一种多输入多输出的城市固废焚烧过程模型设计方法与流程

1.本发明针对城市固废焚烧过程内部机理复杂、难以建立被控对象模型的问题，设计了 一种基于takagi-sugeno型模糊神经网络的多输入多输出被控对象模型，该模型由工况识 别模块、数据预处理模块、特征约简模块、被控对象模型训练模块与被控对象模型测试模 块组成，解决了城市固废焚烧过程内部机理难以分析，多变量耦合性强、内部规则难以挖 掘的问题，为研究城市固废焚烧过程的优化控制奠定了模型基础。


背景技术：

2.城市固废焚烧技术具有减量化、资源化、无害化等突出优势，已成为目前世界上处理 城市固体废弃物的主要技术手段之一。截至2016年，中国内地已运行的固废焚烧发电厂 有303座，合计处理能力已达到3.04
×
105t/日，其中，使用机械炉排炉的固废焚烧发电厂 有220座，占比超过72％，炉排炉已经成为中国城市固废焚烧所采用的主要焚烧炉型。基 于炉排炉的城市固废焚烧是一个具有强非线性、强耦合、大时变等诸多不确定性特征的过 程，复杂过程必然涉及众多控制领域的问题，需要依靠先进的控制技术才能稳定固废焚烧 状态、提升运行效率，而建立精准的被控对象模型是实施控制技术的基础与必要准备。因 此，本发明针对城市固废焚烧过程的对象模型设计研究具有重要的意义。
3.传统的被控对象模型通常是基于机理分析进行构建的，称之为机理模型，也称为“白 箱模型”。机理模型是依据于物料平衡方程、能量平衡方程、生物学定律、化学动力学等 原理构建的，其通过推导操作变量、状态变量与被控变量之间的函数关系，从而建立相对 精确的数学模型。机理模型具有直观反映系统内在规律与结构联系的能力，然而，与传统 复杂工业过程不同，城市固废焚烧过程中使用的原材料为固体废弃物，其从本质上就具有 复杂多变的特性。影响固体废弃物成分的因素诸多，包括季节气候，固废的分类程度，区 域内人民的生活水平、生活习惯及环保意识等。对于如城市固废焚烧的强非线性工业过程， 基于机理分析构建的模型，不仅难以分析强非线性系统的性质与内部机理，且难以适用于 多工况下的固废焚烧过程。近年来，随着人工智能的兴起，基于数据驱动的机器学习方法 为城市固废焚烧过程的控制对象建模提供了解决思路。
4.数据驱动模型是通过挖掘系统输入输出数据的映射关系进行构建的，也称为黑箱模型。 人工神经网络因其良好的学习能力、计算能力和非线性逼近能力而广泛地应用于复杂工业 系统的过程分析中，将其用于内部机理未知的被控对象模型设计中，具有重要的应用价值。 人工神经网络在工业过程的被控对象建模中已经得到了越来越多的应用，已成为时下的研 究热点。
5.城市固废焚烧过程是一个典型的多输入多输出的工业过程，其固废热值难以确定，内 部机理反应复杂，多个操作量与被控量耦合严重，系统规则难以挖掘，具有典型的模糊特 性。针对城市固废焚烧这类复杂工业过程，模糊神经网络提供了良好的解决方案。模糊神 经网络作为一种模糊的自适应方案，其兼具模糊系统的非线性处理与分析能力，又具有人 工神经网络的参数学习与动态优化能力，近年来已被广为研究，并成为了智能计算与
神经 科学中的重要分支，是一种优于人工神经网络与模糊系统单独使用的技术。
6.根据以上分析，本发明针对城市固废焚烧工艺过程特点，设计了一种基于 takagi-sugeno型模糊神经网络的多输入多输出被控对象模型。首先，根据焚烧机理与专家 经验对城市固废焚烧运行工况进行识别并进行数据预处理；接着，提取了能够反应系统状 态的关键操作量与被控量；然后，构建了多个后件子网络，采用梯度下降算法对网络的局 部参数与整体参数进行优化，保证了模型的收敛精度与输出的同步性；最后，通过北京市 某固废焚烧厂的过程数据验证了被控对象模型的有效性。


技术实现要素：

7.本发明获得了一种基于takagi-sugeno型模糊神经网络的多输入多输出被控对象模型， 该模型由工况识别模块、数据预处理模块、特征约简模块、被控对象模型训练模块与被控 对象模型测试模块组成，实现了对关键被控变量的精准预测，解决了城市固废焚烧过程被 控对象模型难以建立的问题，为研究城市固废焚烧优化控制奠定了基础；
8.本发明采用了如下的技术方案及实现步骤：
9.一种多输入多输出的城市固废焚烧过程模型设计方法包括以下步骤：
10.1.一种多输入多输出的城市固废焚烧过程模型设计方法，其特征在于，包括以下步骤：
11.(1)工况识别模块：本模块构建了一种基于一次风压的工况识别专家评判机制，依据 一次风压设定值对工况进行划分，进而针对不同工况构建相应的被控对象模型；
12.(2)数据预处理模块：本模块通过异常数据剔除与数据归一化将采集得到的数据进行 预处理，计算步骤如下：
13.①
异常数据剔除：首先，通过绘制分位数图对数据的正态分布性进行检测，之后通过 3σ准则对异常数据进行剔除，采集1～t时刻的关键被控变量：主蒸汽流量、炉膛温度和烟 气含氧量，将其定义为ys(t)，其中s＝1,2,...,q，q为3，t＝1,2,...,t，计算ys(t)对应的剩 余误差εs(t)为：
[0014][0015]
计算数据集的标准偏差σs为：
[0016][0017]
当ys(t)对应的剩余误差εs(t)符合以下条件时：
[0018]
|εs(t)|＞3σsꢀꢀꢀ
(3)
[0019]
则对此ys(t)执行剔除操作，同时令t＝t-1；
[0020]
②
数据归一化处理：提取城市固废焚烧过程的关键操作变量：干燥段炉排空气流量(左 1、右1、左2、右2)、燃烧1段炉排空气流量(左1、右1、左2、右2)、燃烧2段炉排空 气流量(左1、右1、左2、右2)、燃烬段炉排空气流量(左、右)、二次风流量、干燥段炉排 速度(左内、右内、左外、右外)、燃烧1段炉排速度(左内、右内、左外、右外)、燃烧2段 炉排速度(左内、右内、左外、右外)和燃烬段炉排速度(左内、右内)，将其定义为xi(t)， 其中i＝1,2,...,n，n为29，t＝1,2,...,t，将采集数据xi(t)与ys(t)进行归一化处理，其计 算公式如下：
(t),
…
, xn(t)为输入变量；
[0038]
⑤
输出层：该层设有q个输出节点，每个节点对输入参数执行加权求和，其计算公式 如下：
[0039][0040]
⑥
模型参数学习：使用梯度下降算法来调整网络参数，首先，定义误差计算方法如下：
[0041][0042]
式中，ys(t)是第t个输入样本对应的第s个实际输出，是第t个输入样本对应的 第s个计算输出，es(t)为两者之间的误差，依据误差对网络的中心、宽度和模糊系统参数 更新算法定义如下：
[0043][0044][0045][0046]
式中，η为在线学习率，η的取值范围为[0.01,0,05]，c
ij
(t-1)、δ
ij
(t-1)和分 别为第t-1个样本输入时网络隶属函数层的中心、宽度和模糊系统的参数，完成本次参数 更新后，输入训练样本数据xi(t 1)，重复步骤
①
～
⑥
，直至所有训练样本全部输入，训练 样本数为总样本数t的80％，之后对模型进行迭代训练，，直至迭代次数达到最大迭代值it
max
，it
max
为500；
[0047]
(5)模型训练完成后，即完成多输入多输出的城市固废焚烧过程模型的搭建，此时在 模型中输入一次风流量、二次风流量和炉排速度，则模型输出主蒸汽流量、炉膛温度和烟 气含氧量。
[0048]
本发明的创造性主要体现在：
[0049]
(1)本发明解决了城市固废焚烧过程内部机理难以分析，多变量耦合性强、内部规则 难以挖掘的问题，为研究城市固废焚烧过程的优化控制奠定了模型基础；
[0050]
(2)本发明针对国内城市固废焚烧的工艺特点，设计了具有多工况识别与特征约简的 建模策略，模型具有较好的鲁棒性与适用性；
[0051]
(3)本发明建立的被控对象模型具有多输出学习能力，利用多任务之间的互补信息同 时对多个被控量进行精准拟合，并对网络参数进行在线更新；
[0052]
(4)本发明提出的基于takagi-sugeno型模糊神经网络的多输入多输出被控对象模型的 城市固废焚烧过程被控对象建模方法学习能力强、建模精度高，具有广泛的应用价值；
附图说明
[0053]
图1是本发明的城市固废焚烧过程工艺流程图
[0054]
图2是本发明的城市固废焚烧过程的控制流程图
[0055]
图3是本发明的基于数据驱动的城市固废焚烧过程被控对象模型构建方法
[0056]
图4是本发明的基于takagi-sugeno型模糊神经网络的多输入多输出模型
[0057]
图5是本发明的模型训练过程rmse变化
[0058]
图6是本发明的模型训练样本拟合效果
[0059]
图7是本发明的模型测试样本拟合效果
[0060]
图8是本发明的炉膛温度训练样本拟合效果图图9是本发明的烟气含氧量训练样本拟合效果图图10是本发明的主蒸汽流量测试样本拟合效果图图11是本发明的炉膛温度测试样本拟合效果图图12是本发明的烟气含氧量测试样本拟合效果图图13是本发明的主蒸汽流量测试样本测试误差图图14是本发明的炉膛温度测试样本测试误差图图15是本发明的烟气含氧量测试样本测试误差图
具体实施方式
[0061]
本发明获得了一种基于takagi-sugeno型模糊神经网络的多输入多输出被控对象模型， 该模型由工况识别模块、数据预处理模块、特征约简模块、被控对象模型训练模块与被控 对象模型测试模块组成，实现了对关键被控变量的精准预测，解决了城市固废焚烧过程被 控对象模型难以建立的问题，为研究城市固废焚烧优化控制奠定了基础；
[0062]
本实验对某城市固废焚烧电厂的过程数据进行了采集，采样频率为1s/次，共采集得到 2
×
105组数据作为实验样本；
[0063]
一种多输入多输出的城市固废焚烧过程模型设计方法包括以下步骤：
[0064]
(1)工况识别模块：本模块构建了一种基于一次风压的工况识别专家评判机制，依据 一次风压设定值对工况进行划分，进而针对不同工况构建相应的被控对象模型；
[0065]
(2)数据预处理模块：本模块通过异常数据剔除与数据归一化将采集得到的数据进行 预处理，计算步骤如下：
[0066]
①
异常数据剔除：首先，通过绘制分位数图对数据的正态分布性进行检测，之后通过 3σ准则对异常数据进行剔除，采集1～t时刻的关键被控变量：主蒸汽流量、炉膛温度和烟 气含氧量，将其定义为ys(t)，其中s＝1,2,...,q，q为3，t＝1,2,...,t，计算ys(t)对应的剩 余误差εs(t)为：
[0067][0068]
计算数据集的标准偏差σs为：
[0069][0070]
当ys(t)对应的剩余误差εs(t)符合以下条件时：
[0071]
|εs(t)|＞3σsꢀꢀꢀ
(3)
[0072]
则对此ys(t)执行剔除操作，同时令t＝t-1；
[0073]
②
数据归一化处理：提取城市固废焚烧过程的关键操作变量：干燥段炉排空气流量(左 1、右1、左2、右2)、燃烧1段炉排空气流量(左1、右1、左2、右2)、燃烧2段炉排空 气流量(左1、右1、左2、右2)、燃烬段炉排空气流量(左、右)、二次风流量、干燥段炉排 速度(左内、右内、左外、右外)、燃烧1段炉排速度(左内、右内、左外、右外)、燃烧2段 炉排速度(左内、右内、左外、右外)和燃烬段炉排速度(左内、右内)，将其定义为xi(t)， 其中i＝1,2,...,n，n为29，t＝1,2,...,t，将采集数据xi(t)与ys(t)进行归一化处理，其计 算公式如下：
[0074][0075][0076]
式中，xi(t)表示数据xi(t)归一化后的值，ys(t)表示数据ys(t)归一化后的值，xi表示 第i个参数在采集时间段的所有数据，ys表示第s个参数在采集时间段的所有数据；
[0077]
(3)特征约简模块：计算以上关键操作变量xi(t)与关键被控变量ys(t)之间的皮尔逊相 关系数，将皮尔逊相关系数定义为ρ
ds
，其计算方法为：
[0078][0079]
根据计算结果，按照ρ
ds
的绝对值进行排序，选取排序为前3的操作变量，将其记为xi(t)， 其中i＝1,2,...,n，n为3；
[0080]
(4)多输入多输出takagi-sugeno型模糊神经网络训练模块：本模块设计的模型结构由 前件网络与后件网络两部分组成，其中前件网络包括输入层、隶属函数层、规则层、后件 层和输出层共5层，后件网络包括输入层、规则层和后件层共3层，对其数学描述如下：
[0081]
①
输入层：该层共有n个神经元，n为3，其作用将输入值进行传递，当第t个样本进 入时，输入层的输出为：
[0082]
xi(t),i＝1,2,...,n
ꢀꢀꢀ
(7)
[0083]
②
隶属函数层：该层共有n
×
m个神经元，m为12，每个节点的输出代表对应输入量 的隶属度值，隶属函数为：
[0084][0085]
式中，c
ij
(t)与δ
ij
(t)分别为隶属度函数的中心和宽度，其初始值由rand随机函数生成 范围在[0,2]之间均匀分布的随机实数；
[0086]
③
规则层：该层设有m个神经元，采用模糊连乘算子作为模糊逻辑规则，规则层的输 出为：
[0087][0088]
④
后件层：该层共有m
×
q个神经元，q为3，每个节点执行t-s型模糊规则的线性求 和，该层的作用是计算每条规则所对应输出的后件参数后件参数是由后件网络计算 得出的，后件网络输入层传入n 1个变量，其中第0个节点的输入为常数，即x0(t)＝1，将 后件参数传回前件网络的后件层中，其计算过程如下：
[0089][0090]
式中，为模糊系统的参数，其初始值设为0.3，x0(t),x1(t),
…
, xn(t)为输入变量；
[0091]
⑤
输出层：该层设有q个输出节点，每个节点对输入参数执行加权求和，其计算公式 如下：
[0092][0093]
⑥
模型参数学习：使用梯度下降算法来调整网络参数，首先，定义误差计算方法如下：
[0094][0095]
式中，ys(t)是第t个输入样本对应的第s个实际输出，是第t个输入样本对应的 第s个计算输出，es(t)为两者之间的误差，依据误差对网络的中心、宽度和模糊系统参数 更新算法定义如下：
[0096][0097][0098][0099]
式中，η为在线学习率，η的取值范围为[0.01,0,05]，c
ij
(t-1)、δ
ij
(t-1)和分 别为第t-1个样本输入时网络隶属函数层的中心、宽度和模糊系统的参数，完成本次参数 更新后，输入训练样本数据xi(t 1)，重复步骤
①
～
⑥
，直至所有训练样本全部输入，训练 样本数为总样本数t的80％，之后对模型进行迭代训练，，直至迭代次数达到最大迭代值 it
max
，it
max
为500；
[0100]
(5)模型训练完成后，即完成多输入多输出的城市固废焚烧过程模型的搭建，此时在 模型中输入一次风流量、二次风流量和炉排速度，则模型输出主蒸汽流量、炉膛温度和
烟 气含氧量。
[0101]
图1是本发明的城市固废焚烧过程工艺流程图
[0102]
图2是本发明的城市固废焚烧过程的控制流程图
[0103]
图3是本发明的基于takagi-sugeno型模糊神经网络的多输入多输出模型结构图
[0104]
图4是本发明的主蒸汽流量训练过程rmse变化图
[0105]
图5是本发明的炉膛温度训练过程rmse变化图
[0106]
图6是本发明的烟气含氧量训练过程rmse变化图
[0107]
图7是本发明的主蒸汽流量训练样本拟合效果图
[0108]
图8是本发明的炉膛温度训练样本拟合效果图
[0109]
图9是本发明的烟气含氧量训练样本拟合效果图
[0110]
图10是本发明的主蒸汽流量测试样本拟合效果图
[0111]
图11是本发明的炉膛温度测试样本拟合效果图
[0112]
图12是本发明的烟气含氧量测试样本拟合效果图
[0113]
图13是本发明的主蒸汽流量测试样本测试误差图
[0114]
图14是本发明的炉膛温度测试样本测试误差图
[0115]
图15是本发明的烟气含氧量测试样本测试误差图
[0116]
城市固废焚烧过程工艺流程如图1所示；城市固废焚烧过程的控制流程如图2所示； 基于takagi-sugeno型模糊神经网络的多输入多输出模型结构如图3所示；将训练样本数 据作为模型的输入，模型训练过程rmse变化如图4～图6所示；图4为主蒸汽流量训练 过程rmse变化，x轴：训练步数，y轴：训练rmse值；图5为炉膛温度训练过程rmse 变化，x轴：训练步数，y轴：训练rmse值；图6为烟气含氧量训练过程rmse变化， x轴：训练步数，y轴：训练rmse值；模型训练样本拟合效果如图7～图9所示；图7 为主蒸汽流量训练样本拟合效果，x轴：样本序号，y轴：主蒸汽流量，单位是t/h，黑色 线为预测输出、灰色线为实际输出；图8为炉膛温度训练样本拟合效果，x轴：样本序号， y轴：炉膛温度，单位是℃，黑色线为预测输出、灰色线为实际输出；图9为烟气含氧量 训练样本拟合效果，x轴：样本序号，y轴：烟气含氧量，单位是％，黑色线为预测输出、 灰色线为实际输出；将测试样本数据作为训练后的模型输入，模型测试样本拟合效果如图 10～图12所示；图10为主蒸汽流量测试样本拟合效果，x轴：样本序号，y轴：主蒸汽 流量，单位是t/h，黑色线为预测输出、灰色线为实际输出；图11为炉膛温度测试样本拟 合效果，x轴：样本序号，y轴：炉膛温度，单位是℃，黑色线为预测输出、灰色线为实 际输出；图12为烟气含氧量测试样本拟合效果，x轴：样本序号，y轴：烟气含氧量，单 位是％，黑色线为预测输出、灰色线为实际输出；模型测试样本测试误差如图13～图15所 示；图13为主蒸汽流量测试样本测试误差，x轴：样本序号，y轴：主蒸汽流量，单位是 t/h；图14为炉膛温度测试样本测试误差，x轴：样本序号，y轴：炉膛温度，单位是℃； 图15为烟气含氧量测试样本测试误差，x轴：样本序号，y轴：烟气含氧量，单位是％； 结果表明该模型对城市固废焚烧过程被控对象建模的有效性。