CN115857585A - 基于多回路改进sna-pid的炉膛温度智能优化控制方法 - Google Patents

基于多回路改进sna-pid的炉膛温度智能优化控制方法 Download PDF

Info

Publication number
CN115857585A
CN115857585A CN202211628882.7A CN202211628882A CN115857585A CN 115857585 A CN115857585 A CN 115857585A CN 202211628882 A CN202211628882 A CN 202211628882A CN 115857585 A CN115857585 A CN 115857585A
Authority
CN
China
Prior art keywords
model
hearth
temperature
value
representing
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.)
Pending
Application number
CN202211628882.7A
Other languages
English (en)
Inventor
汤健
王天峥
夏恒
乔俊飞
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.)
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 CN202211628882.7A priority Critical patent/CN115857585A/zh
Publication of CN115857585A publication Critical patent/CN115857585A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明提供基于多回路改进SNA‑PID的炉膛温度智能优化控制方法。实际工业现场大多依靠领域专家凭借经验依据污染物排放浓度进行操作，从而导致炉膛温度波动大，污染物排放浓度难以最优。首先，面向以炉膛温度控制为目标的过程对象建模问题，建立基于最小二乘决策树(LSDT)的多入单出被控对象模型；接着，面向炉膛温度与多个操作变量相关的问题，提出基于ISNA‑PID的多回路控制器；最后，面向以降低与炉膛温度相关污染物排放浓度为目标的优化设定问题，建立基于CART树算法的单入单出指标模型，采用粒子群优化(PSO)算法求解NOx与CO2排放优化模型获得炉膛温度设定值。本发明能够实现炉膛温度设定值的自主寻优，降低了污染物排放浓度。

Description

基于多回路改进SNA-PID的炉膛温度智能优化控制方法
技术领域
本发明属于炉膛温度智能优化控制方法
背景技术
文中符号如表1所示。
表1文中符号含义
Figure BDA0004004985210000011
相比于其他城市固废(MSW)处理技术，MSW焚烧(MSWI)技术因具有无害化、减量化和资源化等方面的优势已成为世界范围内的主流处理技术，其主要优势是降低土地资源使用与实现能源再利用。截至2022年9月，除中国台湾省以外，中国已投运MSWI电厂811家，MSW处理能力占比已超过总量的50％。作为典型的流程工业，MSWI过程涉及复杂的物理化学反应，是具有多回路、强耦合、非线性等特点的多入多出系统，其能否稳定运行取决于被控变量与众多操作变量间的协调控制，并且与MSW组分的差异性、设备的运维管理和操作工程师的经验等干扰因素相关。通常，MSWI过程的控制遵循“3T+E”原则，即炉膛温度大于850℃、烟气停留时间大于2秒、一定的烟气湍流强度以及充足的空气量。理论上，“3T+E”原则能够有效确保燃烧过程产生的有害物质得到充分分解，从源头控制酸性气体和二噁英等有毒污染物的生成。
在上述“3T+E”原则中，炉膛温度尤为重要，其还与MSWI过程的其他被控变量和工艺参数紧密相关，如与锅炉蒸汽流量成正比，与烟气含氧量成反比，与二噁英分解和再生成以及燃烧效率等直接相关。由此可知，炉膛温度是保证MSWI过程安全运行的重要指标，也是确保尾气中多种污染物排放浓度最小化的关键因素。因此，进行MSWI过程炉膛温度的稳定控制研究非常必要。
由于自动燃烧控制(ACC)系统需要针对不同国家的MSW特性及人员素质等因素实现“本土化”，目前中国MSWI电厂多采用依靠领域专家的手动操作模式。针对MSWI电厂面临的MSW成分复杂波动大且热值难测、燃烧过程不稳定、污染排放波动性强、炉温超高位运行导致故障频发与运维成本高等诸多问题，发展智能优化控制技术是实现智慧化、低碳化和无害化焚烧的关键。笔者认为，针对难以进行炉膛温度智能优化控制算法研究及进行工业现场验证的情况下，目前存在如下3个待解决的问题：1)面向炉膛温度控制的以操作变量为输入的被控对象模型；2)符合实际工业过程操作现状的炉膛温度回路控制器；3)能够最小化与炉膛温度相关多种污染物排放浓度的设定优化算法。
综上所述，本文从建模、控制和优化视角提出基于多回路ISNA-PID的炉膛温度智能优化控制方法。主要创新点为：1)提出了面向MSWI过程炉膛温度控制的智能优化控制框架，包括面向炉膛温度控制的被控对象模型、基于工业实际的多回路ISNA-PID控制器和基于PSO以降低NOx与CO2排放浓度的优化设定算法；2)建立了以面向炉膛温度控制为目标、符合工业实际的多入单出被控对象模型，为后续智能优化控制算法的研究提供支撑；3)建立了基于工业实际的多回路炉膛温度控制器，改进了传统SNA-PID控制器的输入与权重更新算法，使得误差增量具有更大的权重占比，进而保证较小的输出震荡以维持运行生产的稳定性；4)基于上述模型和控制器，建立单入单出NOx与CO2指标模型，利用PSO算法寻优以污染物综合排放浓度最小为优化目标的炉膛温度设定值。
北京某MSWI电厂的工艺流程如图1所示。
由图1可知，MSW由车辆运输，经地磅称重后排入固废池，经过3～7天的生物发酵和脱水后，固废池中的MSW由抓斗投入到料斗中；然后，进料器将MSW推至炉排，经过干燥、燃烧、烧烬三个阶段，燃烧过程为保证高温烟气中的有害物质充分分解和燃烧，烟气温度应控制在850℃以上，烟气停留2秒以上和足够的烟气湍流度；之后，高温烟气进入余热锅炉，换热产生的高温蒸汽带动汽轮发电机组发电；随后，与消石灰和活性炭混合的烟气进入脱酸反应器，发生中和反应，吸附烟气中的二噁英和重金属；接着，在袋式除尘器中去除烟气颗粒、中和反应物和活性炭吸附剂；最后，含有粉尘、CO、NOx、SO2、HCL、HF、Hg、Cd和二噁英等其他物质的废气通过烟囱排入大气，焚烧产生的灰渣通过捞渣机输送至渣坑后由车辆运输至指定地点填埋。
确保炉膛温度达标是实现MSWI过程稳定运行的首要前提，其原因在于：MSW成分复杂，若燃烧不充分将产生大量有毒有害物质，后者需要在高温下进行完全分解；其次，炉膛温度与蒸汽流量紧密相关，后者用于推动汽轮机发电；再者，炉膛温度长时段的高位运行将出现烧穿、结焦、积灰等现象，进而使得焚烧设备故障频繁。此外，维持合适的炉膛温度对降低与其直接相关污染物中的NOx与CO2等环保指标排放浓度极为有利。因此，针对MSWI过程而言炉膛温度的稳定控制极为关键。
发明内容
本文所提出基于多回路INSA-PID的炉膛温度智能优化控制方法由三部分组成：面向炉膛温度的被控对象模型、面向炉膛温度的多回路智能控制器和面向炉膛温度的设定优化，如图2所示。
其中，yFT表示炉膛温度最优设定值；U表示多回路控制器输出矩阵；
Figure BDA0004004985210000031
表示炉膛温度模型输出值；
Figure BDA0004004985210000032
和
Figure BDA0004004985210000033
表示NOx与CO2模型输出值，其余符号见下文描述。
由于采集过程中存在传感器老化、电磁干扰等问题，采集得到的数据存在的不同程度噪声会严重影响模型与控制精度。本文提出面向炉膛温度的被控对象模型包括基于小波的数据去噪和基于最小二乘决策树(LSDT)的炉膛温度模型，其结构如图3所示。
其中，
Figure BDA0004004985210000034
和
Figure BDA0004004985210000035
分别表示一次风量、二次风量、进料器炉排均速、干燥炉排均速和氨水注入量原始数据；uPriAir、uSecAir、uFeeder、uDry和uNH3H2O分别表示一次风量、二次风量、进料器炉排均速、干燥炉排均速和氨水注入量小波去噪后的数据；
Figure BDA0004004985210000036
表示炉膛温度模型输出。
1)基于小波的数据去噪
相比于傅里叶变换，小波分析法解决了傅里叶变换难以处理非平稳信号的问题，具有算法简单、计算量小等特点。其中小波阈值法的硬阈值去噪表达式如下：
Figure BDA0004004985210000041
软阈值去噪表示式如下所示：
Figure BDA0004004985210000042
Figure BDA0004004985210000043
其中，wθ和
Figure BDA0004004985210000044
表示是去噪前、后的小波系数；阈值
Figure BDA0004004985210000045
M为信号长度。
由式(1)-(3)可知，硬阈值将绝对值大于阈值的元素保留，小于阈值的部分置0；软阈值则是令绝对值小于阈值的元素为0，其余非0元素向0收缩，优点是平滑性好，适合于本文所采用的过程数据去噪。
2)基于LSDT的炉膛温度模型
结合工业实际，为简化描述将炉膛温度模型的全部输入特征记为
Figure BDA0004004985210000046
首先，以第m个输入特征
Figure BDA0004004985210000047
作为分割变量，以第nsel个样本对应的值
Figure BDA0004004985210000048
作为分割点进行切割，将输入特征空间分为两个区域
Figure BDA0004004985210000049
和
Figure BDA00040049852100000410
如下：
Figure BDA00040049852100000411
基于以下准则，通过遍历寻找最优分割变量和分割点。
Figure BDA00040049852100000412
其中，
Figure BDA00040049852100000413
和
Figure BDA00040049852100000414
分别代表区域
Figure BDA00040049852100000415
和
Figure BDA00040049852100000416
中样本真值；
Figure BDA00040049852100000417
和
Figure BDA00040049852100000418
分别代表区域
Figure BDA00040049852100000419
和
Figure BDA00040049852100000420
中的样本真值平均值。
接着，重复上述过程，直到叶节点样本数小于经验设定阈值θFT(依据训练样本数决定，一般取样本数量的十分之一作为该阈值)。
最后，将输入特征空间划分为KFT个区域并标记为
Figure BDA00040049852100000421
进而，基于LSDT的FT模型如下：
Figure BDA0004004985210000051
其中，
Figure BDA0004004985210000052
为第k个叶节点权重；I(·)为指示函数，当
Figure BDA0004004985210000053
存在时函数值为1，否则为0，
Figure BDA0004004985210000054
Figure BDA0004004985210000055
表示中间节点数量，且
Figure BDA0004004985210000056
构建上述模型的损失函数定义如下：
Figure BDA0004004985210000057
其中，λ为正则项系数。
将其转换成向量形式，将损失函数对
Figure BDA0004004985210000058
求导，并令其为0，可得：
Figure BDA0004004985210000059
其中，Umodel表示模型输入特征向量。
鉴于MSWI过程的动态特性和强非线性，实际现场领域专家通过调节多个操作变量以实现对炉膛温度的控制作用。因此，本文先计算一次风量、二次风量、进料器均速等操作变量与炉膛温度的相关系数，将相关系数较低的一次风作为扰动量，提出如图4所示的4回路改进SNA-PID(ISNA-PID)控制器。
以第j个操作变量
Figure BDA00040049852100000510
为例(j＝1,···,4)，ISNA-PID控制器的结构如图5所示。
原始SNA-PID控制器需要对误差信号进行状态转换，其输入为：
Figure BDA00040049852100000511
Figure BDA00040049852100000512
其中，e(k)表示误差值；
Figure BDA00040049852100000513
和yFT分别表示炉膛温度设定值和模型输出值；k表示迭代次数。
为增大误差增量所占的权重，本文针对SNA-PID控制器的输入z3进行改进，目的是降低输出震荡，如下：
z3(k)＝[e(k)-e(k-1)]2 (11)
因此，针对第j个操作变量的ISNA-PID控制器输出可表示为：
Figure BDA00040049852100000514
其中，
Figure BDA00040049852100000515
表示第j个操作变量的增量；
Figure BDA00040049852100000516
表示第j个操作变量的神经元增益系数；
Figure BDA00040049852100000517
表示在k时刻第j个操作变量的第i个神经元加权系数，表示为：
Figure BDA0004004985210000061
由式(18)和(19)可知，SNA-PID控制器通过不断在线调整神经元加权系数，在有监督的Hebb学习算法下实现设定值的跟踪，如下：
Figure BDA0004004985210000062
本文在式(20)的基础上，重复利用误差增量实现加权系数的更新，修改后的加权系数更新公式如下：
Figure BDA0004004985210000063
其中，
Figure BDA0004004985210000064
和
Figure BDA0004004985210000065
分别表示第j个操作变量中比例、积分和微分神经元的权重系数，
Figure BDA0004004985210000066
和
Figure BDA0004004985210000067
分别表示第j个操作变量中比例、积分和微分神经元学习系数。
面向炉膛温度的设定优化
1)基于CART树的NOx与CO2指标模型
此处仅考虑炉膛温度对NOx与CO2的影响，为增加模型的可解释性采用CART树构建单入单出指标模型。
NOx模型建模过程如下：
首先，以第nsel个样本对应的值
Figure BDA0004004985210000068
作为分割点进行切割，将输入特征空间分为两个区域
Figure BDA0004004985210000069
和
Figure BDA00040049852100000610
如下：
Figure BDA00040049852100000611
基于以下准则，通过遍历寻找最优分割点。
Figure BDA00040049852100000612
其中，
Figure BDA00040049852100000613
和
Figure BDA00040049852100000614
分别代表
Figure BDA00040049852100000615
和
Figure BDA00040049852100000616
区域中样本真值；
Figure BDA00040049852100000617
和
Figure BDA00040049852100000618
分别代表
Figure BDA00040049852100000619
和
Figure BDA00040049852100000620
区域中样本真值的平均值。
接着，重复上述过程进行生长，直到叶节点样本数小于经验设定阈值θNOx(依据训练样本数决定，一般取样本数量的十分之一作为该阈值)。
最后，将输入特征空间划分为KNOx个区域并标记为
Figure BDA0004004985210000071
进而，基于CART树构建的NOx模型如下：
Figure BDA0004004985210000072
Figure BDA0004004985210000073
其中，
Figure BDA0004004985210000074
表示区域
Figure BDA0004004985210000075
中包含的样本数量；
Figure BDA0004004985210000076
表示区域
Figure BDA0004004985210000077
中第
Figure BDA0004004985210000078
个样本真值；I(·)为指示函数，当
Figure BDA0004004985210000079
存在时函数值为1，否则为0。
CO2模型建模过程如下：
首先，以第nsel个样本对应的值
Figure BDA00040049852100000710
作为分割点进行切割，将输入特征空间分为两个区域
Figure BDA00040049852100000711
和
Figure BDA00040049852100000712
如下：
Figure BDA00040049852100000713
基于以下准则，通过遍历寻找最优分割点。
Figure BDA00040049852100000714
其中，
Figure BDA00040049852100000715
和
Figure BDA00040049852100000716
分别代表
Figure BDA00040049852100000717
和
Figure BDA00040049852100000718
区域中样本真值；
Figure BDA00040049852100000719
和
Figure BDA00040049852100000720
分别代表
Figure BDA00040049852100000721
和
Figure BDA00040049852100000722
区域中样本真值的平均值。
接着，重复上述过程进行生长，直到叶节点样本数小于经验设定阈值
Figure BDA00040049852100000723
(依据训练样本数决定，一般取样本数量的十分之一作为该阈值)。
最后，将输入特征空间划分为
Figure BDA00040049852100000724
个区域并标记为
Figure BDA00040049852100000725
进而，基于CART树构建的CO2模型如下：
Figure BDA00040049852100000726
Figure BDA00040049852100000727
其中，
Figure BDA00040049852100000728
表示区域
Figure BDA00040049852100000729
中包含的样本数量；
Figure BDA00040049852100000730
表示区域
Figure BDA00040049852100000731
中第
Figure BDA00040049852100000732
个样本真值；
Figure BDA00040049852100000733
表示经验设定阈值；I(·)为指示函数，当
Figure BDA00040049852100000734
存在时函数值为1，否则为0。
2)多目标优化模型
以NOx与CO2排放浓度为优化目标的炉膛温度设定优化多目标模型如下所示：
Figure BDA0004004985210000081
其中，
Figure BDA0004004985210000082
表示污染物综合排放浓度；wPollutant表示权重向量；γPollutant表示污染物排放浓度输出向量；ωNOx、
Figure BDA0004004985210000083
分别表示NOx与CO2排放浓度所占权重。
为最小化目标函数γmix，本节在基于CART树建立的单入单出NOx与CO2指标模型的基础上，采用粒子群优化(Particle swarm optimization,PSO)算法搜索最优炉膛温度设定值。
作为群智能算法之一的PSO算法通过模拟鸟群捕食行为，将待优化问题的看作捕食鸟群，解空间看作鸟群飞行空间，空间中每只鸟的位置即为PSO算法在解空间的一个粒子，利用种群中个体间的相互协作和信息共享寻找最优解，具备原理简单、调整参数少、运行速度快等优点，广泛用于工程优化问题。其粒子速度与位置更新公式为：
Figure BDA0004004985210000084
其中，t表示迭代次数；ω表示惯性因子；r1和r2是(0,1)之间的随机数；c1和c2代表学习因子，通常取值为2；xi(t)、pbesti(t)和gbest(t)分别表示第t次迭代时，第i个粒子的当前位置、个体最优以及全局最优。
由于炉膛温度设定通常为整数，因此本文对速度更新公式进行取整运算，如下所示：
Figure BDA0004004985210000085
其中，q表示粒子编号。
附图说明
图1北京某MSWI电厂工艺流程图
图2基于多回路ISNA-PID的炉膛温度智能优化控制方法策略图
图3面向炉膛温度的被控对象模型结构图
图4面向炉膛温度的多回路智能控制器结构图
图5ISNAPID控制器结构图
图6数据预处理结果
图7炉膛温度模型拟合曲线
图8跟踪结果曲线
图9误差曲线
图10控制器输出曲线
图11控制器参数变化曲线
图12NOx模型拟合曲线
图13CO2模型拟合曲线
图14不同NOx权重下最优炉膛温度设定和污染物排放浓度曲线
图15控制器跟踪曲线
具体实施方式
本文采用北京某MSWI电厂某日共计16个小时连续运行的过程数据验证所提智能优化控制框架的准确性。
在对过程数据取60s均值后进行预处理，最终获得957组数据。为保证数据平滑性，采取小波软阈值去噪，相关参数设置如下：分解层数为3，启发式阈值Heursure规则和信号长度为957。去噪结果如图6所示。
由图6可知，由于进料器均速和干燥炉排均速为定值变化，不存在平滑波动过程，故对其不进行去噪处理。
2)炉膛温度模型
利用均方根误差(RMSE)、平均绝对误差(MAE)和确定系数(R-square)评价所建模型性能，具体公式为：
Figure BDA0004004985210000091
Figure BDA0004004985210000092
Figure BDA0004004985210000093
其中，
Figure BDA0004004985210000094
为模型预测值，
Figure BDA0004004985210000095
为模型真值，
Figure BDA0004004985210000096
为模型均值。
相关参数设置如下：最小样本数
Figure BDA0004004985210000101
为10和正则项系数λFT为0.5。为验证所建模型的有效性，采用CART树、RF和BPNN模型进行比较，其中：CART树模型设置最小样本数
Figure BDA0004004985210000102
为10；RF模型设置最小样本数
Figure BDA0004004985210000103
为10和决策树数量
Figure BDA0004004985210000104
为100；BPNN模型设置隐含层神经元个数为11、迭代次数为1000、收敛误差为0.1和学习速率为0.5。训练集、验证集和测试集拟合曲线对比结果如图7所示，模型性能指标对比结果如表2所示。
表2被控对象模型性能指标对比结果
Figure BDA0004004985210000105
由上述建模结果，可知：
(1)经过小波软阈值去噪后的数据相比于原始数据更加平滑，有利于后续智能优化控制算法的研究；
(2)针对炉膛温度模型，本文LSDT模型相比于其他模型均具有最优性能，拟合能力和建模精度均较好，原因在于：在树结构模型中引入权重进而改善模型的平滑性能，修正了树结构模型叶节点均值输出的缺点。
利用积分平方误差(ISE)、积分绝对误差(IAE)和最大偏差(DEVmax)评估控制器性能，计算公式如下：
Figure BDA0004004985210000106
Figure BDA0004004985210000107
DEVmax＝max{|e(t)|} (32)
其中，t0和tf表示控制开始和结束时间。
基于前文所述炉膛温度模型，本文将二次风量、进料器炉排速度、干燥炉排速度和氨水注入量作为操作变量，一次风量作为扰动，炉膛温度作为被控变量，利用4个ISNA-PID控制器进行控制实验。将其与传统SNA-PID控制器和PID控制器进行对比，其中：SNA-PID/ISNA-PID控制器的神经元增益系数为0.05，比例、微分和积分神经元学习率分别为0.3、0.1和0.2；针对PID控制器，二次风量、进料器速度、干燥炉排速度和氨水注入量控制器的比例、微分和积分系数分别为0.05、0.005和0.001，0.01、0.005和0.001，0.01、0.005和0.001以及0.05、0.005和0.001。
跟踪结果和误差曲线如图8～9所示。
由图8～9可知，在变设定值的情况下，三种控制器均能实现对设定值有效跟踪，但ISNA-PID控制器拥有更小的输出震荡和误差。SNA-PID和ISNA-PID控制器的输出和参数调节曲线如图10～11所示。
由图10～11可知，相比于SNA-PID控制器，ISNA-PID控制器参数变化范围较小，进而使得控制器输出变化范围也相应减小，但二者控制效果相同，说明ISNA-PID控制器具有降低控制器频繁波动的优势。
本文在控制器输入与加权系数更新公式中重复利用误差增量，虽然增加了调节时间，但降低了被控变量输出震荡幅度，更适用于MSWI工业过程。
为评估控制器性能，将ISNA-PID、SNA-PID和PID控制器进行比较，统计结果如表3所示。
表3控制器性能评估结果
Figure BDA0004004985210000111
由上述实验结果，可知：
(1)在变设定值对比试验中，三种控制器均能实现在扰动存在的情况下跟踪设定值，但ISNA-PID控制器具有更小的输出震荡和误差，原因在于：ISNA-PID控制器中加大了误差增量的权重，因此在逼近设定值时减缓控制器的输出增量而使得被控变量在小范围内波动以实现跟踪。
(2)由表3的控制器性能评估结果可知，ISNA-PID控制器在ISE和IAE指标上具有最好的控制性能，但其DEVmax较大，原因在于：ISNA-PID控制器通过减缓控制器的输出幅度，降低了被控变量的震荡。
设定优化结果
1)指标模型
在本文中，NOx与CO2指标模型为单入单出，考虑到模型的可解释性和知识规则的提取，本文采用CART树算法建模，设置最小样本数
Figure BDA0004004985210000121
为10。为验证所建模型的有效性，与LSDT、RF和BPNN模型进行比较，其中：LSDT模型设置最小样本数
Figure BDA0004004985210000122
为10和正则项系数λNOx为0.5；RF模型设置最小样本数
Figure BDA0004004985210000123
为10和决策树数量
Figure BDA0004004985210000124
为100；BPNN模型设置隐含层神经元个数为3、迭代次数为1000、收敛误差为0.1和学习速率为0.5，测试集拟合曲线对比结果如图12所示。
利用CART树建立CO2模型设置最小样本数
Figure BDA0004004985210000125
为10；LSDT模型设置最小样本数
Figure BDA0004004985210000126
为10和正则项系数
Figure BDA0004004985210000127
为0.5；RF模型设置最小样本数
Figure BDA0004004985210000128
为10和决策树数量
Figure BDA0004004985210000129
为100；BPNN模型设置隐含层神经元个数为3、迭代次数为1000、收敛误差为0.1和学习速率为0.5，测试集拟合曲线对比结果如图13所示。
针对指标模型，虽然CART树算法相比于其他算法在泛化性能指标上较差，但在拟合曲线上表现良好，同时相比于其他建模算法具备训练速度快、结构简单、可解释性强等优势，便于映射工业数据中的因果关系。
2)多目标优化模型
针对所建立的多目标优化模型，利用PSO算法搜索最优炉膛温度设定值，以使得污染物综合排放浓度最小化。设置PSO参数如下：种群数量ps为30、迭代次数iter为20、惯性因子ω为0.8、学习因子c1＝c2＝2、粒子速度最大值Vmax为1和粒子位置区间为[900,950]且仅取整数。
不同权重下的最优炉膛温度设定值和污染物排放浓度曲线如图14所示。
由图14可知，当ωNOx＝0.0788和
Figure BDA00040049852100001210
时，两种污染物浓度均可达到相对最低。在上述权重下，运行30次取均值，可得：最优设定值为935℃、NOx排放浓度为103.59mg/m3N、CO2排放浓度为7.9255％；相应地，控制器跟踪曲线如图15所示。
综上可知，针对基于CART树算法建立的指标模型，PSO算法实现了最优炉膛温度的优化设定以使得污染物综合排放浓度最低，能够对运行生产提供指导。
针对本文所提基于多回路ISNA-PID的炉膛温度智能优化控制方法，本节利用实际现场数据逐模块进行验证并取得了良好的效果，进一步分析总结如下：1)利用LSDT算法建立以炉膛温度控制为目标的被控对象模型，实验结果被控对象模型能够反应实际MSWI过程的炉膛温度特性；2)利用4个ISNA-PID控制器对所建炉膛温度模型进行控制，实验结果表明ISNA-PID控制器具备结构简单、输出震荡小和抗扰能力强等优势，更符合实际工业现场；3)利用CART树算法建立NOx与CO2指标模型，虽然CART树算法在泛化性能指标上表现较差，但曲线拟合较好，并且结构简单、易于解释，未来可对该部分进行深入研究；并采用PSO求解所构建的MSWI过程多目标优化模型，能够获取不同污染物加权系数下的最优炉膛温度设定值，以实现降低与炉膛温度直接相关污染物排放浓度的目的。
综上所述，针对MSWI过程，本文首次建立基于LSDT的多入单出炉膛温度被控对象模型和基于CART树算法的单入单出NOx与CO2指标模型，并利用所提智能优化控制框架进行验证，框架中各部分策略均可根据实际需求进行改进，为MSWI过程智能优化控制研究提供了基础。
作为典型流程工业的MSWI过程涉及复杂的物理化学反应，是具有多回路、强耦合和非线性等特点的多入多出系统，工业实际表明该过程的稳定运行取决于众多操作变量和被控变量间的协调控制。本文提出基于多回路ISNA-PID的炉膛温度智能优化控制方法，基于实际工业数据通过对设定值寻优与炉膛温度稳定控制实现降低污染物排放浓度的目的，验证了方法的有效性。主要贡献：依据MSWI流程、领域专家经验和现有研究，以建模、控制和优化视角提出了面向MSWI过程炉膛温度控制的智能优化控制框架，包括面向炉膛温度控制的过程对象模型、基于工业实际的多回路ISNA-PID控制器和基于PSO的NOx与CO2减排优化算法。实验结果表明：LSDT算法构建的炉膛温度模型具有良好的拟合能力；多回路ISNA-PID控制器能够跟踪炉膛温度设定值，且控制器在逼近设定值时通过减缓输出增量幅度，可实现降低输出震荡的目的；PSO算法能够以NOx和CO2排放浓度最小为优化目标，获取ISNA-PID控制器的炉膛温度优化设定值，降低污染物综合排放浓度。
未来，将致力于研究能够表征MSWI过程更全面、更接近工业实际的过程对象模型和多入多出控制器，深入进行MSWI过程智能优化控制算法的研究。

Claims (1)

1.基于多回路INSA-PID的炉膛温度智能优化控制方法，其特征在于：由三部分组成：面向炉膛温度的被控对象模型、面向炉膛温度的多回路智能控制器和面向炉膛温度的设定优化；
yFT表示炉膛温度最优设定值；U表示多回路控制器输出矩阵；
Figure FDA0004004985200000011
表示炉膛温度模型输出值；
Figure FDA0004004985200000012
和
Figure FDA0004004985200000013
表示NOx与CO2模型输出值，其余符号见下文描述；
面向炉膛温度的被控对象模型包括基于小波的数据去噪和基于最小二乘决策树(LSDT)的炉膛温度模型；
Figure FDA0004004985200000014
和
Figure FDA0004004985200000015
分别表示一次风量、二次风量、进料器炉排均速、干燥炉排均速和氨水注入量原始数据；uPriAir、uSecAir、uFeeder、uDry和
Figure FDA00040049852000000118
分别表示一次风量、二次风量、进料器炉排均速、干燥炉排均速和氨水注入量小波去噪后的数据；
Figure FDA0004004985200000016
表示炉膛温度模型输出；
1)基于小波的数据去噪
软阈值去噪表示式如下所示：
Figure FDA0004004985200000017
Figure FDA0004004985200000018
其中，wθ和
Figure FDA0004004985200000019
表示是去噪前、后的小波系数；阈值
Figure FDA00040049852000000110
M为信号长度；
软阈值是令绝对值小于阈值的元素为0，其余非0元素向0收缩；
2)基于LSDT的炉膛温度模型
将炉膛温度模型的全部输入特征记为
Figure FDA00040049852000000111
首先，以第m个输入特征
Figure FDA00040049852000000112
作为分割变量，以第nsel个样本对应的值
Figure FDA00040049852000000113
作为分割点进行切割，将输入特征空间分为两个区域
Figure FDA00040049852000000114
和
Figure FDA00040049852000000115
如下：
Figure FDA00040049852000000116
基于以下准则，通过遍历寻找最优分割变量和分割点；
Figure FDA00040049852000000117
其中，
Figure FDA0004004985200000021
和
Figure FDA0004004985200000022
分别代表区域
Figure FDA0004004985200000023
和
Figure FDA0004004985200000024
中样本真值；
Figure FDA0004004985200000025
和
Figure FDA0004004985200000026
分别代表区域
Figure FDA0004004985200000027
和
Figure FDA0004004985200000028
中的样本真值平均值；
接着，重复上述过程，直到叶节点样本数小于经验设定阈值θFT，取样本数量的十分之一作为该阈值；
最后，将输入特征空间划分为KFT个区域并标记为
Figure FDA0004004985200000029
进而，基于LSDT的FT模型如下：
Figure FDA00040049852000000210
其中，
Figure FDA00040049852000000211
为第k个叶节点权重；I(·)为指示函数，当
Figure FDA00040049852000000212
存在时函数值为1，否则为0，
Figure FDA00040049852000000213
Figure FDA00040049852000000214
表示中间节点数量，且
Figure FDA00040049852000000215
构建上述模型的损失函数定义如下：
Figure FDA00040049852000000216
其中，λ为正则项系数；
将其转换成向量形式，将损失函数对
Figure FDA00040049852000000217
求导，并令其为0，可得：
Figure FDA00040049852000000218
其中，Umodel表示模型输入特征向量；
先计算一次风量、二次风量、进料器均速与炉膛温度的相关系数，将相关系数较低的一次风作为扰动量；
第j个操作变量
Figure FDA00040049852000000219
其中(j＝1,···,4)；
原始SNA-PID控制器需要对误差信号进行状态转换，其输入为：
Figure FDA00040049852000000220
Figure FDA00040049852000000221
其中，e(k)表示误差值；
Figure FDA00040049852000000222
和yFT分别表示炉膛温度设定值和模型输出值；k表示迭代次数；
针对SNA-PID控制器的输入x3进行改进，目的是降低输出震荡，如下：
z3(k)＝[e(k)-e(k-1)]2 (10)
因此，针对第j个操作变量的ISNA-PID控制器输出表示为：
Figure FDA00040049852000000223
其中，
Figure FDA0004004985200000031
表示第j个操作变量的增量；
Figure FDA0004004985200000032
表示第j个操作变量的神经元增益系数；
Figure FDA0004004985200000033
表示在k时刻第j个操作变量的第i个神经元加权系数，表示为：
Figure FDA0004004985200000034
由式(18)和(19)可知，SNA-PID控制器通过不断在线调整神经元加权系数，在有监督的Hebb学习算法下实现设定值的跟踪，如下：
Figure FDA0004004985200000035
在式(20)的基础上，重复利用误差增量实现加权系数的更新，修改后的加权系数更新公式如下：
Figure FDA0004004985200000036
其中，
Figure FDA0004004985200000037
和
Figure FDA0004004985200000038
分别表示第j个操作变量中比例、积分和微分神经元的权重系数，
Figure FDA0004004985200000039
和
Figure FDA00040049852000000310
分别表示第j个操作变量中比例、积分和微分神经元学习系数；
面向炉膛温度的设定优化
1)基于CART树的NOx与CO2指标模型
此处仅考虑炉膛温度对NOx与CO2的影响，为增加模型的可解释性采用CART树构建单入单出指标模型；
NOx模型建模过程如下：
首先，以第nsel个样本对应的值
Figure FDA00040049852000000311
作为分割点进行切割，将输入特征空间分为两个区域
Figure FDA00040049852000000312
和
Figure FDA00040049852000000313
如下：
Figure FDA00040049852000000314
基于以下准则，通过遍历寻找最优分割点；
Figure FDA00040049852000000315
其中，
Figure FDA00040049852000000316
和
Figure FDA00040049852000000317
分别代表
Figure FDA00040049852000000318
和
Figure FDA00040049852000000319
区域中样本真值；
Figure FDA00040049852000000320
和
Figure FDA00040049852000000321
分别代表
Figure FDA00040049852000000322
和
Figure FDA00040049852000000323
区域中样本真值的平均值；
接着，重复上述过程进行生长，直到叶节点样本数小于经验设定阈值θNOx，取样本数量的十分之一作为该阈值；
最后，将输入特征空间划分为KNOx个区域并标记为
Figure FDA0004004985200000041
进而，基于CART树构建的NOx模型如下：
Figure FDA0004004985200000042
Figure FDA0004004985200000043
其中，
Figure FDA0004004985200000044
表示区域
Figure FDA0004004985200000045
中包含的样本数量；
Figure FDA0004004985200000046
表示区域
Figure FDA0004004985200000047
中第
Figure FDA0004004985200000048
个样本真值；I(·)为指示函数，当
Figure FDA0004004985200000049
存在时函数值为1，否则为0；
CO2模型建模过程如下：
首先，以第nsel个样本对应的值
Figure FDA00040049852000000410
作为分割点进行切割，将输入特征空间分为两个区域
Figure FDA00040049852000000411
和
Figure FDA00040049852000000412
如下：
Figure FDA00040049852000000413
基于以下准则，通过遍历寻找最优分割点；
Figure FDA00040049852000000414
其中，
Figure FDA00040049852000000415
和
Figure FDA00040049852000000416
分别代表
Figure FDA00040049852000000417
和
Figure FDA00040049852000000418
区域中样本真值；
Figure FDA00040049852000000419
和
Figure FDA00040049852000000420
分别代表
Figure FDA00040049852000000421
和
Figure FDA00040049852000000422
区域中样本真值的平均值；
接着，重复上述过程进行生长，直到叶节点样本数小于经验设定阈值
Figure FDA00040049852000000423
取样本数量的十分之一作为该阈值；
最后，将输入特征空间划分为
Figure FDA00040049852000000424
个区域并标记为
Figure FDA00040049852000000425
进而，基于CART树构建的CO2模型如下：
Figure FDA00040049852000000426
Figure FDA00040049852000000427
其中，
Figure FDA00040049852000000428
表示区域
Figure FDA00040049852000000429
中包含的样本数量；
Figure FDA00040049852000000430
表示区域
Figure FDA00040049852000000431
中第
Figure FDA00040049852000000432
个样本真值；
Figure FDA00040049852000000433
表示经验设定阈值；I(·)为指示函数，当
Figure FDA00040049852000000434
存在时函数值为1，否则为0；
2)多目标优化模型
以NOx与CO2排放浓度为优化目标的炉膛温度设定优化多目标模型如下所示：
Figure FDA0004004985200000051
其中，
Figure FDA0004004985200000052
表示污染物综合排放浓度；wPollutant表示权重向量；γPollutant表示污染物排放浓度输出向量；
Figure FDA0004004985200000053
分别表示NOx与CO2排放浓度所占权重；
为最小化目标函数γmix，在基于CART树建立的单入单出NOx与CO2指标模型的基础上，采用粒子群优化算法搜索最优炉膛温度设定值；
其粒子速度与位置更新公式为：
Figure FDA0004004985200000054
其中，t表示迭代次数；ω表示惯性因子；r1和r2是(0,1)之间的随机数；c1和c2代表学习因子，取值为2；xi(t)、pbesti(t)和gbest(t)分别表示第t次迭代时，第i个粒子的当前位置、个体最优以及全局最优；
由于炉膛温度设定通常为整数，对速度更新公式进行取整运算，如下所示：
Figure FDA0004004985200000055
其中，q表示粒子编号。
CN202211628882.7A 2022-12-18 2022-12-18 基于多回路改进sna-pid的炉膛温度智能优化控制方法 Pending CN115857585A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211628882.7A CN115857585A (zh) 2022-12-18 2022-12-18 基于多回路改进sna-pid的炉膛温度智能优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211628882.7A CN115857585A (zh) 2022-12-18 2022-12-18 基于多回路改进sna-pid的炉膛温度智能优化控制方法

Publications (1)

Publication Number Publication Date
CN115857585A true CN115857585A (zh) 2023-03-28

Family

ID=85673953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211628882.7A Pending CN115857585A (zh) 2022-12-18 2022-12-18 基于多回路改进sna-pid的炉膛温度智能优化控制方法

Country Status (1)

Country Link
CN (1) CN115857585A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109695892A (zh) * 2018-12-03 2019-04-30 中冶南方都市环保工程技术股份有限公司 一种锅炉受热面壁温保护方法及装置
CN111144609A (zh) * 2019-11-13 2020-05-12 瀚蓝绿电固废处理(佛山)有限公司 一种锅炉废气排放预测模型建立方法、预测方法及装置
WO2020192166A1 (zh) * 2019-03-24 2020-10-01 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
CN114296489A (zh) * 2021-12-04 2022-04-08 北京工业大学 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法
CN114564894A (zh) * 2022-03-04 2022-05-31 北京工业大学 基于残差拟合机制简化深度森林回归的炉排炉mswi过程二噁英排放软测量方法
CN114882391A (zh) * 2022-03-18 2022-08-09 北京工业大学 基于多特征融合和改进级联森林的mswi过程燃烧状态识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109695892A (zh) * 2018-12-03 2019-04-30 中冶南方都市环保工程技术股份有限公司 一种锅炉受热面壁温保护方法及装置
WO2020192166A1 (zh) * 2019-03-24 2020-10-01 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
CN111144609A (zh) * 2019-11-13 2020-05-12 瀚蓝绿电固废处理(佛山)有限公司 一种锅炉废气排放预测模型建立方法、预测方法及装置
CN114296489A (zh) * 2021-12-04 2022-04-08 北京工业大学 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法
CN114564894A (zh) * 2022-03-04 2022-05-31 北京工业大学 基于残差拟合机制简化深度森林回归的炉排炉mswi过程二噁英排放软测量方法
CN114882391A (zh) * 2022-03-18 2022-08-09 北京工业大学 基于多特征融合和改进级联森林的mswi过程燃烧状态识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐振浩;张宝凯;曹生现;王恭;赵波;: "基于多模型智能组合算法的锅炉炉膛温度建模", 化工学报, no. 2, 15 September 2019 (2019-09-15) *

Similar Documents

Publication Publication Date Title
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
CN112613237B (zh) 一种基于LSTM的CFB机组NOx排放浓度的预测方法
US20240302341A1 (en) Broad hybrid forest regression (bhfr)-based soft sensor method for dioxin (dxn) emission in municipal solid waste incineration (mswi) process
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
CN110991756A (zh) 基于ts模糊神经网络的mswi炉膛温度预测方法
CN114943151A (zh) 基于集成t-s模糊回归树的mswi过程二噁英排放软测量方法
CN111462835A (zh) 一种基于深度森林回归算法的二噁英排放浓度软测量方法
CN117190173B (zh) 烟气再循环与锅炉耦合系统的优化控制方法及控制系统
Ding et al. Event-triggered fuzzy neural multivariable control for a municipal solid waste incineration process
WO2024146070A1 (zh) 一种基于改进生成对抗网络的二噁英排放浓度软测量方法
CN117031938A (zh) 一种城市固废焚烧炉膛温度的模糊神经网络控制方法
CN115857585A (zh) 基于多回路改进sna-pid的炉膛温度智能优化控制方法
CN114740713B (zh) 一种湿法烟气脱硫过程的多目标优化控制方法
Wang et al. Multiple Input Mulitple Output Control Method Based on Single Neuron Adaptive PID for Municipal Solid Waste Incineration Process
Yan et al. Model Prediction and Optimal Control of Gas Oxygen Content for A Municipal Solid Waste Incineration Process
Li Intelligent fuzzy immune PID controller design for multivariable process control system
Tingting et al. Modeling on SCR process of a coal-fired boiler using LSSVM method
Wang et al. R-SCN based Model Predictive Control for NOx Emissions of MSWI Process
Balamurugan et al. ANN-SQP Approach for NOx emission reduction in coal fired Boilers
CN115542740B (zh) 基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法
CN113780384B (zh) 基于集成决策树算法的城市固废焚烧过程关键被控变量预测方法
Wang et al. Intelligent optimal control of furnace temperature for the municipal solid waste incineration process using multi-loop controller and particle swarm optimization
CN118643926A (zh) 一种城市固废焚烧过程多品类烟气污染物减排优化方法
CN117471906A (zh) 一种燃煤锅炉掺烧多源生物质烟气减排的自动控制方法
Wang et al. Prediction of NOx Emissions based on Ensemble Stochastic Configuration Network for Municipal Solid Waste Incineration Process

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