发明内容
基于此,有必要针对上述问题提供一种垃圾焚烧的监控方法及装置。
一种垃圾焚烧的监控方法,包括:
获取影响预设气体的排放量和余热锅炉区域温度的相关工况参数;
获取在各所述相关工况参数下预设气体的排放量和余热锅炉区域温度的多组实际数据;
根据各所述相关工况参数、所述预设气体的排放量及所述余热锅炉区域温度建立初始神经网络模型,并根据所述多组实际数据对所述初始神经网络模型进行训练得到预测模型;
获取焚烧炉当前的工况参数,并根据所述焚烧炉当前的工况参数和所述预测模型得到预设气体的排放量预测值和余热锅炉区域温度的预测值。
在其中一个实施例中,所述预测模型包括第一层、第二层、第三层、第四层以及第五层;所述第一层为输入层,所述第一层的输入变量包括所述相关工况参数;所述第二层为模糊化层,所述第二层用于在各所述输入变量论域内选择描述其语言值的隶属度函数;所述第三层为规则层,所述第三层用于表达所述输入变量的语言值状态;所述第四层为结论层,所述第四层用于对所述输入变量进行模糊逻辑推理运算以得到模糊输出量;所述第五层为去模糊化层,所述第五层用于根据所述模糊输出量计算输出变量,所述输出变量包括所述预设气体的排放量和所述余热锅炉区域温度。
在其中一个实施例中,所述根据所述多组实际数据对所述初始神经网络模型进行训练得到预测模型之前,包括:
对所述多组实际数据进行预处理;所述预处理包括归一化、控制处理及降维处理中的至少一种。
在其中一个实施例中,所述相关工况参数包括焚烧炉内的烟气温度、烟气停留时间、出口烟气含氧量、还原剂流量、垃圾负荷、一次风与二次风流量及配风方式及炉膛压力。
在其中一个实施例中,还包括:
根据所述预设气体的排放量预测值和所述余热锅炉区域温度的预测值,得到脱硝装置的控制参数;
根据所述控制参数控制所述脱硝装置对所述焚烧炉的排放气体进行脱硝反应。
在其中一个实施例中,所述根据所述预设气体的排放量预测值和所述余热锅炉区域温度的预测值,得到脱硝装置的控制参数,包括:
计算所述预设气体的排放量预测值和目标值之间的偏差;
根据所述预设气体的排放量预测值和目标值之间的偏差的变化率、所述预设气体的排放量预测值和目标值之间的偏差及所述余热锅炉区域温度的预测值,得到所述脱硝装置的控制参数。
在其中一个实施例中,所述预设气体包括NOx和NH3,所述焚烧炉的排放气体包括NOx。
在其中一个实施例中,所述脱硝控制装置的控制参数包括所述脱硝装置中各喷射层流量总阀门的开度和压缩空气总阀门的开度;所述各喷射层流量总阀门的开度用于控制还原剂流量和喷枪动作状态,所述压缩空气总阀门的开度用于控制压缩空气流量。
在其中一个实施例中,所述根据所述预设气体的排放量预测值和目标值之间的偏差的变化率、所述预设气体的排放量预测值和目标值之间的偏差及所述余热锅炉区域温度的预测值,得到所述脱硝装置的控制参数,包括:
根据所述预设气体的排放量预测值和目标值之间的偏差的变化率、所述预设气体的排放量预测值和目标值之间的偏差及所述余热锅炉区域温度的预测值,得到所述还原剂流量、所述喷枪动作状态以及所述压缩空气流量;
根据所述还原剂流量和所述喷枪动作状态得到所述各喷射层流量总阀门的开度,并根据所述压缩空气流量得到所述压缩空气总阀门的开度。
一种垃圾焚烧的监控装置,包括:
相关性分析模块,用于获取影响预设气体的排放量和余热锅炉区域温度的相关工况参数;
获取模块,用于获取在各所述相关工况参数下预设气体的排放量和余热锅炉区域温度的多组实际数据;
预测模型建立模块,用于根据各所述相关工况参数、所述预设气体的排放量及所述余热锅炉区域温度建立初始神经网络模型,并根据所述多组实际数据对所述初始神经网络模型进行训练得到预测模型;
处理模块,用于获取焚烧炉当前的工况参数,并根据所述焚烧炉当前的工况参数和所述预测模型得到预设气体的排放量预测值和余热锅炉区域温度的预测值。
上述垃圾焚烧的监控方法及装置通过建立预测模型能够预测焚烧炉在当前的工况参数下的预设气体的排放量和余热锅炉区域温度的预测值,能够解决传统的方法的时间滞后与延时性能,使得可对变化的工况条件做出迅速响应,脱硝装置能够根据预设气体的排放量的预测值及时准确调节还原剂流量,避免NOx浓度波动明显,避免NH3逃逸的危害;同时,由于垃圾成分变化大、热值不稳定,引起不同时间炉膛不同位置处的温度变化,所以最佳反应温度窗口也在一定位置范围内变化,脱硝装置能够根据余热锅炉区域温度的预测值调整还原剂溶液的喷射层,从而在保证脱硝效率的同时能够有效降低NOx和NH3的排放量,满足系统稳定运行与环境保护的需要。并且,基于神经网络的预测模型具有较强的自适应和自学习能力,能够很好的适用于垃圾焚烧炉这类非线性系统的污染物预测,又与工程实践经验相结合便于人员理解和操作。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
图1为一实施例中的垃圾焚烧的监控方法的流程图。如图1所示,垃圾焚烧的监控方法包括以下步骤:
步骤S12,获取影响预设气体的排放量和余热锅炉区域温度的相关工况参数。
具体的,如图3所示,可以先获取焚烧炉的所有工况参数,并根据焚烧炉的实际运行情况对这些工况参数和预设气体的排放量及余热锅炉区域温度进行相关性分析,得到对预设气体的排放量和余热锅炉区域温度的影响较大的工况参数作为相关工况参数。其中,工况参数对预设气体的排放量和余热锅炉区域温度的影响程度可以根据实际需求进行配置。其中,工况参数可以根据历史经验获得,工况参数可以包括垃圾焚烧所使用的焚烧炉的运行参数,例如,工况参数可以包括焚烧炉内烟气温度、烟气停留时间、出口烟气含氧量、还原剂流量、垃圾负荷、一次风与二次风流量及配风方式、炉膛压力,还可以包括主蒸汽流量、烟气量、炉膛温度等等。工况参数中的所确定出的相关工况参数可以包括焚烧炉内烟气温度、烟气停留时间、出口烟气含氧量、还原剂流量、垃圾负荷、一次风与二次风流量及配风方式、炉膛压力等。预设气体可以包括NOx、NH3等等。
仅示例性的,可以配置变量x为焚烧炉的各项工况参数,变量y为预设气体的排放量或余热锅炉温度,采用皮尔逊(Pearson)相关系数,计算任意两个变量x和y之间的相关性。具体采用的公式如下:
其中,r为相关性系数,n为样本数量,x
i、y
i与
分别为变量x,y的样本取值与样本均值。
步骤S14,获取在各相关工况参数下预设气体的排放量和余热锅炉区域温度的多组实际数据。
具体的,可以配置焚烧炉各相关工况参数的多组参数数据,并配置焚烧炉在这些参数数据下运行,并测量相关工况参数的多组参数数据下对应的预设气体的排放量和余热锅炉区域温度的实际数据,从而可以得到各相关工况参数、预设气体排放量及余热锅炉区域温度对应的多组实际数据。相关工况参数的参数数据可以存储于DCS系统的数据库中。焚烧炉出口的NOx的排放量可以通过CEMS系统进行检测。
示例性的,CEMS系统可以采用电加热式抽取探头直接抽取焚烧炉出口烟气,经过预处理去除烟气中的灰尘、颗粒物等杂质后,通过烟气分析仪测量NOx的含量。可以采用激光抽取式或激光原位式测量仪测量焚烧炉出口NH3浓度,激光抽取式或激光原位式测量仪可以多点布置以提高测量结果的准确性。余热锅炉区域温度可以通过高温热电偶采集。本实施例中各相关工况参数需要配置多组,并测量对应的焚烧炉出口释放的预设气体的排放量以及余热锅炉区域温度的多组数据以保证步骤S16中对初始神经网络模型进行训练时训练样本内具有足够的数据。
步骤S16,根据各相关工况参数、预设气体的排放量及余热锅炉区域温度建立初始神经网络模型,并根据多组实际数据对初始神经网络模型进行训练得到预测模型。
具体的,将各相关工况参数作为初始神经网络模型的输入变量,将预设气体的排放量及余热锅炉区域温度作为初始神经网络模型的输出变量。初始神经网络模型的内部结构可以采用本领域技术人员所熟知的任意结构。根据步骤S14中获得的各相关工况参数的参数数据及焚烧炉工作在这些参数数据下得到的预设气体的排放量和余热锅炉区域温度的多组实际数据对初始神经网络模型进行训练,训练方式可以采用本领域技术人员所熟知的任意方式,从而得到预测模型。该预测模型的输入变量仍然为各相关工况参数,预测模型的输出变量仍然为预设气体的排放量和余热锅炉区域温度。只要向预测模型输入各相关工况参数的参数数据即可预测得到对应的预设气体的排放量和余热锅炉区域温度。
步骤S18,获取焚烧炉当前的工况参数,并根据焚烧炉当前的工况参数和预测模型得到预设气体的排放量预测值和余热锅炉区域温度的预测值。
具体的,焚烧炉当前的工况参数为各相关工况参数的当前实际参数数据,焚烧炉当前的工况参数可以由操作人员输入获得,也可以测量焚烧炉的运行状况获得。将焚烧炉当前的工况参数输入给预测模型的输入端,预测模型的输出端即可输出对应为焚烧炉当前的工况参数的预设气体的排放量预测值和余热锅炉区域温度的预测值。
上述垃圾焚烧的监控方法通过建立预测模型能够预测焚烧炉在当前的工况参数下的预设气体的排放量和余热锅炉区域温度的预测值,能够解决传统的方法的时间滞后与延时性能,使得可对变化的工况条件做出迅速响应,脱硝装置能够根据预设气体的排放量的预测值及时准确调节还原剂流量,避免NOx浓度波动明显,避免NH3逃逸的危害;同时,由于垃圾成分变化大、热值不稳定,引起不同时间炉膛不同位置处的温度变化,所以最佳反应温度窗口也在一定位置范围内变化,脱硝装置能够根据余热锅炉区域温度的预测值调整还原剂溶液的喷射层,从而在保证脱硝效率的同时能够有效降低NOx和NH3的排放量,满足系统稳定运行与环境保护的需要。并且,基于神经网络的预测模型具有较强的自适应和自学习能力,能够很好的适用于垃圾焚烧炉这类非线性系统的污染物预测,又与工程实践经验相结合便于人员理解和操作。
在一实施例中,如图2所示,步骤S16中根据多组实际数据对初始神经网络模型进行训练得到预测模型之前,包括:步骤S15,对多组实际数据进行预处理。本实施例中,对初始神经网络模型进行训练时将预处理后的多组实际数据作为训练样本,每组训练样本均包括相关工况参数的值、实际的预设气体的排放量的值及实际的余热锅炉区域温度的值。本实施例中,预处理可以包括归一化、控制处理及降维处理中的至少一种。在其他实施例中,还可以对多组实际数据进行其他预处理步骤,以提高训练效率。
在一实施例中,预测模型可以包括多层,预测模型的第一层可以作为神经网络的输入层,预测模型的最后一层可以作为神经网络的输出层,其余中间层为可以为包含隶属度函数和模糊规则的隐含层,对此神经网络进行学习训练。
仅示例性的,如图3所示,预测模型包括第一层、第二层、第三层、第四层以及第五层。第一层为输入层,第一层的输入变量包括相关工况参数,相关工况参数可以包括与NOx、NH3排放量以及余热锅炉区域温度相关性程度较强的参数x1,x2,…,xn。譬如,x1,x2,…,xn可以依次为焚烧炉内烟气温度、烟气停留时间、出口烟气含氧量、还原剂流量、垃圾负荷、一次风与二次风流量及配风方式、炉膛压力。将(x1,x2,…,xn)作为第一层的输入变量。
第二层为模糊化层,第二层用于在各输入变量论域内选择描述其语言值的隶属度函数。首先赋予各输入变量语言值,譬如:小(S)、较小(RS)、中(M)、较大(RL)、大(L)。然后在各输入变量论域内选择描述其语言值的隶属度函数。譬如,可以通常采用三角形函数或高斯函数等进行模糊化处理。
仅示例性的,可以采用高斯函数作为隶属度函数,计算公式为:
其中,μA(x)为变量x在某一语言值下的隶属度函数,m为函数的中心值,σ为函数图像的带宽。
第三层为规则层,第三层用于表述输入变量的语言值状态。譬如,可以根据专家经验法、自组织法等方法建立模糊规则库,规则库中包含多条具有模糊映射关系的“if…,then…”等语句。第三层对应规则库中的if条件部分,表示输入变量的语言值状态。
第四层为结论层,第四层用于对输入变量进行模糊逻辑推理运算以得到模糊输出量。第四层可以对应规则库中的then结论部分,目的是实现模糊逻辑推理运算,得到模糊输出量。
第五层为去模糊化层,第五层用于根据模糊输出量计算输出变量。输出变量包括预设气体的排放量预测值和余热锅炉区域温度的预测值。第五层具体可以采用最大隶属度函数法、重心法或加权平均法等方法对模糊输出量进行计算,得到输出变量NOx排放量(浓度值)、NH3排放量(浓度值)以及余热锅炉区域温度的精确化预测结果。
仅示例性的,第五层中采用重心法解模糊化,计算公式为:
其中,上式可理解为:最终输出值u等于隶属度函数μA(x)与x轴围成面积的重心。
在一实施例中,如图2所示,垃圾焚烧的监控方法还包括步骤S20和步骤S22:
步骤S20,根据预设气体的排放量预测值和余热锅炉区域温度的预测值,得到脱硝装置的控制参数。
具体的,脱硝装置用于根据控制参数控制还原剂的喷射层和喷射量、压缩空气的流向等等,从而将预设气体与还原剂、空气混合,使得发生脱硝反应,从而减少垃圾焚烧后所产生的有害气体。譬如,垃圾焚烧后产生的气体可以包括NOx等等,此时可以采用尿素或氨水等作为还原剂,尿素或氨水等快速受热分解出的NH3与烟气中NOx反应生成N2和H2O,从而减少焚烧炉垃圾焚烧后烟气中的NOx含量,以满足当地大气污染物排放标准。
仅示例性的,步骤S20具体可以包括:计算预设气体的排放量预测值和目标值之间的偏差;以及根据预设气体的排放量预测值和目标值之间的偏差的变化率、预设气体的排放量预测值和目标值之间的偏差及余热锅炉区域温度的预测值,得到脱硝装置的控制参数。
具体的,预设气体可以包括NOx和NH3等等。计算NOx的排放量预测值与目标值G1之间的偏差e1,并计算还原剂产生的NH3的排放量预测值与目标值G2之间的偏差e2。将e1、e2作为脱硝装置的控制系统的输入量。e1的变化率d1表示此时NOx浓度的变化趋势,e2的变化率d2表示此时NH3浓度的变化趋势。通过d1、d2可判断此时脱硝装置中脱硝反应情况以及还原剂流量高低,因此也将d1、d2作为控制系统的输入量。在设计阶段还原剂喷枪位置根据计算流体动力学(CFD,Computational Fluid Dynamics)模拟的流场特性进行选定,一般为固定式多层喷枪。当垃圾负荷量变化时,每层喷枪不一定均处于SNCR脱硝最佳反应温度窗口中,所以需要采集喷枪位置处温度Ti(也即余热锅炉区域温度)并由此确定还原剂溶液的喷入层。将余热锅炉区域温度Ti也作为控制系统的输入量。控制系统根据NOx的排放量预测值与目标值G1之间的偏差e1、NH3的排放量预测值与目标值G2之间的偏差e2、e1的变化率d1、e2的变化率d2及余热锅炉区域温度的预测值,得到脱硝装置的控制参数。
仅示例性的,如图4所示,脱硝装置的控制系统的控制器可以为PID控制器。PID控制器的输入量包括NOx的排放量预测值与目标值G1之间的偏差e1、NH3的排放量预测值与目标值G2之间的偏差e2、e1的变化率d1、e2的变化率d2及余热锅炉区域温度的预测值。PID控制器的输出的控制参数可以控制还原剂流量M1、喷枪动作状态S以及压缩空气流量M2等等。
仅示例性的,脱硝装置的控制参数包括脱硝装置中各喷射层流量总阀门的开度和压缩空气总阀门的开度。各喷射层流量总阀门的开度用于控制还原剂流量M1和喷枪动作状态S,压缩空气总阀门开度用于控制压缩空气的流量M2。
仅示例性的,根据预设气体的排放量预测值和目标值之间的偏差的变化率、预设气体的排放量预测值和目标值之间的偏差及余热锅炉区域温度的预测值,得到脱硝装置的控制参数,包括:根据预设气体的排放量预测值和目标值之间的偏差的变化率、预设气体的排放量预测值和目标值之间的偏差及余热锅炉区域温度的预测值,得到还原剂流量、喷枪动作状态以及压缩空气流量;以及根据还原剂流量和喷枪动作状态得到各喷射层流量总阀门的开度,并根据压缩空气流量得到压缩空气总阀门的开度。PID控制器可以精确控制各喷射层流量总阀门的开度来控制还原剂流量M1和喷枪动作状态S,并精确控制压缩空气总阀门的开度来控制压缩空气流量M2,从而提高雾化效率和脱硝效率。
步骤S16,根据控制参数控制脱硝装置对焚烧炉的排放气体进行脱硝反应。
具体的,控制参数用于控制脱硝装置对焚烧炉的排放气体进行脱硝反应。譬如,焚烧炉的排放气体包括NOx,脱硝装置可以提供NH3和压缩空气,从而与NOX发生脱硝反应。
仅示例性的,脱硝装置可以为SNCR脱硝装置。在脱硝装置中,喷枪接收混合好的还原剂溶液,在压缩空气作用下溶液发生雾化,再与焚烧炉排放气体中的NOx发生脱硝反应。在各喷射层可以均设有总阀门和流量计,要求阀门开启时还原剂溶液能平均分配至各个喷枪。
如图5所示,以氨水还原剂为例进行说明:氨水溶液与软水分别存储于还原剂储罐51、软水储罐52。通过循环泵53提供动力,将氨水与软水分别输送到混合计量模块54,充分混合后将稀释好的氨水输送到各喷射层喷枪55入口,通入压缩空气后喷入垃圾焚烧锅炉56的炉膛。继而产生的NH3与焚烧炉排放气体中的NOx发生脱硝反应。
应该理解的是,虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种垃圾焚烧的监控装置60,其特征在于,包括:相关性分析模块61、获取模块62、预测模型建立模块63及处理模块64。相关性分析模块61用于获取影响预设气体的排放量和余热锅炉区域温度的相关工况参数。获取模块62用于获取在各相关工况参数下预设气体的排放量和余热锅炉区域温度的多组实际数据。预测模型建立模块63用于根据各相关工况参数、预设气体的排放量及余热锅炉区域温度建立初始神经网络模型,并根据多组实际数据对初始神经网络模型进行训练得到预测模型。处理模块64用于获取焚烧炉当前的工况参数,并根据焚烧炉当前的工况参数和所述预测模型得到预设气体的排放量预测值和余热锅炉区域温度的预测值。
在一个实施例中,预测模型包括第一层、第二层、第三层、第四层以及第五层;第一层为输入层,第一层的输入变量包括相关工况参数;第二层为模糊化层,第二层用于在各输入变量论域内选择描述其语言值的隶属度函数;第三层为规则层,第三层用于表达输入变量的语言值状态;第四层为结论层,第四层用于对输入变量进行模糊逻辑推理运算以得到模糊输出量;第五层为去模糊化层,第五层用于根据模糊输出量计算输出变量,输出变量包括预设气体的排放量和余热锅炉区域温度。
在一个实施例中,预测模型建立模块63根据多组实际数据对初始神经网络模型进行训练得到预测模型之前,还执行:对多组实际数据进行预处理;预处理包括归一化、控制处理及降维处理中的至少一种。
在一个实施例中,相关工况参数包括焚烧炉内的烟气温度、烟气停留时间、出口烟气含氧量、还原剂流量、垃圾负荷、一次风与二次风流量及配风方式及炉膛压力。
在一个实施例中,垃圾焚烧的监控装置60还包括控制参数计算模块(图未示出)和控制模块(图未示出)。控制参数计算模块用于根据预设气体的排放量预测值和余热锅炉区域温度的预测值,得到脱硝装置的控制参数;控制模块用于根据控制参数控制脱硝装置对焚烧炉的排放气体进行脱硝反应。
在一个实施例中,控制参数计算模块具体执行:计算预设气体的排放量预测值和目标值之间的偏差;根据预设气体的排放量预测值和目标值之间的偏差的变化率、预设气体的排放量预测值和目标值之间的偏差及余热锅炉区域温度的预测值,得到脱硝装置的控制参数。
在一个实施例中,预设气体包括NOx和NH3,焚烧炉的排放气体包括NOx。
在一个实施例中,脱硝控制装置的控制参数包括脱硝装置中各喷射层流量总阀门的开度和压缩空气总阀门的开度;各喷射层流量总阀门的开度用于控制还原剂流量和喷枪动作状态,压缩空气总阀门的开度用于控制压缩空气流量。
在一个实施例中,控制参数计算模块执行根据所述预设气体的排放量预测值和目标值之间的偏差的变化率、所述预设气体的排放量预测值和目标值之间的偏差及所述余热锅炉区域温度的预测值,得到所述脱硝装置的控制参数时,包括:根据预设气体的排放量预测值和目标值之间的偏差的变化率、预设气体的排放量预测值和目标值之间的偏差及余热锅炉区域温度的预测值,得到还原剂流量、喷枪动作状态以及压缩空气流量;根据还原剂流量和喷枪动作状态得到各喷射层流量总阀门的开度,并根据压缩空气流量得到压缩空气总阀门的开度。
关于垃圾焚烧的监控装置60的具体限定可以参见上文中对于垃圾焚烧的监控的方法的限定,在此不再赘述。上述垃圾焚烧的监控装置60中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。