CN110991756A - 基于ts模糊神经网络的mswi炉膛温度预测方法 - Google Patents
基于ts模糊神经网络的mswi炉膛温度预测方法 Download PDFInfo
- Publication number
- CN110991756A CN110991756A CN201911252439.2A CN201911252439A CN110991756A CN 110991756 A CN110991756 A CN 110991756A CN 201911252439 A CN201911252439 A CN 201911252439A CN 110991756 A CN110991756 A CN 110991756A
- Authority
- CN
- China
- Prior art keywords
- layer
- temperature
- input
- output
- network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 239000002910 solid waste Substances 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 22
- 238000010438 heat treatment Methods 0.000 claims description 21
- 238000004056 waste incineration Methods 0.000 claims description 17
- 238000001035 drying Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000003062 neural network model Methods 0.000 abstract description 2
- 239000010813 municipal solid waste Substances 0.000 description 21
- 230000008569 process Effects 0.000 description 17
- 238000002485 combustion reaction Methods 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- KVGZZAHHUNAVKZ-UHFFFAOYSA-N 1,4-Dioxin Chemical compound O1C=COC=C1 KVGZZAHHUNAVKZ-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004939 coking Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000000855 fermentation Methods 0.000 description 2
- 230000004151 fermentation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 150000002013 dioxins Chemical class 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000009270 solid waste treatment Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Automation & Control Theory (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明提供基于TS模糊神经网络的MSWI炉膛温度预测方法。针对炉膛温度难以预测的问题，从数据驱动角度出发提出了基于TS模糊神经网络的炉膛温度预测方法。首先，通过机理分析和现场操作人员的经验总结，选取出影响炉膛温度的相关的特征变量，同时根据相关变量的数据标签提取出现场运行历史数据；其次，利用TS模糊神经网络建立相关变量与炉膛温度之间的非线性模型。最后，对训练得到的TS模糊神经网络模型进行测试，实验结果显示该方法能够对炉膛温度进有效预测，所建立的预测模型能够表征该工况下系统的动态特性，为后续以炉膛温度为主控手段的焚烧系统控制器的设计建立了基础。
Description
技术领域
本发明属于神经网络领域。
背景技术
随着经济发展和人民生活水平的提高，我国固体废物的产量迅速增加。目前，年产量已达到450-500kg/人，并仍以每年8％-10％的速度增长。另一方面，大中小城市的固体废弃物存储量已达到60多亿吨；据统计，我国三分之二以上的城市被固废所围困，80％的城市已无固废填埋场，全国城市生活固废占地面积超过5亿m2。据此推算，现在有超过200多个城市处于固废围城的状态[i]，这给城市周边的环境也带来了巨大压力。因此，如何有效地处理城市固体废弃物已成为一个日益紧迫的问题。
城市固体废弃物焚烧可大大提高垃圾处理效率，缓解目前垃圾围城的困境，是适合清洁能源技术发展和提高固废利用率的发展方向。目前，城市固体废弃物焚烧(Municipal Solid Wastes Incineration,MSWI)处理技术作为一种无害化、减量化、资源化处理的新技术，已在世界范围内广泛应用于城市固体废弃物的处理过程中[ii]。如何实现稳定燃烧，是有效处理城市固体废弃物(Municipal Solid Wastes,MSW)、保证垃圾焚烧处理效果和抑制污染生成的关键[iii]。炉温是固体废物焚烧控制系统中的一个重要参数，并且炉内炉膛温度直接影响到到固体废弃物燃烧稳定性、燃尽率、低温腐蚀、高温结焦、二次污染物的排放等，温度波动会引起燃尽率的变化，这将导致灰渣热灼减率超标，同时也会影响蒸汽产量，降低焚烧炉运行的经济性。然而为了实现精准的炉温控制，需要知道温度的变化趋势，传统的热电偶检测炉膛温度方法虽然能得到温度的显示和趋势，但由于焚烧过程中炉膛内的温度过高、腐蚀严重，传感器等部件容易损害，需要时常更换，降低了焚烧运行的经济性。并且焚烧过程中，随着炉膛结焦等情况的发生，会使传感器的性能受到很大损害，使得显示温度不准确。
综上所述，随着固废焚烧炉的容量不断增大、焚烧参数不断提高，其安全性和经济性成为了影响焚烧炉效率的主要因素。炉膛温度不仅作为影响焚烧安全性和经济性的一个重要参数，并且也是焚烧效率的关键，对其控制水平提出了很高的要求。炉膛温度系统具有多变量、强耦合、大惯性、大迟延等特点，是一个较复杂的热工对象。为了解决焚烧系统炉膛温度控制优化的问题、提高控制水平，建立精确和实用的炉膛温度的模型预测是首要的工作。
在机理建模方面，华南理工大学通过对焚烧炉分区，建立了焚烧炉的热力学模型[iv]。文献[v]通过建立MSW炉排炉的数值仿真模型，得到固废在焚烧过程中受固体废弃物的特性、助燃空气系数、助燃空气温度等多因素的混合影响。清华大学从实验方面研究了焚烧过程中水分对固废焚烧过程的影响[vi][vii]；此外，他们还建立了焚烧炉的数学模型[viii]。以上关于焚烧系统建模的研究，绝大多数都是从简化的机理模型去分析，不能建立具有较高精度的焚烧系统的多变量炉膛温度模型，从根本上反映焚烧系统的特性。由于焚烧系统具有高参数、大惯性、多变量、强耦合等特点，纯粹的机理建模对如此复杂的热工系统已经很难建立其精确的数学模型；而实验建模的方法在缺少必要的先验知识的前提下难以确定辨识系统数学模型的结构，也容易造成较大误差，传统的建模方法已经不能满足精度要求。
由于近年来我国固废焚烧炉普遍采用了分散控制系统(DCS)，使得大量的现场运行数据可以被保存下来，其调取也十分方便。这些运行数据中蕴含着大量的信息，如何从数据驱动角度出发，挖掘其内部信息，并利用智能算法进行炉膛温度系统的预测势在必行。文献[ix]提出的多信息广义增广最小二乘辨识方法，相比于随机梯度辨识算法具有计算量小的优点。它利用焚烧过程的历史数据对模型进行参数估计，建立了焚烧炉的动态数学模型。文献[x]基于神经网络算法，建立了的“炉膛温度-蒸汽”预测模型，成功对炉膛温度进行了预测，并以此实现了炉膛参数的优化。
针对以炉膛温度模型预测存在的问题，本文从数据驱动角度出发；基于典型稳态工况下的历史运行数据，以一次风加热温度、二次风加热温度、蒸汽量和干燥段炉膛左外侧温度为输入，炉膛温度为输出，提出基于TS模糊神经网络的预测方法。TS模糊神经网络结合了模糊系统和神经网络，具有很强的模糊推理能力和数据处理能力。实验结果表明TS模糊神经网络的训练效果最好，预测精度最高，证明了基于T-S模糊神经网络的炉膛温度预测的有效性。
固废焚烧系统炉膛温度特性分析
在整个城市固体废弃物焚烧(Municipal Solid Wastes Incineration,MSWI)过程中稳定燃烧的一个主要指标是控制炉内的温度分布，维持炉内较高的焚烧温度并保持炉温稳定，特别是炉膛温度应控制在850～950℃。较高的炉温有利于固体废弃物充分干燥，降低含水率，并促进残碳的燃尽，从而提高垃圾的燃尽率；较高的炉温也有利于减少有害污染物(例如二噁英等)的排放；较高的炉温也有利于提高蒸汽参数，改善蒸汽品质和产量，更加有效的实现垃圾资源化利用[xi]。因此，整个焚烧炉燃烧过程控制的核心就在于炉温控制。北京某固废焚烧厂引进的典型炉排炉焚烧工艺流程如图1所示[xii]：
由图1可知，MSWI由专用的垃圾运输车收集后运至卸料车间，倾倒至密封的垃圾池内；池内垃圾由人工操控的垃圾吊抓起放入焚烧炉的进料斗内，液压给料机将斗内垃圾推至往复式机械炉排炉；垃圾在焚烧炉内依次经历干燥、点燃、燃烧和烧尽四个阶段；焚烧过程中产生的烟气经处理达标后由引风机经烟囱排入大气，排放的尾气中含有CO、CO2、NOx和二噁英(DXN)等物质。
从温度检测的有效性来说，炉膛温度是一项指示性比较强的综合判断指标，能够较准确的反映出焚烧效率和焚烧状况，可以作为焚烧检验的重要判断标准之一，对固体废弃物的处理和固废资源化具有重要的实际的应用价值。但目前测量炉温的热电偶存在以下问题：
(1)热电偶接线柱接触不牢固，有松动甚至小规模位移现象，导致温度仪表显示值不稳定，甚至有时会伴随有波动的情况。
(2)热电偶在焚烧炉内的高温环境下，会对热电偶造成污染和腐蚀，并且还会受周围外力作用产生形变，从而影响热电偶的稳定性。热电偶因其结构简单、测温范围广、动态响应好等优点应用广泛。但在使用中受高温、环境、材料污染等因素的影响会使的测温结果失真。
因此，随着对焚烧检测精度要求的提高和检测技术的发展，寻找一种快速、准确的预测模型来测定炉膛温度，不仅有利于评价固废焚烧状况，而且有利于产出较好的蒸汽，对固体废弃物的处理有着极为重要的意义。综合以上分析，为获得准确、高效的模型，设计出一种智能特征预测模型来实现炉膛温度的准确、实时的有效预测，十分迫切。
影响炉膛温度的因素分析
垃圾进入焚烧炉，须经过干燥过程、热解过程、燃烧过程和燃尽过程四个阶段，在高温作用下，完全燃烧并释放热量。对影响炉膛温度的因素进行分析，可用于建立准确的预测模型。通过对北京某固废焚烧厂深入了解，发现影响炉膛温度的因素主要有以下几个：
(1)一次风加热温度
一次风加热温度控制是保证垃圾燃烧过程的关键。为了保证燃烧过程的经济性，风量在燃烧过程中有适合的比例，并保持一定的温度。抽取垃圾坑内发酵后的沼气，经点火焚烧后从炉排下方风室送入炉内，作为焚烧炉的一次助燃空气，起垃圾干燥和供氧助燃作用。另外，由于在各炉排底部喷入过量燃烧空气，垃圾在炉排上焚烧时由于汽化作用，会产生大量可燃气体，从而使固体废弃物实现高效燃烧。
(2)二次风加热温度
二次风加热温度控制在于保证一定助燃烧风的同时，也保证一定的送氧量。同时二次风在焚烧炉上部创造湍流，其可燃气体可以完全燃烧，防止排入烟气中造成浪费。
(3)蒸汽量
炉膛温度控制与蒸汽流量控制并不是独立的两个部分，而是互相影响的。当固废焚烧状况不佳时，炉膛温度过低，必然导致蒸汽量产量过低。该炉排炉自动焚烧控制系统的策略是根据所需要的蒸汽产量，控制垃圾进料量和相关加热温度，达到控制炉膛温度和蒸汽产量的目的。
(4)干燥段炉膛左外侧温度
干燥段炉膛左外侧温度可以充分反映固体废弃物的发酵、含水率以及一次风对固体废弃物加热的效果，从而侧面反映固体废弃物在当前的“热值”情况，对其之后的燃烧、燃尽以及对炉膛温度都有重要的前驱作用。因此，保证干燥段炉膛左外侧温度在一定的有效范围，也是保证炉膛温度的关键。
综合以上分析，MSWI系统在稳定燃烧时目前通过调节给一次风加热温度、二次风加热温度、蒸汽量和干燥段炉排左外侧温度来控制炉膛温度。燃烧过程中，一二次风加热温度能够提供充足的热量是固体废弃物充分干燥热解；干燥段炉膛左外侧温度可以反应固体废弃物的发酵、含水率和热值情况；焚烧系统的的运行目前最关注的一个重要指标是蒸汽流量，要保证焚烧炉的正常运行，就必须保证蒸汽量在额定范围内。通过以上分析，将焚烧系统炉膛温度模型简化为四输入单输出系统，如图2所示。
发明内容
针对现有炉膛温度检测方法存在的不足，本发明提出一种基于TS模糊神经网络(TS Fuzzy Neural Network,TSFNN)的炉膛温度预测方法，通过机理分析和现场人工经验筛选出影响炉膛温度的相关的易测特征变量，确定神经网络模型的输入量，建立炉膛温度的预测量模型，实现对炉膛温度的实时检测。
一种基于TS模糊神经网络的MSWI炉膛温度预测方法，步骤如下：
步骤1：特征变量的选取
预测模型特征变量的选取分为主要变量的选取和辅助变量的选取，以炉膛温度为主要变量，确定一次风加热温度、二次风加热温度、蒸汽量和干燥段炉排左外侧温度来控制炉膛温度为特征变量；
步骤2：设计用于预测炉膛温度的网络模型
对从固废焚烧厂的变量数据进行归一化处理，方法如下：
式中，y为原始数据值，y*为归一化之后的值，ymax为原始数据所在行的最大值，ymin为原始数据所在行的最小值。对数据进行归一化处理后，所有的数据都被归一化到[-1,1]之间，使得数据标准统一化，提高了数据可比性。用于炉膛温度预测的TSFNN网络结构分为三层：输入层、隐含层、输出层；输入为一次风加热温度，二次风加热温度，蒸汽量和干燥段炉排左外侧温度，输出为炉膛温度；
步骤2.1：初始化神经网络
初始化神经网络的结构为4-10-1的连接方式(拓扑结构如图3所示)，输入层有4个节点，隐含层有10个节点，输出层有1个节点，神经网络的输入向量表示为x＝(x1,x2,x3,x4)T；输出层输出的是炉膛温度的值，输出层的节点数为1；
步骤3：TSFNN神经网络结构
步骤3.3.1：前件网络
输入层：该层的作用是将输入量直接输入到TSFNN的前件网络中，即网络输入x：
x＝(x1,x2,x3x4) (2)
式中，x1,x2,x3,x4分别表示前件网络输入层4个数据维度。
隶属度层：主要作用是对输入量进行模糊化处理，隶属度函数采用高斯函数进行激活。
式中，μij是隶属度层的输出，表示输入层第i个输入量在隶属度层第j个隶属度的函数值；cij和σij分别表示输入层第i个输入量在隶属度层第j个隶属度函数中的中心值和宽度值；其中，i＝1,2,3,4；j＝1,2,…,10。
规则层：输入量经过模糊化后得到不同的模糊规则，并以此为基础进行模糊推理。
式中，wj表示规则层的第j个模糊规则；其中，j＝1,2,…,10。
输出层：该层的主要作用是将上层的模糊规则进行归一化处理，并输入到后件网络中。
式中，
表示对规则层第j个模糊规则归一化后的结果；其中，j＝1,2,…,10。
步骤3.3.2：后件网络
输入层：该层的作用是将输入量直接引入TSFNN后件网络中的隐含层，其中第0个结点x0的输入值为1；其余输入为x，即：
x＝(x1,x2,x3,x4) (6)
式中，x1,x2,x3,x4分别表示前件网络输入层4个数据维度。
隐含层：将输入直接传输到TSFNN后向网络的隐含层，并根据模糊规则求得隐含层各节点的输出。
式中，yj为隐含层第j个节点的输出；pij是后件网络第i个输入到第j个规则的权值；其中i＝1,2,3,4；j＝1,2,…,10。由pi1-pi10组成的矩阵pi为10×1的权值矩阵。。
总输出层：计算TSFNN的总输出，即：
式中，yk是网络的实际输出。yj为隐含层第j个节点的输出，
表示对规则层第j个模糊规则归一化后的结果。
步骤4：神经网络训练
步骤4.1：对神经网络进行训练，选取均方误差函数作为性能指标，计算如下：
式中，E表示每次迭代后的瞬时平方差；yd和yk分别表示为网络的的期望输出和实际输出；e为期望输出和实际输出的误差。通过公式推导得到以下结论。
步骤4.2：采用梯度训练法对神经网络进行训练，对高斯函数的中心值和宽度值训练，方法如下：
式中，cij(k+1),cij(k),cij(k-1)分别表示第k+1时刻，第k时刻，第k-1时刻的高斯函数中心值；σij(k+1),σij(k),σij(k-1)分别表示第k+1时刻，第k时刻，第k-1时刻的高斯函数宽度值；e(k)表示第k时网络刻期望输出和实际输出的误差；η为学习速率，α为动量因子，η∈[0,1]，α∈[0,1]。
步骤4.3：输入层与中间层的连接权值pij的权值训练，方法如下：
式中pij(k+1),pij(k),pij(k-1)分别表示第k+1时刻，第k时刻，第k-1时刻的后件网络第i个输入到第j个规则的权值；e(k)表示第k时网络刻期望输出和实际输出的误差；η为学习速率，α为动量因子，η∈[0,1]，α∈[0,1]；wj表示规则层的第j个模糊规则。
步骤5：用训练好的样本对测试样本进行预测。
将测试样本数据作为训练好的神经网络的输入，TSFNN神经网络的输出即为炉膛温度的预测结果。
本发明与现有技术相比，具有以下明显的优势和有益效果：
本发明根据TSFNN神经网络具有良好非线性映射能力的特点，针对当前固废焚烧处理过程炉膛温度检测存在的不足，采用TSFNN神经网络实现特征变量与炉膛温度之间的非线性映射，建立了固废焚烧处理过程炉膛温度的预测模型，实现对炉膛温度的预测，具有实时性好、预测精度高等特点。
附图说明
图1基于炉排炉的MSWI工艺流程
图2炉膛温度简化模型
图3 TSFNN结构
图4基于TS模糊神经网络预测炉膛温度的流程图
图5模型训练曲线
图6模型训练误差
图7训练结果回归图
图8模型测试曲线
图9模型训练误差
图10测试结果回归图
具体实施方式
从北京某固废焚烧有限公司采集了数天典型工况下的运行数据，采样时间为2s。通过初步筛选，最终选定了2019年6月11日的5个标签数据，每个标签3000组数据，其中训练样本占70％，测试样本占30％。
利用TSFNN神经网络建立炉膛温度的模型，包括以下步骤：
步骤1：首先对数据进行归一化处理，利用公式(1)将数据处理在[-1,1]之间，使得数据标准统一化，提高了数据可比性。
步骤2：初始化神经网络，设计神经网络结构为4-10-1，输入分别为一次风加热温度、二次风加热温度、蒸汽量和干燥段炉排左外侧温度，输出为炉膛温度；
步骤2.1：初始化网络参数，高斯函数中心值c＝1+rands(10,4)；高斯函数宽度值b＝1+rands(10,4)；权值矩阵p0＝p1＝p3＝p4＝0.5ones(10,1)；p2＝0.5rands(10,1)；设定参数学习速率η＝0.5，动量因子α＝0.05，迭代次数为100次。其中rands(10,4)表示生成0到1之间的10×4的随机数矩阵；ones(10,4)表示生成10×4的全1矩阵。
步骤2.2：用梯度下降法按公式(9)-(15)对网络参数进行训练；训练结果如图5-7所示，由图可以看出，根据现场数据训练的多变量炉膛温度模型，吻合程度好，其RMSE为1.1448，能较好的反映炉膛温度的变化趋势，表征该工况下的炉膛温度的动态特性。
步骤3：用训练好的TSFNN网络对炉膛温度进行预测，预测结果如图8-10所示，由图可以看出模型测试曲线与实际曲线拟合程度较高，其RMSE为2.3773，仿真结果说明了TSFNN算法对炉膛温度多变量模型预测的有效性。考虑到炉膛温度敏感性较强，易受现场多种因素的影响；所以该误差在允许范围之内。
针对北京某固废焚烧厂的炉膛温度模型预测，选取相关特征并建立适用于现场运行状况的炉膛温度多变量预测模型，并提取现场实际运行数据预处理进行模型训练和测试，其模型输出数据和现场运行数据拟合性好，证明了此模型在一定精度上能够匹配实际现场过程，能准确的地对炉膛温度进行预测；此模型通过其他指标进行检测来预测炉膛温度，从而使得检测元器件的工作环境不再是位于高温、腐蚀性大的炉膛内或者炉膛结焦的地方，从而不易损坏或误报，提高了经济效率。该方法在炉温的实时预测方面为操作人员提供了有益参考和校正。
参考文献
_________________________________________
[i]宋晓岚.城市固废处理与可持续发展[J].长沙大学学报,2001,15(4):36-40.
[ii]Shen K,Lu J,Li Z.An adaptive fuzzy approach for the incinerationtemperature control process[J].Fuel,2005,84(9):1144-1150.
[iii]Wang T,Wang H,Li Y.Research on GA-FUZZY Based CombustionTemperature Model of DGM Incinerators[C]//E-Product E-Service and E-Entertainment(ICEEE),2010International Conference on.IEEE,2010.
[iv]马晓茜,卢苇,张笑冰.垃圾焚烧炉热力模型研究[J].化学工程,2000,28(4):36-40.
[v]朱新才,胡桂川,林顺洪.城市生活垃圾在机械炉排炉内焚烧过程研究及数值模拟[J].环境工程学报,2013,7(12):4958-4964.
[vi]张衍国,王哲明,李清海.炉排-流化床固废焚烧的热态试验研究[J].热力发电,2005,34(8):19-22.
[vii]张衍国,李清海,蒙爱红.炉排-流化复合固废焚烧炉热态工业测试(二)气体测试[C]中国工程热物理学会燃烧学学术会议.2006.
[viii]吕亮,朱琳,吴占松.城市生活固废焚烧炉的仿真[J].动力工程学报,2006,26(5):634-637.
[ix]Hu H,Ding R.Least squares based iterative identificationalgorithms for input nonlinear controlled autoregressive systems based on theauxiliary model[J].Nonlinear Dynamics,2014,76(1):777-784.
[x]苏小江.生活垃圾往复式机械炉排焚烧炉控制系统优化研究[D].清华大学.2012
[xi]Bunsan S,Chen W Y,Chen H W.Modeling the dioxin emission of amunicipal solid waste incinerator using neural networks[J].Chemosphere,2013,92(3):258-264.
[xii]乔俊飞,郭子豪,汤健.面向城市固废焚烧过程的二噁英排放浓度检测方法综述[J].自动化学报:1-26.
Claims (1)
1.一种基于TS模糊神经网络的MSWI炉膛温度预测方法，其特征在于，步骤如下：
步骤1：特征变量的选取
预测模型特征变量的选取分为主要变量的选取和辅助变量的选取，以炉膛温度为主要变量，确定一次风加热温度、二次风加热温度、蒸汽量和干燥段炉排左外侧温度来控制炉膛温度为特征变量；
步骤2：设计用于预测炉膛温度的网络模型
对从固废焚烧厂的变量数据进行归一化处理，方法如下：
式中，y为原始数据值，y*为归一化之后的值，ymax为原始数据所在行的最大值，ymin为原始数据所在行的最小值；对数据进行归一化处理后，所有的数据都被归一化到[-1,1]之间，使得数据标准统一化，提高了数据可比性；用于炉膛温度预测的TSFNN网络结构分为三层：输入层、隐含层、输出层；输入为一次风加热温度，二次风加热温度，蒸汽量和干燥段炉排左外侧温度，输出为炉膛温度；
步骤2.1：初始化神经网络
初始化神经网络的结构为4-10-1的连接方式(拓扑结构如图3所示)，输入层有4个节点，隐含层有10个节点，输出层有1个节点，神经网络的输入向量表示为x＝(x1,x2,x3,x4)T；输出层输出的是炉膛温度的值，输出层的节点数为1；
步骤3：TSFNN神经网络结构
步骤3.3.1：前件网络
输入层：该层的作用是将输入量直接输入到TSFNN的前件网络中，即网络输入x：
x＝(x1,x2,x3x4) (2)
式中，x1,x2,x3,x4分别表示前件网络输入层4个数据维度；
隶属度层：主要作用是对输入量进行模糊化处理，隶属度函数采用高斯函数进行激活；
式中，μij是隶属度层的输出，表示输入层第i个输入量在隶属度层第j个隶属度的函数值；cij和σij分别表示输入层第i个输入量在隶属度层第j个隶属度函数中的中心值和宽度值；其中，i＝1,2,3,4；j＝1,2,…,10；
规则层：输入量经过模糊化后得到不同的模糊规则，并以此为基础进行模糊推理；
式中，wj表示规则层的第j个模糊规则；其中，j＝1,2,…,10；
输出层：该层的主要作用是将上层的模糊规则进行归一化处理，并输入到后件网络中；
式中，
表示对规则层第j个模糊规则归一化后的结果；其中，j＝1,2,…,10；
步骤3.3.2：后件网络
输入层：该层的作用是将输入量直接引入TSFNN后件网络中的隐含层，其中第0个结点x0的输入值为1；其余输入为x，即：
x＝(x1,x2,x3,x4) (6)
式中，x1,x2,x3,x4分别表示前件网络输入层4个数据维度；
隐含层：将输入直接传输到TSFNN后向网络的隐含层，并根据模糊规则求得隐含层各节点的输出；
式中，yj为隐含层第j个节点的输出；pij是后件网络第i个输入到第j个规则的权值；其中i＝1,2,3,4；j＝1,2,…,10；由pi1-pi10组成的矩阵pi为10×1的权值矩阵；；
总输出层：计算TSFNN的总输出，即：
式中，yk是网络的实际输出；yj为隐含层第j个节点的输出，
表示对规则层第j个模糊规则归一化后的结果；
步骤4：神经网络训练
步骤4.1：对神经网络进行训练，选取均方误差函数作为性能指标，计算如下：
式中，E表示每次迭代后的瞬时平方差；yd和yk分别表示为网络的的期望输出和实际输出；e为期望输出和实际输出的误差；通过公式推导得到以下结论；
步骤4.2：采用梯度训练法对神经网络进行训练，对高斯函数的中心值和宽度值训练，方法如下：
式中，cij(k+1),cij(k),cij(k-1)分别表示第k+1时刻，第k时刻，第k-1时刻的高斯函数中心值；σij(k+1),σij(k),σij(k-1)分别表示第k+1时刻，第k时刻，第k-1时刻的高斯函数宽度值；e(k)表示第k时网络刻期望输出和实际输出的误差；η为学习速率，α为动量因子，η∈[0,1]，α∈[0,1]；
步骤4.3：输入层与中间层的连接权值pij的权值训练，方法如下：
式中pij(k+1),pij(k),pij(k-1)分别表示第k+1时刻，第k时刻，第k-1时刻的后件网络第i个输入到第j个规则的权值；e(k)表示第k时网络刻期望输出和实际输出的误差；η为学习速率，α为动量因子，η∈[0,1]，α∈[0,1]；wj表示规则层的第j个模糊规则；
步骤5：用训练好的样本对测试样本进行预测；
将测试样本数据作为训练好的神经网络的输入，TSFNN神经网络的输出即为炉膛温度的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911252439.2A CN110991756B (zh) | 2019-12-09 | 2019-12-09 | 基于ts模糊神经网络的mswi炉膛温度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911252439.2A CN110991756B (zh) | 2019-12-09 | 2019-12-09 | 基于ts模糊神经网络的mswi炉膛温度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991756A true CN110991756A (zh) | 2020-04-10 |
| CN110991756B CN110991756B (zh) | 2024-04-23 |
Family
ID=70091547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911252439.2A Active CN110991756B (zh) | 2019-12-09 | 2019-12-09 | 基于ts模糊神经网络的mswi炉膛温度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991756B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112596391A (zh) * | 2020-12-24 | 2021-04-02 | 中国兵器装备集团自动化研究所 | 一种基于数据驱动的深度神经网络大时滞系统动态建模方法 |
| CN113175678A (zh) * | 2021-03-09 | 2021-07-27 | 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 |
| CN113539384A (zh) * | 2021-07-26 | 2021-10-22 | 东南大学 | 一种固体废弃物热解气化颗粒内温度实时测量与拟合方法 |
| CN114296489A (zh) * | 2021-12-04 | 2022-04-08 | 北京工业大学 | 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法 |
| CN115959933A (zh) * | 2023-02-20 | 2023-04-14 | 南开大学 | 一种好氧堆肥智能控制方法及系统 |
| WO2023083009A1 (zh) * | 2021-11-11 | 2023-05-19 | 北京工业大学 | 一种面向mswi过程的多入多出回路控制半实物仿真实验平台 |
| CN117847537A (zh) * | 2023-12-15 | 2024-04-09 | 光大环保（中国）有限公司 | 一种垃圾焚烧电厂燃烧和烟气排放一体化控制方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106224939A (zh) * | 2016-07-29 | 2016-12-14 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉床温预测方法及系统 |
| US20160370001A1 (en) * | 2013-06-28 | 2016-12-22 | Nec Power Co., Ltd. | System and method for diagnosing and controlling incineration facility and solid fuel boiler and managing life cycle of facility through heat exchange and design program and operation mode analysis of operator |
| CN109840335A (zh) * | 2017-11-27 | 2019-06-04 | 上海交通大学 | 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法 |
-
2019
- 2019-12-09 CN CN201911252439.2A patent/CN110991756B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160370001A1 (en) * | 2013-06-28 | 2016-12-22 | Nec Power Co., Ltd. | System and method for diagnosing and controlling incineration facility and solid fuel boiler and managing life cycle of facility through heat exchange and design program and operation mode analysis of operator |
| CN106224939A (zh) * | 2016-07-29 | 2016-12-14 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉床温预测方法及系统 |
| CN109840335A (zh) * | 2017-11-27 | 2019-06-04 | 上海交通大学 | 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| TZU-YI PAI ETC.: "Predicting the co-melting temperatures of municipal solid waste incinerator fly ash and sewage sludge ash using grey model and neural network" * |
| 乔俊飞 等: "基于T-S模糊神经网络的PM2.5 预测研究" * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112596391B (zh) * | 2020-12-24 | 2022-08-02 | 中国兵器装备集团自动化研究所 | 一种基于数据驱动的深度神经网络大时滞系统动态建模方法 |
| CN112596391A (zh) * | 2020-12-24 | 2021-04-02 | 中国兵器装备集团自动化研究所 | 一种基于数据驱动的深度神经网络大时滞系统动态建模方法 |
| CN113175678A (zh) * | 2021-03-09 | 2021-07-27 | 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 |
| 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 |
| CN113539384A (zh) * | 2021-07-26 | 2021-10-22 | 东南大学 | 一种固体废弃物热解气化颗粒内温度实时测量与拟合方法 |
| US12056426B2 (en) | 2021-11-11 | 2024-08-06 | Beijing University Of Technology | Hardware-in-loop simulation experiment platform of multiple input and multiple output loop control for MSWI process |
| WO2023083009A1 (zh) * | 2021-11-11 | 2023-05-19 | 北京工业大学 | 一种面向mswi过程的多入多出回路控制半实物仿真实验平台 |
| CN114296489A (zh) * | 2021-12-04 | 2022-04-08 | 北京工业大学 | 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法 |
| CN114296489B (zh) * | 2021-12-04 | 2022-09-20 | 北京工业大学 | 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法 |
| CN115959933A (zh) * | 2023-02-20 | 2023-04-14 | 南开大学 | 一种好氧堆肥智能控制方法及系统 |
| CN115959933B (zh) * | 2023-02-20 | 2024-05-28 | 南开大学 | 一种好氧堆肥智能控制方法及系统 |
| CN117847537A (zh) * | 2023-12-15 | 2024-04-09 | 光大环保（中国）有限公司 | 一种垃圾焚烧电厂燃烧和烟气排放一体化控制方法及系统 |
| CN117847537B (zh) * | 2023-12-15 | 2024-10-01 | 光大环保（中国）有限公司 | 一种垃圾焚烧电厂燃烧和烟气排放一体化控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991756B (zh) | 2024-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991756B (zh) | 基于ts模糊神经网络的mswi炉膛温度预测方法 | |
| CN107016455B (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系统及方法 | |
| CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
| CN111260149B (zh) | 一种二噁英排放浓度预测方法 | |
| CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
| 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 | |
| CN111461355A (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
| CN104613468A (zh) | 基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法 | |
| CN111780127B (zh) | 一种垃圾焚烧炉燃烧管理系统 | |
| CN111462835B (zh) | 一种基于深度森林回归算法的二噁英排放浓度软测量方法 | |
| He et al. | Prediction of MSWI furnace temperature based on TS fuzzy neural network | |
| CN115755599A (zh) | 垃圾焚烧炉防腐蚀自动控制方法、系统、设备及介质 | |
| Ding et al. | Event-triggered fuzzy neural multivariable control for a municipal solid waste incineration process | |
| CN113266833B (zh) | 一种垃圾焚烧炉的燃烧优化方法、系统及装置 | |
| CN114427688A (zh) | 一种基于气温对锅炉运行影响构造的闭环燃烧优化控制方法 | |
| WO2024146070A1 (zh) | 一种基于改进生成对抗网络的二噁英排放浓度软测量方法 | |
| CN116906910A (zh) | 一种基于深度卷积神经网络的高效燃烧控制方法及系统 | |
| Tian et al. | Furnace Temperature Control based on Adaptive TS-FNN for Municipal Solid Waste Incineration Process | |
| CN116149188A (zh) | 一种基于数据驱动的提高垃圾焚烧发电量的方法 | |
| Wang et al. | Key controlled variable model of MSWI process based on ensembled decision tree algorithm | |
| Balamurugan et al. | ANN-SQP Approach for NOx emission reduction in coal fired Boilers | |
| Zheng et al. | Prediction of NOx concentration from coal combustion using LS-SVR | |
| Wang et al. | Multiple Input Mulitple Output Control Method Based on Single Neuron Adaptive PID for Municipal Solid Waste Incineration Process | |
| He et al. | Identification of MSWI Furnace Temperature Model Based on Weighted Adaptive Particle Swarm optimization | |
| CN113847609B (zh) | 基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法 |
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 |