测的scr脱硝优化控制***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106931453A (zh) | 2017-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106931453B (zh) | 循环流化床生活垃圾焚烧锅炉NOx排放的预测***及方法 | |
| CN107038334A (zh) | 循环流化床生活垃圾焚烧锅炉co排放预测***及方法 | |
| CN107016455A (zh) | 循环流化床生活垃圾焚烧锅炉炉膛出口烟气含氧量的预测***及方法 | |
| CN106224939B (zh) | 循环流化床生活垃圾焚烧锅炉床温预测方法及*** | |
| Shi et al. | Combustion optimization of ultra supercritical boiler based on artificial intelligence | |
| CN105864797B (zh) | 循环流化床生活垃圾焚烧锅炉入炉热值实时预测***及方法 | |
| Li et al. | Combustion optimization of a boiler based on the chaos and Levy flight vortex search algorithm | |
| CN105020705B (zh) | 循环流化床锅炉燃烧性能实时优化控制方法及*** | |
| Chu et al. | Constrained optimization of combustion in a simulated coal-fired boiler using artificial neural network model and information analysis☆ | |
| Wang et al. | Stochastic economic emission load dispatch through a modified particle swarm optimization algorithm | |
| Zheng et al. | A comparative study of optimization algorithms for low NOx combustion modification at a coal-fired utility boiler | |
| CN107726358A (zh) | 基于cfd数值模拟和智能建模的锅炉燃烧优化***及方法 | |
| CN106055520B (zh) | 循环流化床生活垃圾焚烧锅炉汽包水位的预测***及方法 | |
| CN104763999A (zh) | 电厂煤粉锅炉燃烧性能在线优化方法和*** | |
| Zheng et al. | Multi-objective combustion optimization based on data-driven hybrid strategy | |
| CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
| CN108224446A (zh) | 一种垃圾焚烧过程的自动燃烧优化决策方法 | |
| CN107958424A (zh) | 一种基于改进引力搜索算法的电力***经济调度策略 | |
| CN109492807A (zh) | 基于改进量子粒子群算法的锅炉noｘ预测模型优化方法 | |
| CN106527176A (zh) | 一种基于mfoa‑svm的锅炉热效率与nox建模 | |
| Zhao et al. | Optimization of thermal efficiency and unburned carbon in fly ash of coal-fired utility boiler via grey wolf optimizer algorithm | |
| Ma et al. | Three-objective optimization of boiler combustion process based on multi-objective teaching–learning based optimization algorithm and ameliorated extreme learning machine | |
| Ye et al. | Multi-objective modeling of boiler combustion based on feature fusion and Bayesian optimization | |
| CN113742997A (zh) | 城市固废焚烧过程风量智能优化设定方法 | |
| Fu et al. | A disassembly sequence planning method with improved discrete grey wolf optimizer for equipment maintenance in hydropower station |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |