[發明專利]循環流化床生活垃圾焚燒鍋爐爐膛出口煙氣含氧量的預測系統及方法

有效

• 申請號: 201710108399.9
• 申請日: 2017-02-27
• 公開（公告）號: CN107016455B
• 公開（公告）日: 2020-04-10
• 發明（設計）人: 尤海輝;馬增益;唐義軍;王月蘭;嚴建華;倪明江;池涌;岑可法;黃群星
• 申請（專利權）人: 浙江大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/12;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 劉靜;邱啟旺

1.一種循環流化床生活垃圾焚燒鍋爐爐膛出口煙氣含氧量的實時預測系統，其特征在于，該系統與循環流化床鍋爐的集散控制系統以及生產管理系統相連，包括數據通訊接口和上位機，在上位機中對煙氣含氧量預測模型進行訓練和更新，然后將訓練好的模型通過通訊接口送往集散控制系統、生產管理系統，所述上位機包括：

信號采集模塊。該模塊用于采集CFB生活垃圾焚燒鍋爐在焚燒指定生活垃圾時的運行工況狀態參數和操作變量，并組成垃圾熱值預測模型輸入變量的訓練樣本矩陣X(m×n)，m表示樣本個數，n表示變量的個數。

數據預處理模塊。對X(m×n)進行粗大誤差處理和隨機誤差處理，剔除訓練樣本中的野值，排除鍋爐停爐、壓火、給料機堵塞等異常工況，訓練樣本輸入變量經過歸一化處理后映射到[0，1]區間內，得到標準化后的訓練樣本X^*(m×n)。

專家知識庫模塊。采用滾動時間窗口的方法不斷更新訓練樣本，使得訓練樣本始終保持在最新的狀態上，滾動時間窗口方法是指從當前時間開始，回溯L(單位秒)長度的時間尺寸。

模型更新判定模塊。檢測當前預測模型的性能，當相對預測誤差超過±5％時，則判定模型需要進行更新。

智能建模模塊。該模塊先利用多種群遺傳粒子群算法對SVM模型的懲罰參數C和核參數g進行尋優，然后將得到的最優參數組合賦給SVM模型，并以此為基礎進行訓練。具體步驟如下：

2.1)初始化算法參數。多種群粒子群算法的最大尋優代數T_max、最大慣性權重ω_max、最小慣性權重ω_min，速度更新系數R₁、R₂、R₃、R₄，種群數量pop、單個種群的粒子數量ind、移民率P_i、交叉概率P_c、變異概率P_m、遺傳代溝P_e、遺傳操作頻度P_g。

2.2)初始化種群。采用實數編碼的方式，將SVM模型的懲罰參數C和核參數g有序編碼在一個粒子當中，并將每個權值閾值隨機生成為[0，200]之間的一個實數。

2.3)初始化個體極值和群體極值。將每個粒子中包含的參數組合賦給SVM模型，并結合訓練樣本進行學習訓練，利用訓練得到的預測模型計算煙氣含氧量預測值將預測值與實際測量值y^*進行比較，并以誤差平方和MSE作為粒子的適應度值fitness，適應度計算公式如下：

每個粒子的計算得到的適應度值作為該粒子本身的初始化極值，每個種群的當中MSE最低的值作為群體極值。

2.4)更新粒子。根據最新的個體極值和全局極值，按照(3)式和(4)式更新粒子的速度v_id(t)和位置x_id(t)：

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))(3)

x_id(t+1)＝x_id(t)+v_id(t+1)(4)

式中，t是粒子群優化算法的尋優代數，r₁，r₂是[0，1]之間的隨機數，p_id是指是指第i個粒子迄今為止尋搜索到最優位置，p_gd指該種群迄今為止搜索最優位置。更進一步，為了改善基本粒子群算法容易陷入局部極值和收斂速度慢的缺陷，在PSO算法的基礎上引進了動態加速常數c₁、c₂和慣性權重ω：

其中，T_max為最大尋優代數，ω_max為最大慣性權重，ω_min為最小慣性權重，R₁、R₂、R₃、R₄為常數。

2.5)判斷是否需要進行遺傳操作。按照遺傳操作頻度P_g進行，通常每P_g代進行一次遺傳操作。若要進行遺傳操作則執行步驟2.6)，否則執行步驟2.7)

2.6)執行遺傳操作。遺傳操作包括選擇、交叉、變異、留優，具體如下。選擇：像輪盤賭一樣計算選擇概率，等距離的選擇個體，設N為需要選擇的個體數目，選擇指針的距離是1/N，第一個選擇指針的位置由[0，1/N]區間內的隨機數決定；交叉：采用算術重組的方法，即兩個個體通過線性組合產生新的個體。假設在兩個個體和之間進行算術交叉，則按式(8)和(9)得到兩個新的個體和

式中λ₁和λ₂為(0,1)之間的實數，且λ₁+λ₂＝1；變異：采取均勻性變異，假設s＝(v₁,v₂,...,v_n)是父代，z＝(z₁,z₂,...,z_n)是變異產生的后代?，F在父代向量中隨機地選擇一個分量，假設是第k個，然后在其定義區間[a_k,b_k]中均勻隨機地取一個數v'_k代替v_k以得到z_k；留優：采用保留父代精英個體的策略，根據父代染色體的目標函數值，用過渡代染色體替換父代中目標函數值排名后P_e×100％的染色體，P_e為替換率(遺傳代溝)，如此，父代中部分最優的個體得以保留，不會因為選擇、交叉、變異等運算消失。

2.7)粒子適應度值計算。按照式(2)計算更新之后粒子的適應度值。

2.8)更新個體極值和群體極值。以適應度值為評價指標，比較當代粒子與上一代粒子之間的適應度值大小，如果當前粒子的適應度值優于上一代，則將當前粒子的位置設置為個體極值，否則個體極值保持不變。同時獲取當代所有粒子適應度值最優的粒子，并與上一代最優粒子進行比較，如果當代最優粒子的適應度值優于上一代最優粒子的適應度值，則將當代粒子的最優適應度值設置為全局最優值，否則全局最優值保持不變。

2.9)移民操作。采用多種群遺傳粒子群算法，每一次尋優過程中，種群之間采用單向循環遷移的方式進行移民操作，第1個種群中的優秀個體遷往第2個，第2個遷往第3個，以此類推，直到最后一個遷往第一個。種群間的移民率P_i＝0.04，即表示用源種群中排名前P_i×100％的個體替換目標種群當中排名后P_i×100％的個體，以此完成種群之間最優知識的交流。

2.10)算法停止條件算法判定。判斷是否達到最大迭代次數或者到達預測精度的要求，如果沒有達到則返回步驟2.4)，利用更新的粒子繼續搜索，否則退出搜索，執行步驟2.11)。

2.11)輸出最優的參數組合粒子。

2.12)將最優粒子當中的參數組合賦給SVM模型，并結合訓練樣本進行學習。

2.13)驗證模型的預測精度。將模型的預測值和實際值進行對比，計算相對預測誤差。

2.14)判斷相對預測誤差是否在±5％以內，如果滿足要求則執行步驟2.15)，否則返回步驟2.12)，重新進行訓練。

2.15)輸出滿足要求的煙氣含氧量預測模型。

通訊模塊。該模塊將滿足要求煙氣含氧量預測模型傳送給函數集散控制系統、生產管理系統。

2.一種循環流化床生活垃圾焚燒鍋爐爐膛出口煙氣含氧量預測方法，其特征在于，該方法包括以下步驟：

1)分析循環流化床生活垃圾焚燒鍋爐的運行機理和煙氣含氧量變化機理，選擇垃圾的給料量、給煤量、一次風量、二次風量、床層溫度、爐膛稀相區溫度和爐膛負壓作為煙氣含氧量預測模型的輸入變量。

2)采集訓練樣本。按設定的時間間隔從數據庫中采集輸入變量的歷史數據，或者采集指定工況下的運行參數，組成煙氣含氧量預測模型輸入變量的訓練樣本矩陣X(m×n)，m表示樣本個數，n表示變量的個數，同時采集與之對應的煙氣含氧量作為模型的輸出訓練樣本Y(m×1)；

3)數據預處理。對X(m×n)進行粗大誤差處理和隨機誤差處理，以摒除那些并不是反映鍋爐正常運行工況的虛假信息，將鍋爐停爐、壓火、給料機堵塞等異常工況排除掉，為了避免預測模型的參數之間量綱和數量級的不同對模型性能造成的不良影響，訓練樣本輸入變量均經過歸一化處理后映射到[0，1]區間內，得到標準化后的輸入變量的訓練樣本X^*(m×n)和輸出變量的訓練樣本Y^*(m×1)。

4)智能算法集成建模。先利用多種群遺傳粒子群算法對SVM模型的懲罰參數C和核參數g進行尋優，然后將得到的最優參數組合賦給SVM模型，并以此為基礎進行訓練。算法步驟如下：

4.1)初始化算法參數。多種群粒子群算法的最大尋優代數T_max、最大慣性權重ω_max、最小慣性權重ω_min，速度更新系數R₁、R₂、R₃、R₄，種群數量pop、單個種群的粒子數量ind、移民率P_i、交叉概率P_c、變異概率P_m、遺傳代溝P_e、遺傳操作頻度P_g。

4.2)初始化種群。采用實數編碼的方式，將SVM模型的懲罰參數C和核參數g有序編碼在一個粒子當中，并將每個權值閾值隨機生成為[0，200]之間的一個實數。

4.3)初始化個體極值和群體極值。將每個粒子中包含的參數組合賦給SVM模型，并結合訓練樣本進行學習訓練，利用訓練得到的預測模型計算煙氣含氧量預測值將預測值與實際測量值y^*進行比較，并以誤差平方和MSE作為粒子的適應度值fitness，適應度計算公式如下：

每個粒子的計算得到的適應度值作為該粒子本身的初始化極值，每個種群的當中MSE最低的值作為群體極值。

4.4)更新粒子。根據最新的個體極值和全局極值，按照(2)式和(3)式更新粒子的速度v_id(t)和位置x_id(t)：

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))(2)

x_id(t+1)＝x_id(t)+v_id(t+1)(3)

式中，t是粒子群優化算法的尋優代數，r₁，r₂是[0，1]之間的隨機數，p_id是指是指第i個粒子迄今為止尋搜索到最優位置，p_gd指該種群迄今為止搜索最優位置。更進一步，為了改善基本粒子群算法容易陷入局部極值和收斂速度慢的缺陷，在PSO算法的基礎上引進了動態加速常數c₁、c₂和慣性權重ω：

其中，T_max為最大尋優代數，ω_max為最大慣性權重，ω_min為最小慣性權重，R₁、R₂、R₃、R₄為常數。

4.5)判斷是否需要進行遺傳操作。按照遺傳操作頻度P_g進行，通常每P_g代進行一次遺傳操作。若要進行遺傳操作則執行步驟4.6)，否則執行步驟4.7)

4.6)執行遺傳操作。遺傳操作包括選擇、交叉、變異、留優，具體如下。選擇：像輪盤賭一樣計算選擇概率，等距離的選擇個體，設N為需要選擇的個體數目，選擇指針的距離是1/N，第一個選擇指針的位置由[0，1/N]區間內的隨機數決定；交叉：采用算術重組的方法，即兩個個體通過線性組合產生新的個體。假設在兩個個體和之間進行算術交叉，則按式(7)和(8)得到兩個新的個體和

式中λ₁和λ₂為(0,1)之間的實數，且λ₁+λ₂＝1；變異：采取均勻性變異，假設s＝(v₁,v₂,...,v_n)是父代，z＝(z₁,z₂,...,z_n)是變異產生的后代?，F在父代向量中隨機地選擇一個分量，假設是第k個，然后在其定義區間[a_k,b_k]中均勻隨機地取一個數v'_k代替v_k以得到z_i；留優：采用保留父代精英個體的策略，根據父代個染色體的目標函數值，用過渡代染色體替換父代中目標函數值排名后P_e×100％的染色體，P_e為替換率(遺傳代溝)，如此，父代中部分最優的個體得以保留，不會因為選擇、交叉、變異等運算消失。

4.7)粒子適應度值計算。按照式(1)計算更新之后粒子的適應度值。

4.8)更新個體極值和群體極值。以適應度值為評價指標，比較當代粒子與上一代粒子之間的適應度值大小，如果當前粒子的適應度值優于上一代，則將當前粒子的位置設置為個體極值，否則個體極值保持不變。同時獲取當代所有粒子適應度值最優的粒子，并與上一代最優粒子進行比較，如果當代最優粒子的適應度值優于上一代最優粒子的適應度值，則將當代粒子的最優適應度值設置為全局最優值，否則全局最優值保持不變。

4.9)移民操作。采用的多種群遺傳粒子群算法，每一次尋優過程中，種群之間采用單向循環遷移的方式進行移民操作，第1個種群中的優秀個體遷往第2個，第2個遷往第3個，以此類推，直到最后一個遷往第一個。種群間的移民率P_i＝0.04，即表示用源種群中排名前P_i×100％的個體替換目標種群當中排名后P_i×100％的個體，以此完成種群之間最優知識的交流。

4.10)算法停止條件算法判定。判斷是否達到最大迭代次數或者到達預測精度的要求，如果沒有達到則返回步驟4.4)，利用更新的粒子繼續搜索，否則退出搜索，執行步驟4.11)。

4.11)輸出最優的參數組合粒子。

4.12)將最優粒子當中的參數組合賦給SVM模型，并結合訓練樣本進行學習。

4.13)驗證模型的預測精度。將模型的預測值和實際值進行對比，計算相對預測誤差。

414)判斷相對預測誤差是否在±5％以內，如果滿足要求則執行步驟4.15)，否則返回步驟4.12)，重新進行訓練。

4.15)輸出滿足要求的煙氣含氧量預測模型。

5)模型自適應更新。當煙氣含氧量與模型預測值的誤差超過±5％時，立即更新模型。