[發明專利]一種垃圾焚燒過程的自動燃燒實時優化決策方法

有效

• 申請號: 201711494362.0
• 申請日: 2017-12-31
• 公開（公告）號: CN108224446B
• 公開（公告）日: 2019-06-14
• 發明（設計）人: 嚴愛軍;于航
• 申請（專利權）人: 北京工業大學
• 主分類號: F23G5/50
• 分類號: F23G5/50
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.一種垃圾焚燒過程的自動燃燒實時優化決策方法，其特征在于，包括以下步驟：

(1)根據焚燒過程的歷史數據建立決策案例庫；詳細過程如下：

將7個特征變量x₁～x₇的歷史數據與相應的進料器速度y₁和爐排速度y₂表示成特征向量形式，形成p條源案例，存儲于決策案例庫中；其中干燥段風量x₁、燃燒1段爐排空氣流量x₂、燃燒2段爐排空氣流量x₃、鍋爐出口主蒸汽流量x₄、一次風量x₅、一次燃燒室溫度x₆、一次風機出口空氣壓力x₇；記每條源案例為C_k，表示為如下形式：

C_k＝(X_k；Y_k)，k＝1，2，…，p (1)

其中，p是源案例總數；Y_k是第k條源案例C_k中的進料器速度及爐排速度值；X_k是第k條源案例的問題描述，X_k、Y_k表示為：

其中，x_λ，k表示C_k中第λ個特征變量值，λ＝1，...，7；y_1，k、y_2，k分別表示進料器速度和爐排速度值；

(2)構建訓練模式池；對于式(2)中的問題描述X_k，k＝1，2，...，p，其中的每一個輸入屬性都有一個[0，1]區間內的實值數據；任意兩個問題描述X_i和X_j之間的相似度由[0，1]之間的一個實數來衡量；為了使用隨機配置網絡建立相似度模型，定義模式池D如下：

D＝{(x′，x″，δ(x′，x″))|(x′，x″)∈X_i×X_j，i＝1，...，p，j＝1，...，p} (3)

其中，×表示笛卡爾積，將任意兩個問題描述X_i和X_j之進行組合得到(x′，x″)；δ(x′，x″)表示狄利克雷符號函數，當x′和x″完全相似時其值為0，否則為1；根據式(3)的定義，從案例庫中存儲的源案例構建出模式池D；

(3)根據學習型偽度量準則訓練隨機配置網絡從而獲得隨機配置網絡檢索模型；學習型偽度量就是通過學習技術實現x′和x″相似程度的偽度量；對于相似案例的檢索來說，采用一個標準的隨機配置網絡進行處理時，網絡的輸出正好等于0或1幾乎是不可能的，因而，采用以下學習型偽度量準則判斷網絡的性能；

(A1)Y_NN(x′，x″)＜ε₁，當x′和x″相似；

(A2)Y_NN(x′，x″)≥ε₂，當x′和x″不相似；

(A3)|Y_NN(x′，x″)-Y_NN(x″，x′)|≤ε₃，對任意的x′和x″；

(A4)Y_NN(x′，x″′)≤Y_NN(x′，x″)+Y_NN(x″，x″′)，對任意的x″′，x′和x″不相似；

其中，x′，x″和x″′表示由式(3)得到的問題描述；Y_NN(x′，x″)是隨機配置網絡的輸出，表示x′和x″之間的相似程度；ε₁，ε₂，ε₃是常數，ε₁＝ε₃，取值為0.2～0.3，ε₂取值為0.7～0.8；

利用隨機配置網絡首先要考慮網絡的結構選擇，即輸入層和輸出層的節點個數及隱含層神經元個數的選擇；任意給定0＜r＜1和一個非負的實數序列{μ_L}，使μ_L≤(1-r)；對于L＝1，2...，記作：

其中，m為隱含層神經元的個數；δ_L，q為任意給定的L個隱含層神經元范圍上的第q個神經元的值；||·||表示矩陣范數；e_L-1，q為L-1個隱含層神經元范圍上的第q個神經元的偏差；如果在隱含層神經元的個數的選擇中隨機的基本函數g_L滿足以下不等式：

其中，g_L為隨機的基本函數，滿足∫_R|g_L(t)|²＜∞或者∫_R|g′_L(t)|²＜∞；任意偏置b_g∈R⁺正實數域；則隨機配置網絡的輸出表示為：

其中，任意函數f＝[f₁，f₂，...，f_m]：R^d→R^m，即實數域d→m，滿足輸出矩陣[β₁，β₂，...，β_L]為穆爾彭羅斯廣義逆矩陣；

根據學習型偽度量準則訓練隨機配置網絡的過程，就是將模式池中產生的訓練樣本輸入隨機配置網絡模型并按步驟(4)～步驟(6)進行訓練的過程；模型的終止條件在訓練集和測試集上觀察是否以較高比例滿足上述任一度量準則(A1-A4)，此時，就將Y_NN(x，y)用于案例檢索過程；

(4)將目標案例輸入至隨機配置網絡檢索模型得到K個相似案例的解；將目標案例的問題描述X_p+1與源案例的問題描述X_k(k＝1，2，...，p)組成p個輸入對，即：

D_k：<X_p+1；X_k>，k＝1，2，…p (7)

再利用學習型偽度量準則訓練輸出p個Y_NN(X_p+1，X_k)，根據上述的度量準則A1，統計出與X_p+1相似的源案例個數，假設為K個；

(5)通過案例重用求取K個相似案例解Y₁～Y_K的平均值，從而得到目標案例解包括進料器速度Y_1，p+1和爐排速度Y_2，p+1的決策值，并輸出到焚燒過程控制系統；

(6)重復上述的步驟(4)～步驟(5)，以實現焚燒過程的自動燃燒實時優化決策過程。