基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法

1.本发明针对城市固废焚烧过程存在强干扰、强非线性与不确定性导致难以实现多变量控制的问题，设计了一种基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法，基于焚烧机理与专家知识融合的方法对控制特性进行了分析，通过皮尔森相关系数选取了关键变量，建立了多输入多输出takagi-sugeno模糊神经网络构建了被控对象模型，并在此基础上构建了多变量自抗扰模糊神经控制器，控制器能够在存在干扰的情况下，通过求解干燥炉排速度与一次风总流量的控制率，实现了烟气含氧量与炉膛温度的同步跟踪控制。


背景技术：

2.随着工业化和城镇化建设的推进，城市发展已从大规模增量建设转为存量提质改造和增量结构调整并重的新阶段。伴随着城市人口的增长，城市固废也在急剧增加.截至2018年，全世界固废年产生量已达到20.1亿吨，其中33％没有得到妥善处理，预计到2050年，其年产生量将达到34亿吨。目前，多数城市已没有足够的垃圾填埋场用于处理体量如此庞大的固废，如何合理处置固废已成为当前城市发展面临的主要问题之一。
3.城市固废焚烧法具有减容效果好、消毒彻底、资源利用率高、占地面积小等优势，已逐渐成为大中型城市的处理固废的主要技术手段。然而，城市固废焚烧法在实际运行过程中仍面临着以下问题：其一，不同地域的居民生活水平与生活习惯不同，导致固废的热值差异较大；其二，不同地域、气候存在差异，导致固废的含水率波动较大。因此，即便焚烧炉通常配备有自动燃烧控制系统，然而其在实际运行过程中也难以直接投入使用，且自动燃烧控制系统的控制策略相对单一且缺乏智能，难以满足组分复杂的控制需求。当前城市固废焚烧的运行过程仍需要人工干预以应对复杂多变的焚烧工况，然而依靠专家经验的控制过程存在主观性和随意性，其控制精度较低、波动范围大，耗费大量人工成本的同时，也会导致污染物排放超标、焚烧效率低下等问题。工业自动化与信息技术的发展为城市固废焚烧的优化运行提供了思路与方案，其中，研究城市固废焚烧过程的多变量自抗扰控制方法是亟待解决的关键问题。
4.传统的工业控制多使用pid控制器，其具有结构简单、参数整定技术成熟等的优点。针对多变量控制问题，一些学者在pid控制的基础上，构建了多回路pid控制器。多回路pid控制器满足了系统的多变量控制需求，然而随着回路的增加与控制信号干扰的存在，多个控制器需要整定的参数也随之增加，这将导致多变量间的耦合关系难以协调。
5.神经网络控制器在解决多变量耦合问题时具有明显的优势。神经网络控制器作为一种基于黑箱模型的控制器，其内部神经元能够在多个输入变量与多个输出变量之间建立连接通道，具有强大的解耦能力。此外，神经网络控制器能够利用神经元的非线性逼近能力，在线调整网络参数，具有良好的鲁棒性，更适用于实际的城市固废焚烧过程。
6.根据以上分析，本发明针对城市固废焚烧过程的控制需求，设计了一种基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法。首先，基于焚烧机理与专家知识融合的方法对控制特性进行了分析，并通过皮尔森相关系数选取了关键变量；接着，基于数据驱动
建立了多输入多输出takagi-sugeno模糊神经网络构建了被控对象模型；然后，在被控对象模型的基础上构建了多变量自抗扰模糊神经控制器；最后，通过中国北京市某固废焚烧厂的过程数据验证了控制方法的有效性。


技术实现要素：

7.本发明获得了一种基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法，基于焚烧机理与专家知识融合的方法对控制特性进行了分析，通过皮尔森相关系数选取了关键变量，建立了多输入多输出takagi-sugeno模糊神经网络构建了被控对象模型，并在此基础上构建了多变量自抗扰模糊神经控制器，控制器能够在存在干扰的情况下，通过求解干燥炉排速度与一次风总流量的控制率，实现了烟气含氧量与炉膛温度的同步跟踪控制；
8.本发明采用了如下的技术方案及实现步骤：
9.基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法包括以下步骤：
10.1.基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法，其特征在于，包括以下步骤：
11.(1)城市固废焚烧过程数据：采集固废焚烧厂的实际运行数据，采样间隔为1秒，从获取的数据集中提取关键操作变量：干燥段炉排速度、燃烧ⅰ段炉排速度、燃烧ⅱ段炉排速度、燃烬段炉排速度、一次风流量、二次风流量、干燥段炉排左前侧空气流量、干燥段炉排右前侧空气流量、干燥段炉排左后侧空气流量、干燥段炉排右后侧空气流量、燃烧ⅰ段炉排左前侧空气流量、燃烧ⅰ段炉排右前侧空气流量、燃烧ⅰ段炉排左后侧空气流量、燃烧ⅰ段炉排右后侧空气流量、燃烧ⅱ段炉排左前侧空气流量、燃烧ⅱ段炉排右前侧空气流量、燃烧ⅱ段炉排左后侧空气流量、燃烧2段炉排右后侧空气流量、燃烬段炉排左侧空气流量、燃烬段炉排右侧空气流量，提取关键被控变量：烟气含氧量、炉膛温度，提取关键运行指标：主蒸汽流量；
12.(2)相关性分析：由燃烧三要素可知，燃烧反应的必要条件包括可燃物、助燃材料和点火源，在城市固废焚烧过程中，新入炉的固废依靠炉内前段固废引燃，空气流量与助燃材料相关，炉排速度与可燃物量相关，在此基础上，结合皮尔森相关系数ρ
uy
对数据之间的相关性进行计算，其定义式如下：
[0013][0014]
式中，n为样本总数，u
l
为操作量的样本数据，y
l
为被控量的样本数据；
[0015]
根据计算结果选取关键操作量为：一次风流量、干燥段炉排速度、二次风流量；
[0016]
(3)被控对象模型设计：构建基于多输入多输出takagi-sugeno模糊神经网络的被控对象模型，其由前件网络和后件网络组成，对其数学描述如下：
[0017]
①
前件网络：
[0018]
输入层：该层有n个神经元，n为3，当第k个样本输入时，该层输出为：
[0019]ii
(k),i＝1,2,...,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0020]
共享隶属函数层：该层有n
×
m个神经元，m为12，用于计算每个输入量对应的隶属度值，可表示为：
[0021][0022]
式中，c
ij
(k)为隶属函数的中心，b
ij
(k)为隶属函数的宽度，其初值为[0,2]之间均匀分布的随机实数；
[0023]
共享规则层：该层有m个神经元，其通过连乘算子计算每个规则神经元输出为：
[0024][0025]
对输出规则进行解模糊化后得到去模糊输出为：
[0026][0027]
后件层：该层有m
×
q个神经元，q为3，其作用是将后件网络得到的后件参数传递至输出层，将该层输出表示为其值由公式(8)得到；
[0028]
输出层：该层设有q个神经元，其作用是对该层输入参数执行加权求和，得到输出为：
[0029][0030]
②
后件网络：
[0031]
后件输入层：该层有n+1个神经元，当第k个样本输入时，该层输出为：
[0032]ii
(k),i＝0,1,...,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0033]
式中，第0个节点的输入为常数，即i0(k)＝1，用于增强网络平移能力，其余输入和前件网络的输入层相同；
[0034]
后件隐含层：该层有m个神经元，其作用是计算模糊规则后件参数，该层输出为：
[0035][0036]
式中，是模糊系统的参数，其初始值为0.3；
[0037]
③
参数更新：通过梯度下降算法对网络参数进行更新，首先，定义网络的误差函数为：
[0038][0039]
式中，yq(k)是第k个样本输入时的第q个实际输出；
[0040]
隶属度函数的中心c
ij
(k)与宽度b
ij
(k)、模糊系统参数的学习过程如下：
[0041][0042]
[0043][0044]
式中，η为被控对象模型的学习率，其值为0.001，c
ij
(k+1)、b
ij
(k+1)和分别为第k+1个样本输入时网络隶属函数层的中心、宽度和模糊系统参数，完成本次参数更新后，令k＝k+1，重复步骤
①
～
③
，直至训练样本全部输入，当训练次数达到500次以上时，模型误差收敛，将此时的模型确立为被控对象模型；
[0045]
(4)控制器设计：构建多变量自抗扰模糊神经控制器，设计原理是通过求解干燥段炉排速度与一次风流量的控制率，以实现对烟气含氧量与炉膛温度的同步跟踪控制，同时，将二次风流量作为干扰变量用于测试控制器的鲁棒性，对其数学描述如下：
[0046]
①
定义控制器输入为：
[0047][0048]
式中，为t时刻的烟气含氧量跟踪误差，e
t
(t)为t时刻的炉膛温度跟踪误差，为烟气含氧量的误差变化率，
△et
(t)为炉膛温度的误差变化率，其计算公式为：
[0049][0050]
式中，r
t
(t)分别为烟气含氧量与炉膛温度的设定值，分别为烟气含氧量和炉膛温度的被控对象模型预测值，为t-1时刻的烟气含氧量跟踪误差，e
t
(t-1)为t-1时刻的炉膛温度跟踪误差；
[0051]
②
计算控制器的共享规则层输出为：
[0052][0053]
式中，c表示控制器，m
′
为控制器的隐含层神经元数量，m
′
为20，νi′
(t)为控制器输入，即νi′
(t)∈ν(t)，和分别为控制器隶属函数层的中心和宽度，n
′
为控制器输入层的神经元数量，n
′
为4；
[0054]
③
计算控制器的输出层权重为：
[0055][0056]
④
计算控制器的后件参数为：
[0057][0058]
式中，为控制器网络的模糊系统参数，其初值为0.001，q
′
为控制器网络的输出个数，其值为2；
[0059]
⑤
控制器网络的输出为操作量的控制率，其计算方法为：
[0060][0061]
⑥
将得到的控制率用于修正t+1时刻的操作量，其计算方法为：
[0062]
uq′
(t+1)＝uq′
(t)+
△
uq′
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0063]
式中，uq′
(t)为t时刻的操作量。
[0064]
本发明的创造性主要体现在：
[0065]
(1)本发明基于焚烧机理与专家知识融合的方法对控制特性进行了分析，通过皮尔森相关系数选取了关键变量；
[0066]
(2)本发明采用数据驱动的方法建立了基于多输入多输出takagi-sugeno模糊神经网络的被控对象模型，构建被控对象模型具有多任务学习能力，能够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；
[0067]
(3)本发明构建了多变量自抗扰模糊神经控制器，控制器能够在存在干扰的情况下，通过求解干燥炉排速度与一次风总流量的控制率，实现了烟气含氧量与炉膛温度的同步跟踪控制；
附图说明
[0068]
图1是本发明的城市固废焚烧过程控制系统图
[0069]
图2是本发明的多变量自抗扰控制器结构图
[0070]
图3是本发明的炉膛温度设定值跟踪控制结果图
[0071]
图4是本发明的烟气含氧量设定值跟踪控制结果图
[0072]
图5是本发明的炉膛温度跟踪控制误差图
[0073]
图6是本发明的烟气含氧量跟踪控制误差图
[0074]
图7是本发明的一次风总流量自校正过程图
[0075]
图8是本发明的干燥炉排速度自校正过程图
具体实施方式
[0076]
本发明获得了一种基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法，基于焚烧机理与专家知识融合的方法对控制特性进行了分析，通过皮尔森相关系数选取了关键变量，建立了多输入多输出takagi-sugeno模糊神经网络构建了被控对象模型，并在此基础上构建了多变量自抗扰模糊神经控制器，控制器能够在存在干扰的情况下，通过求解干燥炉排速度与一次风总流量的控制率，实现了烟气含氧量与炉膛温度的同步跟踪控制；
[0077]
本发明采用了如下的技术方案及实现步骤：
[0078]
基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法包括以下步骤：
[0079]
1.基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法，其特征在于，包括以下步骤：
[0080]
(5)城市固废焚烧过程数据：采集固废焚烧厂的实际运行数据，采样间隔为1秒，从获取的数据集中提取关键操作变量：干燥段炉排速度、燃烧ⅰ段炉排速度、燃烧ⅱ段炉排速度、燃烬段炉排速度、一次风流量、二次风流量、干燥段炉排左前侧空气流量、干燥段炉排右
前侧空气流量、干燥段炉排左后侧空气流量、干燥段炉排右后侧空气流量、燃烧ⅰ段炉排左前侧空气流量、燃烧ⅰ段炉排右前侧空气流量、燃烧ⅰ段炉排左后侧空气流量、燃烧ⅰ段炉排右后侧空气流量、燃烧ⅱ段炉排左前侧空气流量、燃烧ⅱ段炉排右前侧空气流量、燃烧ⅱ段炉排左后侧空气流量、燃烧2段炉排右后侧空气流量、燃烬段炉排左侧空气流量、燃烬段炉排右侧空气流量，提取关键被控变量：烟气含氧量、炉膛温度，提取关键运行指标：主蒸汽流量；
[0081]
(6)相关性分析：由燃烧三要素可知，燃烧反应的必要条件包括可燃物、助燃材料和点火源，在城市固废焚烧过程中，新入炉的固废依靠炉内前段固废引燃，空气流量与助燃材料相关，炉排速度与可燃物量相关，在此基础上，结合皮尔森相关系数ρ
uy
对数据之间的相关性进行计算，其定义式如下：
[0082][0083]
式中，n为样本总数，u
l
为操作量的样本数据，y
l
为被控量的样本数据；
[0084]
根据计算结果选取关键操作量为：一次风流量、干燥段炉排速度、二次风流量；
[0085]
(7)被控对象模型设计：构建基于多输入多输出takagi-sugeno模糊神经网络的被控对象模型，其由前件网络和后件网络组成，对其数学描述如下：
[0086]
①
前件网络：
[0087]
输入层：该层有n个神经元，n为3，当第k个样本输入时，该层输出为：
[0088]ii
(k),i＝1,2,...,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0089]
共享隶属函数层：该层有n
×
m个神经元，m为12，用于计算每个输入量对应的隶属度值，可表示为：
[0090][0091]
式中，c
ij
(k)为隶属函数的中心，b
ij
(k)为隶属函数的宽度，其初值为[0,2]之间均匀分布的随机实数；
[0092]
共享规则层：该层有m个神经元，其通过连乘算子计算每个规则神经元输出为：
[0093][0094]
对输出规则进行解模糊化后得到去模糊输出为：
[0095][0096]
后件层：该层有m
×
q个神经元，q为3，其作用是将后件网络得到的后件参数传递至输出层，将该层输出表示为其值由公式(8)得到；
[0097]
输出层：该层设有q个神经元，其作用是对该层输入参数执行加权求和，得到输出为：
[0098][0099]
②
后件网络：
[0100]
后件输入层：该层有n+1个神经元，当第k个样本输入时，该层输出为：
[0101]ii
(k),i＝0,1,...,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0102]
式中，第0个节点的输入为常数，即i0(k)＝1，用于增强网络平移能力，其余输入和前件网络的输入层相同；
[0103]
后件隐含层：该层有m个神经元，其作用是计算模糊规则后件参数，该层输出为：
[0104][0105]
式中，是模糊系统的参数，其初始值为0.3；
[0106]
③
参数更新：通过梯度下降算法对网络参数进行更新，首先，定义网络的误差函数为：
[0107][0108]
式中，yq(k)是第k个样本输入时的第q个实际输出；
[0109]
隶属度函数的中心c
ij
(k)与宽度b
ij
(k)、模糊系统参数的学习过程如下：
[0110][0111][0112][0113]
式中，η为被控对象模型的学习率，其值为0.001，c
ij
(k+1)、b
ij
(k+1)和分别为第k+1个样本输入时网络隶属函数层的中心、宽度和模糊系统参数，完成本次参数更新后，令k＝k+1，重复步骤
①
～
③
，直至训练样本全部输入，当训练次数达到500次以上时，模型误差收敛，将此时的模型确立为被控对象模型；
[0114]
(8)控制器设计：构建多变量自抗扰模糊神经控制器，设计原理是通过求解干燥段炉排速度与一次风流量的控制率，以实现对烟气含氧量与炉膛温度的同步跟踪控制，同时，将二次风流量作为干扰变量用于测试控制器的鲁棒性，对其数学描述如下：
[0115]
①
定义控制器输入为：
[0116][0117]
式中，为t时刻的烟气含氧量跟踪误差，e
t
(t)为t时刻的炉膛温度跟踪误差，为烟气含氧量的误差变化率，
△et
(t)为炉膛温度的误差变化率，其计算公式为：
[0118][0119]
式中，r
t
(t)分别为烟气含氧量与炉膛温度的设定值，分别为烟气含氧量和炉膛温度的被控对象模型预测值，为t-1时刻的烟气含氧量跟踪误差，e
t
(t-1)为t-1时刻的炉膛温度跟踪误差；
[0120]
②
计算控制器的共享规则层输出为：
[0121][0122]
式中，c表示控制器，m
′
为控制器的隐含层神经元数量，m
′
为20，νi′
(t)为控制器输入，即νi′
(t)∈ν(t)，和分别为控制器隶属函数层的中心和宽度，n
′
为控制器输入层的神经元数量，n
′
为4；
[0123]
③
计算控制器的输出层权重为：
[0124][0125]
④
计算控制器的后件参数为：
[0126][0127]
式中，为控制器网络的模糊系统参数，其初值为0.001，q
′
为控制器网络的输出个数，其值为2；
[0128]
⑤
控制器网络的输出为操作量的控制率，其计算方法为：
[0129][0130]
⑥
将得到的控制率用于修正t+1时刻的操作量，其计算方法为：
[0131]
uq′
(t+1)＝uq′
(t)+
△
uq′
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0132]
式中，uq′
(t)为t时刻的操作量。
[0133]
图1是本发明的城市固废焚烧过程控制系统图
[0134]
图2是本发明的多变量自抗扰控制器结构图
[0135]
图3是本发明的炉膛温度设定值跟踪控制结果图
[0136]
图4是本发明的烟气含氧量设定值跟踪控制结果图
[0137]
图5是本发明的炉膛温度跟踪控制误差图
[0138]
图6是本发明的烟气含氧量跟踪控制误差图
[0139]
图7是本发明的一次风总流量自校正过程图
[0140]
图8是本发明的干燥炉排速度自校正过程图
[0141]
图1为城市固废焚烧过程控制流程；图2为多变量自抗扰控制器结构；图3为炉膛温度设定值跟踪控制结果，x轴：时间，单位是s，y轴：炉膛温度，单位是℃，虚线为设定值、实线为跟踪结果；图4为烟气含氧量设定值控制跟踪结果，x轴：时间，单位是s，y轴：烟气含氧量，单位是％，虚线为设定值、实线为跟踪结果；图5为炉膛温度跟踪控制误差，x轴：时间，单位是s，y轴：炉膛温度，单位是℃；图6为烟气含氧量跟踪控制误差图，x轴：时间，单位是s，y轴：烟气含氧量，单位是％；图7为一次风总流量自校正过程，x轴：时间，单位是s，y轴：一次风总流量，单位是km3n/h；图8为干燥炉排速度自校正过程图，x轴：时间，单位是s，y轴：干燥炉排速度，单位是％；结果表明该控制器对城市固废焚烧过程多变量自抗扰控制的有效性。