城市固废焚烧脱硝过程智能预测控制方法和电子设备

本发明涉及城市固废焚烧烟气净化，尤其涉及一种城市固废焚烧脱硝过程智能预测控制方法和电子设备。

背景技术：

1、城市固废焚烧过程中，因垃圾成分复杂、燃烧工况波动频繁，烟气中氮氧化物浓度变化剧烈。现有脱硝过程通常通过调节尿素溶液流量来控制氮氧化物排放浓度，但该过程具有显著的非线性、大时滞和多扰动特性。面对上述特性，传统pid控制或基于经验规则的手动调节方法难以准确预测未来氮氧化物浓度的变化趋势，且适应能力有限，容易导致氮氧化物排放超标、尿素喷射过量及运行波动增大等问题。

技术实现思路

1、（一）要解决的技术问题

2、鉴于现有技术的上述缺点、不足，本发明提供一种城市固废焚烧脱硝过程智能预测控制方法和电子设备，其解决了传统pid控制或手动调节方法难以适应脱硝过程的非线性、大时滞和多扰动特性，导致控制精度和稳定性不足的技术问题。

3、（二）技术方案

4、为了达到上述目的，本发明采用的主要技术方案包括：

5、第一方面，本发明实施例提供一种城市固废焚烧脱硝过程智能预测控制方法，包括：在每一个采样时刻，获取包括当前采样时刻的氮氧化物浓度的输入变量集合；将输入变量集合输入预先训练好的gru神经网络预测模型，并通过迭代递推生成预测时域内的氮氧化物浓度的预测序列；设定由未来多个时刻的氮氧化物浓度期望值构成的参考序列，并以控制时域内的尿素溶液流量的控制增量序列为优化变量，构建包含跟踪误差项和控制增量惩罚项的目标函数，同时对控制增量序列的幅值和尿素溶液流量的上下限施加约束条件；根据gru神经网络预测模型的前向传播结构，采用解析递推方式计算预测序列对控制增量序列的雅可比矩阵，以及基于雅可比矩阵计算目标函数关于控制增量序列的梯度，并在约束条件下沿该梯度的负方向迭代更新，得到当前采样时刻的最优控制增量序列；将最优控制增量序列中的第一个控制增量叠加至当前采样时刻的尿素溶液流量，得到更新后的尿素溶液流量并作用于scr系统；在下一个采样时刻，基于新的输入变量集合重复上述步骤，实现氮氧化物浓度的滚动优化控制。

6、可选地，预先训练好的gru神经网络预测模型是以历史采样时刻的输入变量集合为输入、以下一历史采样时刻的氮氧化物浓度为输出，通过时间反向传播算法训练得到的；其中，输入变量集合由历史工艺变量和历史氮氧化物浓度共同构成，历史工艺变量是利用最小绝对收缩和选择算子lasso方法对脱硝过程的历史工艺数据进行异常值剔除和归一化处理后筛选得到的。

7、可选地，历史工艺变量包括：省煤器出口氮氧化物浓度、省煤器出口氧气浓度、烟气排放烟气流量、计量分配尿素溶液流量、烟气排放温度、计量分配尿素溶液压力、scr脱硝反应塔出口压力、scr脱硝反应塔入口压力、计量分配尿素溶液调节阀反馈以及scr脱硝反应塔壁温度；历史氮氧化物浓度为排放口氮氧化物浓度，与省煤器出口氮氧化物浓度取自不同测点。

8、可选地，gru神经网络预测模型包括重置门、更新门、候选隐藏状态和隐藏状态，以及gru神经网络预测模型的权重参数和偏置参数通过最小化预测输出与期望输出之间的平方误差损失函数训练得到。

9、可选地，跟踪误差项是由预测序列中各时刻预测值与参考序列中对应时刻期望值之差的平方和构建的；控制增量惩罚项是由控制增量序列中各控制增量的平方和构建的。

10、可选地，目标函数关于控制增量序列的梯度是由第一部分和第二部分之和构成的；第一部分为雅可比矩阵的转置与偏差向量的乘积乘以跟踪误差项的权重系数，且偏差向量为预测序列相对于参考序列的偏差构成的向量；第二部分为控制增量序列中各控制增量乘以控制增量惩罚项的权重系数的结果。

11、可选地，采用解析递推方式计算预测序列对控制增量序列的雅可比矩阵，包括：对于预测时域内的每一采样时刻和控制增量序列中的每一控制增量，计算该采样时刻对应的预测步输入向量对该控制增量的偏导；基于输入向量对该控制增量的偏导，分别代入gru神经网络预测模型中重置门和更新门各自的偏导公式，得到重置门对该控制增量的偏导和更新门对该控制增量的偏导；基于重置门对该控制增量的偏导和更新门对该控制增量的偏导，代入gru神经网络预测模型中候选隐藏状态的偏导公式，得到候选隐藏状态对该控制增量的偏导；基于更新门对该控制增量的偏导和候选隐藏状态对该控制增量的偏导，代入隐藏状态的偏导公式，得到该预测步的隐藏状态对该控制增量的偏导；将该预测步的隐藏状态对该控制增量的偏导与gru神经网络预测模型中从隐藏状态映射至输出的权重矩阵相乘，得到该预测步氮氧化物浓度预测值对该控制增量的偏导；将所有预测步对所有控制增量的偏导按序排列，构成雅可比矩阵。

12、可选地，计算该采样时刻氮氧化物浓度预测值对该控制增量的偏导，包括：计算该采样时刻对应的预测步输入向量对该控制增量的偏导；将预测步输入向量对该控制增量的偏导代入重置门的偏导公式，得到重置门对该控制增量的偏导，以及将预测步输入向量对该控制增量的偏导代入更新门的偏导公式，得到更新门对该控制增量的偏导；将重置门对该控制增量的偏导和更新门对该控制增量的偏导代入候选隐藏状态的偏导公式，得到候选隐藏状态对该控制增量的偏导；将更新门对该控制增量的偏导和候选隐藏状态对该控制增量的偏导代入隐藏状态的偏导公式，得到该预测步的隐藏状态对该控制增量的偏导；将该预测步的隐藏状态对该控制增量的偏导与权重矩阵相乘，得到该采样时刻氮氧化物浓度预测值对该控制增量的偏导。

13、可选地，沿该梯度的负方向迭代更新，在约束条件下得到当前采样时刻的最优控制增量序列，包括：沿梯度的负方向更新控制增量序列；对更新后的控制增量序列中各控制增量施加变化幅度约束；从当前采样时刻的尿素溶液流量开始，将施加变化幅度约束后的控制增量序列中各控制增量依次叠加，得到控制时域内各步对应的尿素溶液流量，并对各步对应的尿素溶液流量施加取值上下限约束；重复上述步骤，直至满足预设迭代次数，得到最优控制增量序列。

14、第二方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面的城市固废焚烧脱硝过程智能预测控制方法。

15、第三方面，本发明提供了一种电子设备，包括处理器和存储器，存储器上存储有计算机程序，处理器执行计算机程序时实现上述第一方面的城市固废焚烧脱硝过程智能预测控制方法。

16、（三）有益效果

17、本发明的有益效果是：

18、本发明实施例提供一种城市固废焚烧脱硝过程智能预测控制方法和电子设备，通过预先训练好的gru神经网络预测模型以当前采样时刻的输入变量集合为输入，通过迭代递推生成预测时域内未来多个时刻的氮氧化物浓度预测序列，从而提前获取氮氧化物浓度的变化趋势，克服了传统方法难以准确预测未来氮氧化物浓度变化的缺陷。在此基础上，以控制时域内的尿素溶液流量控制增量序列为优化变量，构建包含跟踪误差项和控制增量惩罚项的目标函数，并在约束条件下沿目标函数对控制增量序列的梯度负方向迭代求解当前采样时刻的最优控制增量序列，仅执行该最优控制增量序列中的第一个控制增量，在下一采样时刻基于新的输入变量集合重复上述步骤实现滚动优化控制，通过实时反馈校正机制有效应对脱硝过程的时滞和扰动。同时，目标函数中跟踪误差项和控制增量惩罚项的联合优化，以及对控制增量序列的幅值和尿素溶液流量的上下限施加的约束条件，在保证氮氧化物浓度跟踪精度的同时防止尿素溶液流量剧烈波动或超出安全范围，从而避免氮氧化物排放超标、尿素喷射过量及运行波动增大等问题。