一种数据驱动的城市固废焚烧过程多目标优化控制方法技术

本发明专利技术提供了一种数据驱动的城市固废焚烧过程多目标优化控制方法，首先，建立了面向污染物排放的

【技术实现步骤摘要】
一种数据驱动的城市固废焚烧过程多目标优化控制方法


[0001]本专利技术涉及城市固体废物处理
，特别是涉及一种数据驱动的城市固废焚烧过程多目标优化控制方法
。

技术介绍

[0002]城市固体废物
(municipal solid waste incineration
，
MSW)
是导致城市污染问题逐渐严重的一个主要因素，伴随着国家对垃圾分类的逐渐重视，其热值逐渐提高，使得
MSW
焚烧
(municipal solid waste incineration
，
MSWI)
技术成为处理
MSW
的一个重要手段
。
相较于其他处理手段，具有无害化
、
减量化和资源化等特点的
MSWI
技术能够节约大量土地资源，具有明显的社会效益，经济效益和环境效益
。
由于我国
MSW
成分复杂
、
热值低，导致所引进国外的
MSWI
技术难以有效支撑工厂正常运转，目前多依靠领域专家手动操作方式实现
。
但专家经验的差异性以及处理问题的延迟性，使得我国
MSWI
电厂难以维持稳定工况，从而引起污染物排放短期超标
、MSW
燃烧不充分等问题
。
因此，如何降低上述污染物排放浓度和提高
MSW
燃烧效率是亟待解决的问题
。
特别地，导致焚烧厂存在“邻避效应”的二噁英
、
导致酸雨的
NOx
以及
CO2
等主要污染物仅需要降低排放浓度
。
[0003]通常，建立精准的被控对象模型是智能优化控制研究的基础，鉴于机理复杂性
、
工况波动频繁性和干扰不确定性，难以构建
MSWI
过程精确的数学模型
。
目前，研究学者多采用工业过程数据构建被控对象模型的方案，但已有研究中多针对单一被控变量建模，忽视了
MSWI
过程中多被控变量的存在性及相互间的耦合性
。
实现
MSWI
过程关键被控变量的稳定控制是进行其设定值优化求解的前提
。
目前，针对
MSWI
过程的控制多采用
PID
控制器和模型预测控制，尚无符合工业实际的
MSWI
过程关键被控变量的多回路控制器的相关研究
。
针对
MSWI
过程优化问题，炉膛温度
、
锅炉蒸汽流量和烟气含氧量作为
MSWI
过程关键被控变量，尚无相关优化设定的研究
。
目前以上述污染物排放浓度和
MSW
燃烧效率为目标的
MSWI
过程优化控制研究还未见报道
。
因此，设计一种数据驱动的城市固废焚烧过程多目标优化控制方法是十分有必要的
。

技术实现思路

[0004]本专利技术的目的是提供一种数据驱动的城市固废焚烧过程多目标优化控制方法，能够实现城市固废焚烧过程多目标优化控制，为现有运行中的工厂进行指导，能够降低污染物排放浓度，提高燃烧效率
。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种数据驱动的城市固废焚烧过程多目标优化控制方法，包括如下步骤：
[0007]步骤1：分析面向多目标优化的影响因素；
[0008]步骤2：根据影响因素检测多目标优化控制模型
。
[0009]可选的，步骤1中，分析面向多目标优化的影响因素，具体为：
[0010]MSWI
的约束条件为：
[0011][0012]式中，
t
为环境或时间变量，
x
为过程操作变量的设定值；
[0013]为确保环保指标达标，有：
[0014]min F
1m
(t,x),m
＝
1,2,....
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0015]为提高产品指标，有：
[0016]max F
2n
(t,x),n
＝
1,2,...
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0017]为提高经济指标，有：
[0018]max F
3l
(t,x),l
＝
1,2,...
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0019]将优化目标同向化处理，将
MSWI
的优化目标表示为：
[0020][0021][0022]通过求解
x
，实现
MSWI
过程优化运行，其中，
x
包括炉膛温度
、
锅炉蒸汽流量和烟气含氧量
。
[0023]可选的，步骤1中，根据影响因素检测多目标优化控制模型，具体包括如下步骤：
[0024]步骤
301
：建立面向污染物减排的全流程模型，作为被控对象模型；
[0025]步骤
302
：建立单神经元自适应
PID
的多入多出回路控制器，对被控对象模型进行稳定控制；
[0026]步骤
303
：建立基于多目标
PSO
的被控变量优化设定求解模型，用于实现关键被控变量的优化设定值的自适应求解，并将求解结果发送至单神经元自适应
PID
的多入多出回路控制器，对被控对象模型进行稳定控制
。
[0027]可选的，步骤
301
中，建立面向污染物减排的全流程模型，具体为：
[0028]建立面向污染物减排的全流程模型，包括串联被控对象模型及并联污染物指标模型，单神经元自适应
PID
的多入多出回路控制器连接串联被控对象模型，串联被控对象模型连接并联污染物指标模型，并联污染物指标模型连接基于多目标
PSO
的被控变量优化设定求解模型；
[0029]串联被控对象模型包括炉膛温度模型
、
锅炉蒸汽流量模型及烟气含氧量模型，其中，炉膛温度模型
、
锅炉蒸汽流量模型及烟气含氧量模型均通过基于
Tikhonov
正则化的线性回归决策树算法构建，单神经元自适应
PID
的多入多出回路控制器连接炉膛温度模型
、
锅炉蒸汽流量模型及烟气含氧量模型，向炉膛温度模型输入
u
PriAir
、u
Feeder
及
u
Dry
，向锅炉蒸汽流量模型输入...

【技术保护点】

【技术特征摘要】
1.
一种数据驱动的城市固废焚烧过程多目标优化控制方法，其特征在于，包括如下步骤：步骤1：分析面向多目标优化的影响因素；步骤2：根据影响因素检测多目标优化控制模型
。2.
根据权利要求1所述的数据驱动的城市固废焚烧过程多目标优化控制方法，其特征在于，步骤1中，分析面向多目标优化的影响因素，具体为：
MSWI
的约束条件为：式中，
t
为环境或时间变量，
x
为过程操作变量的设定值；为确保环保指标达标，有：
min F
1m
(t,x),m
＝
1,2,....
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
为提高产品指标，有：为提高经济指标，有：将优化目标同向化处理，将
MSWI
的优化目标表示为：的优化目标表示为：通过求解
x
，实现
MSWI
过程优化运行，其中，
x
包括炉膛温度
、
锅炉蒸汽流量和烟气含氧量
。3.
根据权利要求2所述的数据驱动的城市固废焚烧过程多目标优化控制方法，其特征在于，步骤1中，根据影响因素检测多目标优化控制模型，具体包括如下步骤：步骤
301
：建立面向污染物减排的全流程模型，作为被控对象模型；步骤
302
：建立单神经元自适应
PID
的多入多出回路控制器，对被控对象模型进行稳定控制；步骤
303
：建立基于多目标
PSO
的被控变量优化设定求解模型，用于实现关键被控变量的优化设定值的自适应求解，并将求解结果发送至单神经元自适应
PID
的多入多出回路控制器，对被控对象模型进行稳定控制
。4.
根据权利要求3所述的数据驱动的城市固废焚烧过程多目标优化控制方法，其特征在于，步骤
301
中，建立面向污染物减排的全流程模型，具体为：建立面向污染物减排的全流程模型，包括串联被控对象模型及并联污染物指标模型，单神经元自适应
PID
的多入多出回路控制器连接串联被控对象模型，串联被控对象模型连
接并联污染物指标模型，并联污染物指标模型连接基于多目标
PSO
的被控变量优化设定求解模型；串联被控对象模型包括炉膛温度模型
、
锅炉蒸汽流量模型及烟气含氧量模型，其中，炉膛温度模型
、
锅炉蒸汽流量模型及烟气含氧量模型均通过基于
Tikhonov
正则化的线性回归决策树算法构建，单神经元自适应
PID
的多入多出回路控制器连接炉膛温度模型
、
锅炉蒸汽流量模型及烟气含氧量模型，向炉膛温度模型输入
u
PriAir
、u
Feeder
及
u
Dry
，向锅炉蒸汽流量模型输入
u
FeederWater
，向烟气含氧量模型输入
u
SecAir
，炉膛温度模型连接锅炉蒸汽流量模型及烟气含氧量模型，炉膛温度模型
、
锅炉蒸汽流量模型及烟气含氧量模型连接并联污染物指标模型，其中，
u
FeederWater
、u
PriAir
、u
Feeder
、u
Dry
和
u
...

【专利技术属性】
技术研发人员：汤健，王天峥，夏恒，杜胜利，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：