一种基于数值仿真与区间二型模糊神经网络的焚烧炉温度预测方法

本发明属于城市固废焚烧处理与工业过程智能建模，尤其涉及一种基于数值仿真与区间二型模糊神经网络的焚烧炉温度预测方法。

背景技术：

1、msw的焚烧处理是当前国内外实现垃圾减量化、无害化和资源化的核心处置手段之一。在mswi厂的日常运行中，焚烧炉第三烟道出口处的烟气温度均值是一项至关重要的工艺性能指标。该温度值不仅直接反映了炉内燃烧工况的稳定性和完全性，而且是指导运行操作人员调整焚烧量、炉排速度、配风方案等关键控制参数的核心依据。若该温度过低，则表明焚烧不充分，可能导致二噁英等有害物质的生成与排放超标；若该温度过高，则可能引发炉膛结焦、过热器超温等设备安全问题。因此，对焚烧炉出口温度的精准、快速获取是保障焚烧电厂安全、环保、高效运行的关键前提。

2、目前，面向mswi焚烧炉温度信息获取的技术方案主要分为以下两大类：

3、（一）基于物理传感器的直接测量方法；

4、在工程实践中，绝大多数mswi电厂采用在焚烧炉第三烟道出口处安装热电偶或热电阻温度传感器的方式进行温度实时采集，并通过集散控制系统（distributed controlsystem, dcs）将信号传输至中控室进行显示与记录。该方案是当前工业现场最主流的温度获取方式。

5、然而，该技术方案在实际应用中存在以下严重缺陷：（1）焚烧炉第三烟道内的烟气环境极为恶劣，烟气温度长期维持在900 k至1200 k的高温区间，且烟气中夹带有高浓度的粉尘颗粒、酸性腐蚀性气体（如hcl、so2）以及碱性金属蒸气。传感器探头长期暴露于该环境中，极易发生高温氧化、化学腐蚀及粉尘冲刷磨损，导致测量元件发生零点漂移、灵敏度衰减乃至彻底失效，其可靠运行寿命通常仅为数月，维护更换成本高昂。（2）传感器属于单点测量方式，其输出值仅代表探头所在空间位置的局部温度，而第三烟道出口截面的温度场存在显著的不均匀分布，单点测量难以全面反映截面的平均温度水平与温度分布特征。（3）受制于焚烧炉本体结构设计及高温高压的安全规范约束，温度传感器的安装位置和插入深度受到严格限制，可用于布设测点的位置十分有限，难以通过增设传感器的方式来弥补点测量代表性不足的问题。

6、（二）基于计算流体动力学的数值仿真方法；

7、为克服物理传感器测量方案在信息维度和空间覆盖范围上的局限性，近年来学术界和工程界逐渐引入计算流体动力学数值仿真技术。该技术方案利用专业仿真软件，通过对焚烧炉内固相燃料层上的燃烧过程以及炉膛内部气相湍流燃烧过程进行耦合数值模拟，能够在三维空间内获取完整的温度场分布以及烟气组分（o2、co2、co、nox等）浓度场的详细信息，克服了物理传感器点测量的空间局限性。

8、具体而言，该数值仿真方法需要联立求解以下多个偏微分控制方程。上述方程构成了一个强耦合的非线性偏微分方程组，需通过有限体积法等数值离散方法在空间网格上进行迭代求解，单次仿真通常涉及数十万至数百万个网格单元，计算时间长达数小时乃至数十小时，且需要高性能计算服务器的硬件支持。

9、该技术方案虽在信息丰富度上具有显著优势，但其存在同样突出的缺陷：（1）单次仿真计算耗时长，无法满足数字孪生系统对实时数据刷新（通常要求秒级或分钟级响应）的硬性要求。（2）当需要对不同工况条件（如焚烧量改变、配风方案调整、垃圾组分波动等）进行仿真分析时，必须反复执行完整的仿真流程，时间成本急剧增加，严重制约了其在过程优化控制、在线决策支持等动态场景中的应用。（3）高昂的计算资源消耗意味着普通工业现场难以配备相应的计算基础设施，限制了该技术的工程化推广。

10、综上所述，现有mswi焚烧炉出口温度的两种主流获取方法各自存在明显的技术短板：物理传感器方案受限于恶劣环境导致可靠性差、测量信息稀疏且难以全面表征；数值仿真方案受限于计算耗时过长，无法满足实时性需求。上述两难困境构成了mswi数字孪生技术落地应用的核心技术瓶颈，亟需提出一种兼顾预测精度与实时响应能力的新型温度快速预测方法，以支撑数字孪生驱动的运行优化与智能决策。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于数值仿真与区间二型模糊神经网络的焚烧炉温度预测方法，包括：

2、获取焚烧炉的初始运行参数，基于所述初始运行参数建立焚烧炉的数值仿真模型；

3、对所述数值仿真模型中的可操控运行参数进行正交实验设计，根据正交实验设计结果运行所述数值仿真模型，获取多工况下的仿真数据集；

4、构建区间二型模糊神经网络，利用所述仿真数据集对所述区间二型模糊神经网络进行训练，得到温度代理模型；

5、将目标运行参数输入至所述温度代理模型，所述温度代理模型输出焚烧炉出口位置的温度预测值。

6、可选地，所述获取焚烧炉的初始运行参数，基于所述初始运行参数建立焚烧炉的数值仿真模型，包括：

7、获取焚烧炉的实际运行数据，所述实际运行数据包括一次风温度、一次风流量、炉排速度和焚烧量；

8、基于所述实际运行数据，采用固相燃烧模拟软件与气相燃烧模拟软件进行耦合仿真，建立焚烧炉的数值仿真模型；

9、将所述实际运行数据作为边界条件输入所述数值仿真模型，并将仿真输出结果与现场实测值进行对比验证，获得可信的数值仿真模型。

10、可选地，对所述数值仿真模型中的可操控运行参数进行正交实验设计，根据正交实验设计结果运行所述数值仿真模型，获取多工况下的仿真数据集，包括：

11、从焚烧炉运行工况中筛选出影响焚烧效果的多个可操控运行参数，并为每个可操控运行参数确定多个水平值；

12、采用正交实验设计方法，根据所述多个可操控运行参数及每个可操控运行参数的多个水平值，生成正交实验方案，所述正交实验方案包含多个实验工况；

13、依次按照所述正交实验方案中的每个实验工况运行所述数值仿真模型，记录每个工况下焚烧炉出口位置的温度数据；

14、对所述温度数据进行预处理，得到仿真数据集。

15、可选地，所述预处理包括异常值剔除、归一化处理以及将数据集划分为训练集、验证集和测试集。

16、可选地，所述区间二型模糊神经网络包括输入层、隶属函数层、规则层、后件层和输出层。

17、可选地，所述区间二型模糊神经网络各层的功能如下：

18、所述输入层接收输入变量，并将所述输入变量传输至所述隶属函数层；

19、所述隶属函数层利用区间二型高斯隶属函数，将所述输入变量模糊化为区间形式的隶属度值；

20、所述规则层根据所述隶属度值计算每条模糊规则的上下发射强度；

21、所述后件层根据所述上下发射强度进行类型缩减，得到上下输出值；

22、所述输出层对所述上下输出值进行去模糊化，输出焚烧炉出口位置的温度预测值。

23、可选地，所述区间二型高斯隶属函数引入自适应形状因子，所述自适应形状因子为正值参数，与所述区间二型高斯隶属函数的中心和宽度共同作为网络参数，并通过分层学习算法进行优化调整。

24、可选地，所述后件层采用begian-melek-mendel方法进行类型缩减和去模糊化。

25、可选地，采用分层学习算法对所述区间二型模糊神经网络的参数进行更新，其中，利用最小二乘估计方法学习线性先验参数和形状因子，利用梯度下降法学习非线性结果参数。

26、可选地，所述温度代理模型的输入变量为运行工况的可操控运行参数，所述可操控运行参数包括焚烧量、炉排速度、干燥炉排进口空气温度、燃烧段炉排进口空气温度、一次空气加热器出口空气温度、干燥炉排一次风流量、燃烧炉排1一次风流量、燃烧炉排2一次风流量、燃烬炉排一次风流量、二次风温度和二次风流量；所述温度代理模型的输出变量为焚烧炉第三烟道出口截面的温度均值。

27、与现有技术相比，本发明具有如下优点和技术效果：

28、本发明构建的温度代理模型能够以极高的精度逼近数值仿真软件的输入输出映射关系，模型预测结果与数值仿真结果之间的误差处于工程应用可接受的范围内，充分保证了温度预测的准确性。同时，该代理模型属于轻量化浅层神经网络结构，单次前向推理的计算开销极低，完成一次温度预测的时间仅为毫秒级，相较于传统数值仿真软件数小时的计算耗时，计算效率提升了数个数量级，能够满足焚烧炉数字孪生系统对实时数据刷新的严格要求。本发明采用区间二型模糊集替代传统一型模糊集，能够有效表征和包容由于垃圾组分波动、边界条件变化及测量噪声等因素引入的不确定性，在隶属函数中引入自适应形状因子，使模型能够根据训练样本的分布特征自适应调整隶属函数形状，进一步增强了模型在工况变化条件下的泛化性能和抗干扰能力。本发明仅在代理模型训练阶段需要执行数值仿真计算，一旦模型训练完成即可在普通工业计算机上实时运行，无需配备高性能仿真服务器，大幅降低了数字孪生技术的硬件门槛和运行成本，且模型输入变量均为工业现场通过集散控制系统可直接获取的可操控运行参数，无需额外加装传感器，具有良好的工程部署便利性。本发明为城市固废焚烧厂的数字孪生系统构建、焚烧过程运行优化控制及设备智能运维提供了高效、可靠的技术支撑。