CN101476731A

CN101476731A - 基于垃圾热值软测量的垃圾焚烧控制方法

Info

Publication number: CN101476731A
Application number: CNA2008102207241A
Authority: CN
Inventors: 陆继东; 沈凯; 李春健; 易新建; 姚顺春; 李娉
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2008-12-31
Filing date: 2008-12-31
Publication date: 2009-07-08

Abstract

本发明公开了一种基于垃圾热值软测量的垃圾焚烧控制方法。其步骤是：确定垃圾热值软测量模型的输入参数和输出参数；构建基于小脑神经网络模型的垃圾热值软测量整体模型；将垃圾热值软测量模型嵌入垃圾焚烧发电厂的控制系统，应用控制系统采集的样本数据训练所构建的模型，实现垃圾热值的在线软测量。本发明填补了垃圾焚烧过程中基于运行参数的垃圾热值在线测量的空白，可以得到一定置信度的垃圾热值整体变化趋势，方便操作人员掌握焚烧炉运行过程中垃圾热值的变化情况，并将垃圾热值的监测结果作为垃圾焚烧过程控制系统的一个逻辑判断分支，为运行参数的调整和优化提供依据。

Description

基于垃圾热值软测量的垃圾焚烧控制方法

技术领域

本发明属于燃烧过程监测领域，涉及垃圾焚烧过程中运行参数的控制方法。

背景技术

垃圾热值是影响垃圾焚烧稳定性的一个关键参数。在垃圾焚烧过程中，入炉垃圾热值的变化对燃烧过程的稳定性会产生巨大的影响。由于我国垃圾发电厂的垃圾来源广泛，垃圾的热值变化很大。目前在国际上还没有一种能够在线测量垃圾热值的测量设备应用于生产过程，究其原因主要在于目前对物质热值进行测量的设备均是采用点测量的方法，而垃圾是一种成分复杂多变、热值分布不均匀的物质，用于点测量的垃圾样品并不能代表垃圾的实际热值。

国际上常用的测量垃圾热值的方法包括两大类：实验测量和模型计算。实验测量主要是指采用弹式量热计测量方法，它是一种点测量方法。另一大类就是垃圾热值计算模型。目前主要是基于离线实验分析结果的垃圾热值计算模型，包括基于元素分析结果的垃圾热值计算模型、基于工业分析的垃圾热值计算模型和基于物理组分的垃圾热值计算模型。

上述的三类垃圾热值计算模型用于垃圾焚烧炉垃圾热值的在线监测，存在着以下几点不足：

1)、基于元素分析、工业分析和物理组分的热值计算模型均是以垃圾样品的分析为基础的。垃圾是一种非均匀的燃料，热值分布不均匀，难于得到典型样品，在实验分析中，样品尺寸和取样点的选择将会影响结果的准确性。

2)、目前垃圾元素分析、工业分析和物理组分测试还没有在线实验方法，所以基于实验分析方法的热值计算模型难于用于垃圾热值的在线测量。

对于实际应用的垃圾焚烧DCS控制系统而言，需要的是垃圾热值的整体变化趋势。在焚烧过程中，运行参数会随着垃圾热值的波动而发生变化，所以根据监测参数的变化，有可能对垃圾热值的整体变化做出判断。因此，建立基于在线运行参数的垃圾热值在线测量模型是现实可行的。

发明内容

本发明针对垃圾焚烧过程中垃圾热值难以在线测量的现状，提供了一种基于垃圾热值软测量的垃圾焚烧控制方法，它能够实时预测垃圾热值的整体变化趋势，为控制系统有效调节垃圾焚烧炉燃烧提供依据。

本发明方法包括以下步骤：

(1)在理论分析的基础上，根据垃圾焚烧炉的实际运行情况，总结垃圾热值变化趋势和焚烧炉运行参数之间存在的统计规律，确定可反映垃圾热值变化趋势的主要运行参数，包括给料量B、主蒸汽量D、主蒸汽压力P_m、主蒸汽温度T_m、炉膛烟气温度T_f、一次风量W_f、二次风量W_s，以及烟气空气预热器旁路风压P_g作为垃圾热值软测量模型的输入参数，垃圾热值作为输出参数。

(2)将垃圾热值软测量模型嵌入垃圾焚烧发电厂的控制系统，构建基于小脑神经网络模型的垃圾热值软测量模型，模型的输入参数和输出参数均为已经过模糊化的测量参数。输出垃圾热值的模糊语言集合为：{负大，负中，负小，零，正小，正中，正大}，英文缩写为{NB，NM，NS，O，PS，PM，PB}。

(3)确定基于小脑神经网络模型的垃圾热值软测量模型的结构和算法

基于小脑神经网络模型的垃圾热值软测量模型结构如图2所示。本模型主要应用两个基本映射和一个输出：概念映射和实际映射；输出是垃圾热值。

基于小脑神经网络模型的垃圾热值软测量模型应用的具体算法主要包括概念映射算法、输出算法、学习算法以及学习算法的目标函数四个部分，具体算法流程图如图3所示。

(4)利用现场采集的监测参数，对垃圾热值软测量整体模型进行训练。

在确定好最小方差ε、最大训练次数N、学习参数β、感受野C等神经网络参数的基础上，利用现场采集垃圾焚烧控制系统中的相关数据对模型进行训练，实现垃圾热值的在线软测量。

(5)将得到的垃圾热值在线软测量结果反馈到垃圾焚烧过程控制系统，监测垃圾热值的整体变化趋势，并将垃圾热值作为控制系统的一个逻辑判断分支，为运行参数的调整和优化提供依据。

本发明的有益效果是：它提供了一种基于运行参数的垃圾热值在线软测量方法，无需额外增加测点，直接利用垃圾焚烧电站控制系统的运行参数，就可以实时反映垃圾焚烧过程中垃圾热值的整体变化趋势，为提高垃圾焚烧稳定性提供了有利的依据。

附图说明

图1为本发明实施的流程图。

图2为本发明基于垃圾热值软测量的垃圾焚烧控制方法中的算法结构图。

图3为本发明基于垃圾热值软测量的垃圾焚烧控制方法中的算法。

图4为本发明模型训练样本检验结果图。

图5为热值在线监测结果图。

具体实施方式

下面将结合具体的实例来对本发明的实施作进一步说明，这些实例都是在垃圾焚烧工艺过程中实现的。

基于垃圾热值软测量的垃圾焚烧控制方法，其步骤如下：

步骤1统计分析垃圾热值变化与垃圾焚烧炉主要运行参数之间的规律，确定垃圾热值软测量模型的输入参数和输出参数

在理论分析的基础上，根据垃圾焚烧炉的实际运行情况以及现场工作人员的运行经验，分析垃圾热值整体变化趋势与主要运行参数存在一定的统计规律。比如：垃圾热值稳定时，蒸发量正比于给料量；当垃圾热值变化时，通过控制系统的调整，蒸发量仍然下降时，一般意味着垃圾热值偏低，相反则意味着垃圾热值偏高或者正常；炉膛烟气温度则是垃圾热值变化趋势在监测参数中的直接反映，如果焚烧炉一直维持在较高的焚烧温度上稳定运行，则可说明垃圾热值较高且变化不大；如果焚烧温度波动明显，变化正负波动较大，则可间接表明垃圾热值出现了较明显的波动。因此，确定将给料量B、主蒸汽量D、主蒸汽压力P_m、主蒸汽温度T_m、炉膛烟气温度T_f、一次风量W_f、二次风量W_S，以及烟气空气预热器旁路风压P_g作为模型的输入参数；以垃圾热值作为模型的输出参数。

步骤2构建基于小脑神经网络模型的垃圾热值软测量模型，模型的输入参数和输出参数均为已经过模糊化的测量参数。输出垃圾热值的模糊语言集合为：{负大，负中，负小，零，正小，正中，正大}，英文缩写为{NB，NM，NS，O，PS，PM，PB}。

步骤3确定基于小脑神经网络模型的垃圾热值软测量模型的结构

整个模型结构主要包括两个基本映射和一个输出：一个是概念映射，它的应用主要是将输入空间的输入量映射到概念存储器的各地址段上；一个是实际映射，它的应用主要是将概念存储器各地址存储结果通过哈西编码的方式映射到物理存储器各地址段上；输出就是物理存储器中各相关地址段的权重之和，也就是垃圾热值的模糊等级。

步骤4确定基于小脑神经网络模型的垃圾热值软测量模型的具体算法流程(如图3)，其步骤如下：

(1)确定模型的输入量；

(2)采用欧氏空间的“对角线”元素来处理编码、感受野C以及模糊隶属度μ；

(3)将输入量映射到概念存储器A_c的各地址段，概念映射算法为：

x_{n} = i_{n} Π_{t = 1}^{n - 1} \frac{x_{t}}{C} + Σ_{P = 2}^{n - 1} [\frac{i_{p} - f_{\mod} (i_{n}, C)}{C} Π_{s = 1}^{p - 1} \frac{x_{s}}{C}] + \frac{i_{1} - f_{\mod} (i_{n}, C)}{C}

k＝0，1，……，C-1

n＝1，2，……，N

(4)将概念存储器A_c各地址段的结果通过哈西编码的方式映射到物理存储器A_p各地址段上，这一过程可表示为E_k＝X_nk/(m+1)。

(5)将A_p中相关地址存储的权重进行求和，得到模型输出的热值

F (HV) = Σ_{k = 0}^{C - 1} w_{(E_{K})} μ (k)

(6)确定模型的学习算法为：

Δw (x_{k}) = \frac{β (f_{d} - F (S)) μ (k)}{C}

学习算法的目标函数为：

J (S) = \frac{1}{2} Σ_{n = 1}^{N} {[f_{d} - F (S)]}^{2}

式中：w为权重；μ为隶属函数；β为学习率；f_d为训练样本参数；N为学习样本数量；C为感受野。

(7)判断J(S)是否小于给定最小方差ε，如果J(S)小于给定最小方差ε，学习过程结束；否则学习过程将会继续，直到达到最小方差要求。

步骤5垃圾热值软测量模型的训练

针对性地采集某垃圾焚烧控制系统中的100组运行参数作为训练样本数据并进行预处理。最大训练次数为3000次，最小均方误差为0.003，μ采用高斯函数，学习参数β取0.85，感受野C取9，部分样本见表1。随机提取其中的50组数据作为模型的训练样本，将经过模型计算后输出的热值与样本数据中经经验统计出的已知热值进行比较，如图4所示。图中，仅有两组结果的偏差超过了2个量化等级，符合率达96％，说明该垃圾热值软测量模型在神经网络的结构上和基本训练参数的选择上是可行的。

表1

序号	B/％	D/t/h	P_m/MPa	T_m/℃	T_f/℃	W_f/％	W_s/％	P_g/KPa	HV
序号	B/％	D/t/h	P_m/MPa	T_m/℃	T_f/℃	W_f/％	W_s/％	P_g/KPa	HV	1234...99100	358510060...5065	16.5016.1012.5011.80...13.7011.78	1.531.501.431.45...1.501.35	366357340338...355351	945909856815...880773	45758060...7075	20505043...4550	5.203.923.774.21...3.864.07	PBPMPM0...PMNB

步骤6垃圾热值模糊等级的在线监测与运行参数调整

将确定的垃圾热值软测量模型嵌入到垃圾焚烧过程的控制系统中(如PID控制系统)，实时显示热值的监测结果，并为焚烧过程控制算法提供一个逻辑判断分支，根据入炉垃圾热值的变化趋势，细化控制策略。图5为某垃圾焚烧炉连续7个小时的热值在线监测结果。可以看出，在垃圾焚烧过程中有一个比较明显的大约持续两个小时左右的低热值阶段，该热值预测结果与现场运行操作人员的经验判断一致。此时，将该预测结果反馈到垃圾焚烧控制系统，通过调节给料量和风量等运行参数，维持垃圾焚烧过程的稳定。

Claims

1、一种基于垃圾热值软测量的垃圾焚烧控制方法，其特征在于包括以下步骤：

(1)确定垃圾热值软测量模型所需的输入参数和输出参数，所述输入参数包括给料量B、主蒸汽量D、主蒸汽压力P_m、主蒸汽温度T_m、炉膛烟气温度T_f、一次风量W_f、二次风量W_s和烟气空气预热器旁路风压P_g，输出参数为垃圾热值；

(2)构建基于小脑神经网络模型的垃圾热值软测量模型，垃圾热值软测量模型的所述输入参数和输出参数均为已经过模糊化的测量参数，用基于小脑神经网络模型的垃圾热值软测量模型的结构和算法确定输入参数和输出参数的关系；

(3)将垃圾热值软测量模型嵌入垃圾焚烧发电厂的控制系统，现场采集所述输入参数和输出参数，对垃圾热值软测量模型进行训练，实现垃圾热值的在线软测量；

(4)将得到的垃圾热值在线软测量结果反馈到垃圾焚烧过程控制系统，监测垃圾热值的整体变化趋势，并将垃圾热值作为控制系统的一个逻辑判断分支，为垃圾焚烧运行参数的调整提供依据，实现垃圾焚烧过程的优化控制，所述垃圾焚烧运行参数包括给料量和风量。

2、如权利要求1所述的基于垃圾热值软测量的垃圾焚烧控制方法，其特征在于步骤(2)中模型的输入参数和输出参数均为已经过模糊化的测量参数，输出的垃圾热值采用模糊等级来表示，所述模糊等级包括负大、负中、负小、零、正小、正中和正大。

3、如权利要求1所述的基于垃圾热值软测量的垃圾焚烧控制方法，其特征在于步骤(3)在模型训练学习过程进行之前，首先确定模型的神经网络参数：最小方差ε、最大训练次数N、感受野C以及学习参数β；然后将垃圾焚烧控制系统采集的样本数据应用于模型训练，且在训练过程中利用神经网络的自学习功能，根据焚烧炉的运行工况将样本数据进行逐步更新，提高垃圾热值在线测量的精度。

4、如权利要求1～3任一项所述的基于垃圾热值软测量的垃圾焚烧控制方法，其特征在于步骤(4)中垃圾热值在线软测量模型的输入参数来源于垃圾焚烧过程控制系统的在线运行数据，将在线监测的垃圾热值反馈到垃圾焚烧过程控制系统，使操作人员能够掌握焚烧炉运行过程中垃圾热值的整体变化趋势，并将垃圾热值作为控制系统的一个逻辑判断分支，指导垃圾焚烧过程控制，为运行参数的调整和优化提供依据。