循環(huán)流化床生活垃圾焚燒鍋爐入爐熱值實(shí)時(shí)預(yù)測(cè)系統(tǒng)及方法
【專利摘要】本發(fā)明公開了一種循環(huán)流化床生活垃圾焚燒鍋爐入爐熱值實(shí)時(shí)預(yù)測(cè)系統(tǒng)及方法，本發(fā)明利用循環(huán)流化床生活垃圾焚燒鍋爐的運(yùn)行機(jī)理和運(yùn)行歷史數(shù)據(jù)中隱含的知識(shí)，采用PSO算法、減法聚類算法和ANFIS算法集成建模的方法，構(gòu)建了一種快速經(jīng)濟(jì)的系統(tǒng)和方法對(duì)入爐垃圾熱值進(jìn)行實(shí)時(shí)預(yù)測(cè)，避開了對(duì)垃圾成分進(jìn)行離線測(cè)量的繁瑣工作，為鍋爐運(yùn)行操作人員和電廠相關(guān)的管理人員判斷鍋爐的熱值提供新的途徑，同時(shí)能夠?yàn)殡姀S的自動(dòng)控制系統(tǒng)提供熱值判斷信號(hào)。
【專利說明】
循環(huán)流化床生活垃圾焚燒鍋爐入爐熱值實(shí)時(shí)預(yù)測(cè)系統(tǒng)及方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及能源工程領(lǐng)域，特別地，涉及一種循環(huán)流化床生活垃圾焚燒鍋爐入爐 垃圾熱值實(shí)時(shí)預(yù)測(cè)系統(tǒng)及方法。
【背景技術(shù)】
[0002] 垃圾焚燒由于能夠良好實(shí)現(xiàn)垃圾處理技術(shù)的減容化、減量化、無害化和資源化，近 十幾年內(nèi)，在國家相關(guān)產(chǎn)業(yè)政策的引導(dǎo)下，國內(nèi)垃圾焚燒行業(yè)取得了蓬勃的發(fā)展。目前，CFB 垃圾焚燒技術(shù)已經(jīng)在國內(nèi)的多個(gè)城市進(jìn)行了推廣應(yīng)用，截止2013年，國內(nèi)已建成垃圾焚燒 鍋爐60余臺(tái)，日處理垃圾量5.6萬噸，為我國的垃圾焚燒處理行業(yè)做出了重要的貢獻(xiàn)。然而 國內(nèi)的城市生活垃圾多為混合收集，導(dǎo)致入廠、入爐垃圾成分較為復(fù)雜，表現(xiàn)出低熱偏值、 水分較高和波動(dòng)性較大的特征。入爐垃圾熱值的波動(dòng)性迫使運(yùn)行人員頻繁地對(duì)鍋爐的運(yùn)行 狀態(tài)進(jìn)行調(diào)整，會(huì)給CFB垃圾焚燒鍋爐的運(yùn)行帶來的不良的影響，尤其是對(duì)床溫的穩(wěn)定控 制，當(dāng)含水量很高、熱值極低的垃圾進(jìn)入爐膛，會(huì)在短時(shí)間內(nèi)造成床溫急劇降低，甚至熄火， 給鍋爐的安全穩(wěn)定造成帶來隱患。因此，對(duì)入爐垃圾的熱值進(jìn)行監(jiān)測(cè)具有十分重要的意義。
[0003] 目前，還沒有一種可靠的垃圾熱值在線測(cè)量硬件設(shè)備應(yīng)用于實(shí)際生產(chǎn)過程，常見 的垃圾熱值測(cè)量方法主要包括實(shí)驗(yàn)法和軟測(cè)量方法。實(shí)驗(yàn)方法主要是指采用彈式量熱計(jì)的 方法，該方法的測(cè)量結(jié)果精確，但該方法的樣品預(yù)處理和后續(xù)試驗(yàn)過程耗時(shí)長(zhǎng)、成本高，難 以滿足實(shí)際生產(chǎn)過程對(duì)實(shí)時(shí)性和持續(xù)性的要求。另一種方法主要是指基于離線試驗(yàn)結(jié)果的 經(jīng)驗(yàn)計(jì)算模型，主要分為基于工業(yè)分析的熱值軟測(cè)量模型、基于元素分析的熱值軟測(cè)量模 型和基于垃圾物理組分的熱值軟測(cè)量模型，這三種類型模型都是通過對(duì)大量實(shí)驗(yàn)結(jié)果進(jìn)行 數(shù)據(jù)挖掘的得到的，有一定程度的可靠性。然而，這些方法自身就有實(shí)驗(yàn)法的限制，而且，垃 圾是非均勻物質(zhì)，所取樣品是否能夠代表入爐垃圾的特性難以確定。這種方法目前主要用 于離線的統(tǒng)計(jì)分析，難以勝任實(shí)時(shí)且不間斷熱值監(jiān)測(cè)工作。因此，構(gòu)建一種高效低成本的循 環(huán)流化床生活垃圾焚燒鍋爐入爐熱值的實(shí)時(shí)軟測(cè)量系統(tǒng)和方法具有十分重要的意義。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種循環(huán)流化床生活垃圾焚燒鍋爐 入爐熱值實(shí)時(shí)預(yù)測(cè)系統(tǒng)及方法。
[0005] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:一種循環(huán)流化床生活垃圾焚燒鍋爐 入爐熱值的實(shí)時(shí)預(yù)測(cè)系統(tǒng)。該系統(tǒng)與循環(huán)流化床鍋爐的集散控制系統(tǒng)相連，包括數(shù)據(jù)通訊 接口和上位機(jī)，所述上位機(jī)包括：
[0006] 第一信號(hào)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(shí)的運(yùn)行工況狀態(tài)參數(shù)和操作變量，并組成垃圾熱值預(yù)測(cè)模型輸入變量的訓(xùn)練樣本矩陣X (mXn)，m表示樣本個(gè)數(shù)，η表示變量的個(gè)數(shù)；
[0007] 數(shù)據(jù)預(yù)處理模塊。對(duì)X(mXn)進(jìn)行粗大誤差處理和隨機(jī)誤差處理，以摒除那些并不 是反映鍋爐正常運(yùn)行工況的虛假信息，將鍋爐停爐、壓火、給料機(jī)堵塞等異常工況排除掉， 為了避免預(yù)測(cè)模型的參數(shù)之間量綱和數(shù)量級(jí)的不同對(duì)模型性能造成的不良影響，訓(xùn)練樣本 輸入變量均經(jīng)過歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的訓(xùn)練樣本XlmXn)。預(yù) 處理過程采用以下步驟進(jìn)行：
[0008] 1.1)根據(jù)拉伊達(dá)準(zhǔn)則，剔除訓(xùn)練樣本x(m X η)中的野值；
[0009] 1.2)剔除鍋爐停爐運(yùn)行工況，鍋爐停爐時(shí)爐膛給煤機(jī)和給料機(jī)的開度為零，并且 爐膛中溫度接近常溫；
[0010] 1.3)剔除爐膛壓火運(yùn)行狀況，鍋爐壓火時(shí)一次風(fēng)機(jī)、二次風(fēng)機(jī)引風(fēng)機(jī)爐膛給煤機(jī) 和給料機(jī)的開度為零，但是爐膛密相區(qū)的溫度維持在350°C~450°C ;
[0011] 1.4)剔除給料機(jī)堵塞工況，給料機(jī)堵塞需要運(yùn)行人員通過給料口的攝像頭拍攝的 畫面對(duì)給料情況進(jìn)行判斷，給料機(jī)堵塞時(shí)，運(yùn)行人員會(huì)顯著地調(diào)高給料機(jī)的開度，反映在運(yùn) 行數(shù)據(jù)上，即給料機(jī)的開度大于35% ;
[0012] 1.5)數(shù)據(jù)歸一化處理。按照式(1)將數(shù)據(jù)變量映射到[0 1]的區(qū)間內(nèi)。
[0013]
(I)
[0014]式中Xj表示第J變量所組成的向量，min()表示最小值，max()表示最大值。
[0015] 知識(shí)庫模塊。將彈筒量熱儀測(cè)得的垃圾熱值作為訓(xùn)練樣本的輸出向量浐(mXl)。
[0016] 智能學(xué)習(xí)模塊。智能學(xué)習(xí)模塊是生活垃圾熱值預(yù)測(cè)系統(tǒng)的核心部分，該模塊采用 了粒子群優(yōu)化算法(Particle Swarm 0ptimization，PS0)、減法聚類算法（Subtractive Clustering, SC)和模糊自適應(yīng)神經(jīng)網(wǎng)絡(luò)（Adaptive Neuro-Fuzzy Inference System, ANFIS)算法集成建模，對(duì)訓(xùn)練樣本進(jìn)行參數(shù)尋優(yōu)和學(xué)習(xí)，構(gòu)建能夠表征循環(huán)流化床生活垃 圾焚燒鍋爐入爐垃圾熱值特性的預(yù)測(cè)模型。該模型中利用減法聚類算法對(duì)樣本數(shù)據(jù)進(jìn)行特 征提取，自適應(yīng)的確定初始模糊規(guī)則和模糊神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)參數(shù)，再結(jié)合最小二乘估 計(jì)法和誤差反向傳播算法對(duì)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)訓(xùn)練。在該模型中聚類半徑是影 響建模性能的關(guān)鍵參數(shù)，因此以預(yù)測(cè)精度為目標(biāo)，利用PS0算法尋找聚類半徑的最優(yōu)值。算 法步驟如下：
[0017] 2.1)初始化粒子群。以聚類半徑ra作為粒子，15個(gè)粒子作為一個(gè)種群，每個(gè)粒子隨 機(jī)賦予[0. 20.9]區(qū)間內(nèi)的隨機(jī)值，其中第i個(gè)粒子的位置的向量標(biāo)示為ri，i = 1，2，…，15;
[0018] 2.2)以^為聚類半徑，進(jìn)行減法聚類分析。減法聚類算法用于對(duì)建模數(shù)據(jù)樣本的 空間進(jìn)行初始劃分以及模糊規(guī)則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預(yù)設(shè) 聚類中心的數(shù)目，沒有充分利用樣本空間的蘊(yùn)含的對(duì)象特征信息。而減法聚類算法是一種 基于山峰函數(shù)的聚類算法，它將每個(gè)數(shù)據(jù)點(diǎn)作為可能的聚類中心，并根據(jù)各個(gè)數(shù)據(jù)點(diǎn)周圍 的數(shù)據(jù)點(diǎn)密度來計(jì)算該點(diǎn)作為聚類中心的可能性。
[0019 ]每個(gè)數(shù)據(jù)點(diǎn)為聚類中心的可能性Pi由式(2)來定義：
[0020]
[0021]式中m表示η維輸入空間中全部的數(shù)據(jù)點(diǎn)數(shù)，Xi=[Xii，Xi2, . . .，Xin]、Xj=[Xji, XJ2,. . .，Χρ]是具體的數(shù)據(jù)點(diǎn)，η是一個(gè)正數(shù)，定義了該點(diǎn)的鄰域半徑，I I · I I符號(hào)表示歐式 距離。被選為聚類中心的點(diǎn)具有最高的數(shù)據(jù)點(diǎn)密度，同時(shí)該該數(shù)據(jù)點(diǎn)周圍的點(diǎn)被排除作為 聚類中心的可能性。第一個(gè)聚類中心為Xq，數(shù)據(jù)點(diǎn)密度為P。:。選出第一個(gè)聚類中心后，繼續(xù) 采用類似的方法確定下一個(gè)聚類中心，但需消除已有聚類中心的影響，修改密度指標(biāo)的山 峰函數(shù)如下：
[0022]
[0023]其中，re定義了一個(gè)密度指標(biāo)顯著減小的鄰域，為了避免出現(xiàn)十分接近的聚類中 心，Γ{!=1.5Γι。循環(huán)重復(fù)上述過程直到所有剩余數(shù)據(jù)點(diǎn)作為聚類中心的可能性低于某一閾 值δ，即 Pck/Pci〈S。
[0024] 2.3)ANFIS模型訓(xùn)練。不失一般性，假定減法聚類算法得到兩個(gè)聚類中心(尤,?) 和(.?V得到兩條模糊規(guī)則：
[0027] ANFIS系統(tǒng)的第一層為系統(tǒng)的輸入層，由η個(gè)節(jié)點(diǎn)組成，它的作用是將輸入向量 <?,1^"、1；勺,/ = 1,2, - .?按原值傳遞到下一層。
[0028]第二層為模糊化層，由2η個(gè)節(jié)點(diǎn)組成，它的作用是計(jì)算各輸入分量屬于各語言變 量值模糊集合的隸屬函數(shù)￥，該層采用高斯函數(shù)進(jìn)行模糊化處理，每個(gè)節(jié)點(diǎn)的輸出：
[0029]
[0030]式中，Cij和〇ij分別表不隸屬函數(shù)的中心和寬度。
[0031] 第三層共有兩個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，他的作用是完成模糊邏輯的 "與"操作，采用product推理計(jì)算出每條規(guī)則的適應(yīng)度值，即
[0032](5) ….'L. 廠1 廠*.2

[0033] 笛W層為咁一化層,書點(diǎn)數(shù)與第三層一樣，它所實(shí)現(xiàn)的是歸一化計(jì)算，即
[0034] (6、
[0035] 第五層為結(jié)論層，該層與第三層的節(jié)點(diǎn)數(shù)相同。其節(jié)點(diǎn)輸出為
[0036]
(7)
[0037] 第六層為輸出層及去模糊化層，只有一個(gè)節(jié)點(diǎn)，使用面積中心法進(jìn)行解模糊，得到 網(wǎng)絡(luò)的最終輸出為
[0038] 1 : (8)
[0039] 對(duì)于模糊神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)，采用混合最小二乘法的梯度下降算法進(jìn)行學(xué) 習(xí)，步驟如下：
[0040] 2.3.1)在固定高斯型隸屬函數(shù)的中心和寬度的前提下，利用最小二乘法計(jì)算線性 結(jié)論參數(shù)lr，p};
[0041] 2.3.2)固定結(jié)論參數(shù)，采用誤差反向傳播算法對(duì)高斯函數(shù)的中心和寬度進(jìn)行學(xué)習(xí) 可得：
[0042] (9)
[0043]
[0044] (Π )
[0045] 式中S為參數(shù)c和〇，qs為學(xué)習(xí)率，α為動(dòng)量項(xiàng)，f為預(yù)測(cè)輸出，f*為實(shí)際輸出，E為平方 誤差和，η為迭代步數(shù)。利用訓(xùn)練樣本數(shù)據(jù)，重復(fù)上述步驟，直到滿足誤差指標(biāo)或者達(dá)到最大 訓(xùn)練次數(shù)。
[0046] 2.4)計(jì)算適應(yīng)度值。利用訓(xùn)練得到的預(yù)測(cè)模型計(jì)算垃圾熱值J5,將垃圾熱值f與實(shí) 際測(cè)量值f進(jìn)行比較，并以誤差平方和作為粒子的適應(yīng)度值MSE，適應(yīng)度計(jì)算公式如下：
[0047]
(12)
[0048] 2.5)更新極值。以適應(yīng)度值為評(píng)價(jià)指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng) 度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個(gè)體極值，否 則個(gè)體極值保持不變。同時(shí)獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子 進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子 的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。
[0049] 2.6)更新粒子。根據(jù)最新的個(gè)體極值和全局極值，按照（13)式和（14)式更新粒子 的速度Vid (t )和位置Xid (t)。
[0050] vid(t+l) = ω vid(t)+ciri(pid-Xid(t) )+C2r2(pgd-Xid(t)) (13)
[0051] xid(t+l)=xid(t)+vid(t+l) (14)
[0052] t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)。更進(jìn)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PS0算法的基礎(chǔ)上引進(jìn)了動(dòng)態(tài)加速常數(shù) C1、C2和慣性權(quán)重ω :
[0056]其中，Tmax為最大尋優(yōu)代數(shù)，comax為最大慣性權(quán)重，comin為最小慣性權(quán)重，辦、1? 2、1?3、 R4為常數(shù)。
[0057] 2.7)算法停止條件算法判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測(cè)精度的要 求，如果沒有達(dá)到則返回步驟2.2)，利用更新的聚類半徑繼續(xù)搜索，否則退出搜索。
[0058] 2.8)利用最終尋優(yōu)得到的聚類半徑，對(duì)樣本進(jìn)行聚類分析和ANFIS模型訓(xùn)練，得到 達(dá)到訓(xùn)練終止條件的ANFIS模型，即垃圾熱值預(yù)測(cè)模型。
[0059] 第二信號(hào)采集模塊。用于從數(shù)據(jù)庫中選擇需要預(yù)測(cè)垃圾熱值的運(yùn)行工況，或者實(shí) 時(shí)地采集當(dāng)前鍋爐的運(yùn)行工況。
[0060] 預(yù)測(cè)模塊。該模塊用于對(duì)指定的樣本進(jìn)行垃圾熱值的預(yù)測(cè)，或者對(duì)當(dāng)前鍋爐運(yùn)行 工況下的垃圾熱值進(jìn)行實(shí)時(shí)預(yù)測(cè)。
[0061] 結(jié)果顯示模塊。顯示垃圾熱值的預(yù)測(cè)結(jié)果，或者對(duì)垃圾熱值的預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì) 分析。
[0062] -種循環(huán)流化床生活垃圾焚燒入爐垃圾熱值實(shí)時(shí)預(yù)測(cè)方法，該方法包括以下步 驟：
[0063] 1)選擇變量并采集樣本:利用生活垃圾在循環(huán)流化床鍋爐中焚燒的機(jī)理，選擇垃 圾熱值預(yù)測(cè)模型的輸入變量，選擇時(shí)綜合考慮以下策略:a)入爐燃料是由煤和垃圾組成的， 對(duì)同一種煤，熱值是比較穩(wěn)定的，所以運(yùn)行人員在判斷入爐生活垃圾熱值的高低的時(shí)候會(huì) 將當(dāng)前給煤量考慮進(jìn)去;b)運(yùn)行人員在司爐的時(shí)候，有一個(gè)重要的任務(wù)就是將床溫控制在 850°C~950°C之間，生活垃圾入爐后床溫的變化情況是判斷其熱值最直接的參考依據(jù)，在 其它運(yùn)行參數(shù)不變的情況下，如果垃圾入爐后床溫呈現(xiàn)出降低的趨勢(shì)，要維持同樣水平的 床溫時(shí)，投入的給煤量越多，則垃圾的含水率越高，熱值越低，反之則垃圾的熱值越高；c) CFB生活垃圾焚燒鍋爐采用分級(jí)送風(fēng)的方式，密相區(qū)處于缺氧燃燒的狀態(tài)，而生活垃圾中揮 發(fā)分含量占有較高的比重，通常是固定碳含量的5~7倍，同時(shí)，垃圾中水分會(huì)降低揮發(fā)分的 燃燒速率，大量的揮發(fā)分在爐膛的中部和上部燃燒，產(chǎn)生的熱煙氣會(huì)提高爐膛出口的溫度。 如果生活垃圾進(jìn)入爐膛后，在未改變其它燃燒參數(shù)的狀況下，爐膛出口的溫度呈現(xiàn)降低的 趨勢(shì)，則表明入爐垃圾中揮發(fā)分的含量降低，垃圾熱值降低，反之則說明垃圾的熱值升高； d)在考慮床溫、稀相區(qū)溫度和爐膛出口溫度的變化趨勢(shì)時(shí)，需要將這些溫度的變化程度和 溫度水平同時(shí)考慮在內(nèi)；e)鍋爐在運(yùn)行過程中會(huì)根據(jù)爐內(nèi)流化狀況、煙氣含氧量和爐膛溫 度等參數(shù)調(diào)整一二次風(fēng)量，影響生活垃圾在爐內(nèi)的燃燒過程，所以要綜合考慮風(fēng)量變化帶 來的影響;f)入爐燃料的熱值最終反映在鍋爐的蒸發(fā)量上，如果垃圾的熱值穩(wěn)定，則鍋爐的 蒸發(fā)量與垃圾給料之間呈現(xiàn)正相關(guān)的關(guān)系；在給煤量和垃圾給料量一定的情況下，如果蒸 發(fā)量呈現(xiàn)下降的趨勢(shì)，意味著這段時(shí)間內(nèi)垃圾的熱值偏低;反之，若鍋爐的蒸汽品質(zhì)長(zhǎng)期維 持在較高的水平，說明垃圾的熱值較高。因此，在構(gòu)建CFB生活垃圾焚燒鍋爐入爐垃圾熱值 預(yù)測(cè)模型過程中，將垃圾給料量、給煤量、爐膛床溫平均溫度、床溫平均溫度變化速率、爐膛 出口煙溫、爐膛出口溫度變化速率、主蒸汽溫度、主蒸汽流量、主蒸汽壓力、一次風(fēng)量、二次 風(fēng)量作為垃圾熱值預(yù)測(cè)模型的輸入變量。
[0064] 按設(shè)定的時(shí)間間隔從數(shù)據(jù)庫中采集鍋爐的運(yùn)行狀態(tài)參數(shù)和操作變量的歷史數(shù)據(jù)， 并組成垃圾熱值預(yù)測(cè)模型輸入變量的訓(xùn)練樣本矩陣X(mXn)，m表示樣本個(gè)數(shù)，η表示變量的 個(gè)數(shù)，同時(shí)將與試驗(yàn)工況相對(duì)對(duì)應(yīng)的垃圾熱值作為模型輸出變量的輸出樣本Y(mX 1);
[0065] 2)數(shù)據(jù)預(yù)處理。對(duì)X(mXn)進(jìn)行粗大誤差處理和隨機(jī)誤差處理，以摒除那些并不是 反映鍋爐正常運(yùn)行工況的虛假信息，將鍋爐停爐、壓火、給料機(jī)堵塞等異常工況排除掉，為 了避免預(yù)測(cè)模型的參數(shù)之間量綱和數(shù)量級(jí)的不同對(duì)模型性能造成的不良影響，訓(xùn)練樣本輸 入變量均經(jīng)過歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的輸入變量的訓(xùn)練樣本)T (mXn)和輸出變量的訓(xùn)練樣本浐(mXl)。預(yù)處理過程采用以下步驟進(jìn)行：
[0066] 2.1)根據(jù)拉伊達(dá)準(zhǔn)則，剔除訓(xùn)練樣本X(mXn)和Y(mXl)中的野值；
[0067] 2.2)剔除鍋爐停爐運(yùn)行工況，鍋爐停爐時(shí)爐膛給煤機(jī)和給料機(jī)的開度為零，并且 爐膛中溫度接近常溫；
[0068] 2.3)剔除爐膛壓火運(yùn)行狀況，鍋爐壓火時(shí)一次風(fēng)機(jī)、二次風(fēng)機(jī)引風(fēng)機(jī)爐膛給煤機(jī) 和給料機(jī)的開度為零，但是爐膛密相區(qū)的溫度維持在350°C~450°C ;
[0069] 2.4)剔除給料機(jī)堵塞工況，給料機(jī)堵塞需要運(yùn)行人員通過給料口的攝像頭拍攝的 畫面對(duì)給料情況進(jìn)行判斷，給料機(jī)堵塞時(shí)，運(yùn)行人員會(huì)顯著地調(diào)高給料機(jī)的開度，反映在運(yùn) 行數(shù)據(jù)上，即給料機(jī)的開度大于35% ;
[0070] 2.5)數(shù)據(jù)歸一化處理。按照式(1)將數(shù)據(jù)變量映射到[0 1]的區(qū)間內(nèi)。
[0071] (1)
[0072]
[0073] 式中Xj表示第J變量所組成的向量，min()表示最小值，max()表示最大值。
[0074] 3)智能算法集成建模。采用粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)、減法聚類算法（Subtractive Clustering，SC)和模糊自適應(yīng)神經(jīng)網(wǎng)絡(luò)（Adaptive Neuro-Fuzzy Inference System,ANFIS)算法集成建模，對(duì)訓(xùn)練樣本進(jìn)行參數(shù)尋優(yōu)和學(xué)習(xí)， 構(gòu)建能夠表征循環(huán)流化床生活垃圾焚燒鍋爐入爐垃圾熱值特性的預(yù)測(cè)模型。該模型中利用 減法聚類算法對(duì)樣本數(shù)據(jù)進(jìn)行特征提取，自適應(yīng)的確定初始模糊規(guī)則和模糊神經(jīng)網(wǎng)絡(luò)的初 始結(jié)構(gòu)參數(shù)，再結(jié)合最小二乘估計(jì)法和誤差反向傳播算法對(duì)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí) 訓(xùn)練。在該模型中聚類半徑是影響建模性能的關(guān)鍵參數(shù)，因此以預(yù)測(cè)精度為目標(biāo)，利用PS0 算法尋找聚類半徑的最優(yōu)值。算法步驟如下：
[0075] 3.1)初始化粒子群。以聚類半徑作為粒子，15個(gè)粒子作為一個(gè)種群，每個(gè)粒子隨 機(jī)賦予[0. 20.9]區(qū)間內(nèi)的隨機(jī)值，其中第i個(gè)粒子的位置的向量標(biāo)示為ri，i = 1，2，…，15;
[0076] 3.2)以^為聚類半徑，進(jìn)行減法聚類分析。減法聚類算法用于對(duì)建模數(shù)據(jù)樣本的 空間進(jìn)行初始劃分以及模糊規(guī)則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預(yù)設(shè) 聚類中心的數(shù)目，沒有充分利用樣本空間的蘊(yùn)含的對(duì)象特征信息。而減法聚類算法是一種 基于山峰函數(shù)的聚類算法，它將每個(gè)數(shù)據(jù)點(diǎn)作為可能的聚類中心，并根據(jù)各個(gè)數(shù)據(jù)點(diǎn)周圍 的數(shù)據(jù)點(diǎn)密度來計(jì)算該點(diǎn)作為聚類中心的可能性。
[0077] 每個(gè)數(shù)據(jù)點(diǎn)Xi作為聚類中心的可能性Pi由式(2)來定義：
[0078] J-' W + ，
[0079] 式中m表示η維輸入空間中全部的數(shù)據(jù)點(diǎn)數(shù)，Χ?=[Χη，Χ?2, . . .，Χ?η]、Χ」=[ΧΜ， 心2, . . .，Xjn]是具體的數(shù)據(jù)點(diǎn)，η是一個(gè)正數(shù)，定義了該點(diǎn)的鄰域半徑，I I · I I符號(hào)表示歐式 距離。被選為聚類中心的點(diǎn)具有最高的數(shù)據(jù)點(diǎn)密度，同時(shí)該該數(shù)據(jù)點(diǎn)周圍的點(diǎn)被排除作為 聚類中心的可能性。第一個(gè)聚類中心為X C1，數(shù)據(jù)點(diǎn)密度為Pcl。選出第一個(gè)聚類中心后，繼續(xù) 采用類似的方法確定下一個(gè)聚類中心，但需消除已有聚類中心的影響，修改密度指標(biāo)的山 峰函數(shù)如下：
[0080]
[0081] 其中，re定義了一個(gè)密度指標(biāo)顯著減小的鄰域，為了避免出現(xiàn)十分接近的聚類中 心，Π !=1.5Γι。循環(huán)重復(fù)上述過程直到所有剩余數(shù)據(jù)點(diǎn)作為聚類中心的可能性低于某一閾 值δ，即 Pck/Pci〈S。
[0082] 3.3)ANFIS模型訓(xùn)練。不失一般性，假定減法聚類算法得到兩個(gè)聚類中心(XK) 和(r:· Κ：)，得到兩條模糊規(guī)則：
[0085] ANFIS系統(tǒng)的第一層為系統(tǒng)的輸入層，由η個(gè)節(jié)點(diǎn)組成，它的作用是將輸入向量 …,.\'__],/=1.2,-_-，按原值傳遞到下一層。
[0086]第二層為模糊化層，由2η個(gè)節(jié)點(diǎn)組成，它的作用是計(jì)算各輸入分量屬于各語言變 量值模糊集合的隸屬函數(shù)片>，該層采用高斯函數(shù)進(jìn)行模糊化處理，每個(gè)節(jié)點(diǎn)的輸出：
[0087]
(4)
[0088]式中，Cij和〇ij分別表不隸屬函數(shù)的中心和寬度。
[0089] 第三層共有兩個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，他的作用是完成模糊邏輯的 "與"操作，采用product推理計(jì)算出每條規(guī)則的適應(yīng)度值，即
[0090](5) ζ·. j· 1 / z t
zn
[0091] 第四層為歸一化層，節(jié)點(diǎn)數(shù)與第三層一樣，它所實(shí)現(xiàn)的是歸一化計(jì)算，即
[0092] (6、
[0093] 第五層為結(jié)論層，該層與第三層的節(jié)點(diǎn)數(shù)相同。其節(jié)點(diǎn)輸出為
[0094]
(7)
[0095] 第六層為輸出層及去模糊化層，只有一個(gè)節(jié)點(diǎn)，使用面積中心法進(jìn)行解模糊，得到 網(wǎng)絡(luò)的最終輸出為
[0096] 0<)
[0097] 對(duì)于模糊神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)，采用混合最小二乘法的梯度下降算法進(jìn)行學(xué) 習(xí)，步驟如下：
[0098] 3.3.1)在固定高斯型隸屬函數(shù)的中心和寬度的前提下，利用最小二乘法計(jì)算線性 結(jié)論參數(shù)lr，p};
[0099] 3.3.2)固定結(jié)論參數(shù)，采用誤差反向傳播算法對(duì)高斯函數(shù)的中心和寬度進(jìn)行學(xué)習(xí) 可得：
(9) (11)
[0103] 式中S為參數(shù)c和〇，ns為學(xué)習(xí)率，α為動(dòng)量項(xiàng)，f為預(yù)測(cè)輸出，f*為實(shí)際輸出，E為平方 誤差和，η為迭代步數(shù)。利用訓(xùn)練樣本數(shù)據(jù)，重復(fù)上述步驟，直到滿足誤差指標(biāo)或者達(dá)到最大 訓(xùn)練次數(shù)。
[0104] 3.4)計(jì)算適應(yīng)度值。利用訓(xùn)練得到的預(yù)測(cè)模型計(jì)算垃圾熱值f，將垃圾熱值|與實(shí) 際測(cè)量值f進(jìn)行比較，并以誤差平方和作為粒子的適應(yīng)度值MSE，適應(yīng)度計(jì)算公式如下：
[0105]
(12)
[0106] 3.5)更新極值。以適應(yīng)度值為評(píng)價(jià)指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng) 度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個(gè)體極值，否 則個(gè)體極值保持不變。同時(shí)獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子 進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子 的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。
[0107] 3.6)更新粒子。根據(jù)最新的個(gè)體極值和全局極值，按照（13)式和（14)式更新粒子 的速度Vid (t )和位置Xid (t)。
[0108] vid(t+l) = ω vid(t)+ciri(pid-Xid(t) )+C2r2(pgd-Xid(t)) (13)
[0109] xid(t+l)=xid(t)+vid(t+l) (14)
[0110] t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)。更進(jìn)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PS0算法的基礎(chǔ)上引進(jìn)了動(dòng)態(tài)加速常數(shù) C1、C2和慣性權(quán)重ω :
[0114] 其中，Tmax為最大尋優(yōu)代數(shù)，comax為最大慣性權(quán)重，comin為最小慣性權(quán)重， R4為常數(shù)。
[0115] 3.7)算法停止條件算法判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測(cè)精度的要 求，如果沒有達(dá)到則返回步驟3.2)，利用更新的聚類半徑繼續(xù)搜索，否則退出搜索。
[0116] 3.8)利用最終尋優(yōu)得到的聚類半徑，對(duì)樣本進(jìn)行聚類分析和ANFIS模型訓(xùn)練，得到 達(dá)到訓(xùn)練終止條件的ANFIS模型，即垃圾熱值預(yù)測(cè)模型。
[0117] 4)預(yù)測(cè)熱值。對(duì)指定的樣本進(jìn)行垃圾熱值的預(yù)測(cè)，或者對(duì)當(dāng)前鍋爐運(yùn)行工況下的 垃圾熱值進(jìn)行實(shí)時(shí)預(yù)測(cè)。
[0118] 本發(fā)明的有益效果主要表現(xiàn)在:利用循環(huán)流化床生活垃圾焚燒鍋爐的運(yùn)行機(jī)理和 運(yùn)行歷史數(shù)據(jù)中隱含的知識(shí)，采用PS0算法、減法聚類算法和ANFIS算法集成建模的方法，構(gòu) 建了一種快速經(jīng)濟(jì)的系統(tǒng)和方法對(duì)入爐垃圾熱值進(jìn)行實(shí)時(shí)預(yù)測(cè)，避開了對(duì)垃圾成分進(jìn)行離 線測(cè)量的繁瑣工作，為鍋爐運(yùn)行操作人員和電廠相關(guān)的管理人員判斷鍋爐的熱值提供新的 途徑，同時(shí)能夠?yàn)殡姀S的自動(dòng)控制系統(tǒng)提供熱值判斷信號(hào)。
【附圖說明】
[0119] 圖1是本發(fā)明所提出的系統(tǒng)的結(jié)構(gòu)圖。
[0120] 圖2是本發(fā)明所提出的上位機(jī)系統(tǒng)的結(jié)構(gòu)圖。
[0121] 圖3是本發(fā)明所采用ANFIS模型的系統(tǒng)結(jié)構(gòu)圖。
[0122] 圖4是本發(fā)明所提出的智能建模方法的流程圖。
【具體實(shí)施方式】
[0123] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。
[0124] 實(shí)施例1
[0125] 參照?qǐng)D1、圖2、圖3、圖4,本發(fā)明提供的一種循環(huán)流化床生活垃圾焚燒鍋爐入爐垃 圾熱值實(shí)時(shí)預(yù)測(cè)系統(tǒng)，包括循環(huán)流化床生活垃圾焚燒鍋爐，用于該鍋爐運(yùn)行控制的集散控 制系統(tǒng)，數(shù)據(jù)通訊接口，數(shù)據(jù)庫以及上位機(jī)。數(shù)據(jù)庫通過數(shù)據(jù)通訊接口從集散控制系統(tǒng)中讀 取數(shù)據(jù)，并用于上位機(jī)的訓(xùn)練學(xué)習(xí)和測(cè)試，上位機(jī)通過數(shù)據(jù)通訊接口與集散控制系統(tǒng)進(jìn)行 數(shù)據(jù)交換，所述的上位機(jī)包括離線學(xué)習(xí)、驗(yàn)證部分和在線入爐垃圾熱值預(yù)測(cè)部分。離線學(xué) 習(xí)、驗(yàn)證部分包括：
[0126] 第一信號(hào)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(shí)的運(yùn)行工況狀態(tài)參數(shù)和操作變量，并組成垃圾熱值預(yù)測(cè)模型輸入變量的訓(xùn)練樣本矩陣X (mXn)，m表示樣本個(gè)數(shù)，η表示變量的個(gè)數(shù)；。
[0127] 數(shù)據(jù)預(yù)處理模塊:對(duì)X(m X η)進(jìn)行粗大誤差處理和隨機(jī)誤差處理，以摒除那些并不 是反映鍋爐正常運(yùn)行工況的虛假信息，將鍋爐停爐、壓火、給料機(jī)堵塞等異常工況排除掉， 為了避免預(yù)測(cè)模型的參數(shù)之間量綱和數(shù)量級(jí)的不同對(duì)模型性能造成的不良影響，訓(xùn)練樣本 輸入變量均經(jīng)過歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的訓(xùn)練樣本XlmXn)。預(yù) 處理過程采用以下步驟進(jìn)行：
[0128] 1.1)根據(jù)拉伊達(dá)準(zhǔn)則，剔除訓(xùn)練樣本X(m X η)中的野值；
[0129] 1.2)剔除鍋爐停爐運(yùn)行工況，鍋爐停爐時(shí)爐膛給煤機(jī)和給料機(jī)的開度為零，并且 爐膛中溫度接近常溫；
[0130] 1.3)剔除爐膛壓火運(yùn)行狀況，鍋爐壓火時(shí)一次風(fēng)機(jī)、二次風(fēng)機(jī)引風(fēng)機(jī)爐膛給煤機(jī) 和給料機(jī)的開度為零，但是爐膛密相區(qū)的溫度維持在350°C~450°C ;
[0131] 1.4)剔除給料機(jī)堵塞工況，給料機(jī)堵塞需要運(yùn)行人員通過給料口的攝像頭拍攝的 畫面對(duì)給料情況進(jìn)行判斷，給料機(jī)堵塞時(shí)，運(yùn)行人員會(huì)顯著地調(diào)高給料機(jī)的開度，反映在運(yùn) 行數(shù)據(jù)上，即給料機(jī)的開度大于35% ;
[0132] 1.5)數(shù)據(jù)歸一化處理。按照式(1)將數(shù)據(jù)變量映射到[0 1]的區(qū)間內(nèi)。
[0133]
(1，
[0134]式中Xj表示第J變量所組成的向量，min()表示最小值，max()表示最大值。
[0135] 知識(shí)庫模塊。
[0136] 將彈筒量熱儀測(cè)得的垃圾熱值作為垃圾熱值預(yù)測(cè)模型訓(xùn)練樣本的輸出向量浐(m XI);
[0137] 智能學(xué)習(xí)模塊。
[0138] 智能學(xué)習(xí)模塊是生活垃圾熱值預(yù)測(cè)系統(tǒng)的核心部分，該模塊采用了粒子群優(yōu)化算 法（Particle Swarm 0ptimization，PS0)、減法聚類算法（Subtractive Clustering,SC)和 模糊自適應(yīng)神經(jīng)網(wǎng)絡(luò)(Adaptive Neuro-Fuzzy Inference System,ANFIS)算法集成建模， 對(duì)訓(xùn)練樣本進(jìn)行參數(shù)尋優(yōu)和學(xué)習(xí)，構(gòu)建能夠表征循環(huán)流化床生活垃圾焚燒鍋爐入爐垃圾熱 值特性的預(yù)測(cè)模型。該模型中利用減法聚類算法對(duì)樣本數(shù)據(jù)進(jìn)行特征提取，自適應(yīng)的確定 初始模糊規(guī)則和模糊神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)參數(shù)，再結(jié)合最小二乘估計(jì)法和誤差反向傳播算 法對(duì)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)訓(xùn)練。在該模型中聚類半徑是影響建模性能的關(guān)鍵參 數(shù)，因此以預(yù)測(cè)精度為目標(biāo)，利用PS0算法尋找聚類半徑的最優(yōu)值。算法步驟如下：
[0139] 2.1)初始化粒子群。以聚類半徑η作為粒子，15個(gè)粒子作為一個(gè)種群，每個(gè)粒子隨 機(jī)賦予[0.2 0.9]區(qū)間內(nèi)的隨機(jī)值，其中第i個(gè)粒子的位置的向量標(biāo)示為ri，i = 1，2，…，15;
[0140] 2.2)以^為聚類半徑，進(jìn)行減法聚類分析。減法聚類算法用于對(duì)建模數(shù)據(jù)樣本的 空間進(jìn)行初始劃分以及模糊規(guī)則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預(yù)設(shè) 聚類中心的數(shù)目，沒有充分利用樣本空間的蘊(yùn)含的對(duì)象特征信息。而減法聚類算法是一種 基于山峰函數(shù)的聚類算法，它將每個(gè)數(shù)據(jù)點(diǎn)作為可能的聚類中心，并根據(jù)各個(gè)數(shù)據(jù)點(diǎn)周圍 的數(shù)據(jù)點(diǎn)密度來計(jì)算該點(diǎn)作為聚類中心的可能性。
[0141] 每個(gè)數(shù)據(jù)點(diǎn)Xi作為聚類中心的可能性Pi由式(2)來定義：
[0142]
[0143] 式中m表示η維輸入空間中全部的數(shù)據(jù)點(diǎn)數(shù)，Xi=[Xii，Xi2, . . .，Xin]、Xj=[Xji, XJ2,. . .，Χρ]是具體的數(shù)據(jù)點(diǎn)，η是一個(gè)正數(shù)，定義了該點(diǎn)的鄰域半徑，I I · I I符號(hào)表示歐式 距離。被選為聚類中心的點(diǎn)具有最高的數(shù)據(jù)點(diǎn)密度，同時(shí)該該數(shù)據(jù)點(diǎn)周圍的點(diǎn)被排除作為 聚類中心的可能性。第一個(gè)聚類中心為Xq，數(shù)據(jù)點(diǎn)密度為P。:。選出第一個(gè)聚類中心后，繼續(xù) 采用類似的方法確定下一個(gè)聚類中心，但需消除已有聚類中心的影響，修改密度指標(biāo)的山 峰函數(shù)如下：
[0144]
[0145] 其中，re定義了一個(gè)密度指標(biāo)顯著減小的鄰域，為了避免出現(xiàn)十分接近的聚類中 心，Γ{!=1.5Γι。循環(huán)重復(fù)上述過程直到所有剩余數(shù)據(jù)點(diǎn)作為聚類中心的可能性低于某一閾 值δ，即 Pck/Pci〈S。
[0146] 2.3)ANFIS模型訓(xùn)練。不失一般性，假定減法聚類算法得到兩個(gè)聚類中心(Ζ；\?〇 和(ΛΚ)，得到兩條模糊規(guī)則：
[0149] ANFIS系統(tǒng)的第一層為系統(tǒng)的輸入層，由η個(gè)節(jié)點(diǎn)組成，它的作用是將輸入向量 Jf,…,1；1,/ = 1,2，-".謝按原值傳遞到下一層。
[0150] 第二層為模糊化層，由2n個(gè)節(jié)點(diǎn)組成，它的作用是計(jì)算各輸入分量屬于各語言變 量值模糊集合的隸屬函數(shù)亥層采用高斯函數(shù)進(jìn)行模糊化處理，每個(gè)節(jié)點(diǎn)的輸出：
[0151]
(4)
[0152] 式中，(?和(?分別表示隸屬函數(shù)的中心和寬度。
[0153] 第三層共有兩個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，他的作用是完成模糊邏輯的 "與"操作，采用product推理計(jì)算出每條規(guī)則的適應(yīng)度值，即
[0154]
(5)
[0155] 第四層為歸一化層，節(jié)點(diǎn)數(shù)與第三層一樣，它所實(shí)現(xiàn)的是歸一化計(jì)算，即
[0156]
......- C6)
[0157] 第五層為結(jié)論層，該層與第三層的節(jié)點(diǎn)數(shù)相同。其節(jié)點(diǎn)輸出為
[0158] ......
… (7)
[0159] 第六層為輸出層及去模糊化層，只有一個(gè)節(jié)點(diǎn)，使用面積中心法進(jìn)行解模糊，得到 網(wǎng)絡(luò)的最終輸出為
[0160] (8)
[0161] 對(duì)于模糊神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)，采用混合最小二乘法的梯度下降算法進(jìn)行學(xué) 習(xí)，步驟如下：
[0162] 2.3.1)在固定高斯型隸屬函數(shù)的中心和寬度的前提下，利用最小二乘法計(jì)算線性 結(jié)論參數(shù)lr，p};
[0163] 2.3.2)固定結(jié)論參數(shù)，采用誤差反向傳播算法對(duì)高斯函數(shù)的中心和寬度進(jìn)行學(xué)習(xí) 可得：
[0164] (9)
[0165] AS(t)=S(t+l)-S(t) (10)
[0166] (Π)
[0167]式中S為參數(shù)c和〇，ru為學(xué)習(xí)率，α為動(dòng)量項(xiàng)，f為預(yù)測(cè)輸出，f*為實(shí)際輸出，E為平方 誤差和，η為迭代步數(shù)。利用訓(xùn)練樣本數(shù)據(jù)，重復(fù)上述步驟，直到滿足誤差指標(biāo)或者達(dá)到最大 訓(xùn)練次數(shù)。
[0168] 2.4)計(jì)算適應(yīng)度值。利用訓(xùn)練得到的預(yù)測(cè)模型計(jì)算垃圾熱值j)，將垃圾熱值i與實(shí) 際測(cè)量值f進(jìn)行比較，并以誤差平方和作為粒子的適應(yīng)度值MSE，適應(yīng)度計(jì)算公式如下：
[0169]
(12)
[0170] 2.5)更新極值。以適應(yīng)度值為評(píng)價(jià)指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng) 度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個(gè)體極值，否 則個(gè)體極值保持不變。同時(shí)獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子 進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子 的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。
[0171] 2.6)更新粒子。根據(jù)最新的個(gè)體極值和全局極值，按照（13)式和（14)式更新粒子 的速度Vid (t )和位置Xid (t)。
[0172] vid(t+l) = ω vid(t)+ciri(pid-Xid(t) )+C2r2(pgd-Xid(t)) (13)
[0173] xid(t+l)=xid(t)+vid(t+l) (14)
[0174] t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)。更進(jìn)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PS0算法的基礎(chǔ)上引進(jìn)了動(dòng)態(tài)加速常數(shù) C1、C2和慣性權(quán)重ω :
[0175]
[0176]
[0177]
[0178] 其中，Tmax為最大尋優(yōu)代數(shù)，comax為最大慣性權(quán)重，comin為最小慣性權(quán)重， R4為常數(shù)。
[0179] 2.7)算法停止條件算法判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測(cè)精度的要 求，如果沒有達(dá)到則返回步驟2.2)，利用更新的聚類半徑繼續(xù)搜索，否則退出搜索。
[0180] 2.8)利用最終尋優(yōu)得到的聚類半徑，對(duì)樣本進(jìn)行聚類分析和ANFIS模型訓(xùn)練，得到 達(dá)到訓(xùn)練終止條件的ANFIS模型，即垃圾熱值預(yù)測(cè)模型。
[0181] 知識(shí)庫更新模塊。作為一種優(yōu)選的方案，可以定期地更新知識(shí)庫，并對(duì)入爐垃圾熱 值預(yù)測(cè)模型進(jìn)行訓(xùn)練學(xué)習(xí)。
[0182] 第二信號(hào)采集模塊。用于從數(shù)據(jù)庫中選擇需要預(yù)測(cè)垃圾熱值的運(yùn)行工況，或者實(shí) 時(shí)地采集當(dāng)前鍋爐的運(yùn)行工況。
[0183] 預(yù)測(cè)模塊。該模塊用于對(duì)指定的樣本進(jìn)行垃圾熱值的預(yù)測(cè)，或者對(duì)當(dāng)前鍋爐運(yùn)行 工況下的垃圾熱值進(jìn)行實(shí)時(shí)預(yù)測(cè)。
[0184] 結(jié)果顯示模塊。顯示垃圾熱值的預(yù)測(cè)結(jié)果，或者對(duì)垃圾熱值的進(jìn)行統(tǒng)計(jì)分析。
[0185] 實(shí)施例2
[0186] 參照?qǐng)D1、圖2、圖3、圖4,本發(fā)明提供的一種循環(huán)流化床生活垃圾焚燒鍋爐入爐垃 圾熱值預(yù)測(cè)方法，該方法包括以下步驟：
[0187] 1)選擇變量并采集樣本:利用生活垃圾在循環(huán)流化床鍋爐中焚燒的機(jī)理，選擇垃 圾熱值預(yù)測(cè)模型的輸入變量，選擇時(shí)綜合考慮以下策略:a)入爐燃料是由煤和垃圾組成的， 對(duì)同一種煤，熱值是比較穩(wěn)定的，所以運(yùn)行人員在判斷入爐生活垃圾熱值的高低的時(shí)候會(huì) 將當(dāng)前給煤量考慮進(jìn)去;b)運(yùn)行人員在司爐的時(shí)候，有一個(gè)重要的任務(wù)就是將床溫控制在 850°C~950°C之間，生活垃圾入爐后床溫的變化情況是判斷其熱值最直接的參考依據(jù)，在 其它運(yùn)行參數(shù)不變的情況下，如果垃圾入爐后床溫呈現(xiàn)出降低的趨勢(shì)，要維持同樣水平的 床溫時(shí)，投入的給煤量越多，則垃圾的含水率越高，熱值越低，反之則垃圾的熱值越高；c) CFB生活垃圾焚燒鍋爐采用分級(jí)送風(fēng)的方式，密相區(qū)處于缺氧燃燒的狀態(tài)，而生活垃圾中揮 發(fā)分含量占有較高的比重，通常是固定碳含量的5~7倍，同時(shí)，垃圾中水分會(huì)降低揮發(fā)分的 燃燒速率，大量的揮發(fā)分在爐膛的中部和上部燃燒，產(chǎn)生的熱煙氣會(huì)提高爐膛出口的溫度。 如果生活垃圾進(jìn)入爐膛后，在未改變其它燃燒參數(shù)的狀況下，爐膛出口的溫度呈現(xiàn)降低的 趨勢(shì)，則表明入爐垃圾中揮發(fā)分的含量降低，垃圾熱值降低，反之則說明垃圾的熱值升高； d)在考慮床溫、稀相區(qū)溫度和爐膛出口溫度的變化趨勢(shì)時(shí)，需要將這些溫度的變化程度和 溫度水平同時(shí)考慮在內(nèi)；e)鍋爐在運(yùn)行過程中會(huì)根據(jù)爐內(nèi)流化狀況、煙氣含氧量和爐膛溫 度等參數(shù)調(diào)整一二次風(fēng)量，影響生活垃圾在爐內(nèi)的燃燒過程，所以要綜合考慮風(fēng)量變化帶 來的影響;f)入爐燃料的熱值最終反映在鍋爐的蒸發(fā)量上，如果垃圾的熱值穩(wěn)定，則鍋爐的 蒸發(fā)量與垃圾給料之間呈現(xiàn)正相關(guān)的關(guān)系；在給煤量和垃圾給料量一定的情況下，如果蒸 發(fā)量呈現(xiàn)下降的趨勢(shì)，意味著這段時(shí)間內(nèi)垃圾的熱值偏低;反之，若鍋爐的蒸汽品質(zhì)長(zhǎng)期維 持在較高的水平，說明垃圾的熱值較高。因此，在構(gòu)建CFB生活垃圾焚燒鍋爐入爐垃圾熱值 預(yù)測(cè)模型過程中，將垃圾給料量、給煤量、爐膛床溫平均溫度、床溫平均溫度變化速率、爐膛 出口煙溫、爐膛出口溫度變化速率、主蒸汽溫度、主蒸汽流量、主蒸汽壓力、一次風(fēng)量、二次 風(fēng)量作為垃圾熱值預(yù)測(cè)模型的輸入變量。
[0188] 按設(shè)定的時(shí)間間隔從數(shù)據(jù)庫中采集鍋爐的運(yùn)行狀態(tài)參數(shù)和操作變量的歷史數(shù)據(jù)， 并組成垃圾熱值預(yù)測(cè)模型輸入變量的訓(xùn)練樣本矩陣X(mXn)，m表示樣本個(gè)數(shù)，η表示變量的 個(gè)數(shù)，同時(shí)將與試驗(yàn)工況相對(duì)對(duì)應(yīng)的垃圾熱值作為模型輸出變量的輸出樣本Y(mX 1);
[0189] 2)數(shù)據(jù)預(yù)處理。對(duì)X(mXn)進(jìn)行粗大誤差處理和隨機(jī)誤差處理，以摒除那些并不是 反映鍋爐正常運(yùn)行工況的虛假信息，將鍋爐停爐、壓火、給料機(jī)堵塞等異常工況排除掉，為 了避免預(yù)測(cè)模型的參數(shù)之間量綱和數(shù)量級(jí)的不同對(duì)模型性能造成的不良影響，訓(xùn)練樣本輸 入變量均經(jīng)過歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的輸入變量的訓(xùn)練樣本)T (mXn)和輸出變量的訓(xùn)練樣本浐(mXl)。預(yù)處理過程采用以下步驟進(jìn)行：
[0190] 2.1)根據(jù)拉伊達(dá)準(zhǔn)則，剔除訓(xùn)練樣本X(mXn)和Y(mXl)中的野值；
[0191] 2.2)剔除鍋爐停爐運(yùn)行工況，鍋爐停爐時(shí)爐膛給煤機(jī)和給料機(jī)的開度為零，并且 爐膛中溫度接近常溫；
[0192] 2.3)剔除爐膛壓火運(yùn)行狀況，鍋爐壓火時(shí)一次風(fēng)機(jī)、二次風(fēng)機(jī)引風(fēng)機(jī)爐膛給煤機(jī) 和給料機(jī)的開度為零，但是爐膛密相區(qū)的溫度維持在350°C~450°C ;
[0193] 2.4)剔除給料機(jī)堵塞工況，給料機(jī)堵塞需要運(yùn)行人員通過給料口的攝像頭拍攝的 畫面對(duì)給料情況進(jìn)行判斷，給料機(jī)堵塞時(shí)，運(yùn)行人員會(huì)顯著地調(diào)高給料機(jī)的開度，反映在運(yùn) 行數(shù)據(jù)上，即給料機(jī)的開度大于35% ;
[0194] 2.5)數(shù)據(jù)歸一化處理。按照式(1)將數(shù)據(jù)變量映射到[0 1]的區(qū)間內(nèi)。
[0195] (1)
[0196]
[0197] 式中Xj表示第J變量所組成的向量，min()表示最小值，max()表示最大值。
[0198] 3)智能算法集成建模。采用粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)、減法聚類算法（Subtractive Clustering，SC)和模糊自適應(yīng)神經(jīng)網(wǎng)絡(luò)（Adaptive Neuro-Fuzzy Inference System,ANFIS)算法集成建模，對(duì)訓(xùn)練樣本進(jìn)行參數(shù)尋優(yōu)和學(xué)習(xí)， 構(gòu)建能夠表征循環(huán)流化床生活垃圾焚燒鍋爐入爐垃圾熱值特性的預(yù)測(cè)模型。該模型中利用 減法聚類算法對(duì)樣本數(shù)據(jù)進(jìn)行特征提取，自適應(yīng)的確定初始模糊規(guī)則和模糊神經(jīng)網(wǎng)絡(luò)的初 始結(jié)構(gòu)參數(shù)，再結(jié)合最小二乘估計(jì)法和誤差反向傳播算法對(duì)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí) 訓(xùn)練。在該模型中聚類半徑是影響建模性能的關(guān)鍵參數(shù)，因此以預(yù)測(cè)精度為目標(biāo)，利用PS0 算法尋找聚類半徑的最優(yōu)值。算法步驟如下：
[0199] 3.1)初始化粒子群。以聚類半徑作為粒子，15個(gè)粒子作為一個(gè)種群，每個(gè)粒子隨 機(jī)賦予[0. 20.9]區(qū)間內(nèi)的隨機(jī)值，其中第i個(gè)粒子的位置的向量標(biāo)示為ri，i = 1，2，…，15;
[0200] 3.2)以^為聚類半徑，進(jìn)行減法聚類分析。減法聚類算法用于對(duì)建模數(shù)據(jù)樣本的 空間進(jìn)行初始劃分以及模糊規(guī)則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預(yù)設(shè) 聚類中心的數(shù)目，沒有充分利用樣本空間的蘊(yùn)含的對(duì)象特征信息。而減法聚類算法是一種 基于山峰函數(shù)的聚類算法，它將每個(gè)數(shù)據(jù)點(diǎn)作為可能的聚類中心，并根據(jù)各個(gè)數(shù)據(jù)點(diǎn)周圍 的數(shù)據(jù)點(diǎn)密度來計(jì)算該點(diǎn)作為聚類中心的可能性。
[0201] 每個(gè)數(shù)據(jù)點(diǎn)Xi作為聚類中心的可能性Pi由式(2)來定義：
[0202]
[0203] 式中m表示η維輸入空間中全部的數(shù)據(jù)點(diǎn)數(shù)，Xi=[Xii，Xi2, . . .，Xin]、Xj=[Xji, 心2, . . .，Xjn]是具體的數(shù)據(jù)點(diǎn)，η是一個(gè)正數(shù)，定義了該點(diǎn)的鄰域半徑，I I · I I符號(hào)表示歐式 距離。被選為聚類中心的點(diǎn)具有最高的數(shù)據(jù)點(diǎn)密度，同時(shí)該該數(shù)據(jù)點(diǎn)周圍的點(diǎn)被排除作為 聚類中心的可能性。第一個(gè)聚類中心為X C1，數(shù)據(jù)點(diǎn)密度為Pcl。選出第一個(gè)聚類中心后，繼續(xù) 采用類似的方法確定下一個(gè)聚類中心，但需消除已有聚類中心的影響，修改密度指標(biāo)的山 峰函數(shù)如下：
[0204]
[0205] 其中，訂定義了一個(gè)密度指標(biāo)顯著減小的鄰域，為了避免出現(xiàn)十分接近的聚類中 心，Γ{!=1.5Γι。循環(huán)重復(fù)上述過程直到所有剩余數(shù)據(jù)點(diǎn)作為聚類中心的可能性低于某一閾 值δ，即 Pck/Pci0。
[0206] 3.3)ANFIS模型訓(xùn)練。不失一般性，假定減法聚類算法得到兩個(gè)聚類中心 和(.\二κ：)，得到兩條模糊規(guī)則：
[0209] ANFIS系統(tǒng)的第一層為系統(tǒng)的輸入層，由η個(gè)節(jié)點(diǎn)組成，它的作用是將輸入向量 1;=[<，^,._.，尤;*]，）= 1,2，._.，"?按原值傳遞到下一層。
[0210] 第二層為模糊化層，由2η個(gè)節(jié)點(diǎn)組成，它的作用是計(jì)算各輸入分量屬于各語言變 量值模糊集合的隸屬函數(shù)科^該層采用高斯函數(shù)進(jìn)行模糊化處理，每個(gè)節(jié)點(diǎn)的輸出：
[0211](4) υ
[0212]式中，Cij和〇ij分另Ij表不隸屬函數(shù)的中心和寬度。
[0213] 第三層共有兩個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，他的作用是完成模糊邏輯的 "與"操作，采用product推理計(jì)算出每條規(guī)則的適應(yīng)度值，即
[0214]
(、）
[0215] 第四層為歸一化層，節(jié)點(diǎn)數(shù)與第三層一樣，它所實(shí)現(xiàn)的是歸一化計(jì)算，即
[0216] (6)
[0217] 第五層為結(jié)論層，該層與第三層的節(jié)點(diǎn)數(shù)相同。其節(jié)點(diǎn)輸出為
[0218]
(7)
[0219] 第六層為輸出層及去模糊化層，只有一個(gè)節(jié)點(diǎn)，使用面積中心法進(jìn)行解模糊，得到 網(wǎng)絡(luò)的最終輸出為
[0220] (8)
[0221] 對(duì)于模糊神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)，采用混合最小二乘法的梯度下降算法進(jìn)行學(xué) 習(xí)，步驟如下：
[0222] 3.3.1)在固定高斯型隸屬函數(shù)的中心和寬度的前提下，利用最小二乘法計(jì)算線性 結(jié)論參數(shù)lr，p};
[0223] 3.3.2)固定結(jié)論參數(shù)，采用誤差反向傳播算法對(duì)高斯函數(shù)的中心和寬度進(jìn)行學(xué)習(xí) 可得：
[0224] (9)
[0225] AS(t)=S(t+l)-S(t) (10)
[0226] no
[0227]式中S為參數(shù)c和〇，ru為學(xué)習(xí)率，α為動(dòng)量項(xiàng)，f為預(yù)測(cè)輸出，f*為實(shí)際輸出，E為平方 誤差和，η為迭代步數(shù)。利用訓(xùn)練樣本數(shù)據(jù)，重復(fù)上述步驟，直到滿足誤差指標(biāo)或者達(dá)到最大 訓(xùn)練次數(shù)。
[0228] 3.4)計(jì)算適應(yīng)度值。利用訓(xùn)練得到的預(yù)測(cè)模型計(jì)算垃圾熱值#:，將垃圾熱值j)與實(shí) 際測(cè)量值f進(jìn)行比較，并以誤差平方和作為粒子的適應(yīng)度值MSE，適應(yīng)度計(jì)算公式如下：
[0229]
(12)
[0230] 3.5)里新極值。以；ig應(yīng)度值為評(píng)價(jià)指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng) 度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個(gè)體極值，否 則個(gè)體極值保持不變。同時(shí)獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子 進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子 的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。
[0231] 3.6)更新粒子。根據(jù)最新的個(gè)體極值和全局極值，按照（13)式和（14)式更新粒子 的速度Vid (t )和位置Xid (t)。
[0232] vid(t+l)= ω vid(t)+ciri(pid-Xid(t))+C2r2(Pgd-Xid(t)) (13)
[0233] xid(t+l)=xid(t)+vid(t+l) (14)
[0234] t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)。更進(jìn)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PS0算法的基礎(chǔ)上引進(jìn)了動(dòng)態(tài)加速常數(shù) C1、C2和慣性權(quán)重ω :
[0238] 其中，Tmax為最大尋優(yōu)代數(shù)，comax為最大慣性權(quán)重，comin為最小慣性權(quán)重，辦、1? 2、1?3、 R4為常數(shù)。
[0239] 3.7)停止條件判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測(cè)精度的要求，如果 沒有達(dá)到則返回步驟3.2)，利用更新的聚類半徑繼續(xù)搜索，否則退出搜索。
[0240] 3.8)利用最終尋優(yōu)得到的聚類半徑，對(duì)樣本進(jìn)行聚類分析和ANFIS模型訓(xùn)練，得到 達(dá)到訓(xùn)練終止條件的ANFIS模型，即垃圾熱值預(yù)測(cè)模型。
[0241] 4)預(yù)測(cè)熱值。對(duì)指定的樣本進(jìn)行垃圾熱值的預(yù)測(cè)，或者對(duì)當(dāng)前鍋爐運(yùn)行工況下的 垃圾熱值進(jìn)行實(shí)時(shí)預(yù)測(cè)。
[0242] 本發(fā)明所提出的循環(huán)流化床鍋爐入爐垃圾熱值預(yù)測(cè)系統(tǒng)及方法，已通過上述具體 實(shí)施步驟進(jìn)行了描述，相關(guān)技術(shù)人員明顯能在不脫離本
【發(fā)明內(nèi)容】
、精神和范圍內(nèi)對(duì)本文所 述的裝置和操作方法進(jìn)行改動(dòng)或適當(dāng)變更與組合，來實(shí)現(xiàn)本發(fā)明技術(shù)。特別需要指出的是， 所有相類似的替換和改動(dòng)對(duì)本領(lǐng)域的技術(shù)人員是顯而易見的，它們都會(huì)被視為包括在本發(fā) 明精神、范圍和內(nèi)容中。
【主權(quán)項(xiàng)】
1. 一種循環(huán)流化床生活垃圾焚燒鍋爐入爐熱值實(shí)時(shí)預(yù)測(cè)系統(tǒng)，其特征在于，該系統(tǒng)與 循環(huán)流化床鍋爐的集散控制系統(tǒng)相連，包括數(shù)據(jù)通訊接口和上位機(jī)，所述上位機(jī)包括： 第一信號(hào)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(shí)的 運(yùn)行工況狀態(tài)參數(shù)和操作變量，并組成垃圾熱值預(yù)測(cè)模型輸入變量的訓(xùn)練樣本矩陣X(mX n)，m表示樣本個(gè)數(shù)，η表示變量的個(gè)數(shù)； 數(shù)據(jù)預(yù)處理模塊，對(duì)訓(xùn)練樣本X(mXn)進(jìn)行粗大誤差處理和隨機(jī)誤差處理，剔除訓(xùn)練樣 本中的野值，排除異常工況，將訓(xùn)練樣本輸入變量經(jīng)歸一化處理后映射到[〇，1]區(qū)間內(nèi)，得 到歸一化后的訓(xùn)練樣本XlmXn);所述的異常工況包括鍋爐停爐運(yùn)行工況、爐膛壓火運(yùn)行 狀況和給料機(jī)堵塞工況； 知識(shí)庫模塊，將彈筒量熱儀測(cè)得的垃圾熱值作為垃圾熱值預(yù)測(cè)模型訓(xùn)練樣本的輸出向 量 Y*(mXl); 智能學(xué)習(xí)模塊，采用粒子群優(yōu)化算法、減法聚類算法和模糊自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法集成 建模，對(duì)訓(xùn)練樣本進(jìn)行參數(shù)尋優(yōu)和學(xué)習(xí)，構(gòu)建垃圾熱值預(yù)測(cè)模型;其實(shí)現(xiàn)步驟如下： 1) 初始化粒子群。以聚類半徑r。作為粒子，15個(gè)粒子作為一個(gè)種群，每個(gè)粒子隨機(jī)賦予 [0.20.9]區(qū)間內(nèi)的隨機(jī)值，其中第i個(gè)粒子的位置的向量標(biāo)示為ri，i = 1，2，…，15; 2) 以^為聚類半徑，進(jìn)行減法聚類分析，將每個(gè)數(shù)據(jù)點(diǎn)作為可能的聚類中心，并根據(jù)各 個(gè)數(shù)據(jù)點(diǎn)周圍的數(shù)據(jù)點(diǎn)密度來計(jì)算該點(diǎn)作為聚類中心的可能性。 每個(gè)數(shù)據(jù)點(diǎn)Xi作為聚類中心的可能性Pi由式(2)來定義：(2) 式中m表示η維輸入空間中全部的數(shù)據(jù)點(diǎn)數(shù)，Xi=[Xu，Xi2, . . .，Xin]、Xj = [Xji，Xj2,...， XJn]是具體的數(shù)據(jù)點(diǎn)，η是一個(gè)正數(shù)，定義了該點(diǎn)的鄰域半徑，Μ · I I符號(hào)表示歐式距離。被 選為聚類中心的點(diǎn)具有最高的數(shù)據(jù)點(diǎn)密度，同時(shí)該該數(shù)據(jù)點(diǎn)周圍的點(diǎn)被排除作為聚類中心 的可能性。第一個(gè)聚類中心為X C1，數(shù)據(jù)點(diǎn)密度為P。:。選出第一個(gè)聚類中心后，繼續(xù)采用類似 的方法確定下一個(gè)聚類中心，但需消除已有聚類中心的影響，修改密度指標(biāo)的山峰函數(shù)如 下：其中，r{S=1.5ri。循環(huán)重復(fù)上述過程直到所有剩余數(shù)據(jù)點(diǎn)作為聚類中心的可能性低于 某一閾值δ，即Pck/PcKS。 3. ANFIS模型訓(xùn)練。根據(jù)減法聚類算法得到的聚類中心，按照ANFIS模型結(jié)構(gòu)訓(xùn)練垃圾 熱值預(yù)測(cè)模型；對(duì)于模糊神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)，采用混合最小二乘法的梯度下降算法 進(jìn)行學(xué)習(xí)。 4) 計(jì)算適應(yīng)度值。利用訓(xùn)練得到的預(yù)測(cè)模型計(jì)算垃圾熱值|，將垃圾熱值|與實(shí)際測(cè)量 值f進(jìn)行比較，并以誤差平方和作為粒子的適應(yīng)度值MSE，適應(yīng)度計(jì)算公式如下： <12) 5) 更新極值。以適應(yīng)度值為評(píng)價(jià)指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng)度值大 小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個(gè)體極值，否則個(gè)體 極值保持不變。同時(shí)獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子進(jìn)行比 較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子的最優(yōu) 適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。 6) 更新粒子。根據(jù)最新的個(gè)體極值和全局極值，在PSO算法的基礎(chǔ)上引進(jìn)動(dòng)態(tài)加速常數(shù) ci、C2和慣性權(quán)重ω，按照（13)式和（14)式更新粒子的速度Vid(t)和位置Xid(t)。 vid(t+l) = ω vid(t)+ciri(pid-xid(t) )+C2r2(pgd-xid(t)) (13) xid(t+l) = xid(t)+vid(t+l) (14)其中，t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)，Tmax為最大尋優(yōu)代數(shù)，ω max為最大慣性權(quán)重， ω min為最小慣性權(quán)重，Ri、R2、R3、R4為常數(shù)。 7) 停止條件判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測(cè)精度的要求，如果沒有達(dá) 到則返回步驟2.2)，利用更新的聚類半徑繼續(xù)搜索，否則退出搜索。 8) 利用最終尋優(yōu)得到的聚類半徑，對(duì)樣本進(jìn)行聚類分析和ANFIS模型訓(xùn)練，得到達(dá)到訓(xùn) 練終止條件的ANFIS模型，即垃圾熱值預(yù)測(cè)模型。 第二信號(hào)采集模塊，用于從數(shù)據(jù)庫中選擇需要預(yù)測(cè)垃圾熱值的運(yùn)行工況，或者實(shí)時(shí)地 采集當(dāng)前鍋爐的運(yùn)行工況。 預(yù)測(cè)模塊，該模塊用于對(duì)指定的樣本進(jìn)行垃圾熱值的預(yù)測(cè)，或者對(duì)當(dāng)前鍋爐運(yùn)行工況 下的垃圾熱值進(jìn)行實(shí)時(shí)預(yù)測(cè)。 結(jié)果顯示模塊，顯示垃圾熱值的預(yù)測(cè)結(jié)果，或者對(duì)垃圾熱值的預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)分析。2. -種循環(huán)流化床生活垃圾焚燒鍋爐入爐熱值實(shí)時(shí)預(yù)測(cè)方法，其特征在于，采用智能 的集成建模算法對(duì)垃圾熱值進(jìn)行預(yù)測(cè)，該方法包括以下步驟： 1) 選擇變量并采集訓(xùn)練樣本:將垃圾給料量、給煤量、爐膛床溫平均溫度、床溫平均溫 度變化速率、爐膛出口煙溫、爐膛出口溫度變化速率、主蒸汽溫度、主蒸汽流量、主蒸汽壓 力、一次風(fēng)量、二次風(fēng)量作為垃圾熱值預(yù)測(cè)模型的輸入變量;按設(shè)定的時(shí)間間隔從數(shù)據(jù)庫中 采集鍋爐的運(yùn)行狀態(tài)參數(shù)和操作變量的歷史數(shù)據(jù)，并組成垃圾熱值預(yù)測(cè)模型輸入變量的訓(xùn) 練樣本矩陣X(mXn)，m表示樣本個(gè)數(shù)，η表示變量的個(gè)數(shù)，同時(shí)將與試驗(yàn)工況相對(duì)對(duì)應(yīng)的垃 圾熱值作為模型輸出變量的輸出樣本Y(mX 1); 2) 訓(xùn)練樣本預(yù)處理:對(duì)訓(xùn)練樣本X(mXn)進(jìn)行粗大誤差處理和隨機(jī)誤差處理，剔除訓(xùn)練 樣本中的野值，排除異常工況，將訓(xùn)練樣本輸入變量經(jīng)歸一化處理后映射到[〇，1]區(qū)間內(nèi)， 得到歸一化后的訓(xùn)練樣本XlmXn);所述的異常工況包括鍋爐停爐運(yùn)行工況、爐膛壓火運(yùn) 行狀況和給料機(jī)堵塞工況； 3) 采用智能算法集成建模。采用粒子群優(yōu)化算法、減法聚類算法和模糊自適應(yīng)神經(jīng)網(wǎng) 絡(luò)算法集成建模，對(duì)訓(xùn)練樣本進(jìn)行參數(shù)尋優(yōu)和學(xué)習(xí)，構(gòu)建垃圾熱值預(yù)測(cè)模型。具體步驟如 下： 3.1) 初始化粒子群。以聚類半徑r。作為粒子，15個(gè)粒子作為一個(gè)種群，每個(gè)粒子隨機(jī)賦 予[0.2 0.9]區(qū)間內(nèi)的隨機(jī)值，其中第i個(gè)粒子的位置的向量標(biāo)示為ri，i = 1，2，…，15; 3.2) &Γι為聚類半徑，進(jìn)行減法聚類分析，將每個(gè)數(shù)據(jù)點(diǎn)作為可能的聚類中心，并根據(jù) 各個(gè)數(shù)據(jù)點(diǎn)周圍的數(shù)據(jù)點(diǎn)密度來計(jì)算該點(diǎn)作為聚類中心的可能性。 每個(gè)數(shù)據(jù)點(diǎn)Xi作為聚類中心的可能性Pi由式(2)來定義：式中m表示η維輸入空間中全部的數(shù)據(jù)點(diǎn)數(shù)，Xi=[Xu，Xi2, . . .，Xin]、Xj = [Xji，Xj2,...， XJn]是具體的數(shù)據(jù)點(diǎn)，η是一個(gè)正數(shù)，定義了該點(diǎn)的鄰域半徑，Μ · I I符號(hào)表示歐式距離。被 選為聚類中心的點(diǎn)具有最高的數(shù)據(jù)點(diǎn)密度，同時(shí)該該數(shù)據(jù)點(diǎn)周圍的點(diǎn)被排除作為聚類中心 的可能性。第一個(gè)聚類中心為X C1，數(shù)據(jù)點(diǎn)密度為P。:。選出第一個(gè)聚類中心后，繼續(xù)采用類似 的方法確定下一個(gè)聚類中心，但需消除已有聚類中心的影響，修改密度指標(biāo)的山峰函數(shù)如 下：其中，r{S=1.5ri。循環(huán)重復(fù)上述過程直到所有剩余數(shù)據(jù)點(diǎn)作為聚類中心的可能性低于 某一閾值δ，即Pck/PcKS。 3.3) ANFIS模型訓(xùn)練。根據(jù)減法聚類算法得到的聚類中心，按照ANFIS模型結(jié)構(gòu)訓(xùn)練垃 圾熱值預(yù)測(cè)模型；對(duì)于模糊神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)，采用混合最小二乘法的梯度下降算 法進(jìn)行學(xué)習(xí)。 3.4) 計(jì)算適應(yīng)度值。利用訓(xùn)練得到的預(yù)測(cè)模型計(jì)算垃圾熱值，.，將垃圾熱值j>與實(shí)際測(cè) 量值f進(jìn)行比較，并以誤差平方和作為粒子的適應(yīng)度值MSE，適應(yīng)度計(jì)算公式如下：(12) 3.5) 更新極值。以適應(yīng)度值為評(píng)價(jià)指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng)度值 大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個(gè)體極值，否則個(gè) 體極值保持不變。同時(shí)獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子進(jìn)行 比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子的最 優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。 3.6) 更新粒子。根據(jù)最新的個(gè)體極值和全局極值，在PSO算法的基礎(chǔ)上引進(jìn)動(dòng)態(tài)加速常 數(shù)C1、c2和慣性權(quán)重ω，按照（13)式和（14)式更新粒子的速度v ld(t)和位置Xld(t)。 vid(t+l) = ω vid(t)+ciri(pid-xid(t) )+C2r2(pgd-xid(t)) (13) Xid(t+l)=Xid(t)+Vid(t+1 'i (14)其中，t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)，Tmax為最大尋優(yōu)代數(shù)，ω max為最大慣性權(quán)重， ω min為最小慣性權(quán)重，Ri、R2、R3、R4為常數(shù)。 3.7) 停止條件判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測(cè)精度的要求，如果沒有 達(dá)到則返回步驟3.2)，利用更新的聚類半徑繼續(xù)搜索，否則退出搜索。 3.8) 利用最終尋優(yōu)得到的聚類半徑，對(duì)樣本進(jìn)行聚類分析和ANFIS模型訓(xùn)練，得到達(dá)到 訓(xùn)練終止條件的ANFIS模型，即垃圾熱值預(yù)測(cè)模型。 4)預(yù)測(cè)熱值。對(duì)指定的樣本進(jìn)行垃圾熱值的預(yù)測(cè)，或者對(duì)當(dāng)前鍋爐運(yùn)行工況下的垃圾 熱值進(jìn)行實(shí)時(shí)預(yù)測(cè)。
【文檔編號(hào)】F23G5/44GK105864797SQ201610205867
【公開日】2016年8月17日
【申請(qǐng)日】2016年4月1日
【發(fā)明人】尤海輝, 馬增益, 唐義軍, 王月蘭, 倪明江, 嚴(yán)建華
【申請(qǐng)人】浙江大學(xué)