城市固废焚烧过程烟气含氧量自适应预测控制

在城市固体废弃物焚烧(Municipal solid waste incineration, MSWI)过程中,烟气含氧量是影响焚烧效果的重要工艺参数.由于固废焚烧过程的复杂性,在实际应用过程中,难以实现烟气含氧量的有效控制.面向城市固废焚烧过程烟气含氧量控制的实际需求,提出一种基于数据驱动的烟气含氧量自适应预测控制方法.首先,采用自适应模糊C均值(Fuzzy C-means, FCM)算法辅助确定径向基函数(Radial basis function, RBF)神经网络隐含层神经元个数及初始中心,建立基于FCM算法的径向基函数神经网络预测模型,并在控制过程中通过自适应更新策略在线调节预测模型参数;然后,利用梯度下降算法求解控制律,并基于李雅普诺夫理论分析了所提控制方法的稳定性;最后,基于城市固废焚烧厂实际数据,验证了所提控制方法的有效性.     

城市固废焚烧过程数据驱动建模与自组织控制

城市固废焚烧(Municipal solid waste incineration, MSWI)是处置城市固废(Municipal solid waste, MSW)的主要手段之一.中国MSW来源范围广、组分复杂、热值波动大,其焚烧过程通常依靠人工干预,这导致MSWI过程智能化水平较低且难以满足日益提升的控制需求. MSWI具有多变量耦合、工况漂移等诸多不确定性特征,因而难以建立其被控对象模型并设计在线控制器.针对以上问题,提出了一种面向MSWI过程的数据驱动建模与自组织控制方法.首先,构建了基于多输入多输出Takagi Sugeno模糊神经网络(Multi-input multi-output Takagi Sugeno fuzzy neural network,MIMO-TSFNN)的被控对象模型;然后,设计了基于多任务学习的自组织模糊神经网络控制器(Multi-task learning selforganizing fuzzy neural network controller, MTL-SOFNNC)用于同步控制炉膛温度与烟气含氧量,其通过计算神经元的相似度与多任务学习(Mu...     

一种基于直接广义预测的烟气含氧量软测量方法研究

针对工业锅炉烟气含氧量的测量,文章给出了一种基于直接广义预测算法的烟气含氧量软测量方法,运用该方法能够客观反映锅炉燃烧过程中任何时段的真实情况,提高烟气含氧量的测量精度,优化锅炉燃烧控制系数的性能.利用现场实际数据对该方法进行了仿真验证,仿真结果果表明了该软测量方法的有效性.     

城市固废炉内焚烧过程数值仿真及分析

一次风含氧量和二次风速度是影响城市固废焚烧(MSWI)过程炉内烟气停留时间和挥发分积累浓度的关键因素。为优化设定上述参数进而为稳定燃烧状况提供理论支撑,采用计算流体力学(CFD)技术对北京某基于炉排炉的MSWI过程的炉内焚烧过程进行模拟。首先,对研究对象进行描述,接着给出了炉内焚烧过程的数学模型、模拟方法及仿真设置;然后,重点对炉膛内气相组分燃烧过程进行了模拟;最后,分析了一次风含氧量和二次风速度对炉内温度场和浓度场的影响。模拟结果表明：炉内CO积累量和最高温度分别随一次风含氧量和二次风速度的增加而降低,炉内温度场和浓度场的分布趋势受二次风速度的影响较小。上述结果为构建接近真实MSWI过程的焚烧机理模型提供了有效支撑。     

基于宽度混合森林回归的城市固废焚烧过程二噁英排放软测量

二噁英是城市固废焚烧过程排放的痕量有机污染物.受限于相关技术的复杂度和高成本,二噁英排放浓度检测的大时滞已成为制约城市固废焚烧过程优化控制的关键因素之一.虽然具有低成本、快响应、高精度等特点的数据驱动软测量模型能够有效解决上述问题,但二噁英建模方法必须要契合数据的小样本、高维度特性.对此,提出了由特征映射层、潜在特征提取层、特征增强层和增量学习层组成的宽度混合森林回归软测量方法.首先,构建由随机森林和完全随机森林构成的混合森林组进行高维特征映射;其次,依据贡献率对全联接混合矩阵进行潜在特征提取,采用信息度量准则保证潜在有价值信息的最大化传递和最小化冗余,降低模型的复杂度和计算消耗;然后,基于所提取潜在信息训练特征增强层以增强特征表征能力;最后,通过增量式学习策略构建增量学习层后采用Moore-Penrose伪逆获得权重矩阵.在基准数据集和城市固废焚烧过程二噁英数据集上的实验结果表明了方法的有效性和优越性.     

基于ANFIS模型的烟气含氧量建模和预测

针对电厂热工测量参数难以进行有效预测的问题,提出一种基于ANFIS模型的烟气含氧量建模和预测方法.基于自适应神经模糊推理系统(ANFIS)学习能力与泛化能力均较强的优点,建立软测量预报模型,借助某电厂循环流化床锅炉烟气含氧量实测数据进行仿真,结果表明,基于ANFIS的自适应预测模型,具有良好的预报能力,具有较高的预报精度和鲁棒性,可以较好地解决电厂烟气含氧量预测问题,对于实现锅炉燃烧系统的优化运行和预测控制具有一定的价值.     

城市固废焚烧过程风量智能优化设定方法

城市固体废物焚烧(municipal solid wastes incineration,MSWI)技术由于其高效的减容效果逐渐成为了生活垃圾处理的主要方式.MSWI过程产生的氮氧化物(nitrogen oxides,NOx)是大气中的主要污染物之一.为了在控制NOx排放的同时保证燃烧效率,提出一种基于多目标粒子群算法的MSWI过程风量智能优化设定方法.首先,结合最大相关最小冗余算法及前馈神经网络,建立燃烧效率和氮氧化物排放浓度预测模型;然后,提出分阶段多目标粒子群优化算法(staged multi-objective particle swarm optimization,SMOPSO),获得一次风流量和二次风流量的Pareto优化解集;此外,设计效用函数,确定一次风流量和二次风流量的最优设定值;最后,基于国内某城市固废焚烧厂的实际运行数据,验证所提方法的有效性.     

基于ET–RBF–PID的城市固废焚烧过程炉膛温度控制方法

针对城市固废焚烧过程炉膛温度控制精度低且控制器更新频繁的问题, 本文提出一种基于事件触发机制的RBF–PID(ET–RBF–PID)炉膛温度控制方法. 首先, 构建RBF–PID控制器, 通过梯度下降算法和递归最小二乘算法在线更新网络参数, 同时引入动量因子的平方及参数的动量项来更新控制器参数, 以提高控制精度; 其次, 设计基于固定阈值的事件触发条件作为控制器更新条件, 以减少控制器频繁更新带来的机械磨损; 最后, 基于北京某城市固废焚烧厂实际数据进行炉膛温度控制仿真实验. 实验结果表明, 设计的ET–RBF–PID控制器能够精准地跟踪炉膛温度, 相比于传统的基于时间触发的PID控制器和RBF–PID控制器, ET–RBF–PID控制器在实现炉膛温度精确控制的同时能有效减少控制器更新次数.     

基于神经网络的加热炉烟气含氧量预测及控制

文中提出一种加热炉烟气含氧量的神经网络预测方法,并将预测结果用于加热炉空燃比设定补偿,从而实现了加热炉烟气含氧量的空燃比预测补偿控制。仿真结果和实践表明,该预测控制方案是可行的,具有很好的控制效果。     

基于GMDH的电厂烟气含氧量软测量

烟气含氧量是评价火电厂锅炉燃烧好坏的一项重要指标,所以准确的测量尤为重要。本文主要研究内容是利用软测量技术对电厂烟气含氧量进行仿真测量,所采用的软测量建模方法为数据成组处理法(Group method of data handling,GMDH),利用从华润某电厂300MW机组得到的实际运行数据建立模型,并与BP神经网络所得预测结果进行对比。仿真结果表明:该方法能够较准确的对火电厂烟气含氧量进行预测。     

基于垃圾焚烧的二次污染控制系统的实现技术

垃圾焚烧对空(气)燃(料)比有严格要求,由于城市固体垃圾的复杂多变性及不确定性,难以实现对垃圾的充分燃烧,常因控制不当而产生多种污染。针对二次污染控制问题,文章采用变频调速技术与智能控制技术相结合,提高系统的响应速度,满足空(气)燃(料)比优化的需要,有效保证了垃圾的充分燃烧,减少了烟气对大气环境的二次污染。文中在讨论城市固体垃圾特性基础上,分析了二次污染产生的条件,探讨了优化燃烧过程的控制策略、风量调节方式、系统构架及相关技术问题。     

生活垃圾焚烧炉燃烧过程温度的仿人智能控制

针对城市垃圾焚烧排放污染物含量高,探讨了一种焚烧系统温度控制的仿人智能算法。剖析了垃圾不完全燃烧、烟气排放污染与导致二次污染等产生的原由,讨论了焚烧稳定性控制的条件,总结了焚烧过程的控制论特性,研究了焚烧过程的智能控制策略,构建了一种基于仿人智能的控制算法。以二阶滞后模型为例,仿真实验验证了仿人智能控制算法的强抗干扰能力与过程控制的良好品质。仿真研究结果表明,提出的控制算法对焚烧炉过程温度控制是可行与有效的。     

基于PSO-Elman模型的火电厂烟气含氧量预测

针对火电厂烟气含氧量测量精度较低、测量成本较大等问题,提出基于PSO-Elman网络模型的烟气含氧量预测方法。选择合理的相关辅助变量,引入Elman神经网络建立辅助变量与烟气含氧量的关系模型;利用PSO对Elman中所有的权值、阈值进行寻优,将其最优权值和阈值作为初值赋给Elman;经过训练,建立基于PSO-Elman模型的预测模型,完成火电厂烟气含氧量的软测量。通过仿真,与Elman网络和LSSVM模型的预测结果作对比,所提模型具有较高的预测精度和良好的泛化能力。     

城市生活垃圾焚烧炉温控制的多目标优化设定方法

为实现城市生活垃圾焚烧(MSWI)过程的炉温稳定并避免炉排温度过高的控制目标,本文提出一种通过炉排温度和一次风温间接控制炉温的多目标优化设定方法.通过融合分解与竞争策略,将WS变换、双向学习、随机交叉、动态高斯变异引入到多目标海鸥优化算法(MOSOA)中,得到一种改进的MOSOA(IMOSOA),根据炉温的设定值、误差等信息对炉排温度和一次风温的设定值进行寻优.实验结果表明IMOSOA的寻优能力显著增强,在干扰影响下,基于IMOSOA的多目标优化设定方法可实现MSWI过程炉温的控制目标,能有效促进垃圾焚烧过程的平稳运行.     

基于神经网络的垃圾焚烧炉过程控制

人工操作排除垃圾焚烧炉故障对操作员要求较高,且自动化程度低.应用BP神经网络方法,采用madab软件编程建立垃圾焚烧炉过程控制模型,对垃圾焚烧炉两种典型故障的排除进行研究.在过程控制模型的建立过程中,采用神经网络集成,提高神经网络模型的泛化能力.最后以49组实际工况数据作为检验样本,检验误差率为7.612%和6.429%.检验结果表明神经网络集成可以提高模型的计算精度,该模型可以用于垃圾焚烧炉过程控制,提高设备的自动化程度.     

城市生活垃圾焚烧过程二次风量智能优化设定方法

垃圾焚烧过程二次风量通常是依据人工经验设定,具有主观随意性,使污染物排放浓度不达标.针对此问题,提出一种二次风量智能优化设定方法.首先,建立二次风量的案例推理预设定模型、设定值的评价与学习模型;其次,建立工艺指标的随机配置网络预测模型;接着,建立基于径向基神经网络自学习模糊推理的智能补偿模型;最后,将二次风量预设定模型、工艺指标预测模型、智能补偿模型以及设定值的评价与学习模型有机集成,设计二次风量智能优化设定方法的结构与功能,并给出算法实现.采用某垃圾焚烧厂历史数据进行实验,结果表明,所提方法获得的二次风量设定值波动程度更小,按此设定值运行的控制系统可以减少污染物排放浓度,促进垃圾焚烧过程运行优化目标的实现.