CN113408185B - 一种城市生活垃圾焚烧过程炉排空气流量设定方法 - Google Patents

一种城市生活垃圾焚烧过程炉排空气流量设定方法 Download PDF

Info

Publication number
CN113408185B
CN113408185B CN202110444809.3A CN202110444809A CN113408185B CN 113408185 B CN113408185 B CN 113408185B CN 202110444809 A CN202110444809 A CN 202110444809A CN 113408185 B CN113408185 B CN 113408185B
Authority
CN
China
Prior art keywords
weight
case
representing
iteration
temperature
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
CN202110444809.3A
Other languages
English (en)
Other versions
CN113408185A (zh
Inventor
严爱军
丁凯
胡开成
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202110444809.3A priority Critical patent/CN113408185B/zh
Publication of CN113408185A publication Critical patent/CN113408185A/zh
Application granted granted Critical
Publication of CN113408185B publication Critical patent/CN113408185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • F23L—SUPPLYING AIR OR NON-COMBUSTIBLE LIQUIDS OR GASES TO COMBUSTION APPARATUS IN GENERAL ; VALVES OR DAMPERS SPECIALLY ADAPTED FOR CONTROLLING AIR SUPPLY OR DRAUGHT IN COMBUSTION APPARATUS; INDUCING DRAUGHT IN COMBUSTION APPARATUS; TOPS FOR CHIMNEYS OR VENTILATING SHAFTS; TERMINALS FOR FLUES
    • F23L5/00—Blast-producing apparatus before the fire
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E20/00—Combustion technologies with mitigation potential
    • Y02E20/34—Indirect CO2mitigation, i.e. by acting on non CO2directly related matters of the process, e.g. pre-heating or heat recovery

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种城市生活垃圾焚烧过程炉排空气流量设定方法，涉及城市固体垃圾焚烧炉优化设定技术领域，通过关键被控变量(各炉排空气流量)的优化设定，使自动燃烧控制系统运行在理想范围内，主要包括如下步骤：(1)根据城市生活垃圾焚烧过程的历史数据建立设定数据库；(2)参数初始化；(3)基于自私牧群‑模拟退火算法分配特征权重；(4)通过案例检索模型得到K个相似案例的解；(5)通过案例重用求取K个相似案例解的平均值，从而得到目标案例解的设定值。(6)将目标案例与其设定值构成一条案例存储至设定数据库中；(7)重复步骤(3)～步骤(6)，以实现城市生活垃圾焚烧过程各炉排空气流量的优化设定过程。

Description

一种城市生活垃圾焚烧过程炉排空气流量设定方法
技术领域
本发明涉及城市固体垃圾焚烧炉优化设定技术领域，更具体来说，本发明是一种城市 生活垃圾焚烧过程炉排空气流量设定方法。
背景技术
垃圾焚烧过程中，城市生活垃圾焚烧炉一燃室烟气温度的控制结果是衡量焚烧过程是否 正常运行的关键指标之一，特别是炉膛温度应控制在850℃～950℃。稳定而准确的炉温有利于垃圾的充分干燥和挥发分的析出，并促进残碳的燃尽，从而提高垃圾的燃烧程度，减少有 害污染物(例如二噁英等)的排放，更加有效的实现垃圾资源化利用。然而，一燃室烟气温度 的操作变量较多，且具有耦合性，不利于控制器的决策，根据机理分析，可以确定的逻辑关 系是，根据各段炉排速度、入口空气温度及空气压力情况设定隔断炉排的空气流量，在通过 燃烧情况是否达标对空气流量进行设定来实现控制。因此，实现焚烧过程中炉排空气流量优化设定具有重要的现实意义。
目前，城市生活垃圾焚烧炉炉排空气流量的设定模型研究主要包括机理建模和数据驱动 建模。由于城市生活垃圾焚烧过程具有干扰众多、可调参数耦合严重等综合复杂性，使得机 理建模难以实现。然而基于数据驱动的建模方法借助人工智能技术通过采集和目标变量相关的、容易在线监测的数据实现对目标的预测，成为设定领域的一个研究热点。目前，用于工 程的这种建模方法主要有神经网络、支持向量机等。基于神经网络的建模方法通常需要大量 的有足够代表性的样本，且容易陷入局部最优，训练结果不稳定。相比之下，支持向量机方 法可以避免可能的过度学习和局部最优，具有全局优化能力和比神经网络更好的泛化能力,但 该建模方法适用于小样本，且缺乏自学习的能力。因此，导致这些设定方法应用效果不佳。
案例推理经过近四十年的发展得到了广泛应用，它的主要思想是通过评估当前问题与存 储在案例库中的源案例之间的相似性，继而在案例库中检索出相同或相似的案例，并利用这 个(或这些)源案例的解决方案来解决当前问题。值得关注的是，案例检索性能的好坏对案例 推理求解性能的高低有着至关重要的影响，在案例检索过程中特征权重的分配结果直接影响案例检索的性能。因此，本文从案例检索过程中特征权重的分配方法入手，对炉排空气流量 进行建模实现优化设定。
发明内容
针对上述问题，本发明提供了一种城市生活垃圾焚烧过程炉排空气流量设定方法，可以 通过对操作变量(各炉排空气流量)的优化设定，使得城市生活垃圾焚烧炉稳定运行。
为达到上述目的，本发明采用如下技术方案：
一种城市生活垃圾焚烧过程炉排空气流量设定方法，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设定案例库；(2)参数初始化；(3)基于自私牧群-模拟 退火算法(selfish herd optimizer-simulated annealing algorithm,SHO-SA)分配特征权重；(4)通过 案例检索模型得到M个相似案例的解；(5)通过案例重用求取M个相似案例解的平均值，从 而得到目标案例解的设定值。(6)将目标案例与其设定值构成一条案例存储至设定案例库中； (7)重复步骤(3)～步骤(6)，以实现城市生活垃圾焚烧过程炉排空气流量的优化设定过程。进一 步具体包括如下步骤：
(1)根据城市生活焚烧过程的历史数据建立设定案例库；将特征变量x1～x9(一次空气加热 器出口空气温度x1、干燥炉排左内侧速度x2、干燥炉排左外侧速度x3、干燥炉排左外侧速度 x4、干燥炉排右外侧速度x5、干燥段炉排左侧进口温度x6、干燥段炉排左侧出口温度x7、干 燥段炉排右侧进口温度x8、干燥段炉排右侧出口温度x9)的历史数据与干燥炉排空气流量y经 过归一化处理后表示成特征向量形式，形成A条源案例，存储于设定案例库中。记每条源案 例为Ct，表示为如下形式：
Ct＝(Xt；yt),t＝1,2,…,A (1)
其中，A是源案例总数；yt是第t条源案例Ct中干燥段炉排1空气流量值；Xt是第t条源案例 的问题描述，Xt可表示为：
Xt＝(x1,t,…,xλ,t,…,x9,t) (2)
其中，xλ,t(λ＝1,…,9)表示Ct中第λ个特征变量值。
(2)参数初始化；令自私牧群模-拟退火算法特征权重上下限ωd和ωu、总迭代次数itern、 当前迭代次数k、初始温度T0、最终温度Tmin、温度控制参数TSA和温度衰减系数τ。
(3)基于自私牧群-模拟退火算法分配特征权重；如图2，首先，采用SHO-SA算法优化 分配权重前，需要将随机生成的N组权重对象分成“猎物”和“捕食者”两组，猎物组的规模大于捕食者的规模，猎物群的成员集合用H表示，数量为Nh；另一部分为捕食者，成员集合用P表示，数量为Np。其次，采用自私牧群优化(selfish herd optimizer,SHO)算法进行权重 寻优，SHO算法通过运动阶段、捕食阶段和恢复阶段进行寻优；详细过程如下：
a.运动阶段：
根据猎物的结构，将猎物组的权重划分为三个角色对运动阶段进行分析：猎物的首领、 追随者以及独立于猎物群移动的逃亡者。首领
Figure SMS_1
代表第k次迭代猎物组中适应度最佳的 权重。三者定义表示如下：
Figure SMS_2
Figure SMS_3
Figure SMS_4
其中，
Figure SMS_5
表示第k次迭代中的数据hi的权重,/>
Figure SMS_6
表示第k次迭代过程中的追随者；/>
Figure SMS_7
表示当前迭代过程中的逃亡者；rand(0,1)表示(0,1)随机数且不影响算法性能。基于以上描述， 三种角色的运动方式表示如下：
首领运动：
Figure SMS_8
/>
其中，
Figure SMS_9
表示第k+1迭代的最佳适应度对应的权重，ck和sk为运动矢量，计算如公式(7) 和公式(8)所示；SV为生存值，表示如下：
Figure SMS_10
Figure SMS_11
Figure SMS_12
其中，
Figure SMS_13
为第k次迭代时被淘汰风险最高的权重，计算如公式(10)所示；
Figure SMS_14
表示 “猎物”组中权重对“捕食者”组中权重的排斥因子，计算如公式(11)所示；
Figure SMS_15
表示第k 次迭代过程中最优的权重；/>
Figure SMS_16
表示第k次迭代时最佳权重对“猎物”组其他权重的吸 引因子，计算如公式(12)所示；α和ε均为区间(0,1)之间的随机数，且不影响算法性能；f(Ω(i)) 表示N组权重中第i组所对应的适应度，Ω(i)＝(ωi,1,ωi,2,…,ωi,j,…,ωi,J)，ωi,j表示Ω(i)中的第j 个特征权重，J为特征总数；fbest和fworst分别表示在SHO算法进化过程中发现的最佳适应度 和最差适应度，分别定义如公式(13)和公式(14)所示：
Figure SMS_17
Figure SMS_18
Figure SMS_19
Figure SMS_20
Figure SMS_21
其中，
Figure SMS_22
表示第k次迭代过程中“捕食者”组的权重，k表示SHO进化过程中的当前迭 代次数。
追随者和逃亡者的运动：
Figure SMS_23
其中，
Figure SMS_24
和/>
Figure SMS_25
表示追随者和逃亡者的集合，当Ω(hi)被标识为主要或从属追随者时， fi k表示追随者的运动向量；当Ω(hi)被标识为逃亡者时，/>
Figure SMS_26
表示逃亡者的运动向量。fi k和/>
Figure SMS_27
表 示如下：
Figure SMS_28
Figure SMS_29
其中，
Figure SMS_31
为第k次迭代过程中权重/>
Figure SMS_34
对权重/>
Figure SMS_38
的吸引因子；/>
Figure SMS_33
为第k 次迭代过程中权重/>
Figure SMS_36
对权重/>
Figure SMS_40
的吸引因子；/>
Figure SMS_41
为第k次迭代过程中权重Ωbest对 权重/>
Figure SMS_30
的吸引因子；/>
Figure SMS_35
表示第k次迭代过程中权重Ω(hi)的生存值；χ、κ和/>
Figure SMS_39
为区 间(0，1)之间的随机数，且不影响算法性能；/>
Figure SMS_42
表示相对权重/>
Figure SMS_32
的最佳权重，他比权 重/>
Figure SMS_37
的生存值更大，其计算公式如下：
Figure SMS_43
其中，ri,j表示第k次迭代过程中权重
Figure SMS_44
和权重/>
Figure SMS_45
之间的欧几里得距离；Ω(Hk)表示 第k次迭代过程中“猎物”组的所有权重。
捕食者的运动只依赖于与猎物个体距离，并且捕食者通常攻击距离较近得个体，其运动 公式可以表示为：
Figure SMS_46
其中，
Figure SMS_47
表示第k次迭代时捕食者组的权重，I∈(1,Np)；ρ表示一个在区间[0,1]内的一个 随机数；/>
Figure SMS_48
是采用轮盘赌的方式在猎物组中选出的权重；r∈(1,2,...,Nh)，Nh表示猎 物组权重的数量。
b.捕食阶段
在捕食阶段，将淘汰的权重定义如下:
Figure SMS_49
其中，Nk表示在捕食阶段被淘汰的权重总数，Ω(hn)和Ω(hw)为被淘汰的权重个体。
c.恢复阶段
为了保证每次迭代权重的规模相同，采用轮盘赌方式恢复权重规模，恢复权重定义如下：
Figure SMS_50
其中，
Figure SMS_51
表示候选权重/>
Figure SMS_52
的特征元素。
恢复阶段后，种群规模恢复，得到新的迭代权重。通过SHO算法得到种群内部RMSE最小所对应的权重，并将上述权重和此权重的适应度分别记为Ωbest和f(Ωbest)，同时存储在ΩBest和f(ΩBest)中，如下所示：
ΩBest＝Ωbest (22)
f(ΩBest)＝f(Ωbest) (23)
然后，采用模拟退火(simulate anneal,SA)算法对上述权重继续寻优。详细过程如下：
将Ωbest作为模拟退火算法的初始值，在权重Ωbest附近进行随机搜索，从而产生新的权重 Ωnew，并计算其适应度f(Ωnew)，再采用Metropolis准则接受最优权重。当新权重的适应度优 于ΩBest的适应度时直接接受，否则通过概率ξ接受新权重，即ζ<ξ时接受，否则不接受，其 中，ξ的计算公式如公式(25)所示。如果新的权重被接受，则将新解Ωnew和其适应度f(Ωnew)赋 予ΩBest和f(ΩBest)，并且更新退火温度至最低温度Tmin，更新温度等式和Metropolis准则表示 如下：
Tn+1＝τ·Tn (24)
Figure SMS_53
其中，Tn为第n次退火的退火温度；Tn+1为第n+1次退火的退火温度；τ表示温度衰减率， 通常取0.8-0.99之间的值，本文取0.95。；ζ为通过rand生成的区间[0,1]内的随机数；Ωnew为 新的权重，ΩBest为当前最佳适应度所对应的权重；TSA为温度控制参数，且TSA＝Tn。
最后，当模拟退火算法中温度达到最低时，表明SHO-SA算法一次迭代寻优结束。选择 本次迭代得到的最优权重进入下一次迭代寻优，直到达到迭代次数，从而获得最优权重的近 似解。
(4)从测试案例库中获取干燥段炉排目标案例并做归一化处理，通过案例检索模型计算 干燥段目标案例与源案例的相似度并检索出相似案例；；其中，采用基于欧氏距离的相似性度 量方法计算当前数据(x1,A+1,…,xλ,A+1,…,x9,A+1)与源案例Ct的相似度值St：
Figure SMS_54
(5)通过案例重用求取M个相似案例解的平均值，从而得到目标案例解的设定值；
(6)将目标案例与设定值构成一条案例存储至设定数据库中，供下次优化设定求解。
(7)重复步骤(3)～步骤(6)，以实现城市生活垃圾焚烧过程炉排空气流量的优化设定过程。
本发明与现有技术相比，具有以下优点：1、本发明利用垃圾焚烧过程中产生的历史数据， 采用案例推理方法建立了优化设定模型，所需时间较短，有利于实时应用；2、避免了专家经 验进行优化设定的主观性；3、采用基于自私牧群-模拟退火算法的特征权重优化分配方法有 利于避免权重分配和距离陷阱的难题，使得炉排空气流量的设定值符合焚烧过程运行优化的 要求。
附图说明
图1为本发明城市生活垃圾焚烧过程炉排空气流量设定方法原理图；
图2为SHO-SA算法结构图
具体实施方式
样本数据来自某垃圾焚烧处理厂燃烧过程中产生的1000条数据，将其随机划分为800条 源案例和200条测试案例，下面结合图1对本发明的具体实施方式做进一步说明。
一种城市生活垃圾焚烧过程炉排空气流量设定方法，其特征在于，包括以下步骤：
(1)根据焚烧过程的历史数据建立设定案例库；详细过程如下：
将9个特征变量x1～x9(一次空气加热器出口空气温度x1、干燥段炉排左内侧速度x2、干 燥段炉排左外侧速度x3、干燥段炉排左外侧速度x4、干燥段炉排右外侧速度x5、干燥段炉排 左侧进口温度x6、干燥段炉排左侧出口温度x7、干燥段炉排右侧进口温度x8、干燥段炉排右 侧出口温度x9)的历史数据与相应的设定属性，即干燥段炉排空气流量y，经归一化后表示成 特征向量形式，形成800条源案例，存储于决策案例库中。记每条源案例为Ct，可表示为如 下形式：
Ct＝(Xt；yt),t＝1,2,…,800 (1)
其中，800是源案例总数；yt是第t条源案例Ct中的干燥段炉排空气流量值；Xt是第t条源案 例的问题描述，Xt可表示为：
Xt＝(x1,t,...,xλ,t,...,x9,t) (2)
其中，xλ,t(λ＝1,…,9)表示Ct中第λ个特征变量值；yt干燥段炉排空气流量值；
(2)参数初始化；根据SHO算法原理，令SHO-SA算法特征权重的上下限1和0；迭代次数根据实验效果确定，本文总迭代次数为100；根据SA算法原理，初始温度为100℃、最终温度为0.001℃，温度控制参数TSA等于Tn和温度衰减系数0.95。
(3)基于SHO-SA算法分配特征权重；首先，在采用SHO-SA算法优化分配权重前，需要将随机生成的100组权重对象分成“猎物”和“捕食者”两组，猎物组的规模大于捕食者 的规模，猎物群的成员集合用H表示，数量为Nh，占总数的70％～90％；另一部分为捕食者， 成员集合用P表示，数量为Np。其次，采用自私牧群优化(selfish herd optimizer,SHO)算法进 行权重寻优，SHO算法通过运动阶段、捕食阶段和恢复阶段进行寻优；详细过程如下：
a运动阶段
根据猎物的结构，将猎物组的权重划分为三个角色对运动阶段进行分析：猎物的首领、 追随者以及独立于猎物群移动的逃亡者。首领
Figure SMS_55
代表第k迭代猎物组中适应度最佳的权 重。三者定义表示如下：
Figure SMS_56
Figure SMS_57
Figure SMS_58
其中，
Figure SMS_59
表示第k次迭代中的数据hi的权重，/>
Figure SMS_60
表示第k次迭代过程中的追随者；/>
Figure SMS_61
表示当前迭代过程中的逃亡者；rand(0,1)表示(0,1)随机数且不影响算法性能。基于以上描述， 三种角色的运动方式表示如下：
首领运动：
Figure SMS_62
其中，
Figure SMS_63
表示第k+1次迭代的最佳适应度对应的权重，ck和sk为运动矢量，计算如公式 (7)和公式(8)所示SV为生存值，表示如下：
Figure SMS_64
/>
Figure SMS_65
Figure SMS_66
其中，
Figure SMS_67
为第k次迭代时被淘汰风险最高的权重，计算如公式(10)所，
Figure SMS_68
表示“猎 物”组中权重对“捕食者”组中权重的排斥因子，计算如公式(11)所示；
Figure SMS_69
表示第k次迭 代过程中最优的权重；/>
Figure SMS_70
表示第k次迭代时最佳权重对“猎物”组其他权重的吸引因 子，计算如公式(12)所示；α和ε均为区间(0,1)之间的随机数，且不影响算法性能；f(Ω(i))表 示100组权重中第i组所对应的适应度，Ω(i)＝(ωi,1,ωi,2,…,ωi,j,…,ωi,9)，ωi,j表示Ω(i)中的第j 个特征权重；fbest和fworst分别表示在SHO算法进化过程中发现的最佳适应度和最差适应度， 分别定义如下：
Figure SMS_71
Figure SMS_72
Figure SMS_73
Figure SMS_74
Figure SMS_75
其中，
Figure SMS_76
表示第k次迭代过程中“捕食者”组的权重，k表示SHO进化过程中的当前迭 代次数。
追随者和逃亡者的运动：
Figure SMS_77
其中，
Figure SMS_78
和/>
Figure SMS_79
表示追随者和逃亡者的集合，当Ω(hi)被标识为主要或从属追随者时， fi k表示追随者的运动向量；当Ω(hi)被标识为逃亡者时，/>
Figure SMS_80
表示逃亡者的运动向量。fi k和/>
Figure SMS_81
表 示如下：
Figure SMS_82
Figure SMS_83
其中，
Figure SMS_87
为第k次迭代过程中权重/>
Figure SMS_89
对权重/>
Figure SMS_93
的吸引因子；
Figure SMS_86
为第k 次迭代过程中权重/>
Figure SMS_90
对权重/>
Figure SMS_94
的吸引因子；/>
Figure SMS_96
为第k次迭代过程中权重Ωbest对 权重/>
Figure SMS_84
的吸引因子；/>
Figure SMS_88
表示第k次迭代过程中权重Ω(hi)的生存值；χ、κ和/>
Figure SMS_92
为区 间(0，1)之间的随机数，且不影响算法性能；/>
Figure SMS_95
表示相对权重/>
Figure SMS_85
的最佳权重，他比权 重/>
Figure SMS_91
的生存值更大，其计算公式如下：
Figure SMS_97
其中，ri,j表示第k次迭代过程中权重
Figure SMS_98
和权重/>
Figure SMS_99
之间的欧几里得距离；Ω(Hk)表示 第k次迭代过程中“猎物”组的所有权重。
捕食者的运动只依赖于与猎物个体距离，并且捕食者通常攻击距离较近的个体，其运动公式 可以表示为：
Figure SMS_100
其中，
Figure SMS_101
表示第k次迭代捕食者组的权重，I∈(1,Np)；ρ表示一个在区间[0,1]内的一个随 机数；/>
Figure SMS_102
是采用轮盘赌的方式在猎物组中选出的权重；r∈(1,2,...,Nh)，Nh表示猎物 组权重的数量。
b捕食阶段
在捕食阶段，将淘汰的权重总体Ω(K)定义如下:
Figure SMS_103
其中，Nk表示在捕食阶段被淘汰的权重总数，Ω(hn)和Ω(hw)为被淘汰的权重个体。
c恢复阶段
为了保证每次迭代权重的规模相同，采用轮盘赌方式恢复权重规模，恢复权重定义如下：
Figure SMS_104
其中，
Figure SMS_105
表示候选权重/>
Figure SMS_106
的特征元素。
恢复阶段后，种群规模恢复，得到新的迭代权重。通过SHO算法得到种群内部RMSE最小所对应的权重，并将上述权重和此权重的适应度分别记为Ωbest和f(Ωbest)，同时存储在ΩBest和f(ΩBest)中，如下所示：
ΩBest＝Ωbest (22)
f(ΩBest)＝f(Ωbest) (23)
然后，采用模拟退火(simulate anneal,SA)算法对上述权重继续寻优。详细过程如下：
将Ωbest作为模拟退火算法的初始值，在权重Ωbest附近进行随机搜索，从而产生新的权重 Ωnew，并计算其适应度f(Ωnew)，再采用Metropolis准则接受最优权重。当新权重的适应度优 于ΩBest的适应度时直接接受，否则通过概率ξ接受新权重，即ζ<ξ时接受，否则不接受，其 中，ξ的计算公式如公式(25)所示。。如果新的权重被接受，则将新解Ωnew和其适应度f(Ωnew)赋 予ΩBest和f(ΩBest)，并且更新退火温度至最低温度Tmin，更新温度等式和Metropolis准则表示 如下：
Tn+1＝τ·Tn (24)
Figure SMS_107
其中，Tn为第n次退火的退火温度；Tn+1为第n+1次退火的退火温度；τ表示温度衰减率，通 常取0.8-0.99之间的值，本文取0.95。；ζ为通过rand生成的区间[0,1]内的随机数；Ωnew为新 的权重，ΩBest为当前最佳适应度所对应的权重；TSA为温度控制参数，且TSA＝Tn。
最后，当模拟退火算法中温度达到0.001℃时，表明SHO-SA算法一次迭代寻优结束。选 择本次迭代得到的最优权重进入下一次迭代寻优，直到达到迭代100次，从而获得最优权重 的近似解；
(4)从测试案例库中获取干燥段炉排目标案例并做归一化处理，通过案例检索模型计算 干燥段目标案例与源案例的相似度并检索出相似案例；其中，采用欧氏距离的相似度量方法 计算干燥段炉排当前数据与源案例的相似度值St：
Figure SMS_108
(5)通过案例重用求取相似度值大的前M个相似案例解的平均值，从而得到干燥段空气 流量解的设定值，根据通用性、准确性，M的取值为3；
(6)将目标案例与设定值构成一条案例存储至设定数据库中，供下次优化设定求解；
(7)重复步骤(3)～步骤(6)，以实现城市生活垃圾焚烧过程各炉排空气流量的优化设定过程；
以往的垃圾焚烧过程优化控制完全是由操作人员凭经验进行，一旦操作不当会影响焚烧 过程的运行，造成较大经济损失。本文发明将基于SHO-SA算法的特征权重分配方法同案例 推理技术结合实现了城市生活垃圾焚烧过程炉排空气流量实时设定，参照下表，为了进一步验证采用SHO-SA方法分配权重的案例推理(简记为：CBRSHO-SA)算法在垃圾焚烧过程实时 设定炉排空气流量的效果，将历史数据用于本方法及其他预测方法的对比实验中，从对干燥段空气流量的设定平均拟合误差中可以看出CBRSHO-SA的设定效果较有优势，故该方法具 有一定的应用价值。
Figure SMS_109
/>

Claims (1)

1.一种城市生活垃圾焚烧过程炉排空气流量设定方法，其特征在于，具体包括如下步骤：
(1)根据城市生活焚烧过程的历史数据建立设定案例库；将特征变量x1～x9即一次空气加热器出口空气温度x1、干燥炉排左内侧速度x2、干燥炉排左外侧速度x3、干燥炉排左外侧速度x4、干燥炉排右外侧速度x5、干燥段炉排左侧进口温度x6、干燥段炉排左侧出口温度x7、干燥段炉排右侧进口温度x8、干燥段炉排右侧出口温度x9的历史数据与干燥炉排空气流量y经过归一化处理后表示成特征向量形式，形成A条源案例，存储于设定案例库中；记每条源案例为Ct，表示为如下形式：
Ct＝(Xt；yt),t＝1,2,…,A (1)
其中，A是源案例总数；yt是第t条源案例Ct中干燥段炉排空气流量值；Xt是第t条源案例的问题描述，Xt可表示为：
Xt＝(x1,t,…,xλ,t,…,x9,t) (2)
其中，xλ,t(λ＝1,…,9)表示Ct中第λ个特征变量值；
(2)参数初始化；初始化自私牧群模拟-退火算法特征权重上下限ωd和ωu、总迭代次数itern、当前迭代次数k、初始温度T0、最终温度Tmin、温度控制参数TSA和温度衰减系数τ；
(3)基于自私牧群-模拟退火算法分配特征权重；首先，采用SHO-SA算法优化分配权重前，需要将随机生成的N组权重对象分成“猎物”和“捕食者”两组，猎物组的规模大于捕食者的规模，猎物群的成员集合用H表示，数量为Nh；另一部分为捕食者，成员集合用P表示，数量为Np；其次，采用自私牧群优化SHO算法进行权重寻优，SHO算法通过运动阶段、捕食阶段和恢复阶段进行寻优；详细过程如下：
a.运动阶段：
根据猎物的结构，将猎物组的权重划分为三个角色对运动阶段进行分析：猎物的首领、追随者以及独立于猎物群移动的逃亡者；首领
Figure QLYQS_1
代表第k次迭代猎物组中适应度最佳的权重；三者定义表示如下：
Figure QLYQS_2
Figure QLYQS_3
Figure QLYQS_4
其中，Ω(Hk)表示第k次迭代过程中“猎物”组的所有权重；
Figure QLYQS_5
表示第k次迭代过程中权重Ω(hi)的生存值；
Figure QLYQS_6
表示第k次迭代中的数据hi的权重，/>
Figure QLYQS_7
表示第k次迭代过程中的追随者的权重；/>
Figure QLYQS_8
表示第k次迭代过程中的逃亡者的权重；rand(0,1)表示(0,1)随机数且不影响算法性能；基于以上描述，三种角色的运动方式表示如下：
首领运动：
Figure QLYQS_9
/>
其中，
Figure QLYQS_10
表示第k+1次迭代的最佳适应度对应的权重；ck和sk为运动矢量，计算如公式(7)和公式(8)所示；SV为生存值，表示如下：
Figure QLYQS_11
Figure 10000164684873
(8)
Figure QLYQS_13
其中，
Figure QLYQS_14
为第k次迭代时被淘汰风险最高的权重，计算如公式(10)所示；/>
Figure QLYQS_15
表示“猎物”组中权重对“捕食者”组中权重的排斥因子，计算如公式(11)所示；/>
Figure QLYQS_16
表示第k次迭代过程中最优的权重；/>
Figure QLYQS_17
表示第k次迭代时最佳权重对“猎物”组其他权重的吸引因子，计算如公式(12)所示；α和ε均为区间(0,1)之间的随机数，且不影响算法性能；f(Ω(i))表示N组权重中第i组所对应的适应度，Ω(i)＝(ωi,1,ωi,2,…,ωi,j,…,ωi,J)，ωi,j表示Ω(i)中的第j个特征权重，J为特征总数；fbest和fworst分别表示在SHO算法进化过程中发现的最佳适应度和最差适应度，分别定义如公式(13)和公式(14)所示：
Figure QLYQS_18
Figure QLYQS_19
Figure QLYQS_20
Figure QLYQS_21
Figure QLYQS_22
其中，
Figure QLYQS_23
表示第k次迭代过程中“捕食者”组的权重，k表示SHO进化过程中的当前迭代次数；
追随者和逃亡者的运动：
Figure QLYQS_24
其中，
Figure QLYQS_25
和/>
Figure QLYQS_26
表示追随者的权重和逃亡者的权重的集合，当Ω(hi)被标识为主要或从属追随者时，fi k表示追随者的运动向量；当Ω(hi)被标识为逃亡者的权重时，/>
Figure QLYQS_27
表示逃亡者的运动向量；fi k和/>
Figure QLYQS_28
表示如下：
Figure QLYQS_29
Figure QLYQS_30
其中，
Figure QLYQS_34
为第k次迭代过程中权重/>
Figure QLYQS_35
对权重/>
Figure QLYQS_40
的吸引因子；/>
Figure QLYQS_32
为第k次迭代过程中权重/>
Figure QLYQS_38
对权重/>
Figure QLYQS_41
的吸引因子；/>
Figure QLYQS_43
为第k次迭代过程中权重Ωbest对权重/>
Figure QLYQS_31
的吸引因子；χ、κ和/>
Figure QLYQS_39
为区间(0，1)之间的随机数，且不影响算法性能；
Figure QLYQS_42
表示相对权重/>
Figure QLYQS_33
的最佳权重，他比权重/>
Figure QLYQS_37
的生存值更大，其计算公式如下：
Figure QLYQS_44
其中，ri,b表示第k次迭代过程中权重
Figure QLYQS_45
和权重/>
Figure QLYQS_46
之间的欧几里得距离；
捕食者的运动只依赖于与猎物个体距离，并且捕食者攻击距离较近得个体，其运动公式表示为：
Figure QLYQS_47
其中，
Figure QLYQS_48
表示第k次迭代时捕食者组的权重，I∈(1,Np)；ρ表示一个在区间[0,1]内的一个随机数；/>
Figure QLYQS_49
是采用轮盘赌的方式在猎物组中选出的权重；r∈(1,2,...,Nh)，Nh表示猎物组权重的数量；
b.捕食阶段：
在捕食阶段，将淘汰的权重总体Ω(K)定义如下:
Figure QLYQS_50
其中，Nk表示在捕食阶段被淘汰的权重总数，Ω(kn)和Ω(hw)为被淘汰的权重个体；
c.恢复阶段：
为了保证每次迭代权重的规模相同，采用轮盘赌方式恢复权重规模，恢复权重定义如下：
Figure QLYQS_51
其中，
Figure QLYQS_52
表示候选权重/>
Figure QLYQS_53
的特征元素；
恢复阶段后，种群规模恢复，得到新的迭代权重；通过SHO算法得到种群内部RMSE最小所对应的权重，并将上述权重和此权重的适应度分别记为Ωbest和f(Ωbest)，同时存储在ΩBest和f(ΩBest)中，如下所示：
ΩBest＝Ωbest (22)
f(ΩBest)＝f(Ωbest) (23)
然后，采用模拟退火(simulate anneal,SA)算法对上述权重继续寻优；详细过程如下：
将Ωbest作为模拟退火算法的初始值，在权重Ωbest附近进行随机搜索，从而产生新的权重Ωnew，并计算其适应度f(Ωnew)，再采用Metropolis准则接受最优权重；当新权重的适应度优于ΩBest的适应度时直接接受，否则通过概率ξ接受新权重，即ζ<ξ时接受，否则不接受，其中,ξ的计算公式如公式(25)所示；如果新的权重被接受，则将新解Ωnew和其适应度f(Ωnew)赋予ΩBest和f(ΩBest)，并且更新退火温度至最低温度Tmin，更新温度等式和Metropolis准则表示如下：
Tn+1＝τ·Tn (24)
Figure QLYQS_54
其中，Tn为第n次退火的退火温度；Tn+1为第n+1次退火的退火温度；τ表示温度衰减率，取0.8-0.99之间的值；ζ为通过rand生成的区间[0,1]内的随机数；Ωnew为新的权重，ΩBest为当前最佳适应度所对应的权重；TSA为温度控制参数，且TSA＝Tn；
最后，当模拟退火算法中温度达到最低时，表明SHO-SA一次迭代寻优结束；选择本次迭代得到的最优权重进入下一次迭代寻优，直到达到迭代次数，从而获得最优权重的近似解；
(4)从测试案例库中获取干燥段炉排目标案例并做归一化处理，通过案例检索模型计算干燥段目标案例与源案例的相似度并检索出相似案例；其中，采用基于欧氏距离的相似性度量方法计算当前数据(x1,A+1,…,xλ,A+1,…,x9,A+1)与源案例Ct的相似度值St：
Figure QLYQS_55
(5)通过案例重用求取M个相似案例解的平均值，从而得到目标案例解的设定值M的取值为3；
(6)将目标案例与设定值构成一条案例存储至设定数据库中，供下次优化设定求解；
(7)重复步骤(3)～步骤(6)，以实现城市生活垃圾焚烧过程各炉排空气流量的优化设定过程。
CN202110444809.3A 2021-04-24 2021-04-24 一种城市生活垃圾焚烧过程炉排空气流量设定方法 Active CN113408185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110444809.3A CN113408185B (zh) 2021-04-24 2021-04-24 一种城市生活垃圾焚烧过程炉排空气流量设定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110444809.3A CN113408185B (zh) 2021-04-24 2021-04-24 一种城市生活垃圾焚烧过程炉排空气流量设定方法

Publications (2)

Publication Number Publication Date
CN113408185A CN113408185A (zh) 2021-09-17
CN113408185B true CN113408185B (zh) 2023-05-23

Family

ID=77677682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110444809.3A Active CN113408185B (zh) 2021-04-24 2021-04-24 一种城市生活垃圾焚烧过程炉排空气流量设定方法

Country Status (1)

Country Link
CN (1) CN113408185B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115354144B (zh) * 2022-08-29 2024-01-30 湖南华菱涟源钢铁有限公司 一种基于案例匹配的辊式淬火过程操作参数设定方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106931453A (zh) * 2017-02-27 2017-07-07 浙江大学 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法
CN108224446A (zh) * 2017-12-31 2018-06-29 北京工业大学 一种垃圾焚烧过程的自动燃烧优化决策方法
CN111457392A (zh) * 2020-04-20 2020-07-28 北京工业大学 城市生活垃圾焚烧过程风量智能设定方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106931453A (zh) * 2017-02-27 2017-07-07 浙江大学 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法
CN108224446A (zh) * 2017-12-31 2018-06-29 北京工业大学 一种垃圾焚烧过程的自动燃烧优化决策方法
CN111457392A (zh) * 2020-04-20 2020-07-28 北京工业大学 城市生活垃圾焚烧过程风量智能设定方法

Also Published As

Publication number Publication date
CN113408185A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
Tuggener et al. Automated machine learning in practice: state of the art and recent results
CN110334843B (zh) 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置
CN113408185B (zh) 一种城市生活垃圾焚烧过程炉排空气流量设定方法
White et al. Exploring the loss landscape in neural architecture search
CN113405106B (zh) 一种垃圾焚烧过程的人工智能控制方法
CN113611356B (zh) 一种基于自监督图表征学习的药物重定位预测方法
CN113204925A (zh) 改进鲸鱼优化最小二乘支持向量机的带钢厚度预测方法
CN112163376A (zh) 一种基于天牛须搜索的极端随机树炉温预测控制方法
CN111832949A (zh) 一种装备作战试验鉴定指标体系构建方法
CN109871379A (zh) 一种基于数据块学习的在线哈希最近邻查询方法
CN116011670A (zh) 火灾预测模型训练、使用方法、设备和介质
CN116090549A (zh) 一种基于知识驱动的多智能体强化学习决策方法、系统及存储介质
Ben-Iwhiwhu et al. Evolving inborn knowledge for fast adaptation in dynamic pomdp problems
CN116713999B (zh) 一种多机械臂多目标寻找的训练方法及训练装置
CN116595543A (zh) 一种基于互联网平台用软件开发应用数据的处理系统
CN108491923B (zh) 基于改进狼群算法优化贝叶斯网络的害虫图像识别方法
CN113610260B (zh) 一种城市生活垃圾焚烧过程烟气组分浓度预测方法
CN107273687B (zh) kbAFSA的超临界水氧化反应动力学模型参数估计方法
Sujatha et al. Soft sensor with shape descriptors for flame quality prediction based on lstm regression
CN113154404B (zh) 一种城市生活垃圾焚烧过程二次风量智能设定方法
CN109711460A (zh) 初始聚类中心的获取方法及装置
Wang et al. A hybrid optimization algorithm based on clonal selection principle and particle swarm intelligence
CN117374469B (zh) 基于浸没式液冷储能系统的控制方法
Wang et al. EfficientZero V2: Mastering Discrete and Continuous Control with Limited Data
CN117452828B (zh) 基于神经网络的锅炉有害气体排放控制方法及系统

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