CN115358152B - 垃圾焚烧气体控制与反馈调节系统和方法 - Google Patents
垃圾焚烧气体控制与反馈调节系统和方法 Download PDFInfo
- Publication number
- CN115358152B CN115358152B CN202211038167.8A CN202211038167A CN115358152B CN 115358152 B CN115358152 B CN 115358152B CN 202211038167 A CN202211038167 A CN 202211038167A CN 115358152 B CN115358152 B CN 115358152B
- Authority
- CN
- China
- Prior art keywords
- value
- gas
- time
- calorific value
- moment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000009123 feedback regulation Effects 0.000 title description 7
- 238000010438 heat treatment Methods 0.000 claims abstract description 63
- 238000004056 waste incineration Methods 0.000 claims abstract description 53
- 239000007789 gas Substances 0.000 claims description 156
- 238000003062 neural network model Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000001473 noxious effect Effects 0.000 claims 2
- 239000002341 toxic gas Substances 0.000 claims 2
- 238000010521 absorption reaction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 230000020169 heat generation Effects 0.000 description 5
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 4
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 4
- 235000011941 Tilia x europaea Nutrition 0.000 description 4
- 235000011114 ammonium hydroxide Nutrition 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000004571 lime Substances 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 4
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 description 1
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 1
- 239000000292 calcium oxide Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000002361 compost Substances 0.000 description 1
- 238000009264 composting Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010169 landfilling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Incineration Of Waste (AREA)
Abstract
本申请提供的垃圾焚烧气体控制与反馈调节系统和方法，具体应用于垃圾焚烧领域，包括通过DCS控制系统采集目标设备的运行参数和垃圾焚烧数据；计算当前时刻的气体发热量初值和调整值，得到对应的气体发热量真实值；将运行参数和真实值输入发热量预测模型，得到下一时刻的第一气体发热量预测值；根据该预测值调节目标设备的运行参数；基于调节后的运行参数和真实值二次预测下一时刻的发热量。由此在提高垃圾焚烧效率的同时，优化设备运行工况。
Description
技术领域
本申请涉及垃圾焚烧领域，更具体地，涉及垃圾焚烧气体控制与反馈调节系统和方法。
背景技术
随着经济的发展，常用的垃圾处理方式包括填埋、堆肥和焚烧。其中，填埋的处理方式需要大量土地资源且容易造成二次污染，堆肥的处理方式效率低且仅适用于小规模的垃圾处理，因此无需小号大量土地资源、效率高、二次污染少且能够资源再利用的垃圾焚烧技术，成为主流的垃圾处理方式。
垃圾经完全燃烧所释放的热量称为垃圾的发热量，现有技术中通过对垃圾焚烧机组进行采样和测量，实现机组的运行和调节控制，该过程中耗费大量的人力物力，因此无法大规模应用。
因此，如何在减少人力物力的同时优化机组运行状态，是一项亟待解决的技术问题。
发明内容
本发明实施例的目的在于提供垃圾焚烧气体控制与反馈调节系统和方法，集成于DCS控制系统中，兼顾多种发热量的影响因子，引入深度学习模型预测下一时刻的发热量，并调节设备的运行参数。由此在提高垃圾焚烧效率的同时，优化设备运行工况。具体技术方案如下：
在本发明实施例的第一方面，提供垃圾焚烧气体控制与反馈调节方法，该方法包括：
通过DCS控制系统采集目标设备的运行参数和垃圾焚烧数据；
根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的气体发热量初值和调整值；
根据所述气体发热量初值和所述调整值，得到该时刻对应的气体发热量真实值；
将所述目标设备的运行参数和所述气体发热量真实值输入发热量预测模型，得到下一时刻的第一气体发热量预测值；
根据所述第一气体发热量预测值调节所述目标设备的运行参数；
将调节后的运行参数和所述气体发热量真实值输入所述发热量预测模型，得到下一时刻的第二气体发热量预测值。
可选地，所述根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的气体发热量初值，包括：
通过如下公式计算时刻t时的气体发热量初值Qt,c：
其中，Q0表示发热量的起始值，Qt,N表示时刻t时产生的气体n的发热量值,E表示时刻t时吸收热量值。
可选地，所述根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的调整值，包括：
通过如下公式计算时刻t时的调整值ADt：
其中，ρt,i表示时刻t时产生的有害气体i的密度值，STt,i表示时刻t时产生的有害气体i在所述目标设备中的停留时长，W表示权重因子，COt,N表示时刻t时产生的气体n在所述目标设备中的累积浓度。
可选地，所述根据所述气体发热量初值和所述调整值，得到该时刻对应的气体发热量真实值，包括：
通过如下公式计算时刻t时的气体发热量真实值Qt,z：
Qt,z＝Qt,c×ADt
其中，Qt,c表示时刻t时的气体发热量初值，ADt表示时刻t时的调整值。
可选地，所述发热量预测模型是深度神经网络模型。
进一步地，该方法还包括:
采集多个设备的运行参数和历史垃圾焚烧数据，作为样本数据；提取所述样本数据的特征，得到参数特征和焚烧数据特征；
将所述参数特征和所述焚烧数据特征输入所述深度神经网络模型，得到气体发热量预测数据和损失函数值；
基于所述损失函数值迭代训练所述深度神经网络模型；
将训练好的深度神经网络模型作为发热量预测模型。
可选地，所述根据所述第一气体发热量预测值调节所述目标设备的运行参数，包括：
若所述第一气体发热量预测值大于所述目标设备的最大热量，则调节所述目标设备的运行参数；
反之，不调节所述目标设备的运行参数，继续进行焚烧。
可选地，所述将调节后的运行参数和所述气体发热量真实值输入所述发热量预测模型，得到下一时刻的第二气体发热量预测值之后，还包括：
若所述第二气体发热量预测值小于等于所述目标设备的最大热量，则将所述第二气体发热量预测值及其对应的运行参数，可视化显示在所述DCS控制系统中。
在本发明实施例的又一方面，提供垃圾焚烧气体控制与反馈调节系统，该系统包括：
数据采集装置，用于通过DCS控制系统采集目标设备的运行参数和垃圾焚烧数据；
发热量计算装置，用于根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的气体发热量初值和调整值；
根据所述气体发热量初值和所述调整值，得到该时刻对应的气体发热量真实值；
发热量预测装置，用于将所述目标设备的运行参数和所述气体发热量真实值输入发热量预测模型，得到下一时刻的第一气体发热量预测值；
参数调节装置，用于根据所述第一气体发热量预测值调节所述目标设备的运行参数；
所述发热量预测装置，进一步用于将调节后的运行参数和所述气体发热量真实值输入所述发热量预测模型，得到下一时刻的第二气体发热量预测值。
可选地，所述根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的气体发热量初值，包括：
通过如下公式计算时刻t时的气体发热量初值Qt,c：
其中，Q0表示发热量的起始值，Qt,N表示时刻t时产生的气体n的发热量值,E表示时刻t时吸收热量值。
可选地，所述根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的调整值，包括：
通过如下公式计算时刻t时的调整值ADt：
其中，ρt,i表示时刻t时产生的有害气体i的密度值，STt,i表示时刻t时产生的有害气体i在所述目标设备中的停留时长，W表示权重因子，COt,N表示时刻t时产生的气体n在所述目标设备中的累积浓度。
可选地，所述根据所述气体发热量初值和所述调整值，得到该时刻对应的气体发热量真实值，包括：
通过如下公式计算时刻t时的气体发热量真实值Qt,z：
Qt,z＝Qt,c×ADt
其中，Qt,c表示时刻t时的气体发热量初值，ADt表示时刻t时的调整值。
可选地，所述发热量预测模型是深度神经网络模型。
进一步地，该系统还包括:
模型训练装置，用于采集多个设备的运行参数和历史垃圾焚烧数据，作为样本数据；
提取所述样本数据的特征，得到参数特征和焚烧数据特征；
将所述参数特征和所述焚烧数据特征输入所述深度神经网络模型，得到气体发热量预测数据和损失函数值；
基于所述损失函数值迭代训练所述深度神经网络模型；
将训练好的深度神经网络模型作为发热量预测模型。
可选地，所述参数调节装置进一步用于：
若所述第一气体发热量预测值大于所述目标设备的最大热量，则调节所述目标设备的运行参数；
反之，不调节所述目标设备的运行参数，继续进行焚烧。
进一步地，该系统还包括：
可视化显示装置，用于若所述第二气体发热量预测值小于等于所述目标设备的最大热量，则将所述第二气体发热量预测值及其对应的运行参数，可视化显示在所述DCS控制系统中。
有益效果：
(1)通过DCS控制系统实现垃圾焚烧数据的采集、预测、可视化显示以及焚烧控制和调节，能够对设备的运行进行有效指导。
(2)考虑到气体密度值、气体在目标设备中的停留时长以及气体在目标设备中的累积浓度等多种影响因子对发热量的影响，引入发热量调整值，对初步计算得到的发热量进行调整，由此提高发热量计算的准确性。
(3)引入深度学习模型，将训练好的深度学习模型作为发热量预测模型，由此提高发热量预测的准确性，能够对设备运行工况进行更及时更准确的预警。
(4)本发明采集目标设备的运行参数和垃圾焚烧数据；计算当前时刻的气体发热量初值和调整值，得到对应的气体发热量真实值；将运行参数和真实值输入发热量预测模型，得到下一时刻的第一气体发热量预测值；根据该预测值调节目标设备的运行参数；基于调节后的运行参数和真实值二次预测下一时刻的发热量。通过上述方式在提高垃圾焚烧效率的同时，优化设备运行工况。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的垃圾焚烧气体控制与反馈调节方法的流程图；
图2是本申请实施例提供的发热量预测模型训练方法的流程图；
图3是本申请实施例提供的垃圾焚烧气体控制与反馈调节系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了垃圾焚烧气体控制与反馈调节系统和方法，包括通过DCS控制系统采集目标设备的运行参数和垃圾焚烧数据；计算当前时刻的气体发热量初值和调整值，得到对应的气体发热量真实值；将运行参数和真实值输入发热量预测模型，得到下一时刻的第一气体发热量预测值；根据该预测值调节目标设备的运行参数；基于调节后的运行参数和真实值二次预测下一时刻的发热量。由此在提高垃圾焚烧效率的同时，优化设备运行工况。
该垃圾焚烧气体控制与反馈调节系统和方法，具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
可以理解的是，本实施例的该垃圾焚烧气体控制与反馈调节系统和方法可以是在终端上执行的，也可以是在服务器上执行，还可以由终端和服务器共同执行的。以上举例不应理解为对本申请的限制。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，本公开实施例提供的方案涉及计算机视觉技术、人工智能的机器学习/深度学习等技术，具体通过如下实施例进行说明：
请参阅图1，图1示出根据本公开一实施例提供的垃圾焚烧气体控制与反馈调节方法的流程图，该方法具体包括如下步骤：
S110、通过DCS控制系统采集目标设备的运行参数和垃圾焚烧数据。
其中，DCS控制系统是以微处理器为基础，采用控制功能分散、显示操作集中、兼顾分而自治和综合协调的设计原则的一种仪表控制系统。
需要说明的是，目标设备可以是焚烧炉，其运行参数可以包括空气压力、空气温度、饱和蒸汽压力、饱和蒸汽温度和运行方式等，在此不做具体限定。
S120、根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的气体发热量初值和调整值。
其中，可以通过如下公式计算时刻t时的气体发热量初值Qt,c：
其中，Q0表示发热量的起始值，Qt,N表示时刻t时产生的气体n的发热量值,E表示时刻t时吸收热量值。
其中，可以通过如下公式计算时刻t时的调整值ADt：
其中，ρt,i表示时刻t时产生的有害气体i的密度值，STt,i表示时刻t时产生的有害气体i在所述目标设备中的停留时长，W表示权重因子，COt,N表示时刻t时产生的气体n在所述目标设备中的累积浓度。
S130、根据所述气体发热量初值和所述调整值，得到该时刻对应的气体发热量真实值。
其中，可以通过如下公式计算时刻t时的气体发热量真实值Qt,z：
Qt,z＝Qt,c×ADt
其中，Qt,c表示时刻t时的气体发热量初值，ADt表示时刻t时的调整值。
本实施方式中考虑到气体密度值、气体在目标设备中的停留时以及气体在目标设备中的累积浓度等多种影响因子对发热量的影响，引入发热量调整值，对初步计算得到的发热量进行调整，由此提高发热量计算的准确性。
S140、将所述目标设备的运行参数和所述气体发热量真实值输入发热量预测模型，得到下一时刻的第一气体发热量预测值。
其中，所述发热量预测模型可以是深度神经网络模型。
S150、根据所述第一气体发热量预测值调节所述目标设备的运行参数。
其中，若所述第一气体发热量预测值大于所述目标设备的最大热量，则调节所述目标设备的运行参数；反之，不调节所述目标设备的运行参数，继续进行焚烧。
进一步地，所述步骤S150可以包括以下步骤：
S151、根据所述第一气体发热量预测值确定所述目标设备中所需的氨水、活性炭以及石灰的质量。
其中，氨水的组成成分可以包括NH3、液氨；石灰的组成成分可以包括氧化钙。
S152、调节所述目标设备的运行参数。
具体地，将目标设备调节至适合加入氨水、活性炭以及石灰的运行参数；例如加入氨水时，DCS系统应将压力参数调节为中压。
S153、向所述目标设备加入相应质量的氨水、活性炭以及石灰。
S154、根据所述第一气体发热量预测值调节所述目标设备的运行参数。
S160、将调节后的运行参数和所述气体发热量真实值输入所述发热量预测模型，得到下一时刻的第二气体发热量预测值。
进一步地，若所述第二气体发热量预测值小于等于所述目标设备的最大热量，则将所述第二气体发热量预测值及其对应的运行参数，可视化显示在所述DCS控制系统中。
本实施方式通过DCS控制系统实现垃圾焚烧数据的采集、预测、可视化显示以及焚烧控制和调节，对设备的运行实现有效指导。
可选地，若所述第二气体发热量预测值大于所述目标设备的最大热量，则根据所述第二气体发热量预测值调节所述目标设备的运行参数，并重新计算第二气体发热量预测值，直到第二气体发热量预测值小于等于所述目标设备的最大热量为止。
由此在提高垃圾焚烧效率的同时，优化设备运行工况。
图2示出了本申请实施例提供的发热量预测模型训练方法的流程图，请参考图2，具体包括如下步骤：
S210、采集多个设备的运行参数和历史垃圾焚烧数据，作为样本数据。
其中，所述多个设备可以是多个并列排布的焚烧炉，其运行参数可以包括空气压力、空气温度、饱和蒸汽压力、饱和蒸汽温度和运行方式等，在此不做具体限定。
进一步地，可以对所述样本数据进行预处理，如剔除明显异常的历史垃圾焚烧数据、剔除已废弃设备的相关数据等。
S220、提取所述样本数据的特征，得到参数特征和焚烧数据特征。
S230、将所述参数特征和所述焚烧数据特征输入深度神经网络模型，得到气体发热量预测数据和损失函数值。
其中，所述深度神经网络模型可以是循环神经网络模型或门控循环神经网络模型，门控循环神经网络模型能够更好的捕捉到长时间的历史垃圾焚烧数据之间的依赖关系。
进一步地，所述深度神经网络模型至少包括输入层、隐藏层和输出层。
可选地，使用平均绝对误差损失函数和的随机梯度下降的Adam算法，使得参数更新有更多的机会跳出局部最优，加速和优化网络收敛。
S240、基于所述损失函数值迭代训练所述深度神经网络模型。
S250、将训练好的深度神经网络模型作为发热量预测模型。
在一种实施方式中，可以根据设备的不同运行方式，训练相应的深度神经网络模型；例如采集所述多个设备的运行方式为连续运行；将其与其它运行参数和历史垃圾焚烧数据组合，作为第一样本数据；所述第一样本数据的特征，得到第一参数特征和第一焚烧数据特征；将所述第一参数特征和所述第一焚烧数据特征输入连续运行对应的第一深度神经网络模型，将训练好的第一深度神经网络模型作为第一发热量预测模型。由此进一步提高预测准确率。
本实施方式引入深度学习模型，将训练好的深度学习模型作为发热量预测模型，由此提高发热量预测的准确性，能够对设备运行工况进行更及时更准确的预警。
本实施例还提供垃圾焚烧气体控制与反馈调节系统，如图3所示，该垃圾焚烧气体控制与反馈调节系统包括：
数据采集装置310，用于通过DCS控制系统采集目标设备的运行参数和垃圾焚烧数据。
发热量计算装置320，用于根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的气体发热量初值和调整值；根据所述气体发热量初值和所述调整值，得到该时刻对应的气体发热量真实值。
发热量预测装置330，用于将所述目标设备的运行参数和所述气体发热量真实值输入发热量预测模型，得到下一时刻的第一气体发热量预测值。
参数调节装置340，用于根据所述第一气体发热量预测值调节所述目标设备的运行参数。
所述发热量预测装置320，进一步用于将调节后的运行参数和所述气体发热量真实值输入所述发热量预测模型，得到下一时刻的第二气体发热量预测值。
可选地，所述根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的气体发热量初值，包括：
通过如下公式计算时刻t时的气体发热量初值Qt,c：
其中，Q0表示发热量的起始值，Qt,N表示时刻t时产生的气体n的发热量值,E表示时刻t时吸收热量值。
可选地，所述根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的调整值，包括：
通过如下公式计算时刻t时的调整值ADt：
其中，ρt,i表示时刻t时产生的有害气体i的密度值，STt,i表示时刻t时产生的有害气体i在所述目标设备中的停留时长，W表示权重因子，COt,N表示时刻t时产生的气体n在所述目标设备中的累积浓度。
可选地，所述根据所述气体发热量初值和所述调整值，得到该时刻对应的气体发热量真实值，包括：
通过如下公式计算时刻t时的气体发热量真实值Qt,z：
Qt,z＝Qt,c×ADt
其中，Qt,c表示时刻t时的气体发热量初值，ADt表示时刻t时的调整值。
可选地，所述发热量预测模型是深度神经网络模型。
进一步地，该系统还包括:
模型训练装置350，用于采集多个设备的运行参数和历史垃圾焚烧数据，作为样本数据；提取所述样本数据的特征，得到参数特征和焚烧数据特征；将所述参数特征和所述焚烧数据特征输入所述深度神经网络模型，得到气体发热量预测数据和损失函数值；基于所述损失函数值迭代训练所述深度神经网络模型；将训练好的深度神经网络模型作为发热量预测模型。
可选地，所述参数调节装置340进一步用于：若所述第一气体发热量预测值大于所述目标设备的最大热量，则调节所述目标设备的运行参数；反之，不调节所述目标设备的运行参数，继续进行焚烧。
进一步地，该系统还包括：
可视化显示装置360，用于若所述第二气体发热量预测值小于等于所述目标设备的最大热量，则将所述第二气体发热量预测值及其对应的运行参数，可视化显示在所述DCS控制系统中。
由此该系统引入DCS控制系统和深度神经网络模型，对下一时刻的发热量进行预测和可视化，能够在提高垃圾焚烧效率的同时，优化设备运行工况。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置中模块/单元/子单元/组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.垃圾焚烧气体控制与反馈调节方法，其特征在于，该方法包括：
通过DCS控制系统采集目标设备的运行参数和垃圾焚烧数据；
根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的气体发热量初值和调整值；
其中，根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的调整值，具体包括：
通过如下公式计算时刻t时的调整值 
：
根据所述气体发热量初值和所述调整值，得到该时刻对应的气体发热量真实值；具体通过如下公式计算时刻t时的气体发热量真实值
：
将所述目标设备的运行参数和所述气体发热量真实值输入发热量预测模型，得到下一时刻的第一气体发热量预测值；
根据所述第一气体发热量预测值调节所述目标设备的运行参数；
将调节后的运行参数和所述气体发热量真实值输入所述发热量预测模型，得到下一时刻的第二气体发热量预测值。
2.根据权利要求1所述的方法，其特征在于，所述根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的气体发热量初值，包括：
通过如下公式计算时刻t时的气体发热量初值
：
3.根据权利要求1所述的方法，其特征在于，所述发热量预测模型是深度神经网络模型。
4.根据权利要求3所述的方法，其特征在于，该方法还包括:
采集多个设备的运行参数和历史垃圾焚烧数据，作为样本数据；
提取所述样本数据的特征，得到参数特征和焚烧数据特征；
将所述参数特征和所述焚烧数据特征输入所述深度神经网络模型，得到气体发热量预测数据和损失函数值；
基于所述损失函数值迭代训练所述深度神经网络模型；
将训练好的深度神经网络模型作为发热量预测模型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一气体发热量预测值调节所述目标设备的运行参数，包括：
若所述第一气体发热量预测值大于所述目标设备的最大热量，则调节所述目标设备的运行参数；
反之，不调节所述目标设备的运行参数，继续进行焚烧。
6.根据权利要求1所述的方法，其特征在于，所述将调节后的运行参数和所述气体发热量真实值输入所述发热量预测模型，得到下一时刻的第二气体发热量预测值之后，还包括：
若所述第二气体发热量预测值小于等于所述目标设备的最大热量，则将所述第二气体发热量预测值及其对应的运行参数，可视化显示在所述DCS控制系统中。
7.垃圾焚烧气体控制与反馈调节系统，其特征在于，该系统包括：
数据采集装置，用于通过DCS控制系统采集目标设备的运行参数和垃圾焚烧数据；
发热量计算装置，用于根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的气体发热量初值和调整值；
其中，根据当前时刻的所述垃圾焚烧数据，计算该时刻对应的调整值，具体包括：
通过如下公式计算时刻t时的调整值
：
根据所述气体发热量初值和所述调整值，得到该时刻对应的气体发热量真实值；具体通过如下公式计算时刻t时的气体发热量真实值
：
发热量预测装置，用于将所述目标设备的运行参数和所述气体发热量真实值输入发热量预测模型，得到下一时刻的第一气体发热量预测值；
参数调节装置，用于根据所述第一气体发热量预测值调节所述目标设备的运行参数；
所述发热量预测装置，进一步用于将调节后的运行参数和所述气体发热量真实值输入所述发热量预测模型，得到下一时刻的第二气体发热量预测值。
8.根据权利要求7所述的系统，其特征在于，该系统还包括：
可视化显示装置，用于若所述第二气体发热量预测值小于等于所述目标设备的最大热量，则将所述第二气体发热量预测值及其对应的运行参数，可视化显示在所述DCS控制系统中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211038167.8A CN115358152B (zh) | 2022-08-26 | 2022-08-26 | 垃圾焚烧气体控制与反馈调节系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211038167.8A CN115358152B (zh) | 2022-08-26 | 2022-08-26 | 垃圾焚烧气体控制与反馈调节系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115358152A CN115358152A (zh) | 2022-11-18 |
| CN115358152B true CN115358152B (zh) | 2023-04-07 |
Family
ID=84005427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211038167.8A Active CN115358152B (zh) | 2022-08-26 | 2022-08-26 | 垃圾焚烧气体控制与反馈调节系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115358152B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520781A (zh) * | 2023-04-24 | 2023-08-01 | 绍兴市再生能源发展有限公司 | 基于预测与反馈数据提高垃圾发电热效率的方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102889598A (zh) * | 2012-10-24 | 2013-01-23 | 华南理工大学 | 一种利用垃圾热值预测辅助垃圾稳定燃烧的控制方法 |
| CN105375479A (zh) * | 2015-12-14 | 2016-03-02 | 东南大学 | 一种基于模型预测控制的分布式能源能量管理方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109960873B (zh) * | 2019-03-24 | 2021-09-10 | 北京工业大学 | 一种城市固废焚烧过程二噁英排放浓度软测量方法 |
| JP7126215B2 (ja) * | 2020-11-10 | 2022-08-26 | 学校法人東京電機大学 | システム制御装置及び制御方法 |
| CN112818509A (zh) * | 2020-12-31 | 2021-05-18 | 深圳市深能环保东部有限公司 | 垃圾焚烧热值在线快速计算的方法 |
| CN113175678B (zh) * | 2021-03-09 | 2023-11-10 | 广州特种承压设备检测研究院 | 垃圾焚烧的监控方法及装置 |
| CN114117954B (zh) * | 2021-11-08 | 2023-04-18 | 北京工业大学 | 一种反应器内部三维反应场动态实时可视化方法 |
-
2022
- 2022-08-26 CN CN202211038167.8A patent/CN115358152B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102889598A (zh) * | 2012-10-24 | 2013-01-23 | 华南理工大学 | 一种利用垃圾热值预测辅助垃圾稳定燃烧的控制方法 |
| CN105375479A (zh) * | 2015-12-14 | 2016-03-02 | 东南大学 | 一种基于模型预测控制的分布式能源能量管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115358152A (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xia et al. | Dioxin emission prediction based on improved deep forest regression for municipal solid waste incineration process | |
| CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
| CN111461355B (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
| 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 | |
| CN115358152B (zh) | 垃圾焚烧气体控制与反馈调节系统和方法 | |
| CN107944173B (zh) | 一种基于选择性集成最小二乘支撑向量机的二噁英软测量系统 | |
| WO2020047653A1 (en) | System and method for anaerobic digestion process assessment, optimization and/or control | |
| CN103472865A (zh) | 智能最小二乘的农药废液焚烧炉炉温最佳化系统及方法 | |
| Boiocchi et al. | Aeration control by monitoring the microbiological activity using fuzzy logic diagnosis and control. Application to a complete autotrophic nitrogen removal reactor | |
| Shen et al. | A Deep Learning-Based Data Management Scheme for Intelligent Control of Wastewater Treatment Processes Under Resource-Constrained IoT Systems | |
| CN103472866B (zh) | 智能模糊系统的农药废液焚烧炉炉温最佳化系统及方法 | |
| Qin et al. | A fuzzy composting process model | |
| CN116085823A (zh) | 锅炉燃烧控制方法及系统 | |
| CN118296436A (zh) | 针对燃气电厂二氧化碳排放量的预测方法、装置及设备 | |
| CN114881470A (zh) | 基于数据的垃圾焚烧发电污染物排放风险诊断预警方法 | |
| CN115239063A (zh) | 一种垃圾焚烧发电厂碳排放计算方法 | |
| Xia et al. | Dioxin emission concentration forecasting model for MSWI process with random forest-based transfer learning | |
| Jian et al. | Soft measurement of dioxin emission concentration based on deep forest regression algorithm | |
| CN115717709B (zh) | 基于注意力机制lstm模型的入炉垃圾热值实时预测方法 | |
| CN118070073B (zh) | 基于人工智能的垃圾焚烧发电厂垃圾池控制方法及系统 | |
| CN112966440B (zh) | 一种垃圾焚烧辅助燃料剂用量的预测方法和系统 | |
| CN117987160B (zh) | 一种高效有机固废热解过程自适应控制方法及系统 | |
| CN113798315B (zh) | 基于机器学习的热强化sve技术气体排放控制方法 | |
| AU2020101841A4 (en) | Design and development of soft data driven sensors for use in a waste-to-energy (wte) industry plant | |
| Song et al. | Digital twin technology for sewage sludge smoldering process and CO/NOx emissions based on back propagation neural network: A laboratory experimental study |
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 |