一种固废焚烧过程烟气含氧量实时控制方法及系统

本技术涉及固体废物焚烧，特别是涉及一种固废焚烧过程烟气含氧量实时控制方法及系统。

背景技术：

1、随着我国人口增长和城市化进程的加快，城市固体废物的产量在逐年增加。目前处理城市固体废物的主要方式有填埋、堆肥、焚烧等，相比于其他两种方式，焚烧由于具有无害化、减量化和资源化等显著优势而成为处理城市固废的主要手段。

2、在焚烧过程中，烟气含氧量是反映焚烧效率的关键参数，目前在预测烟气含氧量模型中，其中一、二次风量设定值不合理将导致预测模型的控制不稳定，从而引发污染物排放浓度超标的问题。并且由于城市固废焚烧过程具有非线性、多耦合且干扰众多的特点，通过专家经验调节风量难以实现烟气含氧量的有效控制，且精确的过程模型难以获得导致pid控制器难以展现良好的性能。而模型预测控制(model predictive control,mpc)作为一种先进的控制策略，能够很好的处理多变量、有约束控制问题。mpc所关注的技术包括预测模型的建立、滚动优化策略的设计等。由于神经网络模型在学习数据以及逼近非线性映射方面具有优势，利用它建立预测模型有一定应用效果，但需要考虑陷入局部最优、收敛速度慢等问题。

3、故研究如何合理设定风量大小以保证烟气含氧量的有效控制以及预测模型的选取，提高滚动优化的求解精度对于保障城市固废焚烧过程的平稳运行具有重要意义，因此，亟需提供一种固废焚烧过程烟气含氧量实时控制方法及系统来解决以上提出的技术问题。

技术实现思路

1、本技术提供了一种固废焚烧过程烟气含氧量实时控制方法和系统，以用来解决以上提出的技术问题。

2、第一方面，本技术提供了一种固废焚烧过程烟气含氧量实时控制方法，该方法包括：获取一次风量和二次风量的设定值以及历史烟气含氧量数据，得到训练集；基于随机配置网络根据所述训练集构建预测模型以用于预测烟气含氧量；基于滚动优化策略对所述设定值进行优化求解，得到优化后的风量设定值；基于所述事件触发策略与所述滚动优化策略结合，实现烟气含氧量的在线优化控制。

3、可选的是，所述基于随机配置网络根据所述训练集构建预测模型以用于预测烟气含氧量：基于随机配置网络进行参数设置，初始化模型参数，其中所述模型参数包括最大隐含层神经元个数lmax；期望误差ε；最大配置次数tmax，隐性节点权重w和偏置b在区间[-λ,λ]内随机配置；将所述训练集输入随机配置网络训练构建预测模型，所述预测模型通过公式进行描述：

4、yp(k+1)＝f(u(k),y(k))

5、u(k)＝{u1(k)～u5(k)}  (1)，

6、式中，u1(k)-u5(k)，分别表示干燥段、燃烧一段、燃烧二段、燃烬段的一次风量和二次风量设定值，f表示目标函数，所述训练集为{(x，y)}，x表示风量设定值以及历史烟气含氧量，即为u(k)，y即为y(k)表示烟气含氧量预测值，yp(k+1)表示预测模型第k+1步的烟气含氧量预测值。

7、可选的是，将所述训练集输入随机配置网络训练构建预测模型，包括：基于所述目标函数f:rd→r，以及所述训练集{(x，y)}构造隐含层，含有l-1个隐含层节点的网络输出通过公式进行描述：

8、

9、式中，x表示所述风量设定值以及历史烟气含氧量，βj表示隐含层第j个节点的输出权值，gj(·)表示隐含层第j个节点的激活函数，wj和bj分别表示隐含层第j个节点的输入权值和偏置；基于隐含层节点的网络输出，计算当前残差，通过公式(3)进行描述：

10、el-1＝f-fl-1  (3)，

11、根据预设要求，判断所述残差或所述隐含层节点数量没有满足所述预设要求，则随机配置网络会产生一个新节点，所述预设要求通过公式(4)进行描述：

12、

13、式中,0<||g||<bg，0<r<1,{μl}表示非负实数序列,μl≤(1-r)且满足liml→∞μl＝0；根据添加新节点后求解输出权值，得到预测值，求解输出权值通过公式(5)进行描述：

14、

15、式中,gl＝{g1,g2,...,gl},为矩阵gl的moore-penrose广义逆。

16、可选的是，所述基于随机配置网络根据所述训练集构建预测模型以用于预测烟气含氧量，还包括：设置烟气含氧量设定值并基于所述烟气含氧量设定值以一阶平滑滤波的方式设置烟气含氧量参考轨迹yr(k+j)，通过公式(6)进行描述：

17、

18、式中，α为调整因子，0<α<1，ysp表示烟气含氧量设定值；

19、将当前的烟气含氧量预测值与实际输出值之间的偏差e(k)进行反馈补偿，以使下一时刻的预测结果更为准确，η为补偿系数，通过公式(7)进行描述：

20、

21、式中，y(k)表示烟气含氧量实际输出值，yp(k)表示预测模型第k步的烟气含氧量，表示经过反馈校正的预测模型第j步的烟气含氧量预测值。

22、可选的是，所述基于滚动优化策略对所述设定值进行优化求解，得到优化后的风量设定值，包括：基于所述烟气含氧量参考轨迹、经过反馈校正后的烟气含氧量预测值以及所述设定值，设定目标函数进行风量设定值优化求解，得到优化后的所述风量设定值，所述目标函数通过公式(8)进行描述：

23、

24、式中，λ表示控制权值系数，np表示预测时域，nu表示控制时域(nu<np)，umax与umin分别表示u的上界与下界；根据所述风量设定值以及当前烟气含氧量输出值基于所述预测模型得到烟气含氧量预测值。

25、可选的是，基于所述烟气含氧量参考轨迹、经过反馈校正后的烟气含氧量预测值以及所述风量设定值，设定目标函数进行风量设定值优化求解，得到优化后的风量设定值，包括：初始化种群规模np，最大迭代次数g，搜索维度d，搜索区间[lb,ub]；基于所述种群，其中个体的每一维根据随机生成，通过公式(9)进行描述：

26、

27、式中，i＝1,2,…,np；j＝1,2,…,d，为第0代中第i个个体的第j维分量，r表示[0,1]之间的随机数，分别表示个体在第j维上的最小值与最大值；基于变异策略，对当前个体进行局部搜索的同时维持种群多样性，得到变异向量，引入自适应t-分布算子对所述优秀个体xpbest进行变异，得到变异后的优秀个体；在变异后的所述优秀个体适应度值小于原来所述优秀个体时，变异后的个体将取代所述优秀个体继续目标个体的变异，否则所述优秀个体不变，所述变异向量通过公式(10)进行描述，变异的所述优秀个体通过公式(11)进行描述，所述优秀个体的选择方式通过公式(12)进行描述：

28、

29、x'pbest＝xpbest+xpbest×trnd(t)  (11)

30、

31、式中，g＝1,2,…,g，为变异向量，为g代种群中第i个个体，为从g代前p％优秀个体中随机选择的个体，fi表示变异因子，r1,r2,i为[1,np]范围内不同的整数，xpbest′表示xpbest更新后的位置，trnd(t)表示自由度为t即当前迭代次数的t-分布函数。将变异产生的向量和目标个体进行交叉后得到试验个体，通过如下公式进行描述：

32、

33、式中，jrand为[1,d]范围内的随机数，cri为交叉概率；

34、将试验个体与目标个体的适应度值进行比较，适应度值较好的个体选择保留到下一代，并引导种群始终向最优解的位置进化，通过如下公式进行描述：

35、

36、选择步骤后，将产生优秀个体的控制参数保留，并将产生淘汰个体的控制参数采用正态分布重新生成，以变异因子fi为例通过如下公式进行描述：

37、

38、每一代个体不断经过变异、交叉、选择，执行上述步骤，每代结束重新计算μf和μcr，二者计算方式相同，更新通过如下公式进行描述：

39、μf＝(1-c)·μf+c·meanl(sf)  (16)，

40、式中，μf表示重新生成变异因子f的正态分布的平均值，μcr表示重新生成交叉概率cr的正态分布的平均值，c为[0,1]之间的数，sf为每代所有成功变异因子的集合，meanl(.)采用lehmer平均值计算，通过公式(17)进行描述：

41、

42、基于上述不断变异更新，当达到最大迭代次数g，则基于所述目标函数得到对应的所述一次、二次风量设定值。

43、可选的是，所述基于所述事件触发策略与所述滚动优化策略结合，实现烟气含氧量的在线优化控制，包括：步骤一：预设重新设定风量设定值的触发条件；步骤二：根据所述风量设定值基于所述预测模型，得到烟气含氧量预测值；步骤三：设定烟气含氧量设定值ysp，并计算烟气含氧量参考轨迹yr(k+j)；步骤四：将当前的烟气含氧量预测值与实际输出值之间的偏差e(k)进行反馈补偿，计算反馈校正后的烟气含氧量预测值步骤五：若不满足所述触发条件，则继续以前一刻所述风量设定值返回至步骤三；若满足所述触发条件，则进入到步骤六；步骤六：基于所述预测模型迭代求解所述目标函数得到新的风量设定值，并再次返回至步骤三。

44、可选的是，所述触发条件，包括：固定阈值触发设计，如果烟气含氧量设定值与实际输出之间的绝对误差达到阈值θ，则根据滚动优化策略求解新的风量设定值，所述触发条件通过公式(18)进行描述：

45、|ysp-y|≥θ  (18)，

46、式中ysp表示烟气含氧量设定值，y表示烟气含氧量实际输出值。

47、可选的是，所述触发条件，包括：固定事件触发设计，如果距离上一次触发时刻达到最大允许时间限制，则根据滚动优化策略求解新的风量设定值，所述触发条件通过公式(19)进行描述：

48、k-ke≥kmax (19)，

49、式中，ke为上一次触发的时刻，kmax为最大允许时间限制。

50、第二方面，本技术提供了一种固废焚烧过程烟气含氧量实时控制系统系统，该系统包括：获取模块，用于获取一次风量和二次风量的设定值以及历史烟气含氧量数据，得到训练集；构建预测模型模块，用于基于随机配置网络根据所述训练集构建预测预测模型以用于预测烟气含氧量；优化求解风量设定值模块，用于基于滚动优化策略对所述设定值进行优化求解，得到优化后的风量设定值；优化控制模块，用于基于所述事件触发策略与所述滚动优化策略结合，实现烟气含氧量的在线优化控制。

51、第三方面，本技术还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述所述方法的步骤。

52、第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述所述方法的步骤。

53、本技术至少具有以下优点：

54、根据本技术实施例所提供的技术内容，通过获取固废焚烧过程中产生的历史烟气含氧量的数据以及对一次风量和二次风量的设定值，得到训练集及测试集，基于随机配置网络算法，将训练集作为输入数据，不断学习训练得到预测模型，能够避免梯度下降法易陷入局部最优的问题，预测精度较高，基于滚动优化策略对风量设定值进行优化求解，并采用参数自适应和t分布策略改进的差分进化算法可以提高滚动优化的求解性能，相比于人工设定方法风量波动范围更小，有利于控制系统的稳定运行，为焚烧过程的优化控制提供保证，同时引入事件触发策略，在满足烟气含氧量控制范围的前提下可有效减少一、二次风量求解的计算量，并能避免控制器频繁动作带来的执行设备损耗，提高工作效率，从而实现风量的优化设定和烟气含氧量的准确跟踪控制功能。