一种端边云协同的城市固废焚烧过程炉膛温度控制方法及系统

本发明涉及城市固废焚烧控制领域，特别是涉及一种端边云协同的城市固废焚烧过程炉膛温度控制方法及系统。

背景技术：

1、城市固废是指在日常生活中或为日常生活提供服务的活动中产生的固体废物，全球每年产生约20亿吨城市固废，预计到2050年全球城市固废的总量将达34亿吨，城市固废污染治理问题日益突出。当前城市固废的处理技术主要有填埋、堆肥和焚烧处理等。其中，城市固废焚烧在高温富氧环境下，通过热解、氧化、燃烧将有机物转化为无机物并使得固废中的有毒有害物质被消除，实现城市固废减容减量的同时获得可再生能源，兼具减量化、无害化、资源化等特点，已成为世界各国治理城市固废污染的主要方式。炉膛温度作为城市固废焚烧过程中的重要工艺参数，是保证城市固废充分燃烧、抑制污染物产生的关键。较高的炉温有利于城市固废在炉内的快速充分干燥和挥发，保证燃烧过程的充分，同时，较高的炉温也有利于减少二噁英的排放。但是，当温度过高时，会导致氮氧化物的排放大幅增加，同时，过高的炉温会带来相关的高温结渣增加炉体负担等问题。因此，稳定高效的炉膛温度控制技术是城市固废焚烧过程控制的研究重点。

2、然而，城市固废焚烧过程机理复杂，且固废成分容易受到气候、地域等因素影响，导致难以实现城市固废焚烧过程炉膛温度的稳定控制。模型预测控制是一种基于特定范围内目标函数优化的先进控制策略，可以弥补时变、干扰等引起的不确定性，能够处理有约束、多变量、多目标的控制问题。但是影响模型预测控制效果的一个关键因素是非线性预测模型的建立。采用模糊神经网络的数据驱动建模方法不需要深入了解过程机理，能以任意精度实现非线性映射。在实际焚烧过程中，由于固废成分的复杂多变和设备的未知磨损等干扰，过程模型往往会随时间发生变化，导致在干扰出现后离线的数据驱动模型可能无法准确预测系统的未来动态，从而影响模型预测控制器的控制性能。因此，如何有效构建结构紧凑且预测性能良好的模糊神经网络预测模型和设计合适的自校正机制仍然是数据驱动模型预测控制的关键研究问题之一。

3、此外，传统的集散控制系统（distributed control system，dcs）难以满足上述理论方法在城市固废焚烧领域实际应用的基本条件，即dcs系统有限的计算能力有限，难以实现复杂的算法计算和数学建模，对于模型预测控制这种需要实时计算且计算量较大的算法，dsc系统很难胜任；dcs系统通常使用现场总线等通信方式，数据传输速度有限，在实际过程中，dsc系统可能无法及时响应和传输实时数据，从而导致控制误差；dcs系统通常采用非易失性内存芯片或固态硬盘等存储媒介，其存储容量有限，而在实际过程中，需要实时记录大量的过程数据和历史数据，从而为后续的控制分析和控制器的优化提供支持。

技术实现思路

1、本发明的目的是提供一种端边云协同的城市固废焚烧过程炉膛温度控制方法及系统，以提高城市固废焚烧过程中炉膛温度的控制精度。

2、为实现上述目的，本发明提供了如下方案。

3、一种端边云协同的城市固废焚烧过程炉膛温度控制方法，包括：获取城市固废焚烧的上一时刻过程数据；所述过程数据包括：炉膛温度、一次风流量、二次风流量、一次风加热温度、二次风加热温度和炉排速度。

4、根据上一时刻所述过程数据，利用当前炉膛温度预测模型，确定当前时刻炉膛温度预测值；其中，所述当前炉膛温度预测模型是利用自校正机制对上一时刻炉膛温度预测模型的网络参数进行更新得到的；初始时刻的炉膛温度预测模型是基于样本数据集，利用自组织机制和改进二阶算法确定模糊神经网络的网络结构和网络参数得到的；所述网络参数包括前件参数和后件参数；所述前件参数包括中心向量和宽度；所述后件参数包括连接权值；所述样本数据集包括历史时刻过程数据和期望炉膛温度；所述模糊神经网络包括输入层、rbf层、规则化层和输出层。

5、根据所述当前时刻炉膛温度预测值和当前时刻炉膛温度设定值，利用梯度下降法对目标函数进行优化求解，确定最优控制律，以根据所述最优控制律控制炉膛温度；所述最优控制律包括一次风流量调整量、二次风流量调整量和一次风加热温度调整量。

6、可选地，根据上一时刻所述过程数据，利用当前炉膛温度预测模型，确定当前时刻炉膛温度预测值，具体包括：对上一时刻所述过程数据进行去噪处理，得到上一时刻去噪后的过程数据。

7、根据上一时刻所述去噪后的过程数据利用当前炉膛温度预测模型，确定当前时刻炉膛温度预测值。

8、可选地，初始时刻的炉膛温度预测模型的构建过程，具体包括：根据所述样本数据集中最大期望炉膛温度对应的历史时刻过程数据确定初始模糊神经网络中所述规则化层的第一个神经元的初始网络参数和所述rbf层的第一个神经元的初始网络参数，得到当前模糊神经网络；初始模糊神经网络中规则化层的神经元个数和rbf层的神经元个数均为0。

9、利用改进二阶算法对当前模糊神经网络的初始网络参数进行调整，得到调整后的模糊神经网络。

10、将每个历史时刻过程数据输入至所述调整后的模糊神经网络，得到预测炉膛温度。

11、确定所述预测炉膛温度和与历史时刻过程数据对应的期望炉膛温度的误差。

12、根据所述误差的峰值点对应的历史时刻过程数据，确定所述规则化层的下一神经元的初始网络参数和所述rbf层的下一神经元的初始网络参数，得到下一模糊神经网络。

13、判断下一模糊神经网络的规则化层的神经元个数是否达到数量阈值或者下一模糊神经网络的预测精度是否达到精度阈值。

14、若是，则根据所述规则化层的神经元的激活强度对所述规则化层的神经元和所述rbf层的神经元进行修剪，得到初始时刻的炉膛温度预测模型。

15、若否，则将下一模糊神经网络作为当前模糊神经网络，并返回“利用改进二阶算法对当前模糊神经网络的网络参数进行调整，得到调整后的炉膛温度预测模型”的步骤。

16、可选地，利用自校正机制对上一时刻炉膛温度预测模型的网络参数进行更新，具体包括：确定上一时刻炉膛温度预测模型中所有模糊规则的激活强度。

17、判断所述激活强度是否大于激活强度阈值。

18、若是，则利用最小二乘法对所述上一时刻炉膛温度预测模型中所述激活强度大于激活强度阈值的模糊规则的后件参数进行更新，得到当前时刻炉膛温度预测模型。

19、若否，则利用改进二阶算法对所述上一时刻炉膛温度预测模型的所有模糊规则的前件参数和所述后件参数进行更新，得到当前时刻炉膛温度预测模型。

20、可选地，目标函数为：。

21、其中，r(t)是t时刻炉膛温度设定值向量；是t时刻炉膛温度预测值向量；是t时刻第i个控制量的调整量向量，i=1，2，3；所述控制量为一次风流量、二次风流量或一次风加热温度；、为控制权重因子。

22、一种端边云协同的城市固废焚烧过程炉膛温度控制系统，所述端边云协同的城市固废焚烧过程炉膛温度控制系统用于实现上述的端边云协同的城市固废焚烧过程炉膛温度控制方法，所述端边云协同的城市固废焚烧过程炉膛温度控制系统包括：依次连接的端侧、边侧和云侧。

23、所述端侧包括传感设备和执行设备；所述传感设备包括温度传感器和风量传感器；所述传感设备用于采集城市固废焚烧的各时刻过程数据；所述执行设备包括一次风机、二次风机和空气预热器。

24、所述边侧用于存储各时刻过程数据，并用于：获取城市固废焚烧的上一时刻过程数据；所述过程数据包括：炉膛温度、一次风流量、二次风流量、一次风加热温度、二次风加热温度和炉排速度。

25、根据上一时刻所述过程数据，利用当前炉膛温度预测模型，确定当前时刻炉膛温度预测值；其中，所述当前炉膛温度预测模型是利用自校正机制对上一时刻炉膛温度预测模型的网络参数进行更新得到的；初始时刻的炉膛温度预测模型是基于样本数据集，利用自组织机制和改进二阶算法确定模糊神经网络的网络结构和网络参数得到的；所述网络参数包括前件参数和后件参数；所述前件参数包括中心向量和宽度；所述后件参数包括连接权值；所述样本数据集包括历史时刻过程数据和期望炉膛温度；所述模糊神经网络包括输入层、rbf层、规则化层和输出层。

26、根据所述当前时刻炉膛温度预测值和当前时刻炉膛温度设定值，利用梯度下降法优化目标函数，确定最优控制律；所述最优控制律包括一次风流量调整量、二次风流量调整量和一次风加热温度调整量。

27、将所述最优控制律发送至所述端侧，以控制炉膛温度。

28、所述云侧用于：基于样本数据集，利用自组织机制和改进二阶算法确定模糊神经网络的网络结构和网络参数，得到初始时刻的炉膛温度预测模型；利用自校正机制对上一时刻炉膛温度预测模型的网络参数进行更新得到当前时刻炉膛温度预测模型；将所述当前时刻炉膛温度预测模型发送至所述边侧。

29、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的一种端边云协同的城市固废焚烧过程炉膛温度控制方法及系统，通过端侧实时获取城市固废焚烧过程的过程数据；通过边侧对采集到的过程数据进行处理并将过程数据传输至云侧；通过云侧对接收到的数据进行存储，并根据接收到的数据建立自组织模糊神经网络预测模型（炉膛温度预测模型），基于自校正机制对网络参数进行调整，并将建立好的模型下发至边侧；通过边侧依托云侧建立和在线更新的炉膛温度预测模型预测炉膛温度，采用梯度下降法优化目标函数，求解得到最优控制律，并将最优控制律下发至端侧；端侧根据边侧计算得到的控制律调节执行设备，实现了城市固废焚烧过程炉膛温度的稳定精确控制，解决了因干扰导致的预测模型精度变差进而影响预测控制器控制性能的问题，能够保证长期维持较好的控制效果。