CN111457392B

CN111457392B - 城市生活垃圾焚烧过程风量智能设定方法

Info

Publication number: CN111457392B
Application number: CN202010310096.7A
Authority: CN
Inventors: 严爱军; 夏恒; 郭益东
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2020-04-20
Filing date: 2020-04-20
Publication date: 2021-12-24
Anticipated expiration: 2040-04-20
Also published as: CN111457392A

Abstract

城市生活垃圾焚烧过程风量智能设定方法，包括以下步骤：(1)根据城市生活垃圾焚烧过程的历史数据建立案例库；(2)将目标案例输入至案例推理模型中的检索环节中得到K个相似度值；(3)通过案例重用环节获得相似度值最大的源案例的建议解；(4)通过比较最大相似度值与相似度阈值大小关系，将当前工况的分别两种状态，然后针对不同的状态对建议解进行相应的修正，最后得到案例推理的确认解；(5)将确认解输入专家规则系统进行规则补偿并将风量设定值输出到焚烧过程控制系统；(6)重复上述的步骤(2)～步骤(5)，以实现城市生活垃圾焚烧过程的风量智能设定。本发明使焚烧过程风量的设定值符合实际工况，且能稳定控制焚烧过程。

Description

城市生活垃圾焚烧过程风量智能设定方法

技术领域

本发明涉及城市生活垃圾焚烧过程智能设定技术领域，更具体来说，本发明是一种城市生活垃圾焚烧过程的智能设定方法。

背景技术

随着城市生活垃圾产量逐年上升的趋势，国家对垃圾分类处理等问题的重视和公众对垃圾治理认知水平的提高，使得垃圾焚烧发电技术已经成为发达城市处理垃圾的主要方式之一。由于国内相关研究起步较晚和垃圾成分复杂等诸多因素，导致焚烧过程控制的关键参数设定很大程度上依赖于人工监控和操作。因此，本发明的研究成果非常有意义。

我国城市生活垃圾普遍具有热值低、水分高、灰分大、成分复杂等特征，导致目前城市生活垃圾焚烧发电厂运行效果并不理想。同时，由于城市生活垃圾成分复杂而特殊、热值波动范围大、测量设备不可靠等问题，造成焚烧炉的运行容易出现不稳定的工况，其中最为突出的问题是污染物排放不达标。焚烧过程控制的主要思想是合理的进风进料，使得炉膛进风量成为焚烧过程的关键参数。然而实际现场的风量设定严重依赖于人工经验操作。随着工业自动化、智能化的不断推进，简单的运用人工经验进行设定的方式既不能满足发展的需要和快速跟随工况变化的响应，也无法达到实际焚烧过程中风量需求的最优值。

目前，国内外针对城市生活垃圾焚烧过程风量设定相关研究较少，其主要研究成果为自动燃烧控制系统。由于，我国城市生活垃圾热值和含水量波动范围较大，同时操作人员的操作习惯也有所不同，造成国外已经成功应用的自动燃烧控制系统引入国内后，出现设定值不准确，焚烧效果大大减弱，容易造成故障工况等问题。已有研究文献中，虽对焚烧过程关键参数设定值的计算进行了讨论，分析了如何产生稳定的蒸汽流量、控制烟气中的氧量在一定范围内、并维持稳定的燃烧的一些方案，但均未提出明确的解决方案。

在上述情况下，城市生活垃圾焚烧发电厂的操作人员根据ACC的控制思想、结合自身经验对焚烧过程参数进行手动调整，以达到稳定控制的目的。

案例推理是人工智能领域一种推理方法，以“相似问题具有相似解”的认知假设为基础，根据已知经验求解新问题。其主要包含案例的检索、重用、修正和存储四个环节，已在很多工业领域得到广泛的应用，如故障诊断、决策支持、审计评估、风险预测等。

发明内容

针对上述问题，本发明提供了一种基于案例推理和专家规则的城市生活垃圾焚烧风量智能设定方法，使焚烧过程风量的设定值符合实际工况，且能为焚烧过程的稳定控制提供支撑。

为达到上述目的，本发明采用如下技术方案：

城市生活垃圾焚烧过程风量智能设定方法，其特征在于包括以下步骤：(1)根据城市生活垃圾焚烧过程的历史数据建立案例库；(2)将目标案例输入至案例推理模型中的检索环节中得到K个相似度值；(3)通过案例重用环节获得相似度值最大的源案例的建议解；(4)通过比较最大相似度值与相似度阈值大小关系，将当前工况的分别两种状态，然后针对不同的状态对建议解进行相应的修正，最后得到案例推理的确认解；(5)将确认解输入专家规则系统进行规则补偿并将风量设定值输出到焚烧过程控制系统；(6)重复上述的步骤(2)～步骤(5)，以实现城市生活垃圾焚烧过程的风量智能设定。进一步具体包括如下步骤：

(1)根据城市生活垃圾焚烧过程的历史数据建立案例库；将x₁,x₂,...,x₈八个焚烧过程变量(锅炉出口主蒸汽流量x₁、一级燃烧室左侧烟气温度x₂、一级燃烧室中间烟气温度x₃、一级燃烧室右侧烟气温度x₄、出口烟气CO浓度x₅、出口烟气No_x浓度x₆、炉膛负压x₇、出口烟气CO₂浓度x₈)与相应的一次风量y₁、二次风量y₂、评价指标FCGT、评价指标GOC、工况描述表示成四元组案例形式，形成K条源案例，存储于案例库中。记每条源案例为C_k，可表示为如下形式：

C_k＝<X_k；Y_k；E_k；D_k>,k＝1,2,…K (1)

其中，K表示案例库中源案例数量；X_k表示第k条源案例C_k的过程数据；Y_k表示第k条源案例C_k中的一次风量和二次风量，X_k、Y_k可表示为：

其中，x_i,k(i＝1,…,8)表示源案例C_k中第i个过程变量的测量值。

E_k表示针对源案例工况的两个评价指标，即FCGT和GOC；D_k表示源案例对应的工况描述信息。案例库的详细表现形式如表1所示。

表1 风量智能设定案例库

(2)将目标案例输入至案例推理模型中的检索环节中得到K个相似度值；首先，将城市生活垃圾焚烧过程的当前工况检测值x₁,x₂,...,x₈(锅炉出口主蒸汽流量x₁、一级燃烧室左侧烟气温度x₂、一级燃烧室中间烟气温度x₃、一级燃烧室右侧烟气温度x₄、出口烟气CO浓度x₅、出口烟气No_x浓度x₆、炉膛负压x₇、出口烟气CO₂浓度x₈)表示为目标案例X_K+1，与案例库中K个源案例的特征

进行归一化，公式如下：

其中x_i,k表示第k个案例中第i个特征变量的值；

表示第k个案例中第i个特征变量归一化后的值，

max(x_i,1,…,x_i,K+1)表示第i个特征变量的最大值；min(x_i,1,…,x_i,K+1)表示第i个特征变量的最小值。

接着，采用基于欧氏距离的相似性度量方法，计算目标案例与源案例库的欧氏距离，其过程可表示为，

其中,w_i表示第i个特征变量的权重，约束条件为：

利用公式(4)进行K次计算，得到K个欧式距离值d₁,d₂,...,d_K∈[0,8]。

然后，将上述所得的欧式距离转换为相似度值Sim_k，其转换过程为，

利用公式(6)进行K次计算，得到K个相似度值Sim₁,Sim₂,...,Sim_K∈[0,1]。当距离越小时，相似度值越大，表示工况越相似。因此，从K个相似度值中选取最大相似度值(记为Sim_max)对应的源案例，供案例重用阶段使用。

(3)通过案例重用环节获得相似度值最大的源案例的建议解；在案例检索环节中得到的K个相似度值Sim₁,Sim₂,...,Sim_K∈[0,1]中选取最大相似度值Sim_max，其过程可表示为：

Sim_max＝max(Sim₁,…,Sim_k,…,Sim_K) (7)

然后，将具有最大相似度值的源案例的解作为建议解，其过程可表示为，

(4)案例修正，获得案例推理的确认解；将案例检索环节中得到的最大相似度值Sim_max与相似度阈值Sim_v进行比较，然后分情况进行讨论：

1)若Sim_max≥Sim_v，表示目标案例与源案例中的第k个案例非常相似，意味着当前工况的变化不明显或基本没有变化，即源案例中的建议解具有很高的参考价值。因此，将第k个案例C_k＝<X_k；Y_k；E_k；D_k>中的一次风量

和二次风量

作为建议解

和

再根据实时测量的FCGT、GOC值对建议解中的一次风量

和二次风量

进行评价，根据表2、表3中的修正值对

进行重用或者进行调整，得到案例修正后的确认解

和

2)若Sim_max＜Sim_v，表示当前工况变化剧烈，即源案例中的建议解参考价值较小。需要计算最大相似度值案例C_k＝<X_k；Y_k；E_k；D_k>与目标案例的特征变化速率(如表4所示)，依据变化率对一次风量和二次风量建议解

和

进行相应的补偿，然后得到案例修正后的确认解

和

案例库中FCGT和GOC两个评价指标被用来评价案例推理输出的一次风量、二次风量是否合适，如果不合适，则对其进行相应的调整，使一次风量、二次风量的设定值符合当前工况需求。首先，对评价指标进行等级划分和修正值的确定，如表2所示，将FCGT的值T分为三个级别。其中T表示FCGT的实际测量值。当T的范围为(800,850)时，定义FCGT为偏低；当T的范围为[850,980]时，定义FCGT为正常；当T的范围为(900,1000)时，定义FCGT为偏高。

表2 FCGT分级与决策

如表3所示，将GOC分为五个级别。其中O表示GOC的实际测量值。当O的范围为(0,5.0]时，定义GOC为太低；当O的范围为(5.0,6.0)时，定义GOC为偏低；当O的范围为[6.0,7.2]时，定义GOC为正常；当O的范围为(7.2,10.0)时，定义GOC为偏高；当O的范围为[10.0,+∞)时，定义GOC为太高。

表3 GOC分级与决策

表4 特征变量的变化率

当表4中的变化率V_ik＞0时，表示目标案例的特征变量的数值在增加；当变化率V_ik＜0时，表示在减小；当变化率V_ik＝0时，表示没有变化。以第i特征变量为例，目标案例与源案例C_k的特征变化速率计算过程为，

其中，V_ik表示目标案例中第i特征变量与相似源案例C_k中第i特征变量的变化速率；x_i表示目标案例中第i特征变量值；x_ik表示源案例C_k中第i特征变量值。

然后，根据式(9)计算的变化率查表5，即可得到一次风量、二次风量的确认解

其过程可表示为，

其中，

表示案例推理系统计算的一次风量确认解；

表示案例推理系统计算的二次风量确认解；

表示案例检索模块的一次风量建议解；

表示案例检索模块的二次风量建议解；

表示将8个特征变量变化率的调整值进行求和。

表5 特征变化范围与调整值

(5)将确认解输入专家规则系统进行规则补偿并将风量设定值输出到焚烧过程控制系统；规则如下。

规则一：如果一次风量确认解

与二次风量确认解

总和在[0,50)区间时，则将一次风量确认解

增加10，

规则二：如果一次风量确认解

与二次风量确认解

总和在[50,90]的区间时，则不对一次风量确认解

二次风量确认解

进行调整，

规则三：如果一次风量确认解

与二次风量确认解

总和在(90,100)的区间时，则将二次风量确认解

减小10，

规则四：如果一次风量确认解

与二次风量确认解

总和在[100,+∞)区间时，则将二次风量确认解

减小20，

(6)重复上述的步骤(2)～步骤(5)，以实现城市生活垃圾焚烧过程的风量智能设定。

本发明具有以下优点：1、本发明所提方法能有效避免专家规则经验进行手动设定的主观性和随意性；2、本发明利用城市生活垃圾焚烧过程中产生的历史数据，采用案例推理结合专家规则的方法建立的风量智能设定模型，模型计算时间成本较短，有利于实现焚烧过程风量的实时设定应用；3、采用专家规则对案例推理输出的确认解进行规则判断，确保了进入控制器的风量设定值符合焚烧过程运行要求。

附图说明

图1为本发明城市生活垃圾焚烧过程风量智能设定方法设定流程图

具体实施方式

样本数据来自某城市生活垃圾焚烧发电厂焚烧过程中产生的300组数据，下面结合图1的设定流程对本发明的具体实施方式做进一步说明。

城市生活垃圾焚烧过程风量智能设定方法，其特征在于包括以下步骤：

(1)根据城市生活垃圾焚烧过程的历史数据建立案例库；将x₁,x₂,...,x₈八个焚烧过程变量(锅炉出口主蒸汽流量x₁(t/h)、一级燃烧室左侧烟气温度x₂(℃)、一级燃烧室中间烟气温度x₃(℃)、一级燃烧室右侧烟气温度x₄(℃)、出口烟气CO浓度x₅(mg/m³N)、出口烟气No_x浓度x₆(mg/m³N)、炉膛负压x₇(Pa)、出口烟气CO₂浓度x₈(％)与相应的一次风量y₁(Nm³/h)、二次风量y₂(Nm³/h)、评价指标FCGT(℃)、评价指标GOC(％)、工况描述表示成四元组案例形式，形成300条源案例，存储于案例库中。记每条源案例为C_k，可表示为如下形式：

C_k＝〈X_k；Y_k；E_k；D_k〉,k＝1,2,...300 (1)

其中，300表示案例库中源案例数量；X_k表示第k条源案例C_k的过程数据，X_k可表示为；Y_k表示第k条源案例C_k中的一次风量和二次风量，X_k、Y_k可表示为：

其中，x_i,k(i＝1,...,8)表示源案例C_k中第i个过程变量的测量值。

E_k表示针对源案例工况的两个评价指标，即FCGT和GOC；D_k表示源案例对应的工况描述信息。

(2)将目标案例输入至案例推理模型中的检索环节中得到300个相似度值；首先，将城市生活垃圾焚烧过程的当前工况检测值x₁,x₂,...,x₈(锅炉出口主蒸汽流量x₁(t/h)、一级燃烧室左侧烟气温度x₂(℃)、一级燃烧室中间烟气温度x₃(℃)、一级燃烧室右侧烟气温度x₄(℃)、出口烟气CO浓度x₅(mg/m³N)、出口烟气No_x浓度x₆(mg/m³N)、炉膛负压x₇(Pa)、出口烟气CO₂浓度x₈(％)与相应的一次风量y₁(Nm³/h)表示为目标案例X₃₀₁，与案例库中300个源案例的特征

进行归一化，公式如下：

其中x_i,k表示第k个案例中第i个特征变量的值；

表示第k个案例中第i个特征变量归一化后的值，

其中,w_i表示第i个特征变量的权重，约束条件为：

利用公式(4)进行300次计算，得到300个欧式距离值d₁,d₂,...,d₃₀₀∈[0,8]。

利用公式(6)进行300次计算，得到300个相似度值Sim₁,Sim₂,...,Sim₃₀₀∈[0,1]。当距离越小时，相似度值越大，表示工况越相似。因此，从300个相似度值中选取最大相似度值(记为Sim_max)对应的源案例，供案例重用阶段使用。

(3)通过案例重用环节获得相似度值最大的源案例的建议解；在案例检索环节中得到的300个相似度值Sim₁,Sim₂,...,Sim₃₀₀∈[0,1]中选取最大相似度值Sim_max，其过程可表示为：

Sim_max＝max(Sim₁,…,Sim_k,…,Sim₃₀₀) (7)

(4)案例修正，获得案例推理的确认解；将案例检索环节中得到的最大相似度值Sim_max与相似度阈值Sim_v＝0.9进行比较，然后分情况进行讨论：

1)若Sim_max≥0.9，表示目标案例与源案例中的第k个案例非常相似，意味着当前工况的变化不明显或基本没有变化，即源案例中的建议解具有很高的参考价值。因此，将第k个案例

中的一次风量

和二次风量

作为建议解

和

再根据实时测量的FCGT、GOC值对建议解中的一次风量

和二次风量

进行评价，根据表2、表3中的修正值(比如Δ＝0.5)对

进行重用或者进行调整，得到案例修正后的确认解

和

2)若Sim_max＜0.9，表示当前工况变化剧烈，即源案例中的建议解参考价值较小。需要计算最大相似度值案例

与目标案例的特征变化速率(如表4所示)，依据变化率对一次风量和二次风量建议解

和

进行相应的补偿，然后得到案例修正后的确认解

和

以第i特征变量为例，计算目标案例与源案例C_k的特征变化速率计算过程为，

然后，根据式(9)计算的变化率查表5，比如Δ＝0.5，即可得到一次风量、二次风量的确认解

其过程可表示为，

其中，

表示案例推理系统计算的一次风量确认解；

表示案例推理系统计算的二次风量确认解；

表示案例检索模块的一次风量建议解；

表示案例检索模块的二次风量建议解；

表示将8个特征变量变化率的调整值进行求和。

规则一：如果一次风量确认解

与二次风量确认解

总和在[0,50)区间时，则将一次风量确认解

增加10，

规则二：如果一次风量确认解

与二次风量确认解

总和在[50,90]的区间时，则不对一次风量确认解

二次风量确认解

进行调整，

规则三：如果一次风量确认解

与二次风量确认解

总和在(90,100)的区间时，则将二次风量确认解

减小10，

规则四：如果一次风量确认解

与二次风量确认解

总和在[100,+∞)区间时，则将二次风量确认解

减小20，

现有的城市生活垃圾焚烧发电厂的风量设定控制完全由操作人员凭人工经验，不间断的通过监控画面进行操作频繁，一旦操作不当不仅影响垃圾燃烬率和尾气排放，也会造成异常工况的出现。采用城市生活垃圾焚烧过程的风量智能设定方法，利用设定模型代替人工对风量进行在线的智能设定，既能节省劳动力，也能提高垃圾焚烧效率。风量智能设定模型能在线实时对一次风量和二次风量的设定，以均方根误差作为评价标准计算拟合误差，其中一次风量的拟合误差为2.2980，二次风量的拟合误差为3.0311，达到了较为理想的效果。

Claims

1.城市生活垃圾焚烧过程风量智能设定方法，其特征在于，包括以下步骤：

(1)根据城市生活垃圾焚烧过程的历史数据建立案例库；将锅炉出口主蒸汽流量x₁、一级燃烧室左侧烟气温度x₂、一级燃烧室中间烟气温度x₃、一级燃烧室右侧烟气温度x₄、出口烟气CO浓度x₅、出口烟气No_x浓度x₆、炉膛负压x₇、出口烟气CO₂浓度x₈八个焚烧过程变量与一次风量y₁、二次风量y₂、评价指标FCGT、评价指标GOC、工况描述表示成四元组案例形式，形成K条源案例，存储于案例库中；记每条源案例为C_k，

C_k＝<X_k；Y_k；E_k；D_k>,k＝1,2,…K (1)

其中，K表示案例库中源案例数量；X_k表示第k条源案例C_k的过程数据；Y_k表示第k条源案例C_k中的一次风量和二次风量，X_k、Y_k表示为：

其中，x_i,k(i＝1,…,8)表示源案例C_k中第i个过程变量的测量值；

E_k表示针对源案例工况的两个评价指标，即FCGT和GOC；D_k表示源案例对应的工况描述信息；

(2)将目标案例输入至案例推理模型中的检索环节中得到K个相似度值；首先，将城市生活垃圾焚烧过程的当前工况中锅炉出口主蒸汽流量x₁、一级燃烧室左侧烟气温度x₂、一级燃烧室中间烟气温度x₃、一级燃烧室右侧烟气温度x₄、出口烟气CO浓度x₅、出口烟气Nox浓度x₆、炉膛负压x₇、出口烟气CO2浓度x₈八个检测值表示为目标案例X_K+1，与案例库中K个源案例的特征

进行归一化，公式如下：

其中x_i,k表示第k个案例中第i个特征变量的值；

表示第k个案例中第i个特征变量归一化后的值，

max(x_i,1,…,x_i,K+1)表示第i个特征变量的最大值；min(x_i,1,…,x_i,K+1)表示第i个特征变量的最小值；

接着，采用基于欧氏距离的相似性度量方法，计算目标案例与源案例库的欧氏距离，

其中,w_i表示第i个特征变量的权重，约束条件为：

利用公式(4)进行K次计算，得到K个欧式距离值d₁,d₂,...,d_K∈[0,8]；

然后，将上述所得的欧式距离转换为相似度值Sim_k，

利用公式(6)进行K次计算，得到K个相似度值Sim₁,Sim₂,...,Sim_K∈[0,1]；当距离越小时，相似度值越大，则说明目标案例与源案例越相似；因此，从K个相似度值中选取最大相似度值对应的源案例，供案例重用阶段使用；

(3)通过案例重用环节获得相似度值最大的源案例的建议解；在案例检索环节中得到的K个相似度值Sim₁,Sim₂,...,Sim_K∈[0,1]中选取最大相似度值Sim_max，

Sim_max＝max(Sim₁,…,Sim_k,…,Sim_K) (7)

然后，将具有最大相似度值的源案例的解作为建议解，

1)若Sim_max≥Sim_v，表示目标案例与源案例中的第k个案例非常相似，意味着当前工况的变化不明显或基本没有变化，即源案例中的建议解具有很高的参考价值；因此，将第k个案例C_k＝<X_k；Y_k；E_k；D_k〉中的一次风量

和二次风量

作为建议解

和

再根据实时测量的FCGT、GOC值对建议解中的一次风量

和二次风量

进行评价，根据表2、表3中的修正值对

进行重用或者进行调整，得到案例修正后的确认解

和

案例库中FCGT和GOC两个评价指标被用来评价案例推理输出的一次风量、二次风量是否合适，如果不合适，则对其进行相应的调整，使一次风量、二次风量的设定值符合当前工况需求；首先，对评价指标进行等级划分和修正值Δ的确定，将FCGT的值T分为三个级别；其中T表示FCGT的实际测量值；当T的范围为(800,850)时，定义FCGT为偏低，则在一次风量建议解