CN115049139A - 一种针对水泥烧成脱硝系统的多指标模型预测控制方法 - Google Patents

Abstract

本发明公开了一种针对水泥烧成脱硝系统的多指标模型预测控制方法，属于水泥烧成过程烟气脱硝控制领域，包括运用数据库中的历史数据建立预测水泥烧成过程烟气排放的精确预测模型；利用预测模型的预测值与脱硝系统实时NO_x排放浓度的误差对预测模型进行反馈校正；根据环保部门对NO_x排放浓度的要求设定NO_x浓度值，并将设定的NO_x浓度值进行柔化处理形成参考轨迹；采用差分进化算法对控制变量的值进行求解，根据预测模型求解出使输出值接近于参考轨迹的预测模型输入值，将求解出的第一个控制量值带入到脱硝系统中完成对水泥生产过程中脱硝系统的控制。本发明实现了稳定控制水泥烧成过程NO_x排放的同时减少氨逃逸，达到了降耗减污的目的。

Description

一种针对水泥烧成脱硝系统的多指标模型预测控制方法

技术领域

本发明涉及水泥烧成过程烟气脱硝控制领域，尤其是一种针对水泥烧成脱硝系统的多指标模型预测控制方法。

背景技术

水泥工业是我国经济发展和生产建设不可或缺的原材料工业，水泥烧成过程是水泥生产的最重要的环节，而这一过程是耗能最多且产生污染物最多的过程。烟气氮氧化物(NO_x)排放浓度是衡量水泥烧成过程污染物排放的重要指标，对NO_x排放浓度进行精准控制，可以减少污染物的排放同时减少氨逃逸的大小。因此对水泥烧成过程中烟气脱硝进行精确控制具有重要的意义。水泥烧成过程具有复杂的非线性和时变时延等特点，使用传统的控制方法难以对NO_x排放浓度实现稳定、精确的控制。

针对上述问题，一些学者采用了不同的控制方法来研究脱硝的控制。如：

一种多模型切换方法火电厂选择性催化还原(SCR)脱硝系统的DMC-PID串级控制器；是针对不同工况下的局部线性系统模型，根据二次最优调整原则设计了不同工况下的控制器参数；与传统的串级PID相比，SCR脱硝系统控制更加稳定同时减少氨气的使用量。

一种NARX神经网络和改进动态矩阵控制算法相结合的脱硝控制策略；是应对电网频繁调峰对燃煤电厂锅炉燃烧系统的冲击，减小燃煤电厂锅炉烟气中NO_x浓度的波动。

可见，已有研究都是针对火电厂的SCR脱硝系统进行的；水泥烧成过程产生NO_x的机理更复杂且采用选择性非催化还原反应(SNCR)方法进行脱硝。上述研究由于自身局限性难以解决水泥烧成脱硝过程中的长时延、非线性和波动性问题，因此，有必要研发一种能够解决上述问题的针对水泥烧成脱硝系统的多指标模型预测控制方法。

发明内容

本发明需要解决的技术问题是提供一种针对水泥烧成脱硝系统的多指标模型预测控制方法，既解决了水泥烧成烟气脱硝过程存在长时延、非线性和波动性的问题，又在实现对NO_x排放浓度稳定控制的同时减少氨逃逸的排放。

为解决上述技术问题，本发明所采用的技术方案是：

一种针对水泥烧成脱硝系统的多指标模型预测控制方法，包括以下步骤：

步骤1，运用数据库中的历史数据建立预测水泥烧成过程烟气排放的精确预测模型；

步骤2，利用预测模型的预测值与脱硝系统实时NO_x排放浓度的误差对预测模型进行反馈校正；

步骤3，根据环保部门对NO_x排放浓度的要求设定NO_x浓度值，并将设定的NO_x浓度值进行柔化处理形成参考轨迹；

步骤4，采用差分进化算法对控制变量的值进行求解，根据预测模型求解出使输出值接近于参考轨迹的预测模型输入值，将求解出的第一个控制量值带入到脱硝系统中完成对水泥生产过程中脱硝系统的控制。

本发明技术方案的进一步改进在于：步骤1中，首先对水泥烧成工艺过程中NO_x的产生机理进行分析，选取15个与NO_x排放浓度和氨逃逸相关的过程变量作为预测模型的输入，将变量按照时间顺序排列成时间序列作为预测模型的输入，为了实现对烟气排放的多目标预测，采用MIMO策略实现预测模型的多指标输出，实现同时预测NO_x排放浓度和氨逃逸大小；

通过分析整个水泥烧成的工艺过程中影响NO_x的产生和消除的因素，结合现场工程师的经验知识，最终选取的15个变量为：第1～9组喷枪氨水流量X₁～X₉、烟室O₂反馈X₁₀、烟室NO_x反馈X₁₁、烟室CO反馈X₁₂、分解炉温度反馈X₁₃、分解炉喂煤量X₁₄、O₂反馈X₁₅。

本发明技术方案的进一步改进在于：步骤1中，所述预测模型为结合时间序列的双向长短时记忆网络的水泥烧成过程烟气排放浓度多目标的预测模型，预测模型构建的具体步骤包括：

1.1，构建双向长短时记忆网络；

1.2，将时间序列引入双向长短时记忆网络结构输入层中避免时延性的影响，构建成预测模型；

1.3，训练所述预测模型，将待预测的数据输入到预测模型中，得到各指标的预测结果。

本发明技术方案的进一步改进在于：步骤1.2中，具体为：

将输入变量数据集成为m步时间段的时间序列，引入到双向长短时记忆网络结构输入层中，时间序列X(t)表示为：

X₁＝[X₁(t),X₁(t+1),…,X₁(t+m)] (1)

X(t)＝[X₁(t)+X₂(t)+…+X₁₅(t)] (2)

式中，X₁为第一组喷枪的氨水流量变量对应的时间序列，X₁(t)～X₁₅(t)分别代表15种NO_x相关的过程变量在t时刻对应的时间序列，X(t)为双向LSTM模型输入层的时间序列，m为时间序列的宽度，t为当前时刻；

所述双向长短时记忆网络采用两个独立的LSTM隐含层分别表示网络在时间正序时提取的特征信息和在时间逆序时提取的特征信息，将其链接得到最终的预测模型输出，预测模型在t时刻的隐藏状态H_t包含前向的

和后向的

式中，T为序列长度，h_t-1为前一时刻LSTM层的隐藏状态，h_t+1为后一时刻LSTM层的隐藏状态，x_t为当前时刻的输入数据，c_t-1为前一时刻的细胞状态，c_t+1为后一时刻的细胞状态。

本发明技术方案的进一步改进在于：通过对脱硝数据集分析确定网络结构后，预测模型的最优参数为：两个LSTM隐含层单位细胞分别为200，随机失活层遗忘概率为0.1，训练次数为50次，优化函数为适应性动量估计法，损失函数为平均绝对误差、均方根误差、对称平均绝对百分比误差。

本发明技术方案的进一步改进在于：步骤2中，在控制的每一步将实际输出与预测值比较，修正预测模型的不确定性，当脱硝系统存在时变、模型失配和干扰因素时，反馈校正能够及时修正预测值，使优化建立在较准确的预测基础上，以提高控制系统的鲁棒性；

所述反馈校正是通过计算预测模型的预测值与脱硝系统实时烟气排放浓度的误差对预测模型进行校正，进而提高脱硝过程控制的稳定性和准确性：

e(t+1)＝y(t)-y_m(t+1) (13)

y_p(t+1)＝y_m(t)+h*e(t+1) (14)

式中，t为当前时刻，e(t+1)为计算预测模型的预测值与脱硝系统实际烟气排放值的误差，y_m(t+1)为下一时刻预测模型的预测值，y(t)为脱硝系统真实的烟气浓度，h为反馈系数，y_m(t)为当前时刻的预测模型的预测值，y_p(t+1)为经反馈校正后下一时刻烟气排放浓度的输出值。

本发明技术方案的进一步改进在于：步骤3中，为了避免脱硝系统出现输入和输出的急剧变化，使多指标模型预测控制过程输出沿着一条期望的平缓曲线到达设定值，将当前时刻的实际输出值和设定值进行一阶指数变换得到柔化后的平滑参考轨迹；

采用的参考轨迹为一阶指数变化形式，利用当前时刻的实际NO_x排放浓度和NO_x排放浓度设定值通过一阶指数变换求出未来时刻的参考数值形成柔化后的参考轨迹：

y_r(k+i)＝α^jy(k)+(1-α^j)y_r，j＝1,2,…p (15)

式中，k为当前时刻，j为控制时域大小，α为柔化系数，T为采样周期，τ为时间常数，y(k)为k时刻实际NO_x排放浓度值，y_r为NO_x排放浓度设定值，y_r(k+j)为经柔化处理后的参考轨迹。

本发明技术方案的进一步改进在于：步骤4中，所述差分进化算法包含种群初始化、变异、交叉、选择、边界吸收，然后生成新的个体，预测模型共有15个输入变量，其中9组喷枪氨水流量u₁～u₉作为控制系统的控制变量，需要对这9个变量进行优化求解；

采用差分进化算法对控制变量的值进行求解，算法具体如下：

4.1，随机产生初始种群：

{X_i(0)|X_i(0)＝[x_i,1,x_i,2,...,x_i,9],i＝1,2,...NP} (17)

x_i,j＝a_j+rand·(b_j-a_j) (18)

式中，j＝1,2,…,9，NP表示种群大小，X_i(0）表示初始种群中第i个个体，x_i,j表示第i个个体的第j个分量，a_j和b_j分别表示x_ij取值范围的上界和下界，rand表示均匀分布在区间[0,1]的随机数；

4.2，变异操作：

DE算法通过差分法来实现变异操作，基本方法是在当前种群中随机选取两个相异个体，将他们的差向量缩放后与另外的待变异个体进行向量运算，生成新个体：

V_i(g+1)＝X_r1(g)+F·(X_r2(g)-X_r1(g)) (19)

式中，i＝1,2,…,NP，i≠r₁≠r₂≠r₃，r₁,r₂,r₃均为区间[1,NP]内的随机整数，NP为种群大小，F为缩放因子，g表示进化代数，X_i(g)表示第g代种群中第i个个体，通过变异后，第g代种群产生一个新的中间种群V_i(g+1)；

4.3交叉操作：

对第g代种群X_i(g)及其变异的中间种群V_i(g+1)进行个体间的交叉操作：

其中，i＝1,2,…,NP，j＝1,2,…,9，U_i(g+1)＝[u_i,1,u_i,2,…,u_i,9]表示第g+1代新种群，u_i,j(g+1)和v_i,j(g+1)分别为种群U_i(g+1)和V_i(g+1)中的第j个分量，CR表示交叉概率，j_rand为区间[1,9]内的随机整数，x_ij表示第i个个体的第j个分量；

4.4，选择操作：

在算法实现中为了保证解的有效性，根据水泥生产厂实际情况确定脱硝系统变量数据的上下限进行约束；若个体超出约束范围，通过种群初始化的方式生成新个体进行替换；选择操作是为了通过计算目标函数大小来选择进入新种群的个体：

式中，i＝1,2,…,NP，f为目标函数，U_i(g+1)为第g+1代中间种群，X_i(g)为第g代种群，X_i(g+1)为第g代种群经选择操作后产生的新一代种群；

重复上述四步，直到满足条件为止，通过最小化目标函数求解到控制量。

由于采用了上述技术方案，本发明取得的技术进步是：

1、本发明构建的水泥烧成过程有害烟气排放浓度多目标预测模型，为了实现对烟气排放的多目标预测，采用MIMO策略实现预测模型的多指标输出，实现了能够同时预测NO_x排放浓度和氨逃逸大小。

2、本发明为了解决时延问题，将变量按照时间顺序排列成时间序列作为Bi-LSTM的输入层，预测模型的预测精度高于现有模型。

3、本发明建立了基于神经网络预测模型的水泥烧成过程脱硝系统模型预测控制器，精确的预测模型为控制器提供指导，差分进化算法进行滚动优化求解，实现了对NO_x排放浓度稳定控制的同时减少氨逃逸的排放量。

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做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图；

图1为本发明实施例中的基于MT-BiLSTM的水泥烧成过程有害烟气排放浓度多目标预测模型结构示意图；

图2为本发明实施例中差分进化算法流程图；

图3为本发明实施例中提供的一种针对水泥烧成脱硝系统的多指标模型预测控制方法的流程图。

具体实施方式

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请实施例通过提供一种针对水泥烧成脱硝系统的多指标模型预测控制方法，解决了现有技术中存在的难以解决水泥烧成脱硝过程中的长时延、非线性和波动性的问题，大体思路为：首先从水泥烧成系统的数据库中选取与NOx排放浓度和氨逃逸大小相关的15个输入变量，建立精确的烟气排放浓度预测模型，预测模型是一种结合时间序列的双向长短时记忆网络(MT-BiLSTM)预测模型；利用预测模型的预测值与系统实时NO_x排放浓度的误差对预测模型进行校正；然后通过优化算法求解出脱硝系统的控制量。既能够解决水泥烧成烟气脱硝过程存在长时延、非线性和波动性的问题，又能够在实现对NO_x排放浓度稳定控制的同时减少氨逃逸的排放，达到降耗减污的目的。

水泥工业是建筑材料生产最重要的一部分，水泥烧成过程是高能耗、高污染的过程，NO_x排放浓度是衡量污染物排放的重要指标，在脱硝系统实现精确控制不仅可以减少污染物的排放同时还能减少氨水的消耗，所以对脱硝过程进行精确控制实现NO_x排放浓度的平稳控制至关重要。因水泥烧成过程具有复杂的非线性和时延等特点，使用传统的控制方法难以对NO_x排放浓度实现稳定、精确的控制，且易造成氨逃逸排放过大的问题。针对上述存在的问题，为了解决水泥烧成系统脱硝过程非线性和时延特性造成建模困难的问题，本发明创新性地提出了一种结合时间序列的双向长短时记忆网络的水泥烧成过程烟气NO_x排放浓度预测模型；采用反馈校正和差分进化算法求解出脱硝系统中各控制量的值，实现对脱硝系统稳定的控制。

下面结合附图及实施例对本发明做进一步详细说明：

如图1-3所示，本发明提出了一种针对水泥烧成脱硝系统的多指标模型预测控制方法，是基于神经网络模型预测控制的水泥烧成过程烟气脱硝控制方法，包括以下步骤：

步骤1，从水泥烧成系统的数据库中选取与NO_x排放浓度相关的15个输入变量，构建一种结合时间序列的双向长短时记忆网络(MT-BiLSTM)的水泥烧成过程烟气排放浓度多目标的预测模型。

具体包括：

首先分析整个水泥烧成的工艺过程中影响NO_x的产生和消除的因素，结合现场工程师的经验知识，选取了15种与NO_x相关的过程变量作为输入变量，如图1中输入层所示，15输入变量分别第1～9组喷枪氨水流量X₁～X₉、烟室O₂反馈X₁₀、烟室NO_x反馈X₁₁、烟室CO反馈X₁₂、分解炉温度反馈X₁₃、分解炉喂煤量X₁₄、O₂反馈X₁₅。烟气排放浓度检测点在窑尾烟囱处，脱硝反应是在分解炉和预热器中进行，中间经历增湿和除尘工序导致输入模型输入变量与NO_x排放浓度之间存在长时延，本发明将各输入变量排列成一段时间长度的时间序列数据作为Bi-LSTM的输入层，充分提取数据间的时延信息，消除时延对预测精度的影响。

在步骤1中，涉及到时延处理和双向长短时记忆网络：

由于脱硝系统工艺流程较长造成的响应滞后问题，烟气排放浓度的测量不仅仅与当前时刻的输入变量状态有关，还会受m步时间段的变量状态影响。将时间序列集成到MT-BiLSTM网络结构中的输入层中，避免时延对预测结果的显著影响。时间序列X(t)可表示为：

X₁＝[X₁(t),X₁(t+1),…,X₁(t+m)] (1)

X(t)＝[X₁(t)+X₂(t)+…+X₆(t)] (2)

式中，X₁为第一组喷枪的氨水流量变量对应的时间序列，X₁(t)～X₁₅(t)分别代表15种NO_x相关的过程变量在t时刻对应的时间序列，X(t)为双向LSTM模型输入层的时间序列，m为时间序列的宽度，t为当前时刻。

MT-BiLSTM网络的核心可以理解成两个独立的LSTM隐含层分别表示网络在时间正序时提取的特征信息和在时间逆序时提取的特征信息，将其链接得到最终的预测模型输出。MT-BiLSTM在t时刻的隐藏状态H_t包含前向的

和后向的

式中，T为序列长度，h_t-1为前一时刻LSTM层的隐藏状态，h_t+1为后一时刻LSTM层的隐藏状态，x_t为当前时刻的输入数据，c_t-1为前一时刻的细胞状态，c_t+1为后一时刻的细胞状态。

通过对脱硝数据集分析确定网络结构后，预测模型的最优参数为：两个LSTM隐含层单位细胞分别为200，随机失活层遗忘概率为0.1，训练次数为50次。优化函数为适应性动量估计法(Adam)，损失函数为平均绝对误差(MAE)、均方根误差(RMSE)、对称平均绝对百分比误差(SMAPE)。

适应性动量估计法，英文：Adaptive Moment Estimation，英文缩写：Adam；

平均绝对误差，英文：Mean Absolute Error，英文缩写；

均方根误差，英文：Root Mean Square Error，英文缩写；

对称平均绝对百分比误差，英文：Symmetric Mean Absolute Percentage Error，英文缩写：SMAPE。

预测模型的训练过程采用反向传播方式(BPTT)进行模型训练。BPTT是以输出值和真实值的偏差作为代价函数进行不断优化，采用梯度下降算法不断最小化代价函数来完成。常用的梯度下降方法有：SGDM、RMSProp和Adam等，在这里采用Adam算法进行模型梯度下降。

Adam算法是结合了SGDM的动量思想以及RMSProp的自适应更新学习率的思想。对梯度的均值和均值求平方进行联合分析，最终计算速度和学习速率。Adam算法讨论如下:

首先，设初始速度为v，学习率为η，训练周期为k，网络初始学习率设为α。初始化时间步t和权重w，设t＝0。对脱硝系统的训练样本数据进行随机采样：

{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))} (6)

式中，n为随机采样的脱硝数据训练样本数，X＝{x⁽¹⁾,x⁽²⁾,…,x⁽ⁿ⁾}为模型输入的脱硝数据集变量，Y＝{y⁽¹⁾,y⁽²⁾,…,y⁽ⁿ⁾}为对应的脱硝数据输出集。

其次，计算当前采样数据梯度：

式中，g(x；w)为Adam算法的学习器。更新当前的速度v_t和η_t:

v_t＝β₁v_t-1+(1-β₁)grad (8)

η_t＝β₂η_t-1+(1-β₂)grad² (9)

式中，β₁和β₂为指数衰减率。更新当前训练次数k＝k+1。

更新参数后，对当前速度和当前学习率进行修正：

最后，计算参数w_i更新公式如下：

其中，为了防止脱硝系统样本数据溢出设ξ＝10^-8。

在本发明中，基于MT-BiLSTM网络的预测模型使用BPTT方法进行梯度计算，通过Adam算法进行梯度下降，至此网络的参数调整完成。

步骤2，利用预测模型的预测值与系统实时NO_x排放浓度的误差对预测模型进行反馈校正。

所述反馈校正是通过计算预测模型的预测值与脱硝系统实时烟气排放浓度的误差对预测模型进行校正，进而提高脱硝过程控制的稳定性和准确性。

e(t+1)＝y(t)-y_m(t+1) (13)

y_p(t+1)＝y_m(t)+h*e(t+1) (14)

式中，t为当前时刻，e(t+1)为计算模型的预测值与脱硝系统实际烟气排放值的误差y_m(t+1)为下一时刻预测模型的预测值，y(t)为脱硝系统真实的烟气浓度，h为反馈系数，y_m(t)为当前时刻的预测模型的预测值，y_p(t+1)为经反馈校正后下一时刻烟气排放浓度的输出值。

步骤3，根据环保部门对NO_x排放浓度的要求设定NO_x浓度值；其次，为了平缓地达到设定值减少脱硝系统的波动，将设定值进行柔化处理形成参考轨迹。

具体的，为了避免脱硝系统出现输入和输出的急剧变化，使多指标模型预测控制过程输出沿着一条期望的平缓曲线到达设定值，将当前时刻的实际输出值和设定值进行一阶指数变换得到柔化后的平滑参考轨迹；

采用的参考轨迹为一阶指数变化形式，利用当前时刻的实际NO_x排放浓度和NO_x排放浓度设定值通过一阶指数变换求出未来时刻的参考数值形成柔化后的参考轨迹：

y_r(k+i)＝α^jy(k)+(1-α^j)y_r，j＝1,2,…p (15)

式中，k为当前时刻，j为控制时域大小，α为柔化系数，T为采样周期，τ为时间常数，y(k)为k时刻实际NO_x排放浓度值，y_r为NO_x排放浓度设定值，y_r(k+j)为经柔化处理后的参考轨迹。

步骤4，采用差分进化算法对控制变量的值进行求解，根据预测模型求解出使输出值接近于参考轨迹的模型输入值，将求解出的第一个控制量值带入到脱硝系统中完成对水泥生产过程中脱硝系统的稳定控制。

所述差分进化算法包含种群初始化、变异、交叉、选择、边界吸收，然后生成新的个体，预测模型共有15个输入变量，其中9组喷枪氨水流量u₁～u₉作为控制系统的控制变量，需要对这9个变量进行优化求解。

4.1，随机产生初始种群：

{X_i(0)|X_i(0)＝[x_i,1,x_i,2,...,x_i,9],i＝1,2,...NP} (17)

x_i,j＝a_j+rand·(b_j-a_j) (18)

其中，j＝1,2,…,9，NP表示种群大小，X_i(0)表示初始种群中第i个个体，x_i,j表示第i个个体的第j个分量，a_j和b_j分别表示x_ij取值范围的上界和下界，rand表示均匀分布在区间[0,1]的随机数。

4.2，变异操作：

DE算法通过差分法来实现变异操作。基本方法是在当前种群中随机选取两个相异个体，将他们的差向量缩放后与另外的待变异个体进行向量运算，生成新个体：

V_i(g+1)＝X_r1(g)+F·(X_r2(g)-X_r1(g)) (19)

其中，i＝1,2,…,NP，i≠r₁≠r₂≠r₃，r₁,r₂,r₃均为区间[1,NP]内的随机整数，NP为种群大小，F为缩放因子，g表示进化代数，X_i(g)表示第g代种群中第i个个体。通过变异后，第g代种群产生一个新的中间种群V_i(g+1)。

4.3，交叉操作：

对第g代种群X_i(g)及其变异的中间种群V_i(g+1)进行个体间的交叉操作：

其中，i＝1,2,…,NP，j＝1,2,…,9，U_i(g+1)＝[u_i,1,u_i,2,…,u_i,9]表示第g+1代新种群，u_i,j(g+1)和v_i,j(g+1)分别为种群U_i(g+1)和V_i(g+1)中的第j个分量，CR表示交叉概率，j_rand为区间[1,9]内的随机整数，x_ij表示第i个个体的第j个分量。

4.4，选择操作：

在算法实现中为了保证解的有效性，根据水泥生产厂实际情况确定脱硝系统变量数据的上下限进行约束。若个体超出约束范围，通过种群初始化的方式生成新个体进行替换。选择操作是为了通过计算目标函数大小来选择进入新种群的个体：

式中，i＝1,2,…,NP，f为目标函数，U_i(g+1)为第g+1代中间种群，X_i(g)为第g代种群，X_i(g+1)为第g代种群经选择操作后产生的新一代种群。

重复上述四步，直到满足条件为止，通过最小化目标函数求解到控制量。最后，通过滚动优化求解得到的控制量完成对水泥煅烧中脱硝系统的过程控制。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其特征在于：包括以下步骤：

步骤1，运用数据库中的历史数据建立预测水泥烧成过程烟气排放的精确预测模型；

步骤2，利用预测模型的预测值与脱硝系统实时NO_x排放浓度的误差对预测模型进行反馈校正；

步骤3，根据环保部门对NO_x排放浓度的要求设定NO_x浓度值，并将设定的NO_x浓度值进行柔化处理形成参考轨迹；

步骤4，采用差分进化算法对控制变量的值进行求解，根据预测模型求解出使输出值接近于参考轨迹的预测模型输入值，将求解出的第一个控制量值带入到脱硝系统中完成对水泥生产过程中脱硝系统的控制。

2.根据权利要求1所述一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其特征在于：步骤1中，首先对水泥烧成工艺过程中NO_x的产生机理进行分析，选取15个与NO_x排放浓度和氨逃逸相关的过程变量作为预测模型的输入，将变量按照时间顺序排列成时间序列作为预测模型的输入，为了实现对烟气排放的多目标预测，采用MIMO策略实现预测模型的多指标输出，实现同时预测NO_x排放浓度和氨逃逸大小；

通过分析整个水泥烧成的工艺过程中影响NO_x的产生和消除的因素，结合现场工程师的经验知识，最终选取的15个变量为：第1～9组喷枪氨水流量X₁～X₉、烟室O₂反馈X₁₀、烟室NO_x反馈X₁₁、烟室CO反馈X₁₂、分解炉温度反馈X₁₃、分解炉喂煤量X₁₄、O₂反馈X₁₅。

3.根据权利要求1所述的一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其特征在于：步骤1中，所述预测模型为结合时间序列的双向长短时记忆网络的水泥烧成过程烟气排放浓度多目标的预测模型，预测模型构建的具体步骤包括：

1.1，构建双向长短时记忆网络；

1.2，将时间序列引入双向长短时记忆网络结构输入层中避免时延性的影响，构建成预测模型；

1.3，训练所述预测模型，将待预测的数据输入到预测模型中，得到各指标的预测结果。

4.根据权利要求3所述的一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其特征在于，步骤1.2中，具体为：

将输入变量数据集成为m步时间段的时间序列，引入到双向长短时记忆网络结构输入层中，时间序列X(t)表示为：

X₁＝[X₁(t),X₁(t+1),…,X₁(t+m)] (1)

X(t)＝[X₁(t)+X₂(t)+…+X₁₅(t)] (2)

式中，X₁为第一组喷枪的氨水流量变量对应的时间序列，X₁(t)～X₁₅(t)分别代表15种NO_x相关的过程变量在t时刻对应的时间序列，X(t)为双向LSTM模型输入层的时间序列，m为时间序列的宽度，t为当前时刻；

所述双向长短时记忆网络采用两个独立的LSTM隐含层分别表示网络在时间正序时提取的特征信息和在时间逆序时提取的特征信息，将其链接得到最终的预测模型输出，预测模型在t时刻的隐藏状态H_t包含前向的

和后向的

式中，T为序列长度，h_t-1为前一时刻LSTM层的隐藏状态，h_t+1为后一时刻LSTM层的隐藏状态，x_t为当前时刻的输入数据，c_t-1为前一时刻的细胞状态，c_t+1为后一时刻的细胞状态。

5.根据权利要求4所述的一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其特征在于：通过对脱硝数据集分析确定网络结构后，预测模型的最优参数为：两个LSTM隐含层单位细胞分别为200，随机失活层遗忘概率为0.1，训练次数为50次，优化函数为适应性动量估计法，损失函数为平均绝对误差、均方根误差、对称平均绝对百分比误差。

6.根据权利要求1所述一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其特征在于：步骤2中，在控制的每一步将实际输出与预测值比较，修正预测模型的不确定性，当脱硝系统存在时变、模型失配和干扰因素时，反馈校正能够及时修正预测值，使优化建立在较准确的预测基础上，以提高控制系统的鲁棒性；

所述反馈校正是通过计算预测模型的预测值与脱硝系统实时烟气排放浓度的误差对预测模型进行校正，进而提高脱硝过程控制的稳定性和准确性：

e(t+1)＝y(t)-y_m(t+1) (13)

y_p(t+1)＝y_m(t)+h*e(t+1) (14)

式中，t为当前时刻，e(t+1)为计算预测模型的预测值与脱硝系统实际烟气排放值的误差，y_m(t+1)为下一时刻预测模型的预测值，y(t)为脱硝系统真实的烟气浓度，h为反馈系数，y_m(t)为当前时刻的预测模型的预测值，y_p(t+1)为经反馈校正后下一时刻烟气排放浓度的输出值。

7.根据权利要求1所述的一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其特征在于：步骤3中，为了避免脱硝系统出现输入和输出的急剧变化，使多指标模型预测控制过程输出沿着一条期望的平缓曲线到达设定值，将当前时刻的实际输出值和设定值进行一阶指数变换得到柔化后的平滑参考轨迹；

采用的参考轨迹为一阶指数变化形式，利用当前时刻的实际NO_x排放浓度和NO_x排放浓度设定值通过一阶指数变换求出未来时刻的参考数值形成柔化后的参考轨迹：

y_r(k+i)＝α^jy(k)+(1-α^j)y_r，j＝1,2,…p (15)

式中，k为当前时刻，j为控制时域大小，α为柔化系数，T为采样周期，τ为时间常数，y(k)为k时刻实际NO_x排放浓度值，y_r为NO_x排放浓度设定值，y_r(k+j)为经柔化处理后的参考轨迹。

8.根据权利要求1所述的一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其特征在于：步骤4中，所述差分进化算法包含种群初始化、变异、交叉、选择、边界吸收，然后生成新的个体，预测模型共有15个输入变量，其中9组喷枪氨水流量u₁～u₉作为控制系统的控制变量，需要对这9个变量进行优化求解；

采用差分进化算法对控制变量的值进行求解，算法具体如下：

4.1，随机产生初始种群：

{X_i(0)|X_i(0)＝[x_i,1,x_i,2,...,x_i,9],i＝1,2,...NP} (17)

x_i,j＝a_j+rand·(b_j-a_j) (18)

式中，j＝1,2,…,9，NP表示种群大小，X_i(0)表示初始种群中第i个个体，x_i,j表示第i个个体的第j个分量，a_j和b_j分别表示x_ij取值范围的上界和下界，rand表示均匀分布在区间[0,1]的随机数；

4.2，变异操作：

DE算法通过差分法来实现变异操作，基本方法是在当前种群中随机选取两个相异个体，将他们的差向量缩放后与另外的待变异个体进行向量运算，生成新个体：

V_i(g+1)＝X_r1(g)+F·(X_r2(g)-X_r1(g)) (19)

式中，i＝1,2,…,NP，i≠r₁≠r₂≠r₃，r₁,r₂,r₃均为区间[1,NP]内的随机整数，NP为种群大小，F为缩放因子，g表示进化代数，X_i(g)表示第g代种群中第i个个体，通过变异后，第g代种群产生一个新的中间种群V_i(g+1)；

4.3交叉操作：

对第g代种群X_i(g)及其变异的中间种群V_i(g+1)进行个体间的交叉操作：

其中，i＝1,2,…,NP，j＝1,2,…,9，U_i(g+1)＝[u_i,1,u_i,2,…,u_i,9]表示第g+1代新种群，u_i,j(g+1)和v_i,j(g+1)分别为种群U_i(g+1)和V_i(g+1)中的第j个分量，CR表示交叉概率，j_rand为区间[1,9]内的随机整数，x_ij表示第i个个体的第j个分量；

4.4，选择操作：

在算法实现中为了保证解的有效性，根据水泥生产厂实际情况确定脱硝系统变量数据的上下限进行约束；若个体超出约束范围，通过种群初始化的方式生成新个体进行替换；选择操作是为了通过计算目标函数大小来选择进入新种群的个体：

式中，i＝1,2,…,NP，f为目标函数，U_i(g+1)为第g+1代中间种群，X_i(g)为第g代种群，X_i(g+1)为第g代种群经选择操作后产生的新一代种群；

重复上述四步，直到满足条件为止，通过最小化目标函数求解到控制量。

Images