一种数据驱动的城市固废焚烧过程多目标优化控制方法

本发明涉及城市固体废物处理，特别是涉及一种数据驱动的城市固废焚烧过程多目标优化控制方法。

背景技术：

1、城市固体废物(municipal solid waste incineration，msw)是导致城市污染问题逐渐严重的一个主要因素，伴随着国家对垃圾分类的逐渐重视，其热值逐渐提高，使得msw焚烧(municipal solid waste incineration，mswi)技术成为处理msw的一个重要手段。相较于其他处理手段，具有无害化、减量化和资源化等特点的mswi技术能够节约大量土地资源，具有明显的社会效益，经济效益和环境效益。由于我国msw成分复杂、热值低，导致所引进国外的mswi技术难以有效支撑工厂正常运转，目前多依靠领域专家手动操作方式实现。但专家经验的差异性以及处理问题的延迟性，使得我国mswi电厂难以维持稳定工况，从而引起污染物排放短期超标、msw燃烧不充分等问题。因此，如何降低上述污染物排放浓度和提高msw燃烧效率是亟待解决的问题。特别地，导致焚烧厂存在“邻避效应”的二噁英、导致酸雨的nox以及co2等主要污染物仅需要降低排放浓度。

2、通常，建立精准的被控对象模型是智能优化控制研究的基础，鉴于机理复杂性、工况波动频繁性和干扰不确定性，难以构建mswi过程精确的数学模型。目前，研究学者多采用工业过程数据构建被控对象模型的方案，但已有研究中多针对单一被控变量建模，忽视了mswi过程中多被控变量的存在性及相互间的耦合性。实现mswi过程关键被控变量的稳定控制是进行其设定值优化求解的前提。目前，针对mswi过程的控制多采用pid控制器和模型预测控制，尚无符合工业实际的mswi过程关键被控变量的多回路控制器的相关研究。针对mswi过程优化问题，炉膛温度、锅炉蒸汽流量和烟气含氧量作为mswi过程关键被控变量，尚无相关优化设定的研究。目前以上述污染物排放浓度和msw燃烧效率为目标的mswi过程优化控制研究还未见报道。因此，设计一种数据驱动的城市固废焚烧过程多目标优化控制方法是十分有必要的。

技术实现思路

1、本发明的目的是提供一种数据驱动的城市固废焚烧过程多目标优化控制方法，能够实现城市固废焚烧过程多目标优化控制，为现有运行中的工厂进行指导，能够降低污染物排放浓度，提高燃烧效率。

2、为实现上述目的，本发明提供了如下方案：

3、一种数据驱动的城市固废焚烧过程多目标优化控制方法，包括如下步骤：

4、步骤1：分析面向多目标优化的影响因素；

5、步骤2：根据影响因素检测多目标优化控制模型。

6、可选的，步骤1中，分析面向多目标优化的影响因素，具体为：

7、mswi的约束条件为：

8、

9、式中，t为环境或时间变量，x为过程操作变量的设定值；

10、为确保环保指标达标，有：

11、min f1m(t,x),m＝1,2,....                (2)

12、为提高产品指标，有：

13、max f2n(t,x),n＝1,2,...                 (3)

14、为提高经济指标，有：

15、max f3l(t,x),l＝1,2,...                 (4)

16、将优化目标同向化处理，将mswi的优化目标表示为：

17、

18、

19、通过求解x，实现mswi过程优化运行，其中，x包括炉膛温度、锅炉蒸汽流量和烟气含氧量。

20、可选的，步骤1中，根据影响因素检测多目标优化控制模型，具体包括如下步骤：

21、步骤301：建立面向污染物减排的全流程模型，作为被控对象模型；

22、步骤302：建立单神经元自适应pid的多入多出回路控制器，对被控对象模型进行稳定控制；

23、步骤303：建立基于多目标pso的被控变量优化设定求解模型，用于实现关键被控变量的优化设定值的自适应求解，并将求解结果发送至单神经元自适应pid的多入多出回路控制器，对被控对象模型进行稳定控制。

24、可选的，步骤301中，建立面向污染物减排的全流程模型，具体为：

25、建立面向污染物减排的全流程模型，包括串联被控对象模型及并联污染物指标模型，单神经元自适应pid的多入多出回路控制器连接串联被控对象模型，串联被控对象模型连接并联污染物指标模型，并联污染物指标模型连接基于多目标pso的被控变量优化设定求解模型；

26、串联被控对象模型包括炉膛温度模型、锅炉蒸汽流量模型及烟气含氧量模型，其中，炉膛温度模型、锅炉蒸汽流量模型及烟气含氧量模型均通过基于tikhonov正则化的线性回归决策树算法构建，单神经元自适应pid的多入多出回路控制器连接炉膛温度模型、锅炉蒸汽流量模型及烟气含氧量模型，向炉膛温度模型输入upriair、ufeeder及udry，向锅炉蒸汽流量模型输入ufeederwater，向烟气含氧量模型输入usecair，炉膛温度模型连接锅炉蒸汽流量模型及烟气含氧量模型，炉膛温度模型、锅炉蒸汽流量模型及烟气含氧量模型连接并联污染物指标模型，其中，ufeederwater、upriair、ufeeder、udry和usecair分别表示给水量、一次风量、进料器速度、干燥炉排速度和二次风量输出；

27、并联污染物指标模型包括co模型、co2模型和nox模型，其中，co模型、co2模型和nox模型均通过基于tikhonov正则化的线性回归决策树算法构建，炉膛温度模型、锅炉蒸汽流量模型及烟气含氧量模型分别连接co模型、co2模型和nox模型，co模型、co2模型和nox模型连接基于多目标pso的被控变量优化设定求解模型。

28、可选的，步骤302中，建立单神经元自适应pid的多入多出回路控制器，具体为：

29、单神经元自适应pid的多入多出回路控制器包括以进料器速度、干燥炉排速度和一次风量为操作变量的炉膛温度控制器和以给水量为操作变量的锅炉蒸汽流量控制器以及以二次风量为操作变量的烟气含氧量控制器，其中，炉膛温度控制器、锅炉蒸汽流量控制器及烟气含氧量控制器均通过单神经元自适应pid算法实现，基于多目标pso的被控变量优化设定求解模型分别连接炉膛温度控制器、锅炉蒸汽流量控制器及烟气含氧量控制器，炉膛温度控制器连接炉膛温度模型，锅炉蒸汽流量控制器连接锅炉蒸汽流量模型，烟气含氧量控制器连接烟气含氧量模型。

30、可选的，步骤303中，建立基于多目标pso的被控变量优化设定求解模型，具体为：

31、将co模型、co2模型和nox模型的输出值，即co、co2和nox的排放值的和作为需最小化的综合污染物排放浓度，同时最大化msw燃烧效率建立基于多目标pso的被控变量优化设定求解模型为：

32、

33、s.t.900℃≤rft≤950℃

34、76t/h≤rbsf≤78t/h

35、6.5％≤rox≤8.5％      (6)

36、式中，和分别表示co、co2和nox指标模型输出，rft、rbsf和rox分别表示多回路控制系统中炉膛温度、锅炉蒸汽流量和烟气含氧量的设定值，基于改进的多目标粒子群算法优化求解被控变量，即炉膛温度、锅炉蒸汽流量和烟气含氧量的优化设定值，其中，改进的多目标粒子群算法包括种群初始化，更新粒子个体最优、全局最优和档案，更新粒子速度和位置，变异种群，检测边界限制，计算适应度值，判断终止条件以及依据专家经验判断输出最优设定值。

37、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的数据驱动的城市固废焚烧过程多目标优化控制方法，依据面向多目标优化的mswi过程分析，建立了以关键被控变量为决策变量、最小化综合污染物排放浓度以及最大化msw燃烧效率的多目标优化模型，并提出了相应的多目标优化控制策略，具体为，首先，建立了面向污染物排放的mswi过程全流程模型，包含炉膛温度、锅炉蒸汽流量和烟气含氧量被控对象模型以及co、co2和nox污染物排放指标模型；接着，利用单神经元自适应pid建立面向关键被控变量的多入多出回路控制器，实现对燃烧过程的稳定控制；最后，结合领域专家知识，实现了基于多目标粒子群优化算法的关键被控变量优化设定值的自适应求解，基于某mswi电厂的现场数据，验证了所提方法能够获取3个关键被控变量的优化设定值，降低了污染物排放浓度，提高了燃烧效率。