一种垃圾焚烧过程的人工智能控制方法技术

一种垃圾焚烧过程的人工智能控制方法，该方法包括：获取焚烧炉环境监测数据、垃圾焚烧状态参数和焚烧炉运行数据，根据垃圾焚烧状态和焚烧炉运行数据预测烟气污染物浓度和主燃段温度场分布，然后将焚烧炉环境监测数据、预测的烟气污染物浓度和预测的主燃段温度场分布输入一强化学习控制模型中以得到焚烧控制参数，向焚烧炉发送焚烧控制参数，使焚烧炉做出相应调整，使得垃圾焚烧控制参数得到优化，能够适应复杂的垃圾焚烧过程，实现垃圾焚烧过程的自动化控制，提高了垃圾焚烧的稳定性，同时解放人力，减少人力成本。减少人力成本。减少人力成本。

【技术实现步骤摘要】
一种垃圾焚烧过程的人工智能控制方法


[0001]本专利技术涉及垃圾焚烧
，具体涉及一种垃圾焚烧过程的人工智能控制方法。

技术介绍

[0002]近年来，我国垃圾焚烧发电项目持续增多，在垃圾焚烧发电需求逐渐饱和以及电价补贴退坡的背景下，如何通过技术手段高质高效地运营垃圾焚烧发电项目成为亟待解决的问题。
[0003]目前我国垃圾焚烧技术存在着焚烧不稳定的问题。垃圾焚烧是利用空气中氧气与垃圾中的可燃成分进行燃烧反应，将可燃成分转化为无机残渣，同时回收燃烧时释放的热能并转化为电能的过程。然而我国的垃圾存在着成分变化大、水分含量高和热值不稳定等因素，使得垃圾焚烧过程更加复杂，焚烧状态难以稳定。
[0004]现阶段采用的垃圾焚烧ACC(Automatic Combustion Control，自动燃烧控制)控制系统存在无法适应非线性复杂工况的短板，难以实现垃圾的稳定燃烧。ACC控制系统主要通过改变风量和调节炉排速度来产生稳定的蒸汽流量，同时控制烟气中的含氧量范围以维持稳定的燃烧。然而风量的控制和炉排速度的控制是相互影响的，各控制对象不是简单的单输入单输出的单回路调节系统，而是一个多输入多输出的复杂控制系统。另外，ACC控制系统中采用的PID控制方法，主要是工人通过监控锅炉数据进行手工调整，更多依靠熟练工人的经验，只能在一定程度上满足控制要求，且耗费人力。

技术实现思路

[0005]本申请提供一种垃圾焚烧过程的人工智能控制方法，通过建立强化学习控制模型，优化垃圾焚烧控制参数，实现垃圾焚烧过程的自动化控制，以解决现有垃圾焚烧控制方法难以实现垃圾的稳定燃烧、耗费人力的问题。
[0006]根据第一方面，一种实施例中提供一种垃圾焚烧过程的人工智能控制方法，包括：
[0007]获取焚烧炉环境监测数据；
[0008]获取垃圾焚烧状态和焚烧炉运行数据，根据所述垃圾焚烧状态和焚烧炉运行数据预测烟气污染物浓度和主燃段温度场分布；
[0009]将所述焚烧炉环境监测数据、预测的烟气污染物浓度和预测的主燃段温度场分布输入一强化学习控制模型中以得到焚烧控制参数；
[0010]向焚烧炉发送所述焚烧控制参数，使焚烧炉做出相应调整。
[0011]一种实施例中，所述根据所述垃圾焚烧状态和焚烧炉运行数据预测烟气污染物浓度和主燃段温度场分布，包括：
[0012]将所述垃圾焚烧状态和焚烧炉运行数据输入预设的LSTM模型中，得到预测的烟气污染物浓度和预测的主燃段温度场分布。
[0013]一种实施例中，所述强化学习控制模型包括Dyna
‑
Q算法模型和DDPG算法模型；所
述DDPG算法模型用于根据预测的烟气污染物浓度和预测的主燃段温度场分布，计算得到所述焚烧控制参数；所述Dyna
‑
Q算法模型用于根据所述焚烧炉环境监测数据、预测的烟气污染物浓度和预测的主燃段温度场分布，学习得到不同状态下输出不同焚烧控制参数后将会进入的下一状态，并提供给所述DDPG算法模型进行学习，所述状态包括烟气污染物浓度和主燃段温度场分布。
[0014]一种实施例中，所述焚烧炉环境监测数据包括：锅炉出口主蒸汽量、烟气中CO浓度、干燥段炉排空气流量、一级燃烧室烟气温度、二级燃烧室烟气温度、燃烧段入口空气流量、一次风量、燃烧一段炉排速度、出口烟气氧气浓度、一次风压力和温度、炉膛负压和炉排片面积中的一者或多者。
[0015]一种实施例中，所述焚烧炉运行数据包括干燥段温度场分布、料层厚度、主燃段当前温度场分布、主燃段风量、炉排滑动速度、炉排翻动频率中的一者或多者。
[0016]一种实施例中，所述焚烧控制参数包括给料速度、焚烧炉排运行周期及燃烧空气分配比。
[0017]一种实施例中，所述垃圾焚烧状态通过以下方式得到：
[0018]获取垃圾焚烧图像；
[0019]将所述垃圾焚烧图像输入垃圾焚烧状态辨识模型中，以得到垃圾焚烧状态；
[0020]其中所述垃圾焚烧状态辨识模型通过以下步骤得到：
[0021]计算预设的垃圾焚烧样本图像集中的垃圾焚烧样本图像的焚烧状态参数；
[0022]依据所述焚烧状态参数，按预定的焚烧状态类别，对所述垃圾焚烧样本图像进行分类；
[0023]构建一神经网络模型，将所述垃圾焚烧样本图像集作为训练数据，将垃圾焚烧样本图像的类别作为数据标签，对所述神经网络模型进行训练，得到所述垃圾焚烧状态辨识模型。
[0024]一种实施例中，所述依据所述焚烧状态参数，按预定的焚烧状态类别，对所述垃圾焚烧样本图像进行分类，包括：
[0025]采用EM算法对所述焚烧状态参数进行聚类分析，得到所述垃圾焚烧样本图像的火焰形体、火焰温度和火焰闪动三类指标，根据火焰形体、火焰温度和火焰闪动这三类指标，按预定的焚烧状态类别，对所述垃圾焚烧样本图像进行分类；所述焚烧状态类别包括燃烧均匀、燃烧不充分、横向偏烧和纵向偏烧。
[0026]一种实施例中，所述根据火焰形体、火焰温度和火焰闪动这三类指标，按预定的焚烧状态类别，对所述垃圾焚烧样本图像进行分类，包括：
[0027]将所述垃圾焚烧样本图像的火焰形体、火焰温度和火焰闪动三类指标输入预设的专家系统中，得到所述垃圾焚烧样本图像所属的焚烧状态类别，其中所述专家系统存有依据火焰形体、火焰温度和火焰闪动对所述垃圾焚烧样本图像按所述预定的焚烧状态类别进行分类的专家经验。
[0028]根据第二方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现上述第一方面所述的方法。
[0029]依据上述实施例的垃圾焚烧过程的人工智能控制方法和计算机可读存储介质，通过获取焚烧炉环境监测数据、垃圾焚烧状态参数和焚烧炉运行数据，根据垃圾焚烧状态和
焚烧炉运行数据预测烟气污染物浓度和主燃段温度场分布，然后将焚烧炉环境监测数据、预测的烟气污染物浓度和预测的主燃段温度场分布输入一强化学习控制模型中以得到焚烧控制参数，向焚烧炉发送焚烧控制参数，使焚烧炉做出相应调整，使得垃圾焚烧控制参数得到优化，能够适应复杂的垃圾焚烧过程，实现垃圾焚烧过程的自动化控制，提高了垃圾焚烧的稳定性，同时解放人力，减少人力成本。
附图说明
[0030]图1为一种实施例的垃圾焚烧过程的人工智能控制方法的流程图；
[0031]图2为焚烧炉环境监测数据与各控制量的关系图；
[0032]图3为一种实施例的基于深度学习的垃圾焚烧状态辨识方法的流程图；
[0033]图4为一种实施例的垃圾焚烧状态辨识模型的构建方法的流程图；
[0034]图5为一种实施例的用于构建垃圾焚烧状态辨识模型的卷积神经网络的结构示意图；
[0035]图6为一种实施例中垃圾焚烧过程的人工智能控制方法的算法框架图。
具体实施方式
[0036]下面通过具体实施方式结合附图对本专利技术作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种垃圾焚烧过程的人工智能控制方法，其特征在于，包括：获取焚烧炉环境监测数据；获取垃圾焚烧状态和焚烧炉运行数据，根据所述垃圾焚烧状态和焚烧炉运行数据预测烟气污染物浓度和主燃段温度场分布；将所述焚烧炉环境监测数据、预测的烟气污染物浓度和预测的主燃段温度场分布输入一强化学习控制模型中以得到焚烧控制参数；向焚烧炉发送所述焚烧控制参数，使焚烧炉做出相应调整。2.如权利要求1所述的方法，其特征在于，所述根据所述垃圾焚烧状态和焚烧炉运行数据预测烟气污染物浓度和主燃段温度场分布，包括：将所述垃圾焚烧状态和焚烧炉运行数据输入预设的LSTM模型中，得到预测的烟气污染物浓度和预测的主燃段温度场分布。3.如权利要求1所述的方法，其特征在于，所述强化学习控制模型包括Dyna
‑
Q算法模型和DDPG算法模型；所述DDPG算法模型用于根据预测的烟气污染物浓度和预测的主燃段温度场分布，计算得到所述焚烧控制参数；所述Dyna
‑
Q算法模型用于根据所述焚烧炉环境监测数据、预测的烟气污染物浓度和预测的主燃段温度场分布，学习得到不同状态下输出不同焚烧控制参数后将会进入的下一状态，并提供给所述DDPG算法模型进行学习，所述状态包括烟气污染物浓度和主燃段温度场分布。4.如权利要求1所述的方法，其特征在于，所述焚烧炉环境监测数据包括：锅炉出口主蒸汽量、烟气中CO浓度、干燥段炉排空气流量、一级燃烧室烟气温度、二级燃烧室烟气温度、燃烧段入口空气流量、一次风量、燃烧一段炉排速度、出口烟气氧气浓度、一次风压力和温度、炉膛负压和炉排片面积中的一者或多者。5.如权利要求1所述的方法，其特征在于，所述焚烧炉运行数据包括干燥段温度场分布、料层厚度、主燃段当前温度场分布、主燃段风量、炉排滑动速度、炉排翻动频率中的一者或多者。...

【专利技术属性】
技术研发人员：马晓明，苏雨琦，王云刚，许继云，倪效龙，胡洪磊，金鹏，
申请(专利权)人：北京大学深圳研究生院，
类型：发明
国别省市：