CN114564829B - 一种计及rdf掺混比的温度预测控制方法 - Google Patents

一种计及rdf掺混比的温度预测控制方法 Download PDF

Info

Publication number
CN114564829B
CN114564829B CN202210188131.1A CN202210188131A CN114564829B CN 114564829 B CN114564829 B CN 114564829B CN 202210188131 A CN202210188131 A CN 202210188131A CN 114564829 B CN114564829 B CN 114564829B
Authority
CN
China
Prior art keywords
rdf
formula
matrix
temperature
increment
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
CN202210188131.1A
Other languages
English (en)
Other versions
CN114564829A (zh
Inventor
陈薇
张建飞
李雁南
刘辉
杨恺
刘双飞
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.)
Hefei University of Technology
Original Assignee
Hefei 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210188131.1A priority Critical patent/CN114564829B/zh
Publication of CN114564829A publication Critical patent/CN114564829A/zh
Application granted granted Critical
Publication of CN114564829B publication Critical patent/CN114564829B/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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F27D2019/0003—Monitoring the temperature or a characteristic of the charge and using it as a controlling value
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F27D2019/0028—Regulation
    • F27D2019/0034—Regulation through control of a heating quantity such as fuel, oxidant or intensity of current
    • F27D2019/004—Fuel quantity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种计及RDF掺混比的温度预测控制方法，其步骤包括：1、建立多输入温度状态空间模型；2、计及RDF掺混比的温度模型预测控制。本发明能在温度控制过程中考虑到RDF与煤粉的共燃特性对温度的影响，从而提高协同处置固体废物过程中温度控制效果。

Description

一种计及RDF掺混比的温度预测控制方法
技术领域
本发明属于温度建模与控制领域，具体的说是一种计及RDF掺混比的温度预测控制方法。
背景技术
近年来，我国固体废物处置利用压力越来越大，各行业协同处置固体废物行业迅速发展。其中，由于窑炉具有高温、高碱性环境以及完备的废气处理等环保措施，钢铁、水泥以及发电等涉及热交换的过程工业在协同处置固体废物方面已开展大量工作并取得一定成果。
对于上述工业，温度是生产过程中的关键参数。当前协同处置固体废物的方式通常为将固体废物可燃烧部分制成垃圾衍生燃料(Refuse Derived Fuel，简称RDF)，喂入窑炉内，与煤粉共同燃烧提供热量。但一方面，与煤粉相比，RDF在组成、燃烧特性等方面存在明显差异，二者在窑炉内共燃时会产生交互影响，盲目地使用RDF替代煤粉燃烧，可能导致窑炉内温度产生波动，从而影响后续生产过程；另一方面，温度控制具有纯滞后、强耦合等特点，采用人工或传统PID控制方法，能耗及人力成本较高且控制效果不佳。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种计及RDF掺混比的温度预测控制方法，以期能在温度控制过程中考虑到RDF与煤粉的共燃特性对温度的影响，从而提高协同处置固体废物过程中温度控制效果。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种计及RDF掺混比的温度预测控制方法的特点是按如下步骤进行：
步骤1、实时采集协同处置固体废物窑炉数据{T(k)，Fc(k)，FR(k)|k＝1,...,N}；其中，T(k)表示第k次采样时刻的温度值，Fc(k)表示第k次采样时刻的喂煤量，FR(k)表示第k次采样时刻的RDF喂料量；
步骤2、利用滑动均值滤波法对数据{T(k)，Fc(k)，FR(k)|k＝1,...,N}进行预处理，获得滤波后的数据
Figure GDA0004068276800000011
其中，/>
Figure GDA0004068276800000012
表示第k次采样时刻的温度滤波值，/>
Figure GDA0004068276800000013
表示第k次采样时刻的喂煤量滤波值，/>
Figure GDA0004068276800000014
表示第k次采样时刻的RDF喂料量滤波值；
步骤3、建立基于SSARX-MLR算法的多输入温度状态空间模型：
步骤3.1、选取第k次采样时刻的喂煤量滤波值
Figure GDA0004068276800000015
和RDF喂料量滤波值/>
Figure GDA0004068276800000016
作为k时刻输入uk、第k次采样时刻的温度滤波值/>
Figure GDA0004068276800000017
作为k时刻输出yk；
步骤3.2、初始化多输入温度状态空间模型的阶次n＝2；
步骤3.3、初始化SSARX-MLR算法的阶次f＝q；
步骤3.4、初始化温度关于喂煤量的滞后步数τc＝0；
步骤3.5、初始化温度关于RDF喂料量的滞后步数τR＝0；
步骤3.6、利用式(1)构建变量q维矩阵Wq：
Figure GDA0004068276800000021
式(1)中，Uq表示q维输入变量矩阵，且
Figure GDA0004068276800000022
Yq表示q维输出变量矩阵，且/>
Figure GDA0004068276800000023
T表示转置；N表示数据序列长度；
步骤3.7、利用式(2)计算线性回归模型的系数θ：
Figure GDA0004068276800000024
式(2)中，YF表示拟合数据序列，且YF＝[yq yq+1 … yN-1]；
步骤3.8、利用式(3)计算可观测性矩阵OX：
OX＝θWq (3)
步骤3.9、对可观测性矩阵OX进行奇异值分解得到对角元为正的对角矩阵Σ+和右奇异矩阵V1；
步骤3.10、利用式(4)计算多输入温度状态空间模型的状态序列集合X：
X＝∑+V1 (4)
步骤3.11、利用式(5)计算多输入状态空间模型的状态系数矩阵A、输入系数矩阵B、输出系数矩阵C：
Figure GDA0004068276800000025
[yq yq+1 … yN-f]≈C[xq xq+1 … xN-f]
式(5)中，xk表示状态序列集合X中k时刻的状态序列；
步骤3.12、利用式(6)确定多输入温度状态空间模型：
Figure GDA0004068276800000031
式(6)中，xk+1表示k+1时刻的状态序列；
步骤3.13、对多输入温度状态空间模型进行曲线拟合度检验，若满足检验要求，则表示所述多输入温度状态空间模型即为温度多输入模型，否则，根据曲线拟合度修改阶次n，根据真实曲线与拟合曲线的趋势关系修改f、q，根据真实曲线与拟合曲线的峰值关系修改τc、τR后，返回步骤3.6顺序执行；
步骤4、计及RDF掺混比的温度模型预测控制：
步骤4.1、初始化控制参数：
步骤4.1.1、定义并初始化预测步长为P；
步骤4.1.2、定义并初始化控制步长为M；
步骤4.1.3、定义并初始化RDF掺混比为kep；
步骤4.1.4、定义并初始化柔化因子为α；
步骤4.1.5、初始化喂煤量增量的最大值和最小值分别为Δucmax、Δucmin、RDF喂料量增量的最大值和最小值分别为ΔuRmax、ΔuRmin；
步骤4.1.6、初始化喂煤量的最大值和最小值分别为ucmax、ucmin、RDF喂料量的最大值和最小值分别为uRmax、uRmin；
步骤4.2、利用式(7)-式(9)计算状态系数矩阵Ap、输入系数矩阵Bp、输出系数矩阵Cp：
Figure GDA0004068276800000032
Bp＝[(B)T(CB)T]T (8)
Cp＝[op Ip] (9)
式(7)-式(9)中，op表示m×v维零矩阵，Ip表示m×m维单位矩阵，m表示k时刻输出值yk包含变量个数，v表示k时刻状态序列xk包含变量个数；
步骤4.3、利用式(10)搭建温度预测模型：
Figure GDA0004068276800000041
步骤4.4、计算喂煤量增量和RDF喂料量增量：
步骤4.4.1、利用式(11)计算温度设定值参考轨迹yr：
yr＝(1-α)Rs+αyk (11)
式(11)中，Rs表示温度设定值；
步骤4.4.2、利用式(12)计算Hessian矩阵H：
H＝(ΦTQΦ+R)T (12)
式(12)中，Φ表示用于温度预测的喂煤量增量与RDF喂料量增量的系数矩阵，且
Figure GDA0004068276800000042
Q表示误差加权矩阵，R表示控制加权矩阵；
步骤4.4.3、利用式(13)计算k时刻温度控制目标参数ηk：
η＝ΦTQ(-Rs+Fxk) (13)
式(13)中，F表示用于温度预测的状态变量的系数矩阵，且F＝[(CpAp)T (CpAp 2)T… (CpAp P)T]T；
步骤4.4.4、利用式(14)计算保护及温度控制参数的系数矩阵Ψ：
Ψ＝[-Φx T Φx T]T (14)
式(14)中，Φx表示状态序列系数矩阵的集合，且
Figure GDA0004068276800000043
步骤4.4.5、利用式(15)计算从第k次采样时刻开始，未来M步的计算出的喂煤量增量与RDF喂料量增量的集合ΔU(k)：
Figure GDA0004068276800000051
ΨΔU(k)≤γ
式(15)中，Jnew表示目标函数，γ表示控制过程中的约束信息的集合，ΨΔU(k)≤γ表示约束条件；U(k)表示从第k次采样时刻开始，未来M步的喂煤量与RDF喂料量设定值的集合；
步骤4.5、将矩阵ΔU的第一列与当前时刻输入序列相加后下发给DCS设备，用于实现当前k时刻的预测控制；
步骤4.6、将k+1赋值给k后返回步骤4.4进行新一轮的预测控制。
本发明所述的计及RDF掺混比的温度预测控制方法的特点是，所述步骤4.4.5中的约束信息是由式(16)-式(18)构建：
K(U(k)+ΔU(k))≥0(16)
ΔUmin≤ΔU(k)≤ΔUmax (17)
Umin≤U(k)≤Umax(18)
式(16)表示关于RDF掺混比的约束条件，使求得的RDF喂料量与喂煤量的比例保持在一定范围；式(16)中，U(k)表示从第k次采样时刻开始，未来M步的喂煤量与RDF喂料量设定值的集合；ΔU(k)表示从第k次采样时刻开始，未来M步的计算出的喂煤量增量与RDF喂料量增量的集合；K表示RDF掺混比约束矩阵，且K＝[kep-1]；
式(17)表示喂煤量增量与RDF喂料量增量的约束条件，式(17)中，ΔUmax表示喂煤量增量和RDF喂料量增量的最大值矩阵，由Δucmax和ΔuRmax组成；ΔUmin表示喂煤量增量和RDF喂料量增量的最小值矩阵，由Δucmin和ΔuRmin组成；
式(18)表示喂煤量与RDF喂料量的约束条件，式(18)中，Umax表示喂煤量和RDF喂料量的最大值矩阵，由ucmax和uRmax组成；Umin表示喂煤量和RDF喂料量的最小值矩阵，由ucmin和uRmin组成。
与现有技术相比，本发明的有益效果在于：
1、本发明根据窑炉内RDF与煤粉共燃特性，确定温度控制过程中RDF与煤粉的数量关系，即RDF掺混比，并将其作为约束条件引入到温度控制过程中喂煤量和RDF喂料量的求解过程中，减小添加RDF对窑炉温度的影响，从而在协同处置固体废物的同时提高了窑炉温度控制的稳定性，保证了后续生产过程稳定运行。
2、本发明采用SSARX-MLR算法建立窑炉温度数据驱动模型，相较于传统的基于投影概念的子空间辨识算法，其辨识结果更接近于真实系统，从而使依据该算法建立的数据驱动模型进行预测控制可以取得更好的控制效果。
附图说明
图1为本发明分解炉原始数据图；
图2为本发明计及RDF掺混比的温度预测控制原理图；
图3为本发明计及RDF掺混比的温度预测控制效果图。
具体实施方式
在本实施例中，一种计及RDF掺混比的温度预测控制方法，是按如下步骤进行：
步骤1、实时采集协同处置固体废物窑炉数据{T(k)，Fc(k)，FR(k)|k＝1,...,N}；其中，T(k)表示第k次采样时刻的温度值，Fc(k)表示第k次采样时刻的喂煤量，FR(k)表示第k次采样时刻的RDF喂料量，本实施例中，以水泥生产过程中的分解炉数据为例，根据实际情况及建模要求，选取一段系统工况稳定且包含不同RDF掺混比工况的数据，时间跨度2.5小时，采样周期5秒，共计1800组数据，采集到的数据如图1所示；
步骤2、因为工业现场干扰因素较多，会影响采集的DCS数据品质。利用滑动均值滤波法对数据{T(k)，Fc(k)，FR(k)|k＝1,...,N}进行预处理，获得滤波后的数据
Figure GDA0004068276800000061
其中，/>
Figure GDA0004068276800000062
表示第k次采样时刻的温度滤波值，/>
Figure GDA0004068276800000063
表示第k次采样时刻的喂煤量滤波值，/>
Figure GDA0004068276800000064
表示第k次采样时刻的RDF喂料量滤波值；
步骤3、建立基于SSARX-MLR算法的多输入温度状态空间模型：
步骤3.1、选取第k次采样时刻的喂煤量滤波值
Figure GDA0004068276800000065
和RDF喂料量滤波值/>
Figure GDA0004068276800000066
作为k时刻输入uk、第k次采样时刻的温度滤波值/>
Figure GDA0004068276800000067
作为k时刻输出yk；
步骤3.2、初始化多输入温度状态空间模型的阶次n＝2；
步骤3.3、初始化SSARX-MLR算法的阶次f＝q；
步骤3.4、初始化温度关于喂煤量的滞后步数τc＝0；
步骤3.5、初始化温度关于RDF喂料量的滞后步数τR＝0；
步骤3.6、利用式(1)构建变量q维矩阵Wq：
Wq＝[Uq T Yq T]T (1)
式(1)中，Uq表示q维输入变量矩阵，且
Figure GDA0004068276800000071
Yq表示q维输出变量矩阵，且/>
Figure GDA0004068276800000072
T表示转置；N表示数据序列长度；/>
步骤3.7、利用式(2)计算线性回归模型的系数θ：
Figure GDA0004068276800000073
式(2)中，YF表示拟合数据序列，且YF＝[yq yq+1 … yN-1]；
步骤3.8、利用式(3)计算可观测性矩阵OX：
OX＝θWq (3)
步骤3.9、对可观测性矩阵OX进行奇异值分解得到对角元为正的对角矩阵Σ+和右奇异矩阵V1；
步骤3.10、利用式(4)计算多输入温度状态空间模型的状态序列集合X：
X＝∑+V1 (4)
步骤3.11、利用式(5)计算多输入状态空间模型的状态系数矩阵A、输入系数矩阵B、输出系数矩阵C：
Figure GDA0004068276800000074
[yq yq+1 … yN-f]≈C[xq xq+1 … xN-f]
式(5)中，xk表示状态序列集合X中k时刻的状态序列
步骤3.12、利用式(6)确定多输入温度状态空间模型：
Figure GDA0004068276800000075
式(6)中，xk+1表示k+1时刻的状态序列；
步骤3.13、对多输入温度状态空间模型进行曲线拟合度检验，若满足检验要求，则表示多输入温度状态空间模型即为温度多输入模型，否则，根据曲线拟合度修改阶次n，根据真实曲线与拟合曲线的趋势关系修改f、q，根据真实曲线与拟合曲线的峰值关系修改τc、τR后，返回步骤3.6顺序执行。最终选择建模参数n＝3、f＝q＝10，τc＝6，τR＝3；
步骤4、计及RDF掺混比的温度模型预测控制：
如图2所示，根据预测模型对分解炉出口温度曲线进行预测，并与分解炉出口温度参考轨迹作差，将约束条件引入求解分解炉喂煤量增量和RDF喂料量增量的过程中，最终的到满足要求的设定值下发给DCS设备。
步骤4.1、初始化控制参数：
步骤4.1.1、定义并初始化预测步长P＝20；
步骤4.1.2、定义并初始化控制步长为M＝20；
步骤4.1.3、定义并初始化RDF掺混比为kep＝1/6；
步骤4.1.4、定义并初始化柔化因子为α＝0.98；
步骤4.1.5、由于生产工艺的以及安全手册的要求，单次喂煤量和RDF喂料量的调节幅度均需要加以限制。初始化喂煤量增量的最大值和最小值分别为Δucmax、Δucmin、RDF喂料量增量的最大值和最小值分别为ΔuRmax、ΔuRmin；
步骤4.1.6、由于机械结构的限制，可以设置的喂煤量和RDF喂料量均需要在一定范围内。初始化喂煤量的最大值和最小值分别为ucmax、ucmin、RDF喂料量的最大值和最小值分别为uRmax、uRmin；
步骤4.2、利用式(7)-式(9)计算状态系数矩阵Ap、输入系数矩阵Bp、输出系数矩阵Cp：
Figure GDA0004068276800000081
Bp＝[(B)T (CB)T]T (8)
Cp＝[op Ip] (9)
式(7)-式(9)中，op表示m×v维零矩阵，Ip表示m×m维单位矩阵，m表示k时刻输出值yk包含变量个数，v表示k时刻状态序列xk包含变量个数，在本实施例中，m＝2，v＝3；
步骤4.3、利用式(10)搭建温度预测模型：
Figure GDA0004068276800000091
步骤4.4、计算喂煤量增量和RDF喂料量增量：
步骤4.4.1、利用式(11)计算温度设定值参考轨迹yr：
yr＝(1-α)Rs+αyk (11)
式(11)中，Rs表示温度设定值；
步骤4.4.2、利用式(12)计算Hessian矩阵H：
H＝(ΦTQΦ+R)T (12)
式(12)中，Φ表示用于温度预测的喂煤量增量与RDF喂料量增量的系数矩阵，且
Figure GDA0004068276800000093
Q表示误差加权矩阵，R表示控制加权矩阵；
步骤4.4.3、利用式(13)计算k时刻温度控制目标参数ηk：
ηk＝ΦTQ(-Rs+Fxk) (13)
式(13)中，F表示用于温度预测的状态变量的系数矩阵，且F＝[(CpAp)T (CpAp 2)T… (CpAp P)T]T；
步骤4.4.4、利用式(14)计算保护及温度控制参数的系数矩阵Ψ：
Ψ＝[-Φx T Φx T]T (14)
式(14)中，Φx表示状态序列系数矩阵的集合，且
Figure GDA0004068276800000092
/>
步骤4.4.5、利用式(15)计算从第k次采样时刻开始，未来M步的计算出的喂煤量增量与RDF喂料量增量的集合ΔU(k)：
Figure GDA0004068276800000101
ΨΔU(k)≤γ
式(15)中，Jnew表示目标函数，γ表示控制过程中的约束信息的集合，ΨΔU≤γ表示约束条件，由式(16)-式(18)构建：
K(U(k)+ΔU(k))≥0 (16)
ΔUmin≤ΔU(k)≤ΔUmax (17)
Umin≤U(k)≤Umax(18)
式(16)表示关于RDF掺混比的约束条件，使求得的RDF喂料量与喂煤量的比例保持在一定范围；式(16)中，U(k)表示从第k次采样时刻开始，未来M步的喂煤量与RDF喂料量设定值的集合；ΔU(k)表示从第k次采样时刻开始，未来M步的计算出的喂煤量增量与RDF喂料量增量的集合；K表示RDF掺混比约束矩阵，且K＝[kep-1]；
式(17)表示喂煤量增量与RDF喂料量增量的约束条件，由于采用模型预测控制，会计算出未来M步的喂煤量增量与RDF喂料量增量，因此需要对每一步计算出的增量进行约束。式(17)中，ΔUmax表示喂煤量增量和RDF喂料量增量的最大值矩阵，由Δucmax和ΔuRmax组成；ΔUmin表示喂煤量增量和RDF喂料量增量的最小值矩阵，由Δucmin和ΔuRmin组成；
式(18)表示喂煤量与RDF喂料量的约束条件，由于采用模型预测控制，会计算出未来M步的喂煤量与RDF喂料量，因此需要对每一步的计算结果进行约束。式(18)中，Umax表示喂煤量和RDF喂料量的最大值矩阵，由ucmax和uRmax组成；Umin表示喂煤量和RDF喂料量的最小值矩阵，由ucmin和uRmin组成。
步骤4.5、通过模型预测控制得到的结果是增量形式的，需要将其与设定值相加得到新的设定值。将矩阵ΔU的第一列与当前时刻输入序列相加，并将结果下发到DCS，从而实现当前时刻的控制策略，到下一采样时刻再返回步骤4.4进行新的预测控制。在含有1％白噪声的情况下，在第50步，将温度设定值修改为870摄氏度，温度控制效果及喂煤量和RDF喂料量调节情况如图3所示。

Claims (2)

1.一种计及RDF掺混比的温度预测控制方法，其特征是按如下步骤进行：
步骤1、实时采集协同处置固体废物窑炉数据{T(k)，Fc(k)，FR(k)|k＝1,...,N}；其中，T(k)表示第k次采样时刻的温度值，Fc(k)表示第k次采样时刻的喂煤量，FR(k)表示第k次采样时刻的RDF喂料量；
步骤2、利用滑动均值滤波法对数据{T(k)，Fc(k)，FR(k)|k＝1,...,N}进行预处理，获得滤波后的数据
Figure FDA0004068276790000011
其中，/>
Figure FDA0004068276790000012
表示第k次采样时刻的温度滤波值，/>
Figure FDA0004068276790000013
表示第k次采样时刻的喂煤量滤波值，/>
Figure FDA0004068276790000014
表示第k次采样时刻的RDF喂料量滤波值；
步骤3、建立基于SSARX-MLR算法的多输入温度状态空间模型：
步骤3.1、选取第k次采样时刻的喂煤量滤波值
Figure FDA0004068276790000015
和RDF喂料量滤波值/>
Figure FDA0004068276790000016
作为k时刻输入uk、第k次采样时刻的温度滤波值/>
Figure FDA0004068276790000017
作为k时刻输出yk；
步骤3.2、初始化多输入温度状态空间模型的阶次n＝2；
步骤3.3、初始化SSARX-MLR算法的阶次f＝q；
步骤3.4、初始化温度关于喂煤量的滞后步数τc＝0；
步骤3.5、初始化温度关于RDF喂料量的滞后步数τR＝0；
步骤3.6、利用式(1)构建变量q维矩阵Wq：
Figure FDA0004068276790000018
式(1)中，Uq表示q维输入变量矩阵，且
Figure FDA0004068276790000019
Yq表示q维输出变量矩阵，且/>
Figure FDA00040682767900000110
T表示转置；N表示数据序列长度；
步骤3.7、利用式(2)计算线性回归模型的系数θ：
Figure FDA00040682767900000111
式(2)中，YF表示拟合数据序列，且YF＝[yq yq+1 … yN-1]；
步骤3.8、利用式(3)计算可观测性矩阵OX：
OX＝θWq (3)
步骤3.9、对可观测性矩阵OX进行奇异值分解得到对角元为正的对角矩阵Σ+和右奇异矩阵V1；
步骤3.10、利用式(4)计算多输入温度状态空间模型的状态序列集合X：
X＝∑+V1 (4)
步骤3.11、利用式(5)计算多输入状态空间模型的状态系数矩阵A、输入系数矩阵B、输出系数矩阵C：
Figure FDA0004068276790000021
式(5)中，xk表示状态序列集合X中k时刻的状态序列；
步骤3.12、利用式(6)确定多输入温度状态空间模型：
Figure FDA0004068276790000022
式(6)中，xk+1表示k+1时刻的状态序列；
步骤3.13、对多输入温度状态空间模型进行曲线拟合度检验，若满足检验要求，则表示所述多输入温度状态空间模型即为温度多输入模型，否则，根据曲线拟合度修改阶次n，根据真实曲线与拟合曲线的趋势关系修改f、q，根据真实曲线与拟合曲线的峰值关系修改τc、τR后，返回步骤3.6顺序执行；
步骤4、计及RDF掺混比的温度模型预测控制：
步骤4.1、初始化控制参数：
步骤4.1.1、定义并初始化预测步长为P；
步骤4.1.2、定义并初始化控制步长为M；
步骤4.1.3、定义并初始化RDF掺混比为kep；
步骤4.1.4、定义并初始化柔化因子为α；
步骤4.1.5、初始化喂煤量增量的最大值和最小值分别为Δucmax、Δucmin、RDF喂料量增量的最大值和最小值分别为ΔuRmax、ΔuRmin；
步骤4.1.6、初始化喂煤量的最大值和最小值分别为ucmax、ucmin、RDF喂料量的最大值和最小值分别为uRmax、uRmin；
步骤4.2、利用式(7)-式(9)计算状态系数矩阵Ap、输入系数矩阵Bp、输出系数矩阵Cp：
Figure FDA0004068276790000031
Bp＝[(B)T (CB)T]T (8)
Cp＝[op Ip] (9)
式(7)-式(9)中，op表示m×v维零矩阵，Ip表示m×m维单位矩阵，m表示k时刻输出值yk包含变量个数，v表示k时刻状态序列xk包含变量个数；
步骤4.3、利用式(10)搭建温度预测模型：
Figure FDA0004068276790000032
步骤4.4、计算喂煤量增量和RDF喂料量增量：
步骤4.4.1、利用式(11)计算温度设定值参考轨迹yr：
yr＝(1-α)Rs+αyk (11)
式(11)中，Rs表示温度设定值；
步骤4.4.2、利用式(12)计算Hessian矩阵H：
H＝(ΦTQΦ+R)T (12)
式(12)中，Φ表示用于温度预测的喂煤量增量与RDF喂料量增量的系数矩阵，且
Figure FDA0004068276790000033
Q表示误差加权矩阵，R表示控制加权矩阵；
步骤4.4.3、利用式(13)计算k时刻温度控制目标参数ηk：
η＝ΦTQ(-Rs+Fxk) (13)
式(13)中，F表示用于温度预测的状态变量的系数矩阵，且F＝[(CpAp)T (CpAp 2)T …(CpAp P)T]T；
步骤4.4.4、利用式(14)计算保护及温度控制参数的系数矩阵Ψ：
Ψ＝[-Φx T Φx T]T (14)
式(14)中，Φx表示状态序列系数矩阵的集合，且
Figure FDA0004068276790000041
步骤4.4.5、利用式(15)计算从第k次采样时刻开始，未来M步的计算出的喂煤量增量与RDF喂料量增量的集合ΔU(k)：
Figure FDA0004068276790000042
ΨΔU(k)≤γ
式(15)中，Jnew表示目标函数，γ表示控制过程中的约束信息的集合，ΨΔU(k)≤γ表示约束条件；U(k)表示从第k次采样时刻开始，未来M步的喂煤量与RDF喂料量设定值的集合；
步骤4.5、将矩阵ΔU的第一列与当前时刻输入序列相加后下发给DCS设备，用于实现当前k时刻的预测控制；
步骤4.6、将k+1赋值给k后返回步骤4.4进行新一轮的预测控制。
2.根据权利要求1所述的计及RDF掺混比的温度预测控制方法，其特征是，所述步骤4.4.5中的约束信息是由式(16)-式(18)构建：
K(U(k)+ΔU(k))≥0 (16)
ΔUmin≤ΔU(k)≤ΔUmax (17)
Umin≤U(k)≤Umax (18)
式(16)表示关于RDF掺混比的约束条件，使求得的RDF喂料量与喂煤量的比例保持在一定范围；式(16)中，U(k)表示从第k次采样时刻开始，未来M步的喂煤量与RDF喂料量设定值的集合；ΔU(k)表示从第k次采样时刻开始，未来M步的计算出的喂煤量增量与RDF喂料量增量的集合；K表示RDF掺混比约束矩阵，且K＝[kep -1]；
式(17)表示喂煤量增量与RDF喂料量增量的约束条件，式(17)中，ΔUmax表示喂煤量增量和RDF喂料量增量的最大值矩阵，由Δucmax和ΔuRmax组成；ΔUmin表示喂煤量增量和RDF喂料量增量的最小值矩阵，由Δucmin和ΔuRmin组成；
式(18)表示喂煤量与RDF喂料量的约束条件，式(18)中，Umax表示喂煤量和RDF喂料量的最大值矩阵，由ucmax和uRmax组成；Umin表示喂煤量和RDF喂料量的最小值矩阵，由ucmin和uRmin组成。
CN202210188131.1A 2022-02-28 2022-02-28 一种计及rdf掺混比的温度预测控制方法 Active CN114564829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210188131.1A CN114564829B (zh) 2022-02-28 2022-02-28 一种计及rdf掺混比的温度预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210188131.1A CN114564829B (zh) 2022-02-28 2022-02-28 一种计及rdf掺混比的温度预测控制方法

Publications (2)

Publication Number Publication Date
CN114564829A CN114564829A (zh) 2022-05-31
CN114564829B true CN114564829B (zh) 2023-06-02

Family

ID=81715969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210188131.1A Active CN114564829B (zh) 2022-02-28 2022-02-28 一种计及rdf掺混比的温度预测控制方法

Country Status (1)

Country Link
CN (1) CN114564829B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11159713A (ja) * 1997-12-01 1999-06-15 Chiyoda Corp 廃棄物燃焼方法及び装置
WO2016204797A1 (en) * 2015-06-15 2016-12-22 Kashong Llc System for gasification of solid waste and method of operation
CN110794672A (zh) * 2019-10-15 2020-02-14 杭州电子科技大学 一种水泥生产过程分解炉炉温显式控制方法
CN110872523A (zh) * 2018-08-30 2020-03-10 浙江骐骥环境科技有限公司 一种垃圾衍生燃料热分解系统及热分解工艺方法
CN110908351A (zh) * 2019-11-25 2020-03-24 东南大学 一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法
CN111234875A (zh) * 2020-02-27 2020-06-05 亚德（上海）环保系统有限公司 一种rdf-5燃料、流化床气化rdf-5制备合成气的制备方法及其制备系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120109620A1 (en) * 2010-11-01 2012-05-03 Honeywell International Inc. Apparatus and method for model predictive control (mpc) using approximate window-based estimators

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11159713A (ja) * 1997-12-01 1999-06-15 Chiyoda Corp 廃棄物燃焼方法及び装置
WO2016204797A1 (en) * 2015-06-15 2016-12-22 Kashong Llc System for gasification of solid waste and method of operation
CN110872523A (zh) * 2018-08-30 2020-03-10 浙江骐骥环境科技有限公司 一种垃圾衍生燃料热分解系统及热分解工艺方法
CN110794672A (zh) * 2019-10-15 2020-02-14 杭州电子科技大学 一种水泥生产过程分解炉炉温显式控制方法
CN110908351A (zh) * 2019-11-25 2020-03-24 东南大学 一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法
CN111234875A (zh) * 2020-02-27 2020-06-05 亚德（上海）环保系统有限公司 一种rdf-5燃料、流化床气化rdf-5制备合成气的制备方法及其制备系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
解强,吴国光,武建军,周敏.垃圾衍生燃料(RDF)热解特性的研究.苏州科技学院学报(工程技术版).2003,(01),全文. *
高宁博 ; 李爱民 ; .有机废物气化-焚烧处理尾气排放灰色预测模型研究.大连理工大学学报.2008,(01),全文. *

Also Published As

Publication number Publication date
CN114564829A (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
Goodhart et al. Bilinear self-tuning control of a high temperature heat treatment plant
CN104296131B (zh) 一种双炉膛循环流化床机组的多变量协同控制方法
CN112967760B (zh) 基于脱硫系统入口二氧化硫含量的石灰石浆液量预估方法
CN103332878A (zh) 一种新型干法水泥熟料生产全流程优化方法
CN104696952B (zh) 一种基于模型在线辨识的流化床锅炉引风量控制方法
CN114564829B (zh) 一种计及rdf掺混比的温度预测控制方法
CN111562744A (zh) 一种基于pso算法的锅炉燃烧隐式广义预测控制方法
Hao et al. Multi-objective collaborative optimization in cement calcination process: A time domain rolling optimization method based on Jaya algorithm
CN113625556B (zh) 一种循环流化床复杂工业系统的自适应控制方法
CN102136037A (zh) 基于主成分分析的灰色多因素MGM(1,n)模型的副产煤气发生量预测方法
CN110471375B (zh) 一种水泥脱硝过程的抗干扰优化跟踪方法
CN111798023B (zh) 一种炼钢烧结生产中综合焦比预测的方法
Yang et al. Study on generalized predictive control of cement rotary kiln calcining zone temperature
CN113268871B (zh) 基于多变量时序深度网络模型的水泥烟囱nox预测方法
CN107038489B (zh) 基于改进nbi法的多目标机组组合优化方法
CN114912712A (zh) 一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法
CN116428879A (zh) 用于加热炉燃烧优化的控制方法及系统
Kazarinov et al. Elliptic component analysis
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
CN116382371A (zh) 一种垃圾协同处置下的分解炉温度控制方法
Wang et al. Research on Implicit Generalized Predictive Control of Cement Particle Size
CN114326616B (zh) 基于多元负荷改进动态矩阵预测算法的工业过程控制方法
CN118259592A (zh) 一种基于tod-cgan的水泥烧成系统优化决策方法
CN115435603B (zh) 一种水泥烧成系统实时优化控制技术的实现方法
CN114326395B (zh) 一种基于工况判别的智能发电机组控制模型在线更新方法

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