基于TS模糊神经网络的MSWI炉膛温度预测方法技术

本发明专利技术提供基于TS模糊神经网络的MSWI炉膛温度预测方法。针对炉膛温度难以预测的问题，从数据驱动角度出发提出了基于TS模糊神经网络的炉膛温度预测方法。首先，通过机理分析和现场操作人员的经验总结，选取出影响炉膛温度的相关的特征变量，同时根据相关变量的数据标签提取出现场运行历史数据；其次，利用TS模糊神经网络建立相关变量与炉膛温度之间的非线性模型。最后，对训练得到的TS模糊神经网络模型进行测试，实验结果显示该方法能够对炉膛温度进有效预测，所建立的预测模型能够表征该工况下系统的动态特性，为后续以炉膛温度为主控手段的焚烧系统控制器的设计建立了基础。

MSWI furnace temperature prediction method based on TS fuzzy neural network

【技术实现步骤摘要】
基于TS模糊神经网络的MSWI炉膛温度预测方法
本专利技术属于神经网络领域。
技术介绍
随着经济发展和人民生活水平的提高，我国固体废物的产量迅速增加。目前，年产量已达到450-500kg/人，并仍以每年8％-10％的速度增长。另一方面，大中小城市的固体废弃物存储量已达到60多亿吨；据统计，我国三分之二以上的城市被固废所围困，80％的城市已无固废填埋场，全国城市生活固废占地面积超过5亿m2。据此推算，现在有超过200多个城市处于固废围城的状态[i]，这给城市周边的环境也带来了巨大压力。因此，如何有效地处理城市固体废弃物已成为一个日益紧迫的问题。城市固体废弃物焚烧可大大提高垃圾处理效率，缓解目前垃圾围城的困境，是适合清洁能源技术发展和提高固废利用率的发展方向。目前，城市固体废弃物焚烧(MunicipalSolidWastesIncineration,MSWI)处理技术作为一种无害化、减量化、资源化处理的新技术，已在世界范围内广泛应用于城市固体废弃物的处理过程中[ii]。如何实现稳定燃烧，是有效处理城市固体废弃物(MunicipalSolidWastes,MSW)、保证垃圾焚烧处理效果和抑制污染生成的关键[iii]。炉温是固体废物焚烧控制系统中的一个重要参数，并且炉内炉膛温度直接影响到到固体废弃物燃烧稳定性、燃尽率、低温腐蚀、高温结焦、二次污染物的排放等，温度波动会引起燃尽率的变化，这将导致灰渣热灼减率超标，同时也会影响蒸汽产量，降低焚烧炉运行的经济性。然而为了实现精准的炉温控制，需要知道温度的变化趋势，传统的热电偶检测炉膛温度方法虽然能得到温度的显示和趋势，但由于焚烧过程中炉膛内的温度过高、腐蚀严重，传感器等部件容易损害，需要时常更换，降低了焚烧运行的经济性。并且焚烧过程中，随着炉膛结焦等情况的发生，会使传感器的性能受到很大损害，使得显示温度不准确。综上所述，随着固废焚烧炉的容量不断增大、焚烧参数不断提高，其安全性和经济性成为了影响焚烧炉效率的主要因素。炉膛温度不仅作为影响焚烧安全性和经济性的一个重要参数，并且也是焚烧效率的关键，对其控制水平提出了很高的要求。炉膛温度系统具有多变量、强耦合、大惯性、大迟延等特点，是一个较复杂的热工对象。为了解决焚烧系统炉膛温度控制优化的问题、提高控制水平，建立精确和实用的炉膛温度的模型预测是首要的工作。在机理建模方面，华南理工大学通过对焚烧炉分区，建立了焚烧炉的热力学模型[iv]。文献[v]通过建立MSW炉排炉的数值仿真模型，得到固废在焚烧过程中受固体废弃物的特性、助燃空气系数、助燃空气温度等多因素的混合影响。清华大学从实验方面研究了焚烧过程中水分对固废焚烧过程的影响[vi][vii]；此外，他们还建立了焚烧炉的数学模型[viii]。以上关于焚烧系统建模的研究，绝大多数都是从简化的机理模型去分析，不能建立具有较高精度的焚烧系统的多变量炉膛温度模型，从根本上反映焚烧系统的特性。由于焚烧系统具有高参数、大惯性、多变量、强耦合等特点，纯粹的机理建模对如此复杂的热工系统已经很难建立其精确的数学模型；而实验建模的方法在缺少必要的先验知识的前提下难以确定辨识系统数学模型的结构，也容易造成较大误差，传统的建模方法已经不能满足精度要求。由于近年来我国固废焚烧炉普遍采用了分散控制系统(DCS)，使得大量的现场运行数据可以被保存下来，其调取也十分方便。这些运行数据中蕴含着大量的信息，如何从数据驱动角度出发，挖掘其内部信息，并利用智能算法进行炉膛温度系统的预测势在必行。文献[ix]提出的多信息广义增广最小二乘辨识方法，相比于随机梯度辨识算法具有计算量小的优点。它利用焚烧过程的历史数据对模型进行参数估计，建立了焚烧炉的动态数学模型。文献[x]基于神经网络算法，建立了的“炉膛温度-蒸汽”预测模型，成功对炉膛温度进行了预测，并以此实现了炉膛参数的优化。针对以炉膛温度模型预测存在的问题，本文从数据驱动角度出发；基于典型稳态工况下的历史运行数据，以一次风加热温度、二次风加热温度、蒸汽量和干燥段炉膛左外侧温度为输入，炉膛温度为输出，提出基于TS模糊神经网络的预测方法。TS模糊神经网络结合了模糊系统和神经网络，具有很强的模糊推理能力和数据处理能力。实验结果表明TS模糊神经网络的训练效果最好，预测精度最高，证明了基于T-S模糊神经网络的炉膛温度预测的有效性。固废焚烧系统炉膛温度特性分析在整个城市固体废弃物焚烧(MunicipalSolidWastesIncineration,MSWI)过程中稳定燃烧的一个主要指标是控制炉内的温度分布，维持炉内较高的焚烧温度并保持炉温稳定，特别是炉膛温度应控制在850～950℃。较高的炉温有利于固体废弃物充分干燥，降低含水率，并促进残碳的燃尽，从而提高垃圾的燃尽率；较高的炉温也有利于减少有害污染物(例如二噁英等)的排放；较高的炉温也有利于提高蒸汽参数，改善蒸汽品质和产量，更加有效的实现垃圾资源化利用[xi]。因此，整个焚烧炉燃烧过程控制的核心就在于炉温控制。北京某固废焚烧厂引进的典型炉排炉焚烧工艺流程如图1所示[xii]：由图1可知，MSWI由专用的垃圾运输车收集后运至卸料车间，倾倒至密封的垃圾池内；池内垃圾由人工操控的垃圾吊抓起放入焚烧炉的进料斗内，液压给料机将斗内垃圾推至往复式机械炉排炉；垃圾在焚烧炉内依次经历干燥、点燃、燃烧和烧尽四个阶段；焚烧过程中产生的烟气经处理达标后由引风机经烟囱排入大气，排放的尾气中含有CO、CO2、NOx和二噁英(DXN)等物质。从温度检测的有效性来说，炉膛温度是一项指示性比较强的综合判断指标，能够较准确的反映出焚烧效率和焚烧状况，可以作为焚烧检验的重要判断标准之一，对固体废弃物的处理和固废资源化具有重要的实际的应用价值。但目前测量炉温的热电偶存在以下问题：(1)热电偶接线柱接触不牢固，有松动甚至小规模位移现象，导致温度仪表显示值不稳定，甚至有时会伴随有波动的情况。(2)热电偶在焚烧炉内的高温环境下，会对热电偶造成污染和腐蚀，并且还会受周围外力作用产生形变，从而影响热电偶的稳定性。热电偶因其结构简单、测温范围广、动态响应好等优点应用广泛。但在使用中受高温、环境、材料污染等因素的影响会使的测温结果失真。因此，随着对焚烧检测精度要求的提高和检测技术的发展，寻找一种快速、准确的预测模型来测定炉膛温度，不仅有利于评价固废焚烧状况，而且有利于产出较好的蒸汽，对固体废弃物的处理有着极为重要的意义。综合以上分析，为获得准确、高效的模型，设计出一种智能特征预测模型来实现炉膛温度的准确、实时的有效预测，十分迫切。影响炉膛温度的因素分析垃圾进入焚烧炉，须经过干燥过程、热解过程、燃烧过程和燃尽过程四个阶段，在高温作用下，完全燃烧并释放热量。对影响炉膛温度的因素进行分析，可用于建立准确的预测模型。通过对北京某固废焚烧厂深入了解，发现影响炉膛温度的因素主要有以下几个：(1)一次风加热温度一次风加热温度控制是保证垃圾燃烧过程的关键。为了保证燃烧过程的经济性，风量在燃烧过程中有适合的比例，并保持一本文档来自技高网...

【技术保护点】
1.一种基于TS模糊神经网络的MSWI炉膛温度预测方法，其特征在于，步骤如下：/n步骤1：特征变量的选取/n预测模型特征变量的选取分为主要变量的选取和辅助变量的选取，以炉膛温度为主要变量，确定一次风加热温度、二次风加热温度、蒸汽量和干燥段炉排左外侧温度来控制炉膛温度为特征变量；/n步骤2：设计用于预测炉膛温度的网络模型/n对从固废焚烧厂的变量数据进行归一化处理，方法如下：/n

【技术特征摘要】
1.一种基于TS模糊神经网络的MSWI炉膛温度预测方法，其特征在于，步骤如下：
步骤1：特征变量的选取
预测模型特征变量的选取分为主要变量的选取和辅助变量的选取，以炉膛温度为主要变量，确定一次风加热温度、二次风加热温度、蒸汽量和干燥段炉排左外侧温度来控制炉膛温度为特征变量；
步骤2：设计用于预测炉膛温度的网络模型
对从固废焚烧厂的变量数据进行归一化处理，方法如下：



式中，y为原始数据值，y*为归一化之后的值，ymax为原始数据所在行的最大值，ymin为原始数据所在行的最小值；对数据进行归一化处理后，所有的数据都被归一化到[-1,1]之间，使得数据标准统一化，提高了数据可比性；用于炉膛温度预测的TSFNN网络结构分为三层：输入层、隐含层、输出层；输入为一次风加热温度，二次风加热温度，蒸汽量和干燥段炉排左外侧温度，输出为炉膛温度；
步骤2.1：初始化神经网络
初始化神经网络的结构为4-10-1的连接方式(拓扑结构如图3所示)，输入层有4个节点，隐含层有10个节点，输出层有1个节点，神经网络的输入向量表示为x＝(x1,x2,x3,x4)T；输出层输出的是炉膛温度的值，输出层的节点数为1；
步骤3：TSFNN神经网络结构
步骤3.3.1：前件网络
输入层：该层的作用是将输入量直接输入到TSFNN的前件网络中，即网络输入x：
x＝(x1,x2,x3x4)(2)
式中，x1,x2,x3,x4分别表示前件网络输入层4个数据维度；
隶属度层：主要作用是对输入量进行模糊化处理，隶属度函数采用高斯函数进行激活；



式中，μij是隶属度层的输出，表示输入层第i个输入量在隶属度层第j个隶属度的函数值；cij和σij分别表示输入层第i个输入量在隶属度层第j个隶属度函数中的中心值和宽度值；其中，i＝1,2,3,4；j＝1,2,…,10；
规则层：输入量经过模糊化后得到不同的模糊规则，并以此为基础进行模糊推理；



式中，wj表示规则层的第j个模糊规则；其中，j＝1,2,…,10；
输出层：该层的主要作用是将上层的模糊规则进行归一化处理，并输入到后件网络中；



式中，表示对规则层第j个模糊规则归一化后的结果；其中，j＝1,2,…,10；
步骤3.3.2：后件网络
输入层：该...

【专利技术属性】
技术研发人员：乔俊飞，何海军，蒙西，汤健，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11