专利名称：一种利用垃圾热值预测辅助垃圾稳定燃烧的控制方法
技术领域：
本发明涉及热能工程的锅炉燃烧监测领域，特别涉及一种利用垃圾热值预测辅助垃圾稳定燃烧的控制方法。
背景技术：
入炉垃圾热值的变化对垃圾焚烧炉的稳定运行会造成很大影响。目前的垃圾焚烧控制均以燃料量与配风为控制调节参数，而垃圾热值的波动与整体运行参数是紧密相关的，单从燃料量与配风很难准确地进行系统的相关调节。而现有垃圾热值的计算和预测主要是通过垃圾构成的物理成分作为预测的输入，采用神经网络、线性回归等方法来预测垃圾热值。然而现场运行很难定量地对垃圾成分进行分析，若通过人为假定或者取代表样品分析，由于垃圾成分的不稳定性都会造成较大偏差，很难实现在线测量。
·
利用垃圾焚烧炉的在线测量数据作为输入参数，可以避免垃圾成分的离线测量。垃圾热值和垃圾焚烧炉的运行参数是高度非线性的耦合关系，难以准确地判断哪些参数与垃圾发热量联系更为紧密。但是将所有相关参数作为预测输入，会导致所建模型结构复杂化，影响其训练时间和效果，这对在线预测会造成一定滞后性。如果只根据经验选取几个代表性参数作为输入参数，往往会造成预测结果准确度不高。
发明内容
本发明的目的在于克服垃圾焚烧炉入炉垃圾难以实现在线和较为准确测量的现状和缺点，提供了一种利用垃圾热值预测辅助垃圾稳定燃烧的控制方法。本发明通过下述技术方案实现一种利用垃圾热值预测辅助垃圾稳定燃烧的控制方法，包括如下步骤(一)利用Garson方法筛选出从垃圾焚烧炉控制系统所读取数据的参数，该参数包括垃圾处理量(t)、炉膛温度(V )、炉膛负压(Pa)、过热器进口温度(V )、省煤器出口温度(°C )、主蒸汽流量(t/d)、主蒸汽压力(MPa)、主蒸汽温度(°C )、一次风流量(km3/h)、二次风流量(km3/h)、一级减温水流量(t/d)、二级减温水流量(t/d)、给水温度(V )、一级暖风器蒸汽进口流量(t/d)、二级暖风器蒸汽进口流量(t/d);根据垃圾焚烧炉控制系统所读取参数的个数，选择的隐含层个数，建立神经网络进行训练，直至达到训练误差；读取神经网络每个连接层的权值，把每一个隐含层、输出层节点的连接权分配到隐含层、输入层节点的连接权上去；对所选参数进行主成分分析，去除冗余信息，降低输入参数的维数，加快预测速度；选取累计贡献率>85%的特征值，求得对应的主成分值，最后把该成分值代表原始输入信息；(二)建立三层神经网络，根据步骤(一)所得输入参数确定其结构，并利用遗传算法优化神经网络的阈值和权值，防止神经网络训练时陷入局部最小值，其过程如下(I)根据输入参数的维数，隐含层节点数和输出向量维数确定遗传算法的染色体长度；
(2)定义适应度函数为真实值和预测值之差的平方和的倒数，遗传算法根据该函数进行选择、交叉和变异进行迭代，寻找其最小值；(3)遗传算法把最小值时所对应的权值和阈值赋给神经网络进行训练，若神经网络仍无法达到误差所要求的值，则重新返回步骤(I)进行迭代。上述步骤(二)遗传算法具体是采用实数编码形式，设有η个体的实数编码种群，其染色体长度L=Si*R+R*S2+R+S2，其中R为BP神经网络网络输入维数，S1, S2分别为隐层节点数和输出向量维数；定义适应度函数/⑴=iyIt—U2 ’其中tr，t。分别为输出真实值和训练输出值。
η本发明采用主成分分析法则可以引入更多参数，通过转换降维之后作为BP神经网络的输入，既可以避免过多的参数输入，也可以提高所建模型的预测精度，减少预 测时间，实现垃圾热值的在线测量。垃圾焚烧炉根据在线预测得到的垃圾热值可作为反馈信号辅助其稳定燃烧。本发明既可实现垃圾热值的在线预测，也可提高相应的预测精度，避免了采用传统方法测量造成的滞后性，或者利用简单神经网络预测引起的较大偏差。
图I为本发明控制方法的流程2为本发明垃圾热值预测所见的神经网络模型图3为本发明利用遗传算法优化神经网络预测垃圾热值的具体流程4为本发明所建模型训练样本的回归结果5为本发明模型与其它模型预测结果的相对误差绝对值图
具体实施例方式下面结合具体实施例对本发明作进一步具体详细描述。实施例如图I、图2、图3所示，本发明利用垃圾热值预测辅助垃圾稳定燃烧的控制方法，其特征在于，包括如下步骤(一)利用Garson方法筛选出从垃圾焚烧炉控制系统所读取数据的参数，该参数包括垃圾处理量(t)、炉膛温度(V )、炉膛负压(Pa)、过热器进口温度(V )、省煤器出口温度(V )、主蒸汽流量(t/d)、主蒸汽压力(MPa)、主蒸汽温度(V )、一次风流量(km3/h)、二次风流量(km3/h)、一级减温水流量(t/d)、二级减温水流量(t/d)、给水温度CC )、一级暖风器蒸汽进口流量(t/d)、二级暖风器蒸汽进口流量(t/d);分析所选参数，若燃烧工况稳定，主要反映在主蒸汽温度，流量和压力，减温水的流量也会跟随主蒸汽参数的变化做相关调整；垃圾热值的增大，炉膛的烟气温度会有所提高，是垃圾热值变化的直接反映；风量的变化会导致炉膛温度产生波动，可以间接的体现垃圾热值的变化。由此可见所得参数跟实际情况吻合，可以将其代表原始数据作为输入。根据垃圾焚烧炉控制系统所读取参数的个数，选择的隐含层个数，建立神经网络进行训练，直至达到训练误差；读取神经网络每个连接层的权值，把每一个隐含层、输出层节点的连接权分配到隐含层、输入层节点的连接权上去；
对所选参数进行主成分分析，去除冗余信息，降低输入参数的维数，加快预测速度；选取累计贡献率>85%的特征值，求得对应的主成分值，最后把该成分值代表原始输入信息；(二)建立三层神经网络，根据步骤(一)所得输入参数确定其结构，并利用遗传算法优化神经网络的阈值和权值，防止神经网络训练时陷入局部最小值，其过程如下(I)根据输入参数的维数，隐含层节点数和输出向量维数确定遗传算法的染色体长度；(2)定义适应度函数为真实值和预测值之差的平方和的倒数，遗传算法根据该函数进行选择、交叉和变异进行迭代，寻找其最小值；(3)遗传算法把最小值时所对应的权值和阈值赋给神经网络进行训练，若神经网络仍无法达到误差所要求的值，则重新返回步骤(I)进行迭代。
所述步骤(二)遗传算法具体是采用实数编码形式，设有η个体的实数编码种群，其染色体长度L=Si*R+R*S2+R+S2，其中R为BP神经网络网络输入维数，S1, S2分别为隐层节点数和输出向量维数；定义适应度函数W=其中t"t。分别为输出真实值和训练输出值。
η
设定初始种群为50，遗传代数为100，按给定适应度函数f(x)的进行选择，交叉和变异进行迭代。当染色体的平均适应度趋于稳定时，解码后便可得到网络的最优初始权值和阈值，并将其赋予给网络进行训练，若网络仍无法达到目标误差则重复该过程，直至网络收敛。其流程图见图3。垃圾热值在线测量模型的训练和预测如下采集某垃圾焚烧炉控制系统中的50组数据，其中选40组作为训练样本，10组为检验样本。部分样本的参数见表I。将训练样本输入网络进行训练，为了检验训练质量的高低，以实测值作为横坐标，训练值作为纵坐标。用最小二乘法一元线性回归法对训练所得数据进行线性回归，得图4所示直线。训练结果的最佳线性拟合结果与“实测值=训练值”的理想曲线基本吻合。同时进行相关性分析得相关系数R=O. 99961，表明训练质量较高，所建模型适合用于入炉垃圾的预测。10组检验样本预测数据的相对误差绝对值见图5。从图5可以看出本发明建立起用于垃圾焚烧炉入炉垃圾控制系统的PCA-GA-BP模型相对误差最小，波动范围也最小，相比其它模型得到的结果精度更高，故该模型能够有效的为垃圾焚烧炉提供可靠的垃圾热值反馈信号。表I
权利要求
1.一种利用垃圾热值预测辅助垃圾稳定燃烧的控制方法，其特征在于，包括如下步骤 (一)利用Garson方 法筛选出从垃圾焚烧炉控制系统所读取数据的参数，该参数包括垃圾处理量(t)、炉膛温度(°C )、炉膛负压(Pa)、过热器进口温度CC )、省煤器出口温度(°C )、主蒸汽流量(t/d)、主蒸汽压力(MPa)、主蒸汽温度CC )、一次风流量(km3/h)、二次风流量(km3/h)、一级减温水流量(t/d)、二级减温水流量(t/d)、给水温度(°C )、一级暖风器蒸汽进口流量(t/d)、二级暖风器蒸汽进口流量(t/d);根据垃圾焚烧炉控制系统所读取参数的个数，选择的隐含层个数，建立神经网络进行训练，直至达到训练误差；读取神经网络每个连接层的权值，把每一个隐含层、输出层节点的连接权分配到隐含层、输入层节点的连接权上去；对所选参数进行主成分分析，去除冗余信息，降低输入参数的维数，加快预测速度；选取累计贡献率>85%的特征值，求得对应的主成分值，最后把该成分值代表原始输入信息； (二)建立三层神经网络，根据步骤(一)所得输入参数确定其结构，并利用遗传算法优化神经网络的阈值和权值，防止神经网络训练时陷入局部最小值，其过程如下 (1)根据输入参数的维数，隐含层节点数和输出向量维数确定遗传算法的染色体长度； (2)定义适应度函数为真实值和预测值之差的平方和的倒数，遗传算法根据该函数进行选择、交叉和变异进行迭代，寻找其最小值； (3)遗传算法把最小值时所对应的权值和阈值赋给神经网络进行训练，若神经网络仍无法达到误差所要求的值，则重新返回步骤(I)进行迭代。
2.根据权利要求I所述的利用垃圾热值预测辅助垃圾稳定燃烧的控制方法其特征在于 所述步骤(二)遗传算法具体是采用实数编码形式，设有η个体的实数编码种群，其染色体长度L=Si*R+R*S2+R+S2，其中R为BP神经网络网络输入维数，S1, S2分别为隐层节点数和输出向量维数； 定义适应度函数/(4=17ZdU2 ’其中u to分别为输出真实值和训练输出值。
全文摘要
本发明公开了一种利用垃圾热值预测辅助垃圾稳定燃烧的控制方法,该方法实现的流程是从垃圾焚烧控制系统将运行参数信号转换为输入参数，利用Garson算法筛选出与垃圾热值联系相对紧密的参数，把所得参数通过主成分进行降维处理，去除冗余信息；建立遗传算法优化神经网络模型读取处理所得数据进行训练，输出预测的垃圾热值；垃圾热值经过信号转换之后反馈给控制器，垃圾焚烧炉控制系统便可根据控制器的指令调节相关参数，消除垃圾热值波动引起的不利影响。该方法既可实现垃圾热值的在线预测，也可提高相应的预测精度，避免了采用传统方法测量造成的滞后性，或者利用简单神经网络预测引起的较大偏差。
文档编号F23G5/50GK102889598SQ20121041180
公开日2013年1月23日 申请日期2012年10月24日 优先权日2012年10月24日
发明者马晓茜, 谢泽琼, 唐玉婷 申请人:华南理工大学