CN108224446A - 一种垃圾焚烧过程的自动燃烧优化决策方法 - Google Patents

Abstract

一种垃圾焚烧过程的自动燃烧实时优化决策方法，涉及城市固体垃圾焚烧炉优化控制技术领域，通过关键被控变量(进料器速度和炉排速度)的优化决策，使自动燃烧控制***运行在理想范围内，主要包括如下步骤：(1)根据焚烧过程的历史数据建立决策案例库；(2)构建训练模式池；(3)根据学***均值，从而得到目标案例解(进料器速度和炉排速度)的决策值并输出到焚烧过程控制***；(6)重复上述的步骤(4)～步骤(5)，以实现焚烧过程的自动燃烧实时优化决策过程。

Description

一种垃圾焚烧过程的自动燃烧优化决策方法

技术领域

本发明涉及城市固体垃圾焚烧炉优化决策技术领域，更具体来说，本发明是一种垃圾焚烧过程的自动燃烧实时优化决策方法。

背景技术

近年来，随着我国城市化进程不断加快，城市生活垃圾产量激增，而无害化处理能力却仍然不足。国家***在城市生活垃圾焚烧处理工作意见中，肯定和提升了生活垃圾焚烧处理的作用与地位。城市固体垃圾焚烧处理技术在发达国家和地区得到广泛应用，我国目前的垃圾焚烧处理技术及装备日趋成熟，已成为城市生活垃圾处理的重要方式。因此，本发明的研究成果具有广阔的应用前景。

垃圾焚烧过程中，垃圾的稳定燃烧是保证焚烧经济效益最大且环境影响最小的前提。因此，在保证垃圾稳定燃烧的前提下，实现焚烧过程关键被控变量的优化决策具有重要的现实意义。由于垃圾焚烧过程具有干扰多、强耦合、非线性及大惯性等特征，炉内进料器速度及炉排速度的优化设定不易掌握，一般是由人工经验给出，带有主观随意性，难以根据生产工况变化及时准确设定，造成这些工艺指标波动范围很大，难以控制在工艺规定的范围内，并使生产指标达标。因此，传统的控制方法难以实现稳定、准确控制。

目前，焚烧炉内进料器速度及炉排速度的优化决策模型主要包括机理建模和数据驱动建模。由于垃圾焚烧过程具有复杂特性，导致机理模型难以建立。而基于数据驱动的建模方法借助人工智能技术通过采集和目标变量相关的、容易在线监测的数据实现对目标的预测，成为优化决策领域的一个研究热点。这种建模方法主要有人工神经网络、支持向量机、多元线性回归法等。利用神经网络建模时，缺少确定隐层及节点数目的有效方法；支持向量机建模方法对于大数据集合，训练速度慢，因此，导致这些方法的应用效果不佳。基于神经网络的建模方法，需要大量的有足够代表性的样本，隐层层数及神经元个数的确定依赖经验，且收敛速度慢，容易陷入局部最小；支持向量机建模方法针对小样本数据有很好的效果，但是对于大样本数据训练时间长，缺乏自学习的能力，参数的选择具有不确定性；多元线性回归法对于特征变量的选择是一个难题。因此，导致这些优化决策方法的应用效果不佳。

案例推理作为人工智能领域一种问题求解与机器学习方法，它以求解效率高和增量式学习性能强等特点得到了广泛应用。因此，本发明利用案例推理的这一优势，着重从案例检索方法入手，对进料器速度和炉排速度进行建模实现实时优化决策。

发明内容

针对上述问题，本发明提供一种垃圾焚烧过程的自动燃烧实时优化决策方法，可通过关键被控变量(进料器速度和炉排速度)的优化决策，使自动燃烧控制***运行在理想范围内。

为达到上述目的，本发明采用如下技术方案：

一种垃圾焚烧过程的自动燃烧实时优化决策方法，其特征在于包括以下步骤：(1)根据焚烧过程的历史数据建立决策案例库；(2)构建训练模式池；(3)根据学***均值，从而得到目标案例解(进料器速度和炉排速度)的决策值并输出到焚烧过程控制***；(6)重复上述的步骤(4)～步骤(5)，以实现焚烧过程的自动燃烧实时优化决策过程。进一步具体包括如下步骤：

(1)根据焚烧过程的历史数据建立决策案例库；详细过程如下：

将7个特征变量x₁～x₇(干燥段风量x₁、燃烧1段炉排空气流量x₂、燃烧2段炉排空气流量 x₃、锅炉出口主蒸汽流量x₄、一次风量x₅、一次燃烧室温度x₆、一次风机出口空气压力x₇)的历史数据与相应的进料器速度y₁和炉排速度y₂表示成特征向量形式，形成p条源案例，存储于决策案例库中。记每条源案例为C_k，可表示为如下形式：

C_k＝(X_k；Y_k),k＝1,2,…,p (1)

其中，p是源案例总数；Y_k是第k条源案例C_k中的进料器速度及炉排速度值；X_k是第k条源案例的问题描述，X_k、Y_k可表示为：

其中，x_λ,k(λ＝1,…,7)表示C_k中第λ个特征变量值；y_1,k、y_2,k分别表示进料器速度和炉排速度值； (2)构建训练模式池；对于式(2)中的问题描述X_k(k＝1,2,...,p)，其中的每一个输入属性都有一个[0,1]区间内的实值数据。任意两个问题描述X_i和X_j之间的相似度可以由[0,1]之间的一个实数来衡量，例如，当i≠j时，X_i和X_j之间相似度高时取一个较大实数，否则取一个较小的实数。为了使用随机配置网络建立相似度模型，定义模式池D如下：

D＝{(x',x”,δ(x',x”))|(x',x”)∈X_i×X_j,i,j＝1,...,p} (3)

其中，×表示笛卡尔积，可将任意两个问题描述X_i和X_j之进行组合得到(x',x”)；δ(x',x”)表示狄利克雷符号函数，当x'和x”完全相似时其值为0，否则为1。根据式(3)的定义，可以从案例库中存储的源案例构建出模式池D；

(3)根据学习型伪度量准则训练随机配置网络从而获得随机配置网络检索模型；学习型伪度量就是通过学习技术，比如随机配置网络去实现x'和x”相似程度的伪度量。对于相似案例的检索来说，采用一个标准的随机配置网络(具有一个隐含层)进行处理时，网络的输出正好等于0 或1几乎是不可能的，因而，采用以下学习型伪度量准则判断网络的性能；

(A1)Y_NN(x',x”)＜ε₁，当x'和x”相似；

(A2)Y_NN(x',x”)≥ε₂，当x'和x”不相似；

(A3)|Y_NN(x',x”)-Y_NN(x”,x')|≤ε₃，对任意的x'和x”；

(A4)Y_NN(x',x”')≤Y_NN(x',x”)+Y_NN(x”,x”')，对任意的x”'，x'和x”不相似；

其中，x',x”和x”'表示由式(3)得到的问题描述；Y_NN(x',x”)是随机配置网络的输出，表示x'和x”之间的相似程度；ε₁,ε₂,ε₃是常数，一般来说ε₁＝ε₃，取值为0.2-0.3，ε₂取值为0.7-0.8；

利用随机配置网络首先要考虑网络的结构选择，即输入层和输出层的节点个数及隐含层神经元个数的选择。任意给定0＜r＜1和一个非负的实数序列{μ_L}，使μ_L≤(1-r)。对于L＝1,2…，记作：

其中，m为隐含层神经元的个数；δ_L,q为任意给定的L个隐含层神经元范围上的第q个神经元的值；||·||表示矩阵范数；e_L-1,q为L-1个隐含层神经元范围上的第q个神经元的偏差；如果在隐含层神经元的个数的选择中随机的基本函数g_L满足以下不等式：

其中，g_L为随机的基本函数(满足或者)；任意偏置(正实数域)；则随机配置网络的输出表示为：

其中，任意函数f＝[f₁,f₂,...,f_m]:(实数域d→m)，满足

输出矩阵[β₁,β₂,...,β_L]为穆尔彭罗斯广义逆矩阵；

根据学习型伪度量准则训练随机配置网络的过程，就是将模式池中产生的训练样本输入随机配置网络模型并按步骤(4)～步骤(6)进行训练的过程。模型的终止条件可以在训练集和测试集上观察是否以较高比例满足上述任一度量准则(A1-A4)，比如α％(α∈(0,100])，此时，就可以将Y_NN(x,y)用于案例检索过程；

(4)将目标案例输入至随机配置网络检索模型得到K个相似案例的解；将目标案例的问题描述X_p+1与源案例的问题描述X_k(k＝1,2,…,p)组成p个输入对，即：

D_k:<X_p+1；X_k>,k＝1,2,…p (7)

再利用学习型伪度量准则训练输出p个Y_NN(X_p+1,X_k)，根据上述的度量准则A1，可以统计出与X_p+1相似的源案例个数，假设为K个；

(5)通过案例重用求取K个相似案例解Y₁～Y_K的平均值，从而得到目标案例解(进料器速度Y_1,p+1和炉排速度Y_2,p+1)的决策值，并输出到焚烧过程控制***；

(6)重复上述的步骤(4)～步骤(5)，以实现焚烧过程的自动燃烧实时优化决策过程。

本发明与现有技术相比，具有以下优点：1、本发明利用垃圾焚烧过程中产生的历史数据，采用案例推理方法建立了优化决策模型，所需时间较短，有利于实时应用；2、避免了专家经验进行优化决策的主观性；3、采用基于随机配置网络的学习型伪度量模型进行案例检索有利于避免权重分配和距离陷阱的难题，使得进料器速度和炉排速度的决策值符合焚烧过程运行优化的要求。

附图说明

图1为本发明自动燃烧实时优化决策方法原理图；

具体实施方式

样本数据来自某垃圾焚烧处理厂燃烧过程中产生的1000组数据，下面结合图1对本发明的具体实施方式做进一步说明。

一种垃圾焚烧过程的自动燃烧实时优化决策方法，其特征在于包括以下步骤：

(1)根据焚烧过程的历史数据建立决策案例库；详细过程如下：

将7个特征变量x₁～x₇(分别是干燥段风量x₁(Nm³/h)、燃烧1段炉排空气流量x₂(Nm³/h)、燃烧2段炉排空气流量x₃(Nm³/h)、锅炉出口主蒸汽流量x₄(t/h)、一次风量x₅(Nm³/h)、一次燃烧室温度x₆(℃)、一次风机出口空气压力x₇(KPa))的历史数据与相应的决策属性，即进料器速度y₁(cm/min)和炉排速度y₂(cm/min)表示成特征向量形式，形成1000条源案例，存储于决策案例库中。记每条源案例为C_k，可表示为如下形式：

C_k＝(X_k；Y_k),k＝1,2,…,1000 (1)

其中，1000是源案例总数；Y_k是第k条源案例C_k中的进料器速度及炉排速度值；X_k是第k 条源案例的问题描述，X_k、Y_k可表示为：

其中，x_λ,k(λ＝1,…,7)表示C_k中第λ个特征变量值；y_1,k、y_2,k分别表示进料器速度和炉排速度值；

(2)构建训练模式池；对于式(2)中的问题描述X_k(k＝1,2,...,1000)，其中的每一个输入属性都有一个[0,1]区间内的实值数据。任意两个问题描述X_i和X_j之间的相似度可以由[0,1] 之间的一个实数来衡量，例如，当i≠j时，X_i和X_j之间相似度高时取一个较大实数，否则取一个较小的实数。为了使用随机配置网络建立相似度模型，定义模式池D如下:

D＝{(x',x”,δ(x',x”))|(x',x”)∈X_i×X_j,i,j＝1,…,1000} (3)

其中，×表示笛卡尔积，可将任意两个问题描述X_i和X_j之进行组合得到(x',x”)；δ(x',x”)表示狄利克雷符号函数，当x'和x”完全相似时其值为0，否则为1。根据式(3)的定义，可以从案例库中存储的源案例构建出模式池D；

(3)根据学习型伪度量准则训练随机配置网络从而获得随机配置网络检索模型；学习型伪度量就是通过学习技术，比如随机配置网络去实现x'和x”相似程度的伪度量。对于相似案例的检索来说，采用一个标准的随机配置网络(具有一个隐含层)进行处理时，网络的输出正好等于0或1几乎是不可能的，因而，采用以下学习型伪度量准则判断网络的性能；

(A1)Y_NN(x',x”)＜ε₁，当x'和x”相似；

(A2)Y_NN(x',x”)≥ε₂，当x'和x”不相似；

(A3)|Y_NN(x',x”)-Y_NN(x”,x')|≤ε₃，对任意的x'和x”；

(A4)Y_NN(x',x”')≤Y_NN(x',x”)+Y_NN(x”,x”')，对任意的x”'，x'和x”不相似；

其中，x',x”和x”'表示由式(3)得到的问题描述；Y_NN(x',x”)是随机配置网络的输出，表示x'和x”之间的相似程度；ε₁,ε₂,ε₃是常数，一般来说ε₁＝ε₃，取值为0.2-0.3，ε₂取值为0.7-0.8；

利用随机配置网络首先要考虑网络的结构选择，即输入层和输出层的节点个数及隐含层神经元个数的选择。任意给定0＜r＜1和一个非负的实数序列{μ_L}，使μ_L≤(1-r)。对于L＝1,2…，记作：

其中，m为隐含层神经元的个数；δ_L,q为任意给定的L个隐含层神经元范围上的第q个神经元的值；||·||表示矩阵范数；e_L-1,_q为L-1个隐含层神经元范围上的第q个神经元的偏差；如果在隐含层神经元的个数的选择中随机的基本函数g_L满足以下不等式：

其中，g_L为随机的基本函数(满足或者)；任意偏置(正实数域)；则随机配置网络的输出表示为：

其中，任意函数f＝[f₁,f₂,...,f_m]:(实数域d→m)，满足

输出矩阵[β₁,β₂,...,β_L]为穆尔彭罗斯广义逆矩阵；

根据学习型伪度量准则训练随机配置网络的过程，就是将模式池中产生的训练样本输入随机配置网络模型并按步骤(4)～步骤(6)进行训练的过程。模型的终止条件可以在训练集和测试集上观察是否以较高比例满足上述任一度量准则(A1-A4)，比如α％＝80％，此时，就可以将 Y_NN(x,y)用于案例检索过程；

(4)将目标案例输入至随机配置网络检索模型得到K个相似案例的解；将目标案例的问题描述X_p+1与源案例的问题描述X_k(k＝1,2,…,1000)组成1000个输入对，即：

D_k:<X_p+1；X_k>,k＝1,2,…1000 (7) 再利用学习型伪度量准则训练输出1000个Y_NN(X_p+1,X_k)，根据上述的度量准则A1，可以统计出与X_p+1相似的源案例个数，假设为K个；

(5)通过案例重用求取K个相似案例解Y₁～Y_K的平均值，从而得到目标案例解(进料器速度Y_1,p+1和炉排速度Y_2,p+1)的决策值，并输出到焚烧过程控制***；

(6)重复上述的步骤(4)～步骤(5)，以实现焚烧过程的自动燃烧实时优化决策过程。

以往的垃圾焚烧过程优化控制完全是由操作人员凭人工经验进行，操作频繁，劳动强度大，且一旦操作不当会影响生产指标，造成较大经济损失。采用垃圾焚烧过程的自动燃烧实时优化决策方法，优化决策模型能代替操作员对设定值进行在线优化决策，实现稳定控制。优化决策模型能在线实时输出进料器速度和炉排速度的决策值，进料器速度的拟合误差为 4.5％，炉排速度的拟合误差为4.3％，达到了较为理想的效果。

Claims (2)

1.一种垃圾焚烧过程的自动燃烧实时优化决策方法，其特征在于，包括以下步骤：(1)根据焚烧过程的历史数据建立决策案例库；(2)构建训练模式池；(3)根据学***均值，从而得到目标案例解(进料器速度和炉排速度)的决策值并输出到焚烧过程控制***；(6)重复上述的步骤(4)～步骤(5)，以实现焚烧过程的自动燃烧实时优化决策过程。

2.按照权利要求1所述的一种垃圾焚烧过程的自动燃烧实时优化决策方法，其特征在于，具体包括如下步骤：

(1)根据焚烧过程的历史数据建立决策案例库；详细过程如下：

将7个特征变量x₁～x₇(干燥段风量x₁、燃烧1段炉排空气流量x₂、燃烧2段炉排空气流量x₃、锅炉出口主蒸汽流量x₄、一次风量x₅、一次燃烧室温度x₆、一次风机出口空气压力x₇)的历史数据与相应的进料器速度y₁和炉排速度y₂表示成特征向量形式，形成p条源案例，存储于决策案例库中。记每条源案例为C_k，可表示为如下形式：

C_k＝(X_k；Y_k),k＝1,2,…,p (1)

其中，p是源案例总数；Y_k是第k条源案例C_k中的进料器速度及炉排速度值；X_k是第k条源案例的问题描述，X_k、Y_k可表示为：

其中，x_λ,k(λ＝1,…,7)表示C_k中第λ个特征变量值；y_1,k、y_2,k分别表示进料器速度和炉排速度值；

(2)构建训练模式池；对于式(2)中的问题描述X_k(k＝1,2,...,p)，其中的每一个输入属性都有一个[0,1]区间内的实值数据。任意两个问题描述X_i和X_j之间的相似度可以由[0,1]之间的一个实数来衡量，例如，当i≠j时，X_i和X_j之间相似度高时取一个较大实数，否则取一个较小的实数。为了使用随机配置网络建立相似度模型，定义模式池D如下：

D＝{(x',x”,δ(x',x”))|(x',x”)∈X_i×X_j,i,j＝1,...,p} (3)

其中，×表示笛卡尔积，可将任意两个问题描述X_i和X_j之进行组合得到(x',x”)；δ(x',x”)表示狄利克雷符号函数，当x'和x”完全相似时其值为0，否则为1。根据式(3)的定义，可以从案例库中存储的源案例构建出模式池D；

(3)根据学习型伪度量准则训练随机配置网络从而获得随机配置网络检索模型；学习型伪度量就是通过学习技术，比如随机配置网络去实现x'和x”相似程度的伪度量。对于相似案例的检索来说，采用一个标准的随机配置网络(具有一个隐含层)进行处理时，网络的输出正好等于0或1几乎是不可能的，因而，采用以下学习型伪度量准则判断网络的性能；

(A1)Y_NN(x',x”)＜ε₁，当x'和x”相似；

(A2)Y_NN(x',x”)≥ε₂，当x'和x”不相似；

(A3)|Y_NN(x',x”)-Y_NN(x”,x')|≤ε₃，对任意的x'和x”；

(A4)Y_NN(x',x”')≤Y_NN(x',x”)+Y_NN(x”,x”')，对任意的x”'，x'和x”不相似；

其中，x',x”和x”'表示由式(3)得到的问题描述；Y_NN(x',x”)是随机配置网络的输出，表示x'和x”之间的相似程度；ε₁,ε₂,ε₃是常数，一般来说ε₁＝ε₃，取值为0.2-0.3，ε₂取值为0.7-0.8；

利用随机配置网络首先要考虑网络的结构选择，即输入层和输出层的节点个数及隐含层神经元个数的选择。任意给定0＜r＜1和一个非负的实数序列{μ_L}，使μ_L≤(1-r)。对于L＝1,2…，记作：

其中，m为隐含层神经元的个数；δ_L,q为任意给定的L个隐含层神经元范围上的第q个神经元的值；||.||表示矩阵范数；e_L-1，q为L-1个隐含层神经元范围上的第q个神经元的偏差；如果在隐含层神经元的个数的选择中随机的基本函数g_L满足以下不等式：

其中，g_L为随机的基本函数(满足或者)；任意偏置(正实数域)；则随机配置网络的输出表示为：

其中，任意函数f＝[f₁,f₂,...,f_m]:(实数域d→m)，满足

输出矩阵[β₁,β₂,...,β_L]为穆尔彭罗斯广义逆矩阵；

根据学习型伪度量准则训练随机配置网络的过程，就是将模式池中产生的训练样本输入随机配置网络模型并按步骤(4)～步骤(6)进行训练的过程。模型的终止条件可以在训练集和测试集上观察是否以较高比例满足上述任一度量准则(A1-A4)，比如α％(α∈(0,100])，此时，就可以将Y_NN(x,y)用于案例检索过程；

(4)将目标案例输入至随机配置网络检索模型得到K个相似案例的解；将目标案例的问题描述X_p+1与源案例的问题描述X_k(k＝1,2,…,p)组成p个输入对，即：

D_k:＜X_p+1；X_k＞,k＝1,2,…p (7)

再利用学习型伪度量准则训练输出p个Y_NN(X_p+1,X_k)，根据上述的度量准则A1，可以统计出与X_p+1相似的源案例个数，假设为K个；

(5)通过案例重用求取K个相似案例解Y₁～Y_K的平均值，从而得到目标案例解(进料器速度Y_1,p+1和炉排速度Y_2,p+1)的决策值，并输出到焚烧过程控制***；

(6)重复上述的步骤(4)～步骤(5)，以实现焚烧过程的自动燃烧实时优化决策过程。