[發明專利]基于變論域模糊規則迭代學習的玻璃窯爐空燃比調整方法

有效

• 申請號: 201611104943.4
• 申請日: 2016-12-05
• 公開（公告）號: CN106527141B
• 公開（公告）日: 2019-09-20
• 發明（設計）人: 劉民;崔興華;董明宇;張龍;張亞斌;劉濤
• 申請（專利權）人: 清華大學;青島清能合創智能科技有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 李相雨

1.一種基于變論域模糊規則迭代學習的玻璃窯爐空燃比調整方法，其特征在于，包括：

根據用于計算空燃比理論值的機理模型和天然氣熱值，得到玻璃窯爐燃燒過程的理論空燃比；

根據數據驅動的煙氣含氧量指標預報模型和實際空燃比及所述的理論空燃比，得到對應的煙氣含氧量，并根據變論域模糊規則和所述煙氣含氧量，對空燃比進行調整；

其中，所述根據用于計算空燃比理論值的機理模型和天然氣熱值，得到玻璃窯爐燃燒過程的理論空燃比，具體包括如下步驟：

步驟1：設定如下基本變量

x₁(t)：t時刻的天然氣流量

x₂(t)：t時刻的助燃風流量

y(t)：t時刻的煙氣含氧量

[y_min，y_max]：煙氣含氧量設定值區間

ΔC：空燃比調整量

C：實際空燃比

CT：理論空燃比

CGas：天然氣熱值

步驟2：指標預報數據模型建模

根據采樣數據建立如下開環Narx回歸神經網絡模型為：

y(t+1)＝f₁(x₁(t)，x₁(t-1)，…，x₁(t-9)，x₂(t)，x₂(t-1)，…，x₂(t-9)，y(t)，y(t-1)，y(t-2)，…，y(t-9))

x₁(t)為t時刻天然氣流量、x₂(t)為t時刻助燃風流量、y(t)為t時刻煙氣含氧量，f₁()為閉環Narx回歸神經網絡；

步驟3：機理模型建模

根據經驗每4186.8Ki發熱量的燃料燃燒時，需1m³的空氣量，從而，若熱值CGas的單位為Ki/m³，則空燃比的理論模型可建模為：

CT＝CGas/4186.8

進而，以[CT*0.95，CT*1.05]為空燃比的限定區間；

所述根據變論域模糊規則和所述煙氣含氧量，對玻璃窯爐空燃比進行調整，具體包括如下步驟：

步驟1：迭代建立變論域模糊規則

以煙氣含氧量實際偏差E_o及其與指標預報模型的預測偏差的變化率ΔE_o作為模糊規則的輸入，空燃比調整量ΔC作為模糊規則的輸出；

模糊規則實際論域根據E_o和ΔE_o自適應調整，即誤差較大時，采用大的模糊論域，誤差較小時采用較小的模糊論域；其論域歸一化后的每個模糊集的峰點值a₁、a₂、a₃和a₄；采用步驟3給出的基于約束滿足的和聲搜索算法進行離線搜索，搜索過程按步驟2給出的方法建立對象模型；

步驟2：對象模型建立

采用閉環Narx回歸神經網絡進行建模

y(t)＝f₂(x₁(t)，x₁(t-1)，…，x₁(t-9)，x₁(t-10)，x₂(t)，x₂(t-1)，…，x₂(t-9)，x₁(t-10)，y(t-1)，y(t-2)，…，y(t-10))

其中，t為時間，x₁(t)為t時刻的天然氣流量，x₂(t)為t時刻的助燃風流量，y(t)為t時刻的煙氣含氧量，f₂()為閉環Narx回歸神經網絡；

步驟3：設計基于約束滿足的和聲搜索算法搜索

步驟3.1：目標函數

在采用變論域模糊規則對空燃比進行調整時，需保證煙氣中含氧量在一定的區間范圍內，從而和聲向量的目標函數定義如下：

f(X_i)＝∑|E_o|

其中，E_o是煙氣中含氧量的偏差；

步驟3.2：和聲向量

考慮到論域E_o、ΔE_o和ΔC的每個論域均需優化相應的a₁、a₂、a₃和a₄；從而，每一個和聲向量包含d＝4×3＝12個和聲變量值；令每個和聲向量是服從正態分布的屬于區間[0，1]的隨機數；

設和聲庫規模為HMS，那么和聲庫中的第i(i＝1，2，…，HMS)個和聲向量可表示如下：

其中，代表第一個輸入論域模糊劃分中模糊數的峰點，需滿足

代表第二個輸入論域模糊劃分中模糊數的峰點，需滿足

代表輸出論域模糊劃分中模糊數的峰點，需滿足

步驟3.3：和聲改進機制

對和聲庫采用記憶考慮、音節調整、隨機選擇和聲改進機制，能獲得一個新的和聲向量其中，對于每個和聲變量值若隨機生成的均勻隨機數小于預先給定的和聲庫考慮概率HMCR，根據按下式給出的記憶考慮方法生成：

其中，a是屬于區間[1,HMS]的隨機整數；

否則，若上述隨機生成的均勻隨機數大于或等于HMCR,通過如下的隨機選擇方法生成：

其中，Randn是服從正態分布的屬于區間[0,1]或[-1,0]的隨機數，若和聲變量對應模糊數的峰點需要小于0，則在[-1,0]取值，否則在[0,1]取值；

進一步，若通過記憶考慮獲得，則以微調擾動概率PAR通過如下音節調整方法進行擾動：

其中，是迄今獲得的最好和聲向量中第j個和聲變量值；

步驟3.4：約束處理

若采用上述方法新生成的不滿足和聲變量的約束，需交換相鄰奇數位和偶數位的和聲變量；

步驟3.5：和聲庫更新機制

經過和聲改進機制，新的和聲向量X_new能被構造，然后，和聲庫按如下方法進行更新：若X_new優于和聲庫中的最差和聲X_Worst，則將X_new替換X_Worst；

步驟3.6：迭代搜索機制

迭代步驟3.3-步驟3.5到最大迭代次數，獲得優化的和聲向量。