CN115329659B - 废物焚烧炉二噁英排放实时预警及智能控制的方法及*** - Google Patents

废物焚烧炉二噁英排放实时预警及智能控制的方法及*** Download PDF

Info

Publication number
CN115329659B
CN115329659B CN202210845636.0A CN202210845636A CN115329659B CN 115329659 B CN115329659 B CN 115329659B CN 202210845636 A CN202210845636 A CN 202210845636A CN 115329659 B CN115329659 B CN 115329659B
Authority
CN
China
Prior art keywords
dioxin
emission
flue gas
prediction
model
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
Application number
CN202210845636.0A
Other languages
English (en)
Other versions
CN115329659A (zh
Inventor
林晓青
温朝军
余泓
吴昂键
张�浩
李晓东
严建华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210845636.0A priority Critical patent/CN115329659B/zh
Publication of CN115329659A publication Critical patent/CN115329659A/zh
Application granted granted Critical
Publication of CN115329659B publication Critical patent/CN115329659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • F23G5/50—Control or safety arrangements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N3/00—Regulating air supply or draught
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geometry (AREA)
  • Toxicology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Incineration Of Waste (AREA)

Abstract

本发明涉及二噁英控制技术，旨在提供一种废物焚烧炉二噁英排放实时预警及智能控制的方法及***。包括：构建LSTM‑ARIMA融合预测模型，利用二噁英在线检测装置获取的废物焚烧炉烟气中二噁英历史数据作为融合预测模型的输入；将二噁英在线检测装置实时获取的废物焚烧炉排放数据作为融合预测模型的输入，经融合计算后输出预测结果，该预测结果是在设定时间段之后的折算为三氯苯浓度的二噁英排放数据；将预测结果与预设指标进行比对，如超出预设指标范围，则发出二噁英超标预警。本发明基于二噁英浓度的***实现二噁英排放超标预警，解决了废物焚烧二噁英检测的滞后性问题，有效预防二噁英排放超标现象；能够实现与废物焚烧炉运行控制***的关联控制。

Description

废物焚烧炉二噁英排放实时预警及智能控制的方法及***
技术领域
本申请涉及二噁英控制技术，更具体地说，涉及一种废物焚烧炉二噁英排放实时预警及智能控制的方法及***。
背景技术
废物焚烧处理技术由于具有减容减量快等优势，是最有效的处置方式。但废物焚烧容易产生二噁英类持久性有机污染物，二噁英具有强烈的致癌、致畸作用，会毒害生殖***、免疫***和内分泌***。
现有二噁英控制方法具有严重滞后性，二噁英排放检测以“离线采样-实验室分析检测”为主，检测周期长达至少一周，检测数据与运行参数时域性无法匹配，缺乏实时预警价值，在异常工况下难以快速反馈与调整。浙江大学开发了一种焚烧烟气二噁英在线快速检测的方法(专利号：ZL200510023260.1)，约15分钟即可获得烟气二噁英排放数据，是目前世界最快的二噁英检测方法，但废物焚烧前端到烟气排放末端存在多道工艺及烟气处理设备，从获取检测数据到反馈控制仍存在一段控制真空期，期间二噁英排放超标时仍无法有效控制。如能基于该二噁英在线快速检测数据开发二噁英实时预警技术，对二噁英排放超标进行实时预警，将有效预防控制真空期的出现，减少二噁英超标现象的产生。
除此之外，二噁英的生成与排放受多种因素的影响，包括物料种类、燃烧充分度、烟道积灰、氧量、活性炭吸附能力、粉尘颗粒、氯化氢浓度等，二噁英低排放控制需要燃烧、清灰、除尘、在线检测等多个环节的相互耦合实施。但传统控制技术下，运行人员只能根据运行经验对污染物超标等异常工况进行调整，过于依赖运行人员的操作水平，且不同运行人员操作水平参差不齐，运行工况波动大，影响工况稳定性、污染物排放及运行效率。同时由于影响二噁英生成的因素众多，传统控制技术控制目标均以污染物控制为目的，难以考虑经济性、稳定性等其他目标。
如能基于二噁英预测数据和运行工况监测数据开发多目标优化控制技术，将经济性、环境评估效益等指标融入控制过程，将有效提高企业的运行控制水平。
发明内容
本发明要解决的技术问题是，克服现有技术中的不足，提供一种废物焚烧炉二噁英排放实时预警及智能控制***
为解决技术问题，本发明的解决方案是：
提供一种废物焚烧炉二噁英排放实时预警的方法，包括以下步骤：
(1)以LSTM(长短期记忆神经网络)模型和ARIMA(自回归移动平均)模型为基础构建LSTM-ARIMA融合预测模型；其中，LSTM模型和ARIMA模型的输出结果均是折算为三氯苯浓度的二噁英排放数据；两个模型的融合的方式为，对两模型预测结果分别取权重系数0.5再进行加和；
(2)利用二噁英在线检测装置获取的废物焚烧炉烟气中二噁英历史数据作为融合预测模型的输入；其中，LSTM模型的输入变量为包括：前5小时的第一通道出口烟气平均温度、二次风总风量、一次风总风量、一次风压力、烟气流量和折算为三氯苯浓度的二噁英排放数据；ARIMA模型的输入变量包括：前5小时的第一通道出口烟气平均温、二次风总风量、一次风总风量、一次风压力、烟气流量；
(3)将二噁英在线检测装置实时获取的废物焚烧炉排放的烟气中二噁英检测值和烟气平均温度、风量、风压和烟气流量数据作为LSTM-ARIMA融合预测模型的输入，经融合计算后输出预测结果，该预测结果是在设定时间段之后的(如1小时)折算为三氯苯浓度的二噁英排放数据；
(4)将预测结果与预设指标进行比对，如超出预设指标范围，则发出二噁英超标预警。
作为本发明的优选方案，所述LSTM模型采用1*LSTM+1*Dense架构，LSTM层神经元数量为150，激活函数选用Relu函数；Dense全连接层神经元数量为1；各层参数采用RandomNormal函数初始化，随机种子seed为6；输入层的输入时间步长为5，输出层的预测步长为1；所述ARIMA模型参数中的自回归项数p、差分次数d、滑动平均项数q分别为1、2、1，预测步长为1。
本发明进一步提供了一种废物焚烧炉二噁英排放智能控制方法，包括以下步骤：
(1)基于焚烧炉运行成本计算的经济性目标和基于二噁英预测排放数据计算的环境效益目标，根据下式构建多目标优化函数F(x)，优化目标为最小化函数F(x)：
min F(x)＝[f1(x)，f2(x)]
式中，f1(x)为根据焚烧炉运行成本计算得到的经济性目标函数，f2(x)为根据二噁英预测排放数据计算得到的环境效益目标函数；所述二噁英预测排放数据是指前述方法的步骤(3)中融合预测模型输出的预测结果；
(2)设置多目标优化函数中的各控制变量的约束条件，然后对多目标优化函数进行求解，以获得用于对废物焚烧炉进行智能控制的运行参数最佳控制状态点；
(3)利用运行参数最佳控制状态点的数据，通过自动控制模式或辅助控制模式对废物焚烧炉的预处理控制***、焚烧控制***、烟气净化控制***的工况进行调节，使其在运行于最佳工况的同时保持排放的二噁英浓度在规定范围内。
作为本发明的优选方案，所述步骤(1)中，根据下式计算焚烧炉的运行成本：
Figure BDA0003751560240000031
式中：n为可控制变量总数，可控变量包括给料、一次风、二次风、给水和活性炭的用量，以及布袋压差；
θi为第i个可控变量的单位成本；其中，给料量单位成本(元/kg)根据抓吊机功率/电价计算得到，风量单位成本(元/m3)为风机实时功率×风机规格/电价计算得到，水量单位成本(元/m3)为(用水单价+给水水泵实时功率×水泵规格/电价)计算得到，活性炭单位成本由购买价格(元/kg)得到，布袋压差单位成本(元/pa)为更换布袋成本/(布袋允许最大压差-设计压差)；
xi为第i个可控变量实时监测值，包括给料量(kg/min)、一次风量(m3/h)、二次风量(m3/h)、给水量(m3/h)、活性炭使用量(kg)和布袋压差pa。
作为本发明的优选方案，所述步骤(1)中，根据下式计算二噁英的预测排放量：
Figure BDA0003751560240000032
式中：
ki为第i个可控变量对二噁英浓度的影响系数，用于表征可控变量xi对二噁英调节能力；该数值是经验系数，取值范围在0～1；
λ为二噁英超标预警输入，当超标预警时为1，否则为0；
Figure BDA0003751560240000033
为第i个可控变量的与二噁英排放浓度的回归函数，通过对变量及二噁英排放浓度的历史数据进行多元回归拟合得到，或通过实验仿真模拟得出。
作为本发明的优选方案，所述步骤(2)中，对多目标优化函数进行求解时，应用NSGA或PSO智能算法求得函数的多组Pareto解集。
作为本发明的优选方案，各控制变量xi的约束条件包括：最低给料量；一次风、二次风的最大风量与最小风量；一次风与二次风的比例；活性炭最大投入量。
本发明还提供了一种废物焚烧炉二噁英排放实时预警及智能控制***，包括用于废物焚烧炉运行控制的预处理控制***、焚烧控制***和烟气净化控制***；还包括：
二噁英在线检测装置，设于废物焚烧炉烟道的最末端位置(如烟囱入口处)，用于实时获取的废物焚烧炉排放烟气中的二噁英含量；
二噁英排放值预测模块，用于执行权利要求1所述LSTM-ARIMA融合预测模型的融合计算并输出预测结果；
二噁英排放预警模块，用于将融合预测模型的预测结果与预设指标进行比对，并根据比对结果发出二噁英超标预警；
二噁英排放智能控制模块，用于执行权利要求3所述废物焚烧炉二噁英排放智能控制方法，对所述预处理控制***、焚烧控制***和烟气净化控制***发出控制信号或操作动作提示。
与现有技术相比，本发明的有益效果在于：
1、本发明利用二噁英在线监测装置和LSTM-ARIMA融合预测模型，基于二噁英浓度的***实现二噁英排放超标预警，解决了废物焚烧二噁英检测的滞后性问题，有效预防二噁英排放超标现象的出现。
2、本发明基于二噁英排放超标预警实现了二噁英排放智能控制与用于废物焚烧炉运行控制的预处理控制***、焚烧控制***和烟气净化控制***的关联控制。在保证稳定运行同时考虑经济性、环境效益等因素，技术可传播性高，降低了焚烧控制对运行人员的依赖度，提高企业经济性。
附图说明
图1为本发明中废物焚烧炉二噁英排放实时预警及智能控制***的结构框图。
图2为本发明实施例中二噁英实时预警模块的结构框图；
图3为本发明实施例中二噁英智能控制模块的结构框图；
图4为本发明实施例中二噁英智能控制模块逻辑图；
图5为本发明实施例中LSTM1+ARIMA2预测模型结构图；
图6为本发明实施例中LSTM1模型与LSTM2模型训练时损失函数变化；
图7为本发明实施例中LSTM1模型、ARIMA2模型、LSTM1+ARIMA2模型在测试集上的预测拟合曲线。
图8为本发明实施例中训练模型时LSTM模型的输入数据结构图。
图9为本发明实施例中训练模型时ARIMA模型的输入数据结构图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步的详细描述。显然，所述实施例仅是本发明最基础的实施例，而不是全部实施例。基于本发明的其他实施例，均属于本发明保护的范围。
本发明提供的废物焚烧炉二噁英排放实时预警的方法，包括以下步骤：
(1)以LSTM模型和ARIMA模型为基础构建LSTM-ARIMA融合预测模型。其中，LSTM模型和ARIMA模型的输出结果均是折算为三氯苯浓度的二噁英排放数据；两个模型的融合的方式为，对两模型预测结果分别取权重系数0.5再进行加和；
所述LSTM模型采用1*LSTM+1*Dense架构，LSTM层神经元数量为150，激活函数选用Relu函数；Dense全连接层神经元数量为1；各层参数采用RandomNormal函数初始化，随机种子seed为6；输入层的输入时间步长为5，输出层的预测步长为1；所述ARIMA模型参数中的自回归项数p、差分次数d、滑动平均项数q分别为1、2、1，预测步长为1。
ARIMA模型的输入中包含三氯苯浓度作为输入目标。分别取权重系数后的结果为最终模型的输出，即最终预测的三氯苯浓度浓度。数据输入前经过标准化处理，此处一般会进行对应的逆标准化处理，还原数据真实值，标准化只是数据量纲的变化，不改变数据的信息，故可认为加和后结果即最终预测结果。
(2)利用二噁英在线检测装置获取的废物焚烧炉烟气中二噁英历史数据作为融合预测模型的输入；其中，LSTM模型的输入变量为包括：前5小时的第一通道出口烟气平均温度、二次风总风量、一次风总风量、一次风压力、烟气流量和折算为三氯苯浓度的二噁英排放数据；ARIMA模型的输入变量包括：前5小时的第一通道出口烟气平均温、二次风总风量、一次风总风量、一次风压力、烟气流量；
(3)将二噁英在线检测装置实时获取的废物焚烧炉排放的烟气中二噁英检测值和烟气平均温度、风量、风压和烟气流量数据作为LSTM-ARIMA融合预测模型的输入，经融合计算后输出预测结果，该预测结果是在设定时间段之后的(如1小时)折算为三氯苯浓度的二噁英排放数据；
(4)将预测结果与预设指标进行比对，如超出预设指标范围，则发出二噁英超标预警。
本发明提供的废物焚烧炉二噁英排放智能控制方法，包括以下步骤：
(1)基于焚烧炉运行成本计算的经济性目标和基于二噁英预测排放数据计算的环境效益目标，根据下式构建多目标优化函数F(x)，优化目标为最小化函数F(x)：
min F(x)＝[f1(x)，f2(x)]
式中，f1(x)为根据焚烧炉运行成本计算得到的经济性目标函数，f2(x)为根据二噁英预测排放数据计算得到的环境效益目标函数；所述二噁英预测排放数据是指，权利要求1所述方法步骤(3)中融合预测模型输出的预测结果；
(1.1)根据下式计算焚烧炉的运行成本：
Figure BDA0003751560240000061
式中：n为可控制变量总数，可控变量包括给料、一次风、二次风、给水和活性炭的用量，以及布袋压差；
θi为第i个可控变量的单位成本；其中，给料量单位成本(元/kg)根据抓吊机功率/电价计算得到，风量单位成本(元/m3)为风机实时功率×风机规格/电价计算得到，水量单位成本(元/m3)为(用水单价+给水水泵实时功率×水泵规格/电价)计算得到，活性炭单位成本由购买价格(元/kg)得到，布袋压差单位成本(元/pa)为更换布袋成本/(布袋允许最大压差-设计压差)；
xi为第i个可控变量实时监测值，包括给料量(kg/min)、一次风量(m3/h)、二次风量(m3/h)、给水量(m3/h)、活性炭使用量(kg)和布袋压差pa。
(1.2)根据下式计算二噁英的预测排放量：
Figure BDA0003751560240000062
式中：
ki为第i个可控变量对二噁英浓度的影响系数，用于表征可控变量xi对二噁英调节能力；该数值是经验系数，取值范围在0～1；
λ为二噁英超标预警输入(即预测结果与预设指标进行比对时的输入值)，当超标预警时为1，否则为0；
Figure BDA0003751560240000071
为第i个可控变量的与二噁英排放浓度的回归函数，通过对变量及二噁英排放浓度的历史数据进行多元回归拟合得到，或通过实验仿真模拟得出。
在步骤(1.1)和(1.2)中，各控制变量xi的约束条件包括：最低给料量；一次风、二次风的最大风量与最小风量；一次风与二次风的比例；活性炭最大投入量。
(2)设置多目标优化函数中的各控制变量的约束条件，然后对多目标优化函数进行求解，以获得用于对废物焚烧炉进行智能控制的运行参数最佳控制状态点；对多目标优化函数进行求解时，应用多目标遗传算法(NSGA)或粒子群优化算法(PSO)求得函数的多组有效解(Pareto解)集。
(3)利用运行参数最佳控制状态点的数据，通过自动控制模式或辅助控制模式对废物焚烧炉的预处理控制***、焚烧控制***、烟气净化控制***的工况进行调节，使其在运行于最佳工况的同时保持排放的二噁英浓度在规定范围内。
更为细化的描述如下：
如图1所示，废物焚烧炉二噁英排放实时预警及智能控制***，包括用于废物焚烧炉运行控制的预处理控制***、焚烧控制***和烟气净化控制***；还包括：二噁英在线检测装置，设于废物焚烧炉烟道的最末端位置(如烟囱入口处)，用于实时获取的废物焚烧炉排放烟气中的二噁英含量。二噁英在线检测装置能够利用激光电离结合飞行时间质谱在线检测检测二噁英，可参考已有专利技术(可调谐激光光谱结合飞行时间质谱在线监测二噁英的方法，专利号ZL200510023260.1)。二噁英排放值预测模块，用于根据二噁英历史数据训练LSTM-ARIMA融合预测模型，基于实时监测数据进行融合计算并输出预测结果，实现二噁英排放的***，其结果输出到二噁英排放预警模块。二噁英排放预警模块，用于将融合预测模型的预测结果与预设指标进行比对，并根据比对结果发出二噁英超标预警；二噁英排放智能控制模块，根据预警信息、设备运行数据、燃烧检测数据及二噁英排放数据，构建融入经济性、环境效益的多目标优化函数，根据函数最优解集进行智能调节，最优化控制焚烧炉运行及二噁英排放；对所述预处理控制***、焚烧控制***和烟气净化控制***发出控制信号或操作动作提示。
二噁英排放值预测模块利用了基于对二噁英变量优化处理的LSTM-ARIMA融合预测模型，能够预测设定时间内(如未来1小时)以三氯苯浓度折算二噁英排放浓度，之后将二噁英实时排放数据与预测数据比较，校验优化模型的预测能力。预测模型的特点在于将二噁英数据作为变量训练LSTM(长短期记忆神经网络)模型，而训练ARIMA (自回归移动平均)模型时仅将二噁英数据作为目标值，同时最终融合LSTM与ARIMA 模型的结果，提高预测精度。
LSTM-ARIMA融合预测模型的实现步骤示例为：
(1)分别构建ARIMA预测模型和LSTM预测模型。
LSTM-ARIMA的融合形式多种多样，本发明对模型进行了适应性的修改与创造，结合垃圾焚烧的特点，筛选优化焚烧过程中的数据；通过特征筛选使得数据与模型相互匹配从而达到更好的效果。此外，本发明通过对模型结果分配权重进行融合，实施例中权重为0.5，LSTM模型对时序序列有更好的时序信息抓取能力，而ARIMA模型是传统统计模型，常用于时序序列的趋势预测，两者有一点的互补性，因此融合后预测效果会更好。
(2)将历史数据分别转换为ARIMA模型及LSTM模型所需的输入形式，对模型进行训练。特别的，基于对比实验发现二噁英作为输入变量时能增强LSTM模型的预测能力，但会减弱ARIMA模型的预测效果，因此LSTM模型的输入变量包含历史二噁英数据，ARIMA模型输入变量不包含历史二噁英数据，具体的LSTM模型的输入变量为：前5小时的第一通道出口烟气平均温、二次风总风量、一次风总风量、一次风压力、烟气流量、三氯苯折算浓度，ARIMA模型输入变量为：前5小时的第一通道出口烟气平均温、二次风总风量、一次风总风量、一次风压力、烟气流量。模型的预测目标均为1 小时后三氯苯折算浓度(二噁英数据)。
如图8、9所示，输入数据包含输入变量x和输入目标y这两部分内容。其中，ARIMA模型中二噁英历史数据仅作为输入目标y，用于校验和优化模型的预测能力。训练模型时输入包含目标y，但当应用模型进行预测时输入目标不包含y，而是由模型输出预测的y值。
(3)将实时数据输入完成训练的ARIMA模型和LSTM模型，分别以0.5的权重融合两模型的预测结果(权重可根据模型各自预测效果微调，两模型权重之和等于1)，得到最终预测数据，预测效果根据MSE、MAE指标判断。通过实验发现，与未融合相比，融合后的预测结果的MSE(均方误差)，MAE(平均绝对值误差)均有明显下降。
二噁英排放预警模块将融合预测模型的预测结果与预设指标进行比对，并根据比对结果发出二噁英超标预警。二噁英生成关键性指标包括烟气在850℃以上区域停留时间、末端CO浓度、活性炭使用量等，所述监测值包括二噁英预测浓度、二噁英浓度变化速率、延迟时间等，当二噁英生成关键性指标异常或监测值超标，模块发出二噁英超标预警。所述延迟时间t为预测t min后二噁英浓度将超过标准值。
二噁英生成关键性指标指本领域普遍认同的对二噁英生成有重大影响或关联的因素，可直接通过焚烧厂监测***获取，监测值是基于预测模型对二噁英的预测计算得出，二噁英生成关键性指标与监测值间无关。预测模型只负责预测，预警由预警模块产生，预警模块监控二噁英生成关键性指标并计算监测值，当对应值超过设定值时产生预警。
二噁英排放智能控制模块对预处理控制***、焚烧控制***和烟气净化控制***发出控制信号或操作动作提示。预处理控制***用于监测、控制焚烧炉给料设备正常运行，包括破碎、抓吊、输送、给料等；焚烧控制***用于监测、控制焚烧炉正常运行，包括焚烧炉炉温炉压、烟气流速、一二次风配比、末端CO浓度等；烟气净化控制***用于监测、控制尾部烟气净化设备正常运行，包括布袋除尘、活性炭吸附等。
所述智能控制同时包括自动控制模式与辅助控制模式。所述的自动控制模式用于根据智能控制***指令自动控制设备运行，自动控制预处理控制***、焚烧控制***、烟气净化控制***在最佳工况运行，自动控制预处理控制***、焚烧控制***、烟气净化控制***在最佳工况运行，保持二噁英浓度在要求范围。所述的辅助控制模式用于从预处理控制***、焚烧控制***、烟气净化控制***中选择需手动控制的***，利用智能控制***提供推荐操作方案，其他控制***仍由模块自动控制。本发明针对废物焚烧炉二噁英排放预测与控制困难的难题，实现二噁英浓度的实时预警及智能控制。
智能控制的内容包括异常判断与智能分析决策。其中，异常判断是指通过逻辑运算判断破碎、抓吊、炉温炉压、清灰排渣等是否正常，对处于异常的设备依据设定的逻辑运算进行调整；智能分析决策是指通过对控制目标建立优化函数(包括经济性、可靠性、风险与环境评估等类型目标函数)，特别的，优化函数在构建时融入二噁英预警信息λ，当预测超标时对应函数将显著增大，以应对现有控制的迟滞性；优化函数确定后运用 NSGA(多目标遗传算法)、PSO(粒子群优化算法)等智能优化算法求解控制变量(给料量、一次风量、二次风量、给水量等)的最优值，并传输至处理控制***、焚烧控制***、烟气净化控制***，达到实时智能控制。
所述智能分析决策的步骤包括：
步骤一，构建多目标优化函数，具体包括以下目标函数
(1)经济性目标
焚烧炉的经济性涉及运行成本、垃圾处理量、焚烧发电量等，根据焚烧炉的运行成本计算经济性目标函数f1：
Figure BDA0003751560240000091
式中：
n——可控制变量总数，可控变量包括给料、一次风、二次风、给水、活性炭、布袋压差等；
xi——第i个可控变量实时监测值，包括给料量(kg/min)、一次风量(m3/h)、二次风量(m3/h)、给水量(m3/h)、活性炭使用量(kg)，布袋压差(pa)等；
θi——第i个可控变量的单位成本，如风量单位成本(元/m3)为风机实时功率×风机规格/电价计算得到，给料量单位成本(元/kg)根据抓吊机功率/电价计算得到，水量单位成本(元/m3)为(用水单价+给水水泵实时功率×水泵规格/电价)计算得到，活性炭单位成本由购买价格(元/kg)得到，布袋压差单位成本(元/pa)为更换布袋成本/ (布袋允许最大压差-设计压差)。
(2)环境效益目标
环境效益涉及到多种污染物的排放量，以二噁英预测排放量构建环境效益目标函数 f2：
Figure BDA0003751560240000101
式中：
λ——二噁英超标预警输入，超标预警时为1，否则为0，当超标时，函数值将显著增加；
ki——第i个可控变量对二噁英浓度的影响系数，表征可控变量xi对二噁英调节能力，经验系数，一般取0～1；
Figure BDA0003751560240000102
——第i个可控变量的与二噁英的回归函数，通过对变量及二噁英的历史数据进行多元回归拟合得到，也可通过实验仿真模拟得出。
步骤二，设置各控制变量xi的约束条件，包括最低给料量，一次风、二次风的最大风量与最小风量，一次风与二次风比例，活性炭最大投入量等。
步骤三，多目标优化函数求解，根据构建的多目标优化函数F(x)及其约束条件：
min F(x)＝[f1(x)，f2(x)]
s.t.xi min＜xi＜xi max
0＜x3/x2＜0.5
最终目标为最小化F(x)，应用NSGA、PSO等智能算法求得函数的多组Pareto解集。
以粒子群优化算法(PSO)算法为例，粒子群算法数学描述如下：对于含n个自变量的多目标优化问题，每个粒子j包含为一个n维的位置向量xj和速度向量vj，粒子j 搜索解空间时，保存自身搜索到的最优经历位置pbestj。在每次迭代开始时，粒子根据自身惯性和经验及群体最优经历位置gbest来调整自己的速度向量以调整自身位置，求解过程为：
①设定粒子个数m，随机初始化粒子的速度v与位置x；
②根据目标函数计算每个粒子的适应值，更新第j个粒子个体最优位置pbestj与全局最优极值位置gbest；
③通过公式(1)(2)更新粒子速度v与位置x；
Figure BDA0003751560240000111
Figure BDA0003751560240000112
式中，c1和c2均为加速因子，反映粒子群之间的信息交流，一般情况下均为2；t表示为当前迭代次数；r1和r2为在[0，1]范围内变化的均匀随机数；pbestj表示第j个粒子个体最优极值位置；gbest表示为全局最优极值位置。
④判断是否达到最大迭代次数或全局最优解个数达到设定值，达到则停止迭代，输出最终的最优解集，未到达则重复步骤②。
与单目标优化不同，多目标优化得到的解可能不止一个，最终可根据管理需求(如对风机操作的次数越少越好、风机功率的变化值越小越好等)，或运用多属性决策等方法，筛选出最合适解集
Figure BDA0003751560240000113
Figure BDA0003751560240000114
为智能控制***所决策的第i个变量的最佳状态点。
本发明的具体应用示例：
(一)数据集描述
数据集的内容为某垃圾焚烧厂6月份焚烧数据，共有533个样本，28个特征，每个样本时间间隔为1小时。计算28个特征的person相关系数，融合相关系数大于0.8的特征后得到“第一通道出口烟气平均温、二次风总风量、一次风总风量、一次风压力、烟气流量、三氯苯折算浓度(二噁英数据)”6个特征，本次训练将运用此6个特征进行训练及预测，数据集按照7∶3的比例分为训练集和测试集，同时对数据进行Min-Max 标准化，以去除数据的单位限制，转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。在线二噁英值通过三氯苯折算浓度转化而来，即在线二噁英值＝k ×氯苯折算浓度，其相关系数为1。
(二)模型介绍
ARIMA模型全称为自回归滑动平均模型，ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列，ARIMA是一种较早的预测方法，在许多领域均有应用。
LSTM模型为长短期记忆模型，是循环神经网络(RNN)的一种变体，LSTM模型弥补了RNN的梯度消失和梯度***、长期记忆能力不足等问题，使得循环神经网络能够真正有效地利用长距离的时序信息。LSTM模型在语言建模、语音识别等不同领域的时序数据研究中已有不少成功的应用案例，但在工业预测领域，LSTM模型的应用较少。
模型的应用涉及废物焚烧领域和机器学习领域内容，但行业内相关交叉人员不足，发展迟缓。传统工作人员不能很好的理解机器学习模型的特点，而机器学习相关人员不能很好的理解废物焚烧领域数据的特征及数据间的相关性，无法处理海量的运行数据。本发明结合LSTM和ARIMA的特点(对时序序列预测的有效性)，根据废物焚烧的特点将焚烧数据特征进行筛选处理后，能有效的对二噁英进行预测，特别是二噁英数据作为LSTM模型输入变量而不作为ARIMA模型输入变量对模型预测效果的影响，该举措突破了相关技术人员的常规思维方式。
本次实验应用ARIMA预测模型及LSTM预测模型。作为对比，共构建5种模型，分别为LSTM 1，LSTM2，ARIMA 1，ARIMA 2，LSTM 1+ARIMA2，其中LSTM 1 与LSTM 2以及ARIMA 1与ARIMA 2的架构及模型参数均相同，不同处仅在于是否将二噁英数据作为输入变量。实验中各LSTM模型及ARIMA模型的具体参数如下：
LSTM模型采用1*LSTM+1*Dense架构，LSTM层神经元数量为150，激活函数选用Relu函数；Dense(全连接)层神经元数量为1；各层参数采用RandomNormal函数初始化，随机种子seed为6；输入层的输入时间步长为5(前5小时)，输出层的预测步长为1(后1小时)。
ARIMA模型参数(自回归项数p，差分次数d，滑动平均项数q)分别为(1，2， 1)，预测步长为1。
1、输入数据处理及训练
LSTM 1模型输入数据包含特征：第一通道出口烟气平均温、二次风总风量、一次风总风量、一次风压力、烟气流量、三氯苯折算浓度；每一个训练样本包含5个样本点，即输入时间步长为5；模型训练时优化算法采用Adam算法(适应性动量估计算法)，学习率设置为0.004，采用MSE(均方误差)为损失函数，样本训练迭代次数(epochs) 采用50。
LSTM 2模型输入数据包含特征：第一通道出口烟气平均温、二次风总风量、一次风总风量、一次风压力、烟气流量，其余参数均与LSTM 1模型相同。
ARIMA 1模型输入数据包含特征第一通道出口烟气平均温、二次风总风量、一次风总风量、一次风压力、烟气流量、三氯苯折算浓度，训练集全部样本用于回归分析。
ARIMA 2模型输入数据包含特征第一通道出口烟气平均温、二次风总风量、一次风总风量、一次风压力、烟气流量，训练集全部样本用于回归分析。
LSTM 1+ARIMA 2模型为前述LSTM 1与ARIMA 2模型的融合，即将两模型预测值根据权重进行融合，本实验中两模型的权重均为0.5。
2、结果
训练完成后，将验证集数据用于校验模型效果，结果如表1所示，二噁英数据作为LSTM模型的输入变量时，结果的MSE与MAE指标均有明显下降，说明二噁英数据能很好的提升LSTM模型的预测效果，但对于ARIMA模型效果却相反。特别的，将效果较好的两个模型LSTM 1与ARIMA 2融合后，其预测效果均比原模型要好，因此提出基于特征筛选的LSTM-ARIMA融合预测模型作为预测模型。
表1实验结果
Figure BDA0003751560240000131
本次实验各预测模型参数均已经过局部寻优，实际应用中预测模型的参数不限于本次实验使用参数。
当模型预测精度未达到需求时，重新训练预测模型直至满足需求。然后将实时的二噁英排放数据与预测数据比较，检测并优化模型的预测能力。同时二噁英预测模块将预测数据传至二噁英浓度预警模块，模块提供二噁英实时预测数据接口，可向外传输二噁英浓度预测数据。
如图2所示，二噁英实时预警模块用于对二噁英浓度监测，可设定监测值包括二噁英浓度70pg TEQ/Nm3、二噁英浓度变化速率10pg TEQ/(Nm3×min)、延迟时间10min (所述延迟时间为预测10min后二噁英浓度将超过标准值)，二噁英生成关键性指标异常监测开启(包括烟气在850℃以上区域停留时间、末端CO浓度、活性炭使用量、清灰时间间隔、一二次风风量与风温、布袋完整性、预处理设备工况等)。此时当任何一个监测值超标或关键性指标异常时，实时预警模块发出二噁英超标预警信息，以下为模块预警的三类预警条件：
预警条件1：二噁英生成关键性指标异常，如当监测到末端CO浓度超过80mg/Nm3，其他指标及监测值均正常，此时模块产生预警信息，并输出到智能控制模块。
预警条件2：监测值超标，如预测8min(小于延迟时间10min)后二噁英浓度将超过设定的70pg TEQ/Nm3，其他指标及监测值均正常，此时模块产生预警信息，并输出到智能控制模块。
预警条件3：二噁英生成关键性指标异常且监测值超标，如烟气在850℃以上区域停留时间小于2.5秒且二噁英浓度变化速率大于10pg TEQ/(Nm3×min)，此时模块产生预警信息，并输出到智能控制模块。
3、智能分析决策的具体步骤为：
步骤一，构建多目标优化函数，具体包括以下目标函数
(1)经济性目标
焚烧厂的经济性涉及运行成本、垃圾处理量、焚烧发电量等，根据焚烧炉的运行成本可得经济性目标函数f1：
Figure BDA0003751560240000141
式中：
n——可控制变量总数，可控变量包括一次风、二次风、活性炭等，在本实施例中 n＝6；
xi——第i个可控变量实时监测值，包括给料量、一次风量、二次风量、给水量、活性炭使用量等，本实施例中，x1～x6分别表示炉排速度(m/min)、给料量(kg/min)、、一次风量(m3/h)、二次风量(m3/h)、给水量(m3/h)、活性炭投入量(kg)；
θi——第i个可控变量的单位成本，风量单位成本(元/m3)为风机实时功率×风机规格/电价计算得到，给料量单位成本(元/kg)根据抓吊机功率/电价计算得到。
(2)环境效益目标
环境效益涉及到多种污染物的排放量，以二噁英预测排放量构建环境效益目标函数 f2：
Figure BDA0003751560240000151
式中：
λ——二噁英超标预警输入，超标预警时为1，否则为0；
ki——第i个可控变量对二噁英浓度的调节系数，表征可控变量xi对二噁英调节能力，经验系数，一般取0～1；
Figure BDA0003751560240000152
——第i个可控变量的与二噁英的回归函数，通过对变量及二噁英的历史数据进行多元回归拟合得到，也可通过实验仿真模拟得出。
步骤二，设置各控制变量xi的约束条件，包括炉排速度范围、最低投料量，一次风、二次风的风量范围，一次风与二次风比例等。
步骤三，多目标优化函数求解，根据构建的多目标优化函数及其约束条件：
min F(x)＝[f1(x)，f2(x)]
s.t.xi min＜xi＜xi max
0＜x4/x3＜0.5
应用粒子群优化算法(PSO)算法求解，求解过程为：
①设定粒子个数m，随机初始化粒子的速度v与位置x；
②根据目标函数计算每个粒子的适应值，更新第j个粒子个体最优位置pbestj与全局最优极值位置gbest；
③通过公式(3)(4)更新粒子速度v与位置x；
Figure BDA0003751560240000153
Figure BDA0003751560240000154
式中，c1和c2均为加速因子，反映粒子群之间的信息交流，一般情况下均为2；t表示为当前迭代次数；r1和r2为在[0，1]范围内变化的均匀随机数；pbestj表示第j个粒子个体最优极值位置；gbest表示为全局最优极值位置。
④判断是否达到最大迭代次数或全局最优解个数达到设定值，达到则停止迭代，输出最终的最优解集，未到达则重复步骤②。
与单目标优化不同，多目标优化得到的解可能不止一个，最终可根据管理需求(如对风机操作的次数越少越好、风机功率的变化值越小越好等)，或运用多属性决策等方法，筛选出最合适解集
Figure BDA0003751560240000161
Figure BDA0003751560240000162
为智能控制***所决策的第i个变量的最佳状态点，在本实施例中，/>
Figure BDA0003751560240000163
分别表示当前炉排最佳速度、最佳给料量、最佳一次风量、最佳二次风量、最佳给水量、活性炭最佳投入量。
预处理控制***监测、控制、显示焚烧炉给料设备运行状况，包括：破碎、抓吊、输送、给料设备正常运行等；
焚烧控制***用于监测、控制、显示焚烧炉运行状况，包括：焚烧炉悬浮段内处于负压燃烧状态、烟气在高温区间停留时间超过2秒、尾部烟气CO浓度低于50mg/Nm3、一二次风配比合理、排渣顺畅、无压火现象、尾部烟道及受热面清灰及时等；
烟气净化控制***用于监测、控制、显示尾部烟气净化设备运行状况，包括：布袋完整、布袋入口烟气温度不大于150℃、布袋出口粉尘浓度低于排放值、活性炭品质合格、活性炭下料正常等。
同时二噁英智能控制模块包括自动控制模式与辅助控制模式。自动控制模式下，模块根据智能控制***指令自动控制设备运行，自动控制预处理控制***、焚烧控制***、烟气净化控制***在最佳工况运行，保持二噁英浓度在要求范围。辅助控制模式用于从预处理控制、焚烧控制、烟气净化控制中选择需手动控制的***，利用智能控制***提供推荐操作方案，其他控制***仍由模块自动控制。
显然，本领域的技术人员可以对本发明进行后续的各种应用、补充、改动和变型而不脱离本发明的精神和范围。如果基于本发明的各种应用、补充、改动和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些应用、补充、改动和变型在内。

Claims (8)

1.一种废物焚烧炉二噁英排放实时预警的方法，其特征在于，包括以下步骤：
(1)以LSTM模型和ARIMA模型为基础构建LSTM-ARIMA融合预测模型；其中，LSTM模型和ARIMA模型的输出结果均是折算为三氯苯浓度的二噁英排放数据；两个模型的融合的方式为，对两模型预测结果分别取权重系数0.5再进行加和；
(2)利用二噁英在线检测装置获取的废物焚烧炉烟气中二噁英历史数据作为融合预测模型的输入；其中，LSTM模型的输入变量为包括：前5小时的第一通道出口烟气平均温度、二次风总风量、一次风总风量、一次风压力、烟气流量和折算为三氯苯浓度的二噁英排放数据；ARIMA模型的输入变量包括：前5小时的第一通道出口烟气平均温、二次风总风量、一次风总风量、一次风压力、烟气流量；
(3)将二噁英在线检测装置实时获取的废物焚烧炉排放的烟气中二噁英检测值和烟气平均温度、风量、风压和烟气流量数据作为LSTM-ARIMA融合预测模型的输入，经融合计算后输出预测结果，该预测结果是在设定时间段之后的折算为三氯苯浓度的二噁英排放数据；
(4)将预测结果与预设指标进行比对，如超出预设指标范围，则发出二噁英超标预警。
2.根据权利要求1所述的方法，其特征在于，
所述LSTM模型采用1*LSTM+1*Dense架构，LSTM层神经元数量为150，激活函数选用Relu函数；Dense全连接层神经元数量为1；各层参数采用RandomNormal函数初始化，随机种子seed为6；输入层的输入时间步长为5，输出层的预测步长为1；
所述ARIMA模型参数中的自回归项数p、差分次数d、滑动平均项数q分别为1、2、1，预测步长为1。
3.一种废物焚烧炉二噁英排放智能控制方法，其特征在于，包括以下步骤：
(1)基于焚烧炉运行成本计算的经济性目标和基于二噁英预测排放数据计算的环境效益目标，根据下式构建多目标优化函数F(x)，优化目标为最小化函数F(x)：
min F(x)＝[f1(x)，f2(x)]
式中，f1(x)为根据焚烧炉运行成本计算得到的经济性目标函数，f2(x)为应用二噁英预测排放数据计算得到的环境效益目标函数；所述二噁英预测排放数据是指，权利要求1所述方法步骤(3)中融合预测模型输出的预测结果；
(2)设置多目标优化函数中的各控制变量的约束条件，然后对多目标优化函数进行求解，以获得用于对废物焚烧炉进行智能控制的运行参数最佳控制状态点；
(3)利用运行参数最佳控制状态点的数据，通过自动控制模式或辅助控制模式对废物焚烧炉的预处理控制***、焚烧控制***、烟气净化控制***的工况进行调节，使其在运行于最佳工况的同时保持排放的二噁英浓度在规定范围内。
4.根据权利要求3所述的方法，其特征在于，所述步骤(1)中，根据下式计算焚烧炉的运行成本：
Figure FDA0003751560230000021
式中：n为可控制变量总数，可控变量包括给料、一次风、二次风、给水和活性炭的用量，以及布袋压差；
θi为第i个可控变量的单位成本；其中，给料量单位成本根据抓吊机功率/电价计算得到，风量单位成本为风机实时功率×风机规格/电价计算得到，水量单位成本为(用水单价+给水水泵实时功率×水泵规格/电价)计算得到，活性炭单位成本由购买价格得到，布袋压差单位成本为更换布袋成本/(布袋允许最大压差-设计压差)；
xi为第i个可控变量实时监测值，包括给料量、一次风量、二次风量、给水量、活性炭使用量和布袋压差。
5.根据权利要求3所述的方法，其特征在于，所述步骤(1)中，根据下式计算二噁英的预测排放量：
Figure FDA0003751560230000022
式中：
ki为第i个可控变量对二噁英浓度的影响系数，用于表征可控变量xi对二噁英调节能力；该数值是经验系数，取值范围在0～1；
λ为二噁英超标预警输入，当超标预警时为1，否则为0；
Figure FDA0003751560230000023
为第i个可控变量的与二噁英排放浓度的回归函数，通过对变量及二噁英排放浓度的历史数据进行多元回归拟合得到，或通过实验仿真模拟得出。
6.根据权利要求3所述的方法，其特征在于，所述步骤(2)中，对多目标优化函数进行求解时，应用多目标遗传算法或粒子群优化算法求得函数的多组有效解集。
7.根据权利要求4或5所述的方法，其特征在于，各控制变量xi的约束条件包括：最低给料量；一次风、二次风的最大风量与最小风量；一次风与二次风的比例；活性炭最大投入量。
8.一种废物焚烧炉二噁英排放实时预警及智能控制***，包括用于废物焚烧炉运行控制的预处理控制***、焚烧控制***和烟气净化控制***；其特征在于，还包括：
二噁英在线检测装置，设于废物焚烧炉烟道的最末端位置，用于实时获取的废物焚烧炉排放烟气中的二噁英含量；
二噁英排放值预测模块，用于执行权利要求1所述LSTM-ARIMA融合预测模型的融合计算并输出预测结果；
二噁英排放预警模块，用于将融合预测模型的预测结果与预设指标进行比对，并根据比对结果发出二噁英超标预警；
二噁英排放智能控制模块，用于执行权利要求3所述废物焚烧炉二噁英排放智能控制方法，对所述预处理控制***、焚烧控制***和烟气净化控制***发出控制信号或操作动作提示。
CN202210845636.0A 2022-07-18 2022-07-18 废物焚烧炉二噁英排放实时预警及智能控制的方法及*** Active CN115329659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210845636.0A CN115329659B (zh) 2022-07-18 2022-07-18 废物焚烧炉二噁英排放实时预警及智能控制的方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210845636.0A CN115329659B (zh) 2022-07-18 2022-07-18 废物焚烧炉二噁英排放实时预警及智能控制的方法及***

Publications (2)

Publication Number Publication Date
CN115329659A CN115329659A (zh) 2022-11-11
CN115329659B true CN115329659B (zh) 2023-07-14

Family

ID=83916881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210845636.0A Active CN115329659B (zh) 2022-07-18 2022-07-18 废物焚烧炉二噁英排放实时预警及智能控制的方法及***

Country Status (1)

Country Link
CN (1) CN115329659B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116538521B (zh) * 2023-05-04 2023-10-20 单县龙宇生物科技有限公司 一种基于糠醛渣锅炉烟气排放的适应性规划***

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101357290A (zh) * 2008-09-25 2009-02-04 浙江大学 循环使用含硫抑制剂控制烟气中二恶英排放的方法及***
CN101382288A (zh) * 2008-10-16 2009-03-11 浙江大学 利用煤中硫成分控制生活垃圾焚烧过程二噁英排放的方法
JP2009108451A (ja) * 2007-10-31 2009-05-21 Japan Atomic Energy Agency 防護服着用作業員のための熱中症警告装置
CN101485955A (zh) * 2009-01-15 2009-07-22 浙江大学 一种使用硫铁矿控制焚烧过程中二恶英排放的方法
JP2016059533A (ja) * 2014-09-17 2016-04-25 大成建設株式会社 熱中症警告装置
CN110081440A (zh) * 2019-05-05 2019-08-02 绿色动力环保集团股份有限公司 生活垃圾焚烧中二噁英的在线预测方法及预警和控制***
CN112183709A (zh) * 2020-09-22 2021-01-05 生态环境部华南环境科学研究所 一种垃圾焚烧废气二噁英超标预测预警方法
CN112884203A (zh) * 2021-01-22 2021-06-01 浙江大学 一种基于贝叶斯支持向量回归的二噁英排放在线预测方法
CN113705915A (zh) * 2021-09-01 2021-11-26 沈阳建筑大学 一种基于cnn-lstm-arima组合短期电力负荷预测方法
CN114266461A (zh) * 2021-12-15 2022-04-01 北京工业大学 基于可视化分布gan的mswi过程二噁英排放风险预警方法
CN114546797A (zh) * 2022-01-10 2022-05-27 西安理工大学 基于时序分解的云虚拟机老化预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009108451A (ja) * 2007-10-31 2009-05-21 Japan Atomic Energy Agency 防護服着用作業員のための熱中症警告装置
CN101357290A (zh) * 2008-09-25 2009-02-04 浙江大学 循环使用含硫抑制剂控制烟气中二恶英排放的方法及***
CN101382288A (zh) * 2008-10-16 2009-03-11 浙江大学 利用煤中硫成分控制生活垃圾焚烧过程二噁英排放的方法
CN101485955A (zh) * 2009-01-15 2009-07-22 浙江大学 一种使用硫铁矿控制焚烧过程中二恶英排放的方法
JP2016059533A (ja) * 2014-09-17 2016-04-25 大成建設株式会社 熱中症警告装置
CN110081440A (zh) * 2019-05-05 2019-08-02 绿色动力环保集团股份有限公司 生活垃圾焚烧中二噁英的在线预测方法及预警和控制***
CN112183709A (zh) * 2020-09-22 2021-01-05 生态环境部华南环境科学研究所 一种垃圾焚烧废气二噁英超标预测预警方法
CN112884203A (zh) * 2021-01-22 2021-06-01 浙江大学 一种基于贝叶斯支持向量回归的二噁英排放在线预测方法
CN113705915A (zh) * 2021-09-01 2021-11-26 沈阳建筑大学 一种基于cnn-lstm-arima组合短期电力负荷预测方法
CN114266461A (zh) * 2021-12-15 2022-04-01 北京工业大学 基于可视化分布gan的mswi过程二噁英排放风险预警方法
CN114546797A (zh) * 2022-01-10 2022-05-27 西安理工大学 基于时序分解的云虚拟机老化预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多源信息融合的高炉煤气流分布识别和建模研究;刘文慧;《中国优秀硕士学位论文全文数据库工程科技I辑》(第03期);B023-124 *
废物焚烧炉二恶英硫氨基复合阻滞的研究;林晓青;《中国博士学位论文全文数据库工程科技I辑》(第06期);B027-23 *

Also Published As

Publication number Publication date
CN115329659A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN103064289B (zh) 一种垃圾发电厂多目标运行优化及协调的控制方法及装置
CN113433911B (zh) 基于浓度精准预测的脱硝装置喷氨精准控制***与方法
CN115329659B (zh) 废物焚烧炉二噁英排放实时预警及智能控制的方法及***
Wang et al. Fuzzy modeling of boiler efficiency in power plants
CN115111594B (zh) 一种蓄热式热力氧化炉智能调控***及方法
CN111457392B (zh) 城市生活垃圾焚烧过程风量智能设定方法
Hadizadeh et al. A plant-scale validated MATLAB-based fuzzy expert system to control SAG mill circuits
Sembodo et al. Radial basis network estimator of oxygen content in the flue gas of debutanizer reboiler
He et al. A novel self-organizing TS fuzzy neural network for furnace temperature prediction in MSWI process
Li et al. Neural networks and genetic algorithms can support human supervisory control to reduce fossil fuel power plant emissions
CN109882883B (zh) 一种基于人工智能优化锅炉燃煤效率的方法及装置
Stange Using artificial neural networks for the control of grinding circuits
JP3231745B2 (ja) 火力プラントにおける適応制御方法及び装置
CN110684547A (zh) 一种生物质热解炭化窑优化控制方法
Shen et al. An adaptive fuzzy approach for the incineration temperature control process
CN211526443U (zh) 垃圾焚烧炉的自动燃烧控制***
Ding et al. Event-triggered online learning fuzzy-neural robust control for furnace temperature in municipal solid waste incineration process
Yan et al. Model Prediction and Optimal Control of Gas Oxygen Content for A Municipal Solid Waste Incineration Process
CN114115376B (zh) 基于事件触发的神经网络预测串级温度控制***及其方法
CN115542740B (zh) 基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法
CN118009322B (zh) 一种端边云协同的城市固废焚烧过程炉膛温度控制方法及***
CN117588771A (zh) 一种轧钢加热炉智能燃烧控制***
CN117490076A (zh) 一种城市固废焚烧过程多用途模块化运行优化***
Annunziato et al. A Nature-inspired-Modeling-Optimization-Control system applied to a waste incinerator plant
Pian et al. Hybrid Intelligent Closed-loop Control of Oxygen Content in Flue Gas for MSWI

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