CN114973000B - 一种垃圾焚烧炉的燃烧优化控制方法 - Google Patents
一种垃圾焚烧炉的燃烧优化控制方法 Download PDFInfo
- Publication number
- CN114973000B CN114973000B CN202210681897.3A CN202210681897A CN114973000B CN 114973000 B CN114973000 B CN 114973000B CN 202210681897 A CN202210681897 A CN 202210681897A CN 114973000 B CN114973000 B CN 114973000B
- Authority
- CN
- China
- Prior art keywords
- area
- garbage
- incineration
- sorting
- data
- 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
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000000638 solvent extraction Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000005192 partition Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000007639 printing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 239000003245 coal Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004056 waste incineration Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02E20/12—Heat utilisation in combustion or incineration of waste
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明公开了一种垃圾焚烧炉的燃烧优化控制方法,属于垃圾焚烧控制技术领域,具体方法包括:进行待焚烧垃圾的分拣分区;获取垃圾焚烧炉的历史焚烧数据,建立垃圾焚烧炉模型,进行垃圾焚烧炉模型的内部空间划分,获得对应分拣标签的焚烧区;将焚烧区与对应垃圾分拣区进行相关联,设置对应的输送方案;获取当前垃圾焚烧炉的燃烧控制方法,识别对应的控制参数项;将分拣区内的垃圾通过对应的输送方案输送到对应的焚烧区内,根据获得的燃烧控制方法进行控制,并实时获取对应的焚烧数据;对获得的焚烧数据进行处理,获得训练集,通过获得训练集建立学习模型,通过设置的学习模型进行动态调整对应控制参数项的控制参数。
Description
技术领域
本发明属于垃圾焚烧控制技术领域,具体是一种垃圾焚烧炉的燃烧优化控制方法。
背景技术
目前,很多城市都在建设垃圾焚烧电厂,以处理城市里越来越多的生活垃圾,破解垃圾围城的困局。对于垃圾发电厂,收益的主要来源是垃圾处理费以及垃圾电价补贴,其中垃圾处理费对收益的贡献更大,因此,为提高垃圾发电厂的收益,提高垃圾处理能力及垃圾发电量至关重要。目前垃圾焚烧炉的运行方式较为粗放,各方面指标较差,远不如煤粉炉发展的成熟,对于煤粉炉,燃烧优化及其智能化技术已经在逐渐成熟,并且在不断的推广,而对于垃圾焚烧炉,燃烧优化控制同样重要,通过燃烧优化控制,可提高垃圾焚烧炉的垃圾处理能力及经济效率,有必要开发针对垃圾焚烧炉的燃烧优化控制方法,因此本发明提供了一种垃圾焚烧炉的燃烧优化控制方法。
发明内容
为了解决上述方案存在的问题,本发明提供了一种垃圾焚烧炉的燃烧优化控制方法。
本发明的目的可以通过以下技术方案实现:
一种垃圾焚烧炉的燃烧优化控制方法,具体方法包括:
步骤一:进行待焚烧垃圾的分拣分区;
步骤二:获取垃圾焚烧炉的历史焚烧数据,建立垃圾焚烧炉模型,进行垃圾焚烧炉模型的内部空间划分,获得对应分拣标签的焚烧区;
步骤三:将焚烧区与对应垃圾分拣区进行相关联,设置对应的输送方案;
步骤四:获取当前垃圾焚烧炉的燃烧控制方法,识别对应的控制参数项;
步骤五:将分拣区内的垃圾通过对应的输送方案输送到对应的焚烧区内,根据获得的燃烧控制方法进行控制,并实时获取对应的焚烧数据;
步骤六:对获得的焚烧数据进行处理,获得训练集,通过获得训练集建立学习模型,通过设置的学习模型进行动态调整对应控制参数项的控制参数。
进一步地,进行待焚烧垃圾的分拣分区的方法包括:
获取待焚烧垃圾图像,识别待焚烧垃圾来源,根据识别的待焚烧垃圾来源对待焚烧垃圾图像进行分区,标记为初始分区,并打上对应的分区标签,提取各个初始分区的图像,标记为分区图像,对分区图像进行分析,获得对应的分拣区分布,根据获得的分拣区将待焚烧垃圾进行分拣,分拣一次后再次进行分拣分区,直到将垃圾全部分拣完成。
进一步地,对分区图像进行分析的方法包括:
对分区图像进行图像识别,标记对应的垃圾区域轮廓,并打上对应的垃圾编号;设置初始合并图,识别初始合并图中的初始合并区域,获取各个初始合并区域的面积,标记为BQ,设置最低合并面积ZQ,将BQ<ZQ的初始合并区域标记为第一区域,将BQ≥ZQ的初始合并区域标记为第二区域,将第一区域与第二区域进行合并,获得分拣区。
进一步地,设置初始合并图的方法包括:
建立垃圾同类焚烧表,根据垃圾同类焚烧表将对应的垃圾区域进行合并,获得初始合并图。
进一步地,将第一区域与第二区域进行合并,获得分拣区的方法包括:
实时计算第一区域和第二区域的合并值,分别标记为第一合并值和第二合并值,识别与第一区域相邻的第二区域,将第一区域合并到与其第一合并值最接近的第二区域中,更新对应第二区域的第二合并值,依此类推,直到将全部的第一区域合并完成,完成合并后,将第二区域标记为分拣区。
进一步地,合并值的计算方法为:
识别初始合并区域内包括的垃圾编号,匹配对应的编号赋值,标记为Pi,其中i=1、2、……、n,n为正整数,i表示对应的垃圾区域,识别各个垃圾区域对应的位置修正系数,标记为αi,根据合并值公式计算合并值。
进一步地,对获得的焚烧数据进行处理的方法包括:
将焚烧数据拆分为若干个单元数据,包括控制参数集和对应焚烧结果数据,将焚烧结果数据根据焚烧区分布进行数据拆分,获得各个焚烧区结果数据,根据控制参数集和对应的各个焚烧区结果数据将控制参数项与各个焚烧区进行相关联,并设置对应的关联系数;建立调整模型,将关联系数、各个焚烧区结果数据和对应的控制参数集整合为调整输入数据,将调整输入数据输入到调整模型中,获得对应的修正参数集,将修正参数集和对应的调整输入数据整合为训练数据,将所有的训练数据整合为训练集。
进一步地,垃圾焚烧炉模型为三维数据模型。
与现有技术相比,本发明的有益效果是:
通过进行待焚烧垃圾的分拣分区,使得垃圾可以焚烧得更加充分,避免直接将全部的垃圾一起放入垃圾焚烧炉内进行焚烧,因为没有经过分类筛选后的垃圾存在热值低、水分大、成分复杂的问题,而且在垃圾焚烧炉内不同区域的燃烧温度也不同,导致现阶段的垃圾焚烧都依靠操作员的经验手动操作,具有极大的局限性;而通过快速的进行分拣,且没有消耗过多的人力物力,提高垃圾的处理效率;在分拣过程中分拣一次后,将会产生新的图像,因为堆积的垃圾内部具有极大的复杂性,通过多次的分拣分区,使得分拣的更加准确,进而提高垃圾的焚烧效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种垃圾焚烧炉的燃烧优化控制方法,具体方法包括:
步骤一:进行待焚烧垃圾的分拣分区;
因为当前进行垃圾焚烧时,基本都是直接将全部的垃圾一起放入垃圾焚烧炉内进行焚烧,但是没有经过分类筛选后的垃圾存在热值低、水分大、成分复杂的问题,而且在垃圾焚烧炉内不同区域的燃烧温度也不同,导致现阶段的垃圾焚烧都依靠操作员的经验手动操作,具有极大的局限性,因此进行一定的垃圾分拣将会有助于垃圾的焚烧。
获取待焚烧垃圾图像,识别待焚烧垃圾来源,如来自生活区垃圾、工业区垃圾等,可以通过对应的垃圾运输车进行判断,或者其他现有方式,因为垃圾的来源较为容易判断,根据识别的待焚烧垃圾来源对待焚烧垃圾图像进行分区,标记为初始分区,并打上对应的分区标签,分区标签是根据垃圾的来源进行设置的,提取各个初始分区的图像,标记为分区图像,对分区图像进行分析,获得对应的分拣区分布,根据获得的分拣区将待焚烧垃圾进行分拣,分拣一次后再次进行分拣分区,直到将垃圾全部分拣完成。
分拣一次后再次进行分拣分区,在分拣过程中分拣一次后,将会产生新的图像,因为堆积的垃圾内部具有极大的复杂性,通过多次的分拣分区,使得分拣的更加准确,进而提高垃圾的焚烧效果。
根据识别的待焚烧垃圾来源对待焚烧垃圾图像分区标记,根据对应来源垃圾的倾倒位置和对应待焚烧垃圾图像中的位置进行分区划分。
对分区图像进行分析的方法包括:
对分区图像进行图像识别,标记对应的垃圾区域轮廓,并打上对应的垃圾编号;建立垃圾同类焚烧表,根据垃圾同类焚烧表将对应的垃圾区域进行合并,获得初始合并图,识别初始合并图中的初始合并区域,获取各个初始合并区域的面积,标记为BQ,设置最低合并面积ZQ,将BQ<ZQ的初始合并区域标记为第一区域,将BQ≥ZQ的初始合并区域标记为第二区域,实时计算第一区域和第二区域的合并值,分别标记为第一合并值和第二合并值,识别与第一区域相邻的第二区域,将第一区域合并到与其第一合并值最接近的第二区域中,更新对应第二区域的第二合并值,依此类推,直到将全部的第一区域合并完成,完成合并后,将第二区域标记为分拣区。
对分区图像进行图像识别,基于现有的垃圾识别技术识别分区图像中的垃圾种类,并标记对应的垃圾轮廓区域;每种垃圾均对应一个垃圾编号,可以直接进行匹配标记。
垃圾同类焚烧表即为储存的可以同时同区域进行焚烧的垃圾种类,根据历史燃烧数据可以设置。
根据垃圾同类焚烧表将对应的垃圾区域进行合并,如编号1、2、4对应的垃圾区域属于同一垃圾同类,因此相互接触的编号1、2、4垃圾区域进行合并,形成初始合并区域。
最低合并面积是根据分拣过程中一次分拣的量进行设置的。
合并值的计算方法为:
识别初始合并区域内包括的垃圾编号,匹配对应的编号赋值,标记为Pi,其中i=1、2、……、n,n为正整数,i表示对应的垃圾区域,识别各个垃圾区域对应的位置修正系数,标记为αi,根据合并值公式计算合并值。
匹配对应的编号赋值的方法,由专家组根据历史不同种类的垃圾燃烧数据确定哪些垃圾在一个区域内进行焚烧相互间的影响最小,设置对应的赋值,赋值越接近表示对应垃圾种类之间越适合进行一起焚烧,建立对应的匹配表,具体未公开的部分为本领域常识。
识别各个垃圾区域对应的位置修正系数,建立垃圾堆放区块位置修正系数,是由专家组进行讨论设置的,主要根据垃圾分拣设备进行设置的,因为垃圾在边界和中央进行分拣时的效率和习惯是不同的,需要尽可能的提高分拣效率,因为分拣人员都会从垃圾堆的中间部分进行分拣,因此设置区块位置修正系数,即为在这个区块内的位置修正系数均是相同的;根据垃圾区域所处的位置即可获得对应的位置修正系数。
步骤二:获取垃圾焚烧炉的历史焚烧数据,建立垃圾焚烧炉模型,进行垃圾焚烧炉模型的内部空间划分,获得对应分拣标签的焚烧区;
垃圾焚烧炉模型即为建立的三维数据模型。
进行垃圾焚烧炉模型的内部空间划分,就是根据获得的历史焚烧数据分析出垃圾焚烧炉内部的焚烧区域情况,哪个区域焚烧那种垃圾最合适,通过对历史焚烧数据进行分析是可以获得的,因此可以进行相应的内部空间划分。
步骤三:将焚烧区与对应垃圾分拣区进行相关联,设置对应的输送方案;
输送方案就是将分拣区内的垃圾输送到对应的焚烧区内。
步骤四:获取当前垃圾焚烧炉的燃烧控制方法,识别对应的控制参数项;
燃烧控制方法可以是正在使用的或者现有已经公开的优化燃烧控制方法,如公开号为CN112344348A和CN103423750A公开的优化燃烧控制方法。
控制参数项即为对垃圾焚烧有影响的可调节的参数项,如给料炉排速度、焚烧炉排速度调整,一二次风配风比例、一次风五段风室的分配比例等参数项。
步骤五:将分拣区内的垃圾通过对应的输送方案输送到对应的焚烧区内,根据获得的燃烧控制方法进行控制,并实时获取对应的焚烧数据;
步骤六:对获得的焚烧数据进行处理,获得训练集,通过获得训练集建立学习模型,通过设置的学习模型进行动态调整对应控制参数项的控制参数。
对获得的焚烧数据进行处理的方法包括:
将焚烧数据拆分为若干个单元数据,单元数据指的是一次调整控制参数的采集数据,包括控制参数集和对应焚烧结果数据,将焚烧结果数据根据焚烧区分布进行数据拆分,获得各个焚烧区结果数据,根据控制参数集和对应的各个焚烧区结果数据将控制参数项与各个焚烧区进行相关联,并设置对应的关联系数;建立调整模型,将关联系数、各个焚烧区结果数据和对应的控制参数集整合为调整输入数据,将调整输入数据输入到调整模型中,获得对应的修正参数集,将修正参数集和对应的调整输入数据整合为训练数据,将所有的训练数据整合为训练集。
控制参数集即为对应各个控制参数项的数据整合的集合,焚烧结果数据即为调整为该控制参数集时,垃圾的焚烧效果数据。
根据控制参数集和对应的各个焚烧区结果数据将控制参数项与各个焚烧区进行相关联,就是根据获得的若干个单元数据分析出调整对应的控制参数项数据对各个焚烧区的影响,并设置对应的关联系数,是参照对应的影响程度进行设置的,通过专家组进行讨论后设置,因此只要设置一次即可,后续即可自行运行。
调整模型是基于CNN网络或DNN网络进行建立的,用于根据调整输入数据设置对应的优化控制参数集,示例性的,1号焚烧区焚烧结果达不到预设要求,识别其相关联的控制参数项和关联系数,在尽可能不影响其他焚烧区的情况下进行相应的控制参数调整,获得对应的焚烧结果,根据获得的焚烧结果判断调整是否具有优化效果,当有时,则形成优化控制参数集,通过不断地的学习和训练,使其控制更加精准;具体的建立和训练过程为本领域常识,因此不进行详细叙述。
学习模型为神经网络模型的一种,体的建立和训练过程为本领域常识,因此不进行详细叙述。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (7)
1.一种垃圾焚烧炉的燃烧优化控制方法,其特征在于,具体方法包括:
步骤一:进行待焚烧垃圾的分拣分区;
步骤二:获取垃圾焚烧炉的历史焚烧数据,建立垃圾焚烧炉模型,进行垃圾焚烧炉模型的内部空间划分,获得对应分拣标签的焚烧区;
步骤三:将焚烧区与对应垃圾分拣区进行相关联,设置对应的输送方案;
步骤四:获取当前垃圾焚烧炉的燃烧控制方法,识别对应的控制参数项;
步骤五:将分拣区内的垃圾通过对应的输送方案输送到对应的焚烧区内,根据获得的燃烧控制方法进行控制,并实时获取对应的焚烧数据;
步骤六:对获得的焚烧数据进行处理,获得训练集,通过获得训练集建立学习模型,通过设置的学习模型进行动态调整对应控制参数项的控制参数;
对获得的焚烧数据进行处理的方法包括:
将焚烧数据拆分为若干个单元数据,包括控制参数集和对应焚烧结果数据,将焚烧结果数据根据焚烧区分布进行数据拆分,获得各个焚烧区结果数据,根据控制参数集和对应的各个焚烧区结果数据将控制参数项与各个焚烧区进行相关联,并设置对应的关联系数;建立调整模型,将关联系数、各个焚烧区结果数据和对应的控制参数集整合为调整输入数据,将调整输入数据输入到调整模型中,获得对应的修正参数集,将修正参数集和对应的调整输入数据整合为训练数据,将所有的训练数据整合为训练集。
2.根据权利要求1所述的一种垃圾焚烧炉的燃烧优化控制方法,其特征在于,进行待焚烧垃圾的分拣分区的方法包括:
获取待焚烧垃圾图像,识别待焚烧垃圾来源,根据识别的待焚烧垃圾来源对待焚烧垃圾图像进行分区,标记为初始分区,并打上对应的分区标签,提取各个初始分区的图像,标记为分区图像,对分区图像进行分析,获得对应的分拣区分布,根据获得的分拣区将待焚烧垃圾进行分拣,分拣一次后再次进行分拣分区,直到将垃圾全部分拣完成。
3.根据权利要求2所述的一种垃圾焚烧炉的燃烧优化控制方法,其特征在于,对分区图像进行分析的方法包括:
对分区图像进行图像识别,标记对应的垃圾区域轮廓,并打上对应的垃圾编号;设置初始合并图,识别初始合并图中的初始合并区域,获取各个初始合并区域的面积,标记为BQ,设置最低合并面积ZQ,将BQ<ZQ的初始合并区域标记为第一区域,将BQ≥ZQ的初始合并区域标记为第二区域,将第一区域与第二区域进行合并,获得分拣区。
4.根据权利要求3所述的一种垃圾焚烧炉的燃烧优化控制方法,其特征在于,设置初始合并图的方法包括:
建立垃圾同类焚烧表,根据垃圾同类焚烧表将对应的垃圾区域进行合并,获得初始合并图。
5.根据权利要求3所述的一种垃圾焚烧炉的燃烧优化控制方法,其特征在于,将第一区域与第二区域进行合并,获得分拣区的方法包括:
实时计算第一区域和第二区域的合并值,分别标记为第一合并值和第二合并值,识别与第一区域相邻的第二区域,将第一区域合并到与其第一合并值最接近的第二区域中,更新对应第二区域的第二合并值,依此类推,直到将全部的第一区域合并完成,完成合并后,将第二区域标记为分拣区。
6.根据权利要求5所述的一种垃圾焚烧炉的燃烧优化控制方法,其特征在于,合并值的计算方法为:
识别初始合并区域内包括的垃圾编号,匹配对应的编号赋值,标记为Pi,其中i=1、2、……、n,n为正整数,i表示对应的垃圾区域,识别各个垃圾区域对应的位置修正系数,标记为αi,根据合并值公式计算合并值。
7.根据权利要求1所述的一种垃圾焚烧炉的燃烧优化控制方法,其特征在于,垃圾焚烧炉模型为三维数据模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210681897.3A CN114973000B (zh) | 2022-06-15 | 2022-06-15 | 一种垃圾焚烧炉的燃烧优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210681897.3A CN114973000B (zh) | 2022-06-15 | 2022-06-15 | 一种垃圾焚烧炉的燃烧优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114973000A CN114973000A (zh) | 2022-08-30 |
CN114973000B true CN114973000B (zh) | 2023-04-14 |
Family
ID=82963459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210681897.3A Active CN114973000B (zh) | 2022-06-15 | 2022-06-15 | 一种垃圾焚烧炉的燃烧优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973000B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI20215973A1 (en) * | 2021-09-15 | 2023-03-16 | Valmet Technologies Oy | A method for thermally treating biomass, a system therefor, and a method for training a data-based model |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105627329A (zh) * | 2016-01-28 | 2016-06-01 | 浙江大学 | 基于火焰辐射图像的炉排焚烧炉的控制优化方法和装置 |
CN113239612A (zh) * | 2021-04-07 | 2021-08-10 | 华南理工大学 | 一种锅炉燃烧状态诊断方法、系统及存储介质 |
CN113357649B (zh) * | 2021-07-02 | 2022-07-22 | 上海康恒环境股份有限公司 | 垃圾池物料控制方法、装置及焚烧协同处理系统 |
-
2022
- 2022-06-15 CN CN202210681897.3A patent/CN114973000B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114973000A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038334B (zh) | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 | |
CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
CN105864797B (zh) | 循环流化床生活垃圾焚烧锅炉入炉热值实时预测系统及方法 | |
CN114973000B (zh) | 一种垃圾焚烧炉的燃烧优化控制方法 | |
CN111077869B (zh) | 一种大数据智能控制布袋除尘器优化控制方法及系统 | |
CN111461355B (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
Tavakkoli-Moghaddain et al. | Facilities layout design by genetic algorithms | |
CN106931453A (zh) | 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法 | |
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 | |
CN102054002A (zh) | 一种数据挖掘系统中决策树的生成方法及装置 | |
CN106446478B (zh) | 一种切削加工工艺优选方法 | |
CN106224939A (zh) | 循环流化床生活垃圾焚烧锅炉床温预测方法及系统 | |
CN106599915B (zh) | 一种车载激光点云分类方法 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN111158239B (zh) | 基于关联规则算法与神经网络的制粉系统性能优化方法 | |
CN109492106A (zh) | 一种文本代码相结合的缺陷原因自动分类方法 | |
CN108491226A (zh) | 基于集群缩放的Spark配置参数自动调优方法 | |
CN104392064B (zh) | 一种中观尺度下缓解热岛效应的优化城市形态设计方法 | |
CN111476274B (zh) | 一种大数据预测分析的方法、系统、装置及存储介质 | |
Behera et al. | Ai based waste classifier with thermo-rapid composting | |
CN107403391A (zh) | 一种用于油田开发预安排项目的优化筛选方法 | |
CN113111577B (zh) | 基于多目标布谷鸟搜索的水泥磨运行指标决策方法 | |
CN109117598B (zh) | 一种废料排出模块的设计实现方法 | |
CN112084703A (zh) | 基于变种洗牌蛙跳算法对光伏电池系统模型参数辨识方法 | |
Wang et al. | Non-dominated sorted genetic algorithm-II algorithm-based multi-objective layout optimization of solid wood panels |
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 |