一种城市生活垃圾焚烧过程二次风量智能设定方法

本发明涉及城市固体垃圾焚烧炉参数设定技术领域，更具体来说，本发明是一种城市生活垃圾焚烧过程二次风量智能设定方法。

背景技术：

中国是人口大国，能源生产大国，同时也是垃圾生产大国。人口的增长，经济的快速发展和生活水平的提高导致了中国城市生活垃圾的大量增加，每年以8-10％的速度增长，污染日益严重，给中国带来了巨大挑战，以垃圾焚烧技术为代表的垃圾处理技术正在中国悄然兴起,已成为新兴环保产业。但是，我国城市生活垃圾产量大、垃圾处理能力不足、处理率偏低；垃圾处理效果差、超标现象普遍；垃圾成分和焚烧过程比较复杂，如何维持城市生活垃圾稳定燃烧是个值得思考的问题，因此，本发明的研究成果具有广阔的应用前景。

垃圾焚烧过程中，出口烟气含氧量是城市生活垃圾焚烧控制的重要参数之一，在整个垃圾焚烧过程中非常重要，需要维持在6％-9％内，出口烟气含氧量过高会增加热损失，带走热量；过低则造成垃圾焚烧不完全，焚烧效率低等问题，但是出口烟气含氧量控制不是单一控制回路，各个变量之间存在着强耦合关系，二次风量是影响出口烟气含氧量的重要因素，炉排炉主要通过调节二次风量来维持出口烟气含氧量稳定，进而提高燃烧效率，如何实现二次风量智能优化设定具有重要意义。

目前，城市生活垃圾焚烧过程二次风量智能设定方法研究主要包括基于机理建模和基于数据驱动建模的二次风量设定方法。对于基于机理建模的二次风量设定方法，由于城市生活垃圾焚烧过程是个复杂的工业控制过程，具有多输入、多输出、非线性、强耦合等特点，很难采用精确的数学模型进行机理建模；而基于数据驱动建模的二次风量设定方法具有研究周期短、成本低和易于实现等优点，其中包括利用人工神经网络，模糊c均值，模糊控制等方法进行二次风量智能优化设定，但是，对于复杂非线性化系统，人工神经网络收敛速度慢，网络权值通过沿局部改善的方向进行调整，容易陷入局部最小，从而导致网络训练失败；模糊c均值有强烈依赖初始化数据，对噪声比较敏感等缺点；模糊控制无法获得准确的模糊规则及隶属函数，主要凭经验进行；以上方法都无法获得理想的二次风量设定值。

案例推理起源于二十世纪八十年代，是人工智能领域一种重要的问题求解方法，核心思想是根据过去类似问题的求解经验解决新问题，在医学、安全性评估、图像处理等领域得到了广泛应用，案例推理包括案例检索、案例重用、案例修正和案例存储四个部分，在案例检索中，特征权重非常关键，直接影响案例检索的精度，进而影响案例推理问题求解的质量，因此，本文从案例检索过程中特征权重的分配方法入手，提出了一种基于案例推理模型的二次风量智能设定方法。

技术实现要素：

针对上述问题，本发明提供了一种城市生活垃圾焚烧过程二次风量智能设定方法，可以通过对二次风量的优化设定，使得城市生活垃圾焚烧炉稳定运行。

为达到上述目的，本发明采用如下技术方案：

一种城市生活垃圾焚烧过程二次风量智能设定方法，其特征在于包括以下步骤：(1)根据城市生活焚烧过程的历史数据建立设定案例库；(2)参数初始化；(3)基于黑洞布谷鸟算法(blackholecuckoosearch，bh-cs)分配特征权重；(4)通过案例检索模型得到3个相似案例的解；(5)通过案例重用求取3个相似案例解的平均值，从而得到目标案例解的设定值。(6)将目标案例与其设定值构成一条案例存储至设定案例库中；(7)重复步骤(3)～步骤(6)，以实现城市生活垃圾焚烧过程二次风量智能设定过程。进一步具体包括如下步骤：

(1)根据城市生活焚烧过程的历史数据建立设定案例库；将特征变量二次空气加热器出口温度(x1)、一燃室烟气温度均值(x2)、二燃室烟气温度均值(x3)、锅炉出口主蒸汽流量(x4)、和一次风量(x5)和评价指标当时工况下二次风量实际值y经过归一化处理后表示成特征向量形式，形成n条源案例，存储于设定案例库中。记每条源案例为ck，表示为如下形式：

ck＝(xk,yk),k＝1,2,3,...,n(1)

其中，n为源案例总数；ck为第k个源案例，xk为第k个源案例归一化的特征变量输入；yk为对应归一化的二次风量实际值；xk可表示为：

xk＝(x1,k,x2,k,x3,k,x4,k,x5,k)(2)

设当前工况归一化的特征变量输入为xn+1，如下所示：

xn+1＝(x1,n+1,x2,n+1,x3,n+1,x4,n+1,x5,n+1)(3)

(2)参数初始化；令最大迭代次数maxgeneration，权重上限wu，权重下限wl，布谷鸟算法中淘汰概率pa。

(3)基于黑洞布谷鸟算法分配特征权重，整个算法实现分为三个阶段，第一阶段，选取适应度函数；第二阶段，采用cs算法优化特征权重，分为levy飞行与以pa概率淘汰特征权重两部分；第三阶段，加入bh算法继续优化特征权重。

第一阶段：选取适应度函数，将二次风量cbr设定模型的均方根误差(rootmeansquareerror,rmse)作为适应度函数，表示如下：

其中，yk是第k个案例的二次风量真实值；是第k个案例的二次风量设定值。

第二阶段：levy飞行与以pa概率淘汰特征权重

a)levy飞行是一种随机游走机制，基于levy飞行的随机更新特征权重表示如下：

其中，ωi^(t)和ωi^(t+1)分别是第t代和第t+1代特征权重；n是种群空间特征权重组数；是步长因子；是点乘；levy(λ)是levy飞行得到的随机数；和levy(λ)的表示如下：

其中，是一个常数，值为0.01；ωbest是当代最优特征权重。

levy(λ)～μ＝t^-λ,(1＜λ≤3)(7)

其中，u,v是标准正态分布的随机数，即出现的几率满足正态分布，越靠近中间的数字几率越大，越出现在两边几率越小；β是区间(1,2)上的一个常数，通常取1.5；表示如下：

其中，г是伽马函数。

b)以pa概率随机产生特征权重

重新计算特征权重适应度，评估出最优特征权重，即如果levy飞行后产生的特征权重的适应度更小，则用levy飞行后的特征权重代替之前的特征权重，再根据概率pa在权重种群空间检测出一组最差的特征权重，即产生一个随机数r，若r>pa,代表当前特征权重差，将其淘汰并随机产生新的一组特征权重，反之不变，pa常取值为0.5，此时特征权重更新方式表示如下：

其中，ωj^(t)，ωk^(t)是第t代的两组随机的特征权重；n是种群空间特征权重组数；r是(0,1)区间均匀分布的随机数。

第三阶段：加入bh算法继续优化特征权重

将特征权重最优解作为黑洞，采用bh算法更新策略继续优化特征权重，此时特征权重更新表示如下：

其中，rand()是(0,1)区间均匀分布的随机数；ωbh是黑洞的位置。

定义黑洞的半径如下：

其中，fbh为黑洞适应度值；fi为第i组特征权重适应度值。

在迭代过程中，如果特征权重移动到黑洞半径rbh之内，即特征权重与黑洞的距离d小于黑洞半径rbh，特征权重将被黑洞吸收，同时，当一组特征权重被黑洞吸收而消失后，为了保证特征权重的数量不变，必须在权重种群空间随机生成一组新的特征权重，特征权重与黑洞的吸收机制表示如下：

其中，ωl^(t)是第t代的一组随机特征权重；ωs^(t)是第t代的另一组随机特征权重；rand()是(0,1)区间均匀分布的随机数；d是特征权重与黑洞的距离；rbh是黑洞的半径。

bh-cs算法在cs算法的基础上加入bh算法继续优化特征权重，不断评估出当代权重种群空间中最优特征权重，直到满足最大迭代次数，获得全局最优特征权重。

(4)通过案例检索模型得到3个相似案例的解；计算当前工况归一化后特征变量的输入xn+1与历史工况特征变量的输入xk的相似度sk，距离越小越相似，相似度越大，表示工况越相似，以加权欧式距离公式为例，下式为计算目标案例xn+1与源案例xk的相似度sk：

其中，ωp是第p个特征变量的权重，xp,k是历史工况第k个源案例第p个特征权重的输入；xp,n+1是当前工况第p个特征权重的输入；

满足以下约束条件：

比较sk的大小，检索出3个相似案例。

(5)通过案例重用求取3个相似案例解的平均值，从而得到目标案例解的设定值；

(6)将目标案例与设定值构成一条案例存储至设定数据库中，供下次优化设定求解。

(7)重复步骤(3)～步骤(6)，以实现城市生活垃圾焚烧过程二次风量的设定过程。

本发明与现有技术相比，具有以下优点：1、本发明采用垃圾焚烧过程中的历史数据，基于案例推理优化二次风量设定值，研究周期短、成本低、易于实现、有利于实时应用；2、采用二次风量案例推理智能设定模型，不需要专家经验，有效避免了二次风量设定的局限性和主观性；3、采用基于bh-cs算法优化特征权重，避免了算法在迭代后期易陷入局部最优的问题，通过对比实验验证了bh-cs算法分配特征权重可以有效提高二次风量案例推理智能设定模型的预测精度，使得二次风量的设定值符合焚烧过程运行优化的要求。

附图说明

图1为本发明城市生活垃圾焚烧过程二次风量设定方法原理图。

具体实施方式

样本数据来自某垃圾焚烧处理厂燃烧过程中产生的1000条数据，将其随机划分为800条源案例和200条测试案例，下面结合图1对本发明的具体实施方式做进一步说明。

一种城市生活垃圾焚烧过程二次风量设定方法，包括以下步骤：

(1)根据焚烧过程的历史数据建立设定案例库；详细过程如下：

将5个特征变量二次空气加热器出口温度(x1)、一燃室烟气温度均值(x2)、二燃室烟气温度均值(x3)、锅炉出口主蒸汽流量(x4)、和一次风量(x5)和评价指标当时工况下二次风量实际值y经过归一化处理后表示成特征向量形式，形成800条源案例，存储于设定案例库中。记每条源案例为ck，表示为如下形式：

ck＝(xk,yk),k＝1,2,3,...,800(1)

其中，800为源案例总数；ck为第k个源案例，xk为第k个源案例归一化的特征变量输入；yk为对应的归一化二次风量实际值；xk可表示为：

xk＝(x1,k,x2,k,x3,k,x4,k,x5,k)(2)

设当前工况归一化的特征变量输入为xn+1，如下所示：

xn+1＝(x1,n+1,x2,n+1,x3,n+1,x4,n+1,x5,n+1)(3)

(2)参数初始化；令最大迭代次数100，权重上限1，权重下限0，布谷鸟算法中淘汰概率0.25。

(3)基于黑洞布谷鸟算法分配特征权重，整个算法实现分为三个阶段，第一阶段，选取适应度函数；第二阶段，采用cs算法优化特征权重，分为levy飞行与以pa概率淘汰特征权重两部分；第三阶段，加入bh算法继续优化特征权重。

第一阶段：选取适应度函数，将二次风量cbr设定模型的均方根误差(rootmeansquareerror,rmse)作为适应度函数，表示如下：

其中，yk是第k个案例的二次风量真实值；是第k个案例的二次风量设定值。

第二阶段：levy飞行与以pa概率淘汰特征权重

a)levy飞行是一种随机游走机制，基于levy飞行的随机更新特征权重表示如下：

其中，ωi^(t)和ωi^(t+1)分别是第t代和第t+1代特征权重；n是种群空间特征权重组数；是步长因子；是点乘；levy(λ)是levy飞行得到的随机数；和levy(λ)的表示如下：

其中，是一个常数，值为0.01；ωbest是当代最优特征权重。

levy(λ)～μ＝t^-λ,(1＜λ≤3)(7)

其中，u,v是标准正态分布的随机数；β是区间(1,2)上的一个常数；表示如下：

其中，г是伽马函数。

b)以pa概率随机产生特征权重

重新计算特征权重适应度，评估出最优特征权重，即如果levy飞行后产生的特征权重的适应度更小，则用levy飞行后的特征权重代替之前的特征权重，再根据概率pa在权重种群空间检测出一组最差的特征权重，即产生一个随机数r，若r>pa,代表当前特征权重差，将其淘汰并随机产生新的一组特征权重，反之不变，此时特征权重更新方式表示如下：

其中，ωj^(t)，ωk^(t)是第t代的两组随机的特征权重；r是(0,1)区间均匀分布的随机数。

第三阶段：加入bh算法继续优化特征权重

将特征权重最优解作为黑洞，采用bh算法更新策略继续优化特征权重，此时特征权重更新表示如下：

其中，ωbh是黑洞的位置。

在迭代过程中，如果特征权重移动到黑洞半径之内，即特征权重与黑洞的距离d小于黑洞半径rbh，特征权重将被黑洞吸收，同时，当一组特征权重被黑洞吸收而消失后，为了保证特征权重的数量不变，必须在权重种群空间随机生成一组新的特征权重，特征权重与黑洞的吸收机制表示如下：

其中，ωl^(t)，ωs^(t)是第t代的两组随机特征权重；r是(0,1)区间均匀分布的随机数；d是特征权重与黑洞的距离；rbh是黑洞的半径。

黑洞的半径表示如下：

其中，fbh为黑洞适应度值；fi为第i组特征权重适应度值。

bh-cs算法在cs算法的基础上加入bh算法继续优化特征权重，不断评估出当代权重种群空间中最优特征权重，直到满足最大迭代次数，获得全局最优特征权重。

(4)从测试案例库中获取当前工况目标案例并做归一化处理，计算当前工况归一化后特征变量的输入xn+1与历史工况特征变量的输入xk的相似度xk，通过案例检索模型得到3个相似案例的解；下式为计算目标案例xn+1与源案例xk的相似度sk：

其中，ωp是第p个特征变量的权重，满足以下约束条件：

(5)通过案例重用求取相似度值大的3个相似案例解的平均值，从而得到二次风量的设定值；

(6)将目标案例与设定值构成一条案例存储至设定数据库中，供下次优化设定求解；

(7)重复步骤(3)～步骤(6)，以实现城市生活垃圾焚烧过程二次风量设定过程；

本发明将基于bh-cs算法的特征权重分配方法同案例推理技术相结合，实现了城市生活垃圾焚烧过程二次风量智能设定，为了进一步验证该方法设定二次风量的有效性，分别采用四种方法验证二次风量设定值的平均拟合误差，并将历史工况数据用于对比实验中。其中，基于bh-cs算法分配特征权重的案例推理模型记为bh-cscbr，布谷鸟算法记为cscbr，黑洞算法记为bhcbr，遗传算法记为gacbr。实验结果如下：四种方法的平均拟合误差从高到低是gacbr为9.21％、cscbr为8.79％、bhcbr为7.94％、bh-cscbr为7.47％，从中可以看出，bh-cscbr的平均拟合误差最小，其二次风量设定值可以更好的拟合实际值，证明该方法更容易获得全局最优特征权重，进而获得更好的二次风量设定值，提高了二次风量cbr智能设定模型的精度。