固废焚烧过程炉温与烟气含氧量多目标预测方法及系统

本技术涉及固体废物焚烧，特别是涉及一种固废焚烧过程炉温与烟气含氧量多目标预测方法及系统。

背景技术：

1、城市固废焚烧处理技术具有占地面积小、处理时间短、资源回收利用率高等优势，是我国目前处理城市固废的首选方案。对于固废焚烧过程而言，炉温与烟气含氧量是反映固废焚烧质量的关键指标。为保证炉内固废与可燃性烟气的充分燃烧，炉温需稳定维持在850℃以上，余热锅炉出口的烟气含氧量需控制在6％～9％之间。因此，建立准确的炉温与烟气含氧量预测模型有利于现场操作人员及时掌握炉内固废的焚烧工况，从而保障固废焚烧过程平稳、高效运行。

2、目前，针对城市固废焚烧过程的炉温与烟气含氧量预测建模方法主要有机理建模与数据驱动建模两种。机理建模一般从物料守恒与能量守恒的角度出发，基于物理、化学方程式构建炉温与余热锅炉的解析模型，具备良好的可解释性。然而，固废焚烧过程十分复杂，部分参数的变化机理并不清晰，且受焚烧炉型不同、固废组分波动频繁等因素的影响，机理建模方法在城市固废焚烧过程参数预测建模领域难以推广应用。

3、随着传感器与存储技术的发展，固废焚烧过程的大量运行数据得以记录，这些在线或离线数据中隐含了设备与工艺参数的变化信息。因此，数据驱动的炉温与烟气含氧量预测建模方法得到研究人员的重视。数据驱动建模方法将研究对象的变化过程视为一个黑箱模型，其中以神经网络为代表的数据驱动建模技术较为典型。但是，在固废焚烧过程参数预测建模方面，目前已有的炉温与烟气含氧量预测建模方法大多是单目标建模，即分别对每个目标建立预测模型，这类单目标建模方法仅考虑单个指标的变化情况，不能根据多目标协同优化建立多目标的预测模型，难以为城市固废焚烧过程的多目标协同优化控制提供全面的预测信息，且未有效利用多目标间的相关来提升建模精度，导致最终也不能够根据预测模型精准预测炉温与烟气含氧量，无法使得现场操作人员及时掌握炉内固废的焚烧工况，不能为焚烧过程的优化控制提供保证，降低工作效率。

技术实现思路

1、本技术提供了一种固废焚烧过程炉温与烟气含氧量多目标预测方法及系统，该方法可以提高城市固废焚烧过程炉温与烟气含氧量变化趋势的预测准确率，使得现场操作人员能够及时掌握炉内固废的焚烧工况，从而为焚烧过程的优化控制提供保证。

2、第一方面，本技术提供了一种固废焚烧过程炉温与烟气含氧量多目标预测方法，该方法包括：采集焚烧炉的特征数据和当前时刻的炉温与烟气含氧量，并构建训练集及测试集；基于所述焚烧炉的训练集训练随机配置网络预测模型；将测试集输入到训练完成的预测模型，并记录预测模型的输出值，以验证预测模型的预测精度。

3、可选的是，在步骤所述采集焚烧炉的特征数据和当前时刻的炉温与烟气含氧量，并构建训练集中，所述焚烧炉的特征数据包括但不限于：进料器数据、干燥段炉数据、燃烧段炉数据、燃烬段炉数据、一次风量、一次风压以及一次风温。

4、可选的是，所述采集焚烧炉的特征数据和当前时刻的炉温与烟气含氧量，并构建训练集，包括：将采集的所述焚烧炉的特征数据和当前时刻的炉温与烟气含氧量作为输入变量x，炉温与烟气含氧量作为输出变量y，构建样本数量为n的训练集d，通过公式(1)进行描述：

5、

6、式中，n表示训练集d中的第n组数据，r表示实数域，k表示训练集d的输入特征数量；

7、对所述训练集中的各个特征变量进行归一化处理，通过公式(2)进行描述，

8、

9、式中，k＝1，2，…，k+1；n＝1,2，…，n，此处n表示训练样本容量；表示归一化后第n个样本的第k个特征变量值，min(x1，k,…,xn,k)表示训练集d中第k个特征变量的最小值，max(x1,k,…,xn,k)表示训练集d中第k个特征变量的最大值，xn,k表示训练集d中的第n个训练样本的第k个特征变量的值。

10、可选的是，所述基于所述焚烧炉的训练集训练随机配置网络预测模型，包括：对随机配置网络预测模型的模型参数进行参数初始化；构造随机配置网络预测模型的隐含层；基于矩阵弹性网对随机配置网络预测模型的模型参数进行稀疏约束。

11、可选的是，所述对随机配置网络预测模型的模型参数进行参数初始化，包括：设置随机配置网络算法的最大隐含层神经元个数lmax，最大配置次数tmax，期望误差τ，隐含层参数配置范围υ，正则化系数λ与α。

12、可选的是，根据构造随机配置网络预测模型的隐含层，包括：设置标准前馈构造的隐含层第l个节点的输出通过公式(3)进行描述：

13、

14、式中，gl(·)表示隐含层第l个节点的神经元激活函数，wl与bl分别表示隐含层第l个节点的输入权值与偏置；

15、基于标准前馈构造的隐含层，设置级联构造的隐含层，其中级联构造的隐含层第l个节点的输出通过公式(4)进行描述：

16、

17、式中，qj表示隐含层第j个节点与其他隐含层节点之间的连接权值；

18、根据级联构造的隐含层，采用并行构造的方式构建随机配置网络预测模型的隐含层。

19、可选的是，所述根据级联构造的隐含层，采用并行构造的方式构建随机配置网络预测模型的隐含层，包括：采用并行构造时，随机配置网络预测模型的隐含层第l个节点的输出hl(x)，通过公式(5)进行描述：

20、

21、

22、式中，el-1(x)表示隐含层神经元数量为l-1时的网络残差，隐含层参数配置范围γ＝[0.9,0.99,0.999,0.9999,0.99999]，{μl}表示非负实数序列，且μl＝(1-r)/(l+1)。

23、可选的是，所述基于矩阵弹性网对随机配置网络预测模型的模型参数进行稀疏约束，包括：构建矩阵弹性网对随机配置网络预测模型的输出权值β进行稀疏约束，输出权值β的目标函数通过公式(7)描述：

24、

25、式中，λ与α表示正则化系数，分别取2-8、0.9；||·||2,1表示l2,1范数，输出权值β迭代求解的表达式通过公式(8)进行描述为：

26、

27、

28、其中，t表示迭代次数，i表示单位矩阵，迭代终止条件通过公式(10)进行描述：

29、||β*(t+1)-β*(t)||＜10-3     (10)。

30、可选的是，所述将测试样本输入到训练完成的预测模型，并记录预测模型的输出值，以验证预测模型的预测精度，包括：将测试样本输入到训练完成的预测模型，得到输出的炉温与烟气含氧量预测值；根据平均均方根误差评估方法，分别计算出炉温与烟气含氧量预测值与真实值的平均均方根误差，以验证预测模型的预测精度。

31、第二方面，本技术提供了一种固废焚烧过程炉温与烟气含氧量多目标预测系统，该系统包括：采集模块，用于采集焚烧炉的特征数据和对应时刻的炉温与烟气含氧量，并构建训练集及测试集；构建预测模型模块，用于基于所述焚烧炉的训练集训练随机配置网络预测模型；结果预测模块，用于将测试集输入到训练完成的预测模型，并记录预测模型的输出值，以验证预测模型的预测精度。

32、本技术至少具有以下优点：

33、根据本技术实施例所提供的技术内容，通过采集固废焚烧发电厂焚烧过程中产生的特征变量的历史数据，得到训练集及测试集，对训练集进行归一化处理，从而消除不同变量之间的量纲影响，获得统一化的训练集，统一数据标准以便于进行后续训练得到预测模型。采用并行构造的方式构建随机配置网络预测模型的隐含层，将训练集作为输入数据，不断学习训练得到预测模型，同时采用的并行构造方式也增强了模型的非线性学习能力，利用矩阵弹性网对随机配置网络预测模型的输出权值进行稀疏约束，以便利用炉温与烟气含氧量之间的相关性进一步提升建模精度，最终得到炉温与烟气含氧量多目标预测模型，该方法可以提高城市固废焚烧过程炉温与烟气含氧量变化趋势的预测准确率，使得现场操作人员能够及时掌握炉内固废的焚烧工况，从而为焚烧过程的优化控制提供保证。