循環流化床生活垃圾焚燒鍋爐入爐熱值實時預測系統及方法

循環流化床生活垃圾焚燒鍋爐入爐熱值實時預測系統及方法
【專利摘要】本發明公開了一種循環流化床生活垃圾焚燒鍋爐入爐熱值實時預測系統及方法，本發明利用循環流化床生活垃圾焚燒鍋爐的運行機理和運行歷史數據中隱含的知識，采用PSO算法、減法聚類算法和ANFIS算法集成建模的方法，構建了一種快速經濟的系統和方法對入爐垃圾熱值進行實時預測，避開了對垃圾成分進行離線測量的繁瑣工作，為鍋爐運行操作人員和電廠相關的管理人員判斷鍋爐的熱值提供新的途徑，同時能夠為電廠的自動控制系統提供熱值判斷信號。
【專利說明】
循環流化床生活垃圾焚燒鍋爐入爐熱值實時預測系統及方法
技術領域
[0001] 本發明涉及能源工程領域，特別地，涉及一種循環流化床生活垃圾焚燒鍋爐入爐 垃圾熱值實時預測系統及方法。
【背景技術】
[0002] 垃圾焚燒由于能夠良好實現垃圾處理技術的減容化、減量化、無害化和資源化，近 十幾年內，在國家相關產業政策的引導下，國內垃圾焚燒行業取得了蓬勃的發展。目前，CFB 垃圾焚燒技術已經在國內的多個城市進行了推廣應用，截止2013年，國內已建成垃圾焚燒 鍋爐60余臺，日處理垃圾量5.6萬噸，為我國的垃圾焚燒處理行業做出了重要的貢獻。然而 國內的城市生活垃圾多為混合收集，導致入廠、入爐垃圾成分較為復雜，表現出低熱偏值、 水分較高和波動性較大的特征。入爐垃圾熱值的波動性迫使運行人員頻繁地對鍋爐的運行 狀態進行調整，會給CFB垃圾焚燒鍋爐的運行帶來的不良的影響，尤其是對床溫的穩定控 制，當含水量很高、熱值極低的垃圾進入爐膛，會在短時間內造成床溫急劇降低，甚至熄火， 給鍋爐的安全穩定造成帶來隱患。因此，對入爐垃圾的熱值進行監測具有十分重要的意義。
[0003] 目前，還沒有一種可靠的垃圾熱值在線測量硬件設備應用于實際生產過程，常見 的垃圾熱值測量方法主要包括實驗法和軟測量方法。實驗方法主要是指采用彈式量熱計的 方法，該方法的測量結果精確，但該方法的樣品預處理和后續試驗過程耗時長、成本高，難 以滿足實際生產過程對實時性和持續性的要求。另一種方法主要是指基于離線試驗結果的 經驗計算模型，主要分為基于工業分析的熱值軟測量模型、基于元素分析的熱值軟測量模 型和基于垃圾物理組分的熱值軟測量模型，這三種類型模型都是通過對大量實驗結果進行 數據挖掘的得到的，有一定程度的可靠性。然而，這些方法自身就有實驗法的限制，而且，垃 圾是非均勻物質，所取樣品是否能夠代表入爐垃圾的特性難以確定。這種方法目前主要用 于離線的統計分析，難以勝任實時且不間斷熱值監測工作。因此，構建一種高效低成本的循 環流化床生活垃圾焚燒鍋爐入爐熱值的實時軟測量系統和方法具有十分重要的意義。

【發明內容】

[0004] 本發明的目的在于針對現有技術的不足，提供一種循環流化床生活垃圾焚燒鍋爐 入爐熱值實時預測系統及方法。
[0005] 本發明解決其技術問題所采用的技術方案是:一種循環流化床生活垃圾焚燒鍋爐 入爐熱值的實時預測系統。該系統與循環流化床鍋爐的集散控制系統相連，包括數據通訊 接口和上位機，所述上位機包括：
[0006] 第一信號采集模塊。該模塊用于采集CFB生活垃圾焚燒鍋爐在焚燒指定生活垃圾 時的運行工況狀態參數和操作變量，并組成垃圾熱值預測模型輸入變量的訓練樣本矩陣X (mXn)，m表示樣本個數，η表示變量的個數；
[0007] 數據預處理模塊。對X(mXn)進行粗大誤差處理和隨機誤差處理，以摒除那些并不 是反映鍋爐正常運行工況的虛假信息，將鍋爐停爐、壓火、給料機堵塞等異常工況排除掉， 為了避免預測模型的參數之間量綱和數量級的不同對模型性能造成的不良影響，訓練樣本 輸入變量均經過歸一化處理后映射到[0，1]區間內，得到標準化后的訓練樣本XlmXn)。預 處理過程采用以下步驟進行：
[0008] 1.1)根據拉伊達準則，剔除訓練樣本x(m X η)中的野值；
[0009] 1.2)剔除鍋爐停爐運行工況，鍋爐停爐時爐膛給煤機和給料機的開度為零，并且 爐膛中溫度接近常溫；
[0010] 1.3)剔除爐膛壓火運行狀況，鍋爐壓火時一次風機、二次風機引風機爐膛給煤機 和給料機的開度為零，但是爐膛密相區的溫度維持在350°C~450°C ;
[0011] 1.4)剔除給料機堵塞工況，給料機堵塞需要運行人員通過給料口的攝像頭拍攝的 畫面對給料情況進行判斷，給料機堵塞時，運行人員會顯著地調高給料機的開度，反映在運 行數據上，即給料機的開度大于35% ;
[0012] 1.5)數據歸一化處理。按照式(1)將數據變量映射到[0 1]的區間內。
[0013]
(I)
[0014]式中Xj表示第J變量所組成的向量，min()表示最小值，max()表示最大值。
[0015] 知識庫模塊。將彈筒量熱儀測得的垃圾熱值作為訓練樣本的輸出向量浐(mXl)。
[0016] 智能學習模塊。智能學習模塊是生活垃圾熱值預測系統的核心部分，該模塊采用 了粒子群優化算法(Particle Swarm 0ptimization，PS0)、減法聚類算法（Subtractive Clustering, SC)和模糊自適應神經網絡（Adaptive Neuro-Fuzzy Inference System, ANFIS)算法集成建模，對訓練樣本進行參數尋優和學習，構建能夠表征循環流化床生活垃 圾焚燒鍋爐入爐垃圾熱值特性的預測模型。該模型中利用減法聚類算法對樣本數據進行特 征提取，自適應的確定初始模糊規則和模糊神經網絡的初始結構參數，再結合最小二乘估 計法和誤差反向傳播算法對模糊神經網絡的參數進行學習訓練。在該模型中聚類半徑是影 響建模性能的關鍵參數，因此以預測精度為目標，利用PS0算法尋找聚類半徑的最優值。算 法步驟如下：
[0017] 2.1)初始化粒子群。以聚類半徑ra作為粒子，15個粒子作為一個種群，每個粒子隨 機賦予[0. 20.9]區間內的隨機值，其中第i個粒子的位置的向量標示為ri，i = 1，2，…，15;
[0018] 2.2)以^為聚類半徑，進行減法聚類分析。減法聚類算法用于對建模數據樣本的 空間進行初始劃分以及模糊規則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預設 聚類中心的數目，沒有充分利用樣本空間的蘊含的對象特征信息。而減法聚類算法是一種 基于山峰函數的聚類算法，它將每個數據點作為可能的聚類中心，并根據各個數據點周圍 的數據點密度來計算該點作為聚類中心的可能性。
[0019 ]每個數據點為聚類中心的可能性Pi由式(2)來定義：
[0020]
[0021]式中m表示η維輸入空間中全部的數據點數，Xi=[Xii，Xi2, . . .，Xin]、Xj=[Xji, XJ2,. . .，Χρ]是具體的數據點，η是一個正數，定義了該點的鄰域半徑，I I · I I符號表示歐式 距離。被選為聚類中心的點具有最高的數據點密度，同時該該數據點周圍的點被排除作為 聚類中心的可能性。第一個聚類中心為Xq，數據點密度為P。:。選出第一個聚類中心后，繼續 采用類似的方法確定下一個聚類中心，但需消除已有聚類中心的影響，修改密度指標的山 峰函數如下：
[0022]
[0023]其中，re定義了一個密度指標顯著減小的鄰域，為了避免出現十分接近的聚類中 心，Γ{!=1.5Γι。循環重復上述過程直到所有剩余數據點作為聚類中心的可能性低于某一閾 值δ，即 Pck/Pci〈S。
[0024] 2.3)ANFIS模型訓練。不失一般性，假定減法聚類算法得到兩個聚類中心(尤,?) 和(.?V得到兩條模糊規則：
[0027] ANFIS系統的第一層為系統的輸入層，由η個節點組成，它的作用是將輸入向量 <?,1^"、1；勺,/ = 1,2, - .?按原值傳遞到下一層。
[0028]第二層為模糊化層，由2η個節點組成，它的作用是計算各輸入分量屬于各語言變 量值模糊集合的隸屬函數￥，該層采用高斯函數進行模糊化處理，每個節點的輸出：
[0029]
[0030]式中，Cij和〇ij分別表不隸屬函數的中心和寬度。
[0031] 第三層共有兩個節點，每個節點代表一條模糊規則，他的作用是完成模糊邏輯的 "與"操作，采用product推理計算出每條規則的適應度值，即
[0032](5) ….'L. 廠1 廠*.2

[0033] 笛W層為咁一化層,書點數與第三層一樣，它所實現的是歸一化計算，即
[0034] (6、
[0035] 第五層為結論層，該層與第三層的節點數相同。其節點輸出為
[0036]
(7)
[0037] 第六層為輸出層及去模糊化層，只有一個節點，使用面積中心法進行解模糊，得到 網絡的最終輸出為
[0038] 1 : (8)
[0039] 對于模糊神經網絡模型的所有參數，采用混合最小二乘法的梯度下降算法進行學 習，步驟如下：
[0040] 2.3.1)在固定高斯型隸屬函數的中心和寬度的前提下，利用最小二乘法計算線性 結論參數lr，p};
[0041] 2.3.2)固定結論參數，采用誤差反向傳播算法對高斯函數的中心和寬度進行學習 可得：
[0042] (9)
[0043]
[0044] (Π )
[0045] 式中S為參數c和〇，qs為學習率，α為動量項，f為預測輸出，f*為實際輸出，E為平方 誤差和，η為迭代步數。利用訓練樣本數據，重復上述步驟，直到滿足誤差指標或者達到最大 訓練次數。
[0046] 2.4)計算適應度值。利用訓練得到的預測模型計算垃圾熱值J5,將垃圾熱值f與實 際測量值f進行比較，并以誤差平方和作為粒子的適應度值MSE，適應度計算公式如下：
[0047]
(12)
[0048] 2.5)更新極值。以適應度值為評價指標，比較當代粒子與上一代粒子之間的適應 度值大小，如果當前粒子的適應度值優于上一代，則將當前粒子的位置設置為個體極值，否 則個體極值保持不變。同時獲取當代所有粒子適應度值最優的粒子，并與上一代最優粒子 進行比較，如果當代最優粒子的適應度值優于上一代最優粒子的適應度值，則將當代粒子 的最優適應度值設置為全局最優值，否則全局最優值保持不變。
[0049] 2.6)更新粒子。根據最新的個體極值和全局極值，按照（13)式和（14)式更新粒子 的速度Vid (t )和位置Xid (t)。
[0050] vid(t+l) = ω vid(t)+ciri(pid-Xid(t) )+C2r2(pgd-Xid(t)) (13)
[0051] xid(t+l)=xid(t)+vid(t+l) (14)
[0052] t是粒子群優化算法的尋優代數。更進一步，為了改善基本粒子群算法容易陷入局 部極值和收斂速度慢的缺陷，在PS0算法的基礎上引進了動態加速常數 C1、C2和慣性權重ω :
[0056]其中，Tmax為最大尋優代數，comax為最大慣性權重，comin為最小慣性權重，辦、1? 2、1?3、 R4為常數。
[0057] 2.7)算法停止條件算法判定。判斷是否達到最大迭代次數或者到達預測精度的要 求，如果沒有達到則返回步驟2.2)，利用更新的聚類半徑繼續搜索，否則退出搜索。
[0058] 2.8)利用最終尋優得到的聚類半徑，對樣本進行聚類分析和ANFIS模型訓練，得到 達到訓練終止條件的ANFIS模型，即垃圾熱值預測模型。
[0059] 第二信號采集模塊。用于從數據庫中選擇需要預測垃圾熱值的運行工況，或者實 時地采集當前鍋爐的運行工況。
[0060] 預測模塊。該模塊用于對指定的樣本進行垃圾熱值的預測，或者對當前鍋爐運行 工況下的垃圾熱值進行實時預測。
[0061] 結果顯示模塊。顯示垃圾熱值的預測結果，或者對垃圾熱值的預測結果進行統計 分析。
[0062] -種循環流化床生活垃圾焚燒入爐垃圾熱值實時預測方法，該方法包括以下步 驟：
[0063] 1)選擇變量并采集樣本:利用生活垃圾在循環流化床鍋爐中焚燒的機理，選擇垃 圾熱值預測模型的輸入變量，選擇時綜合考慮以下策略:a)入爐燃料是由煤和垃圾組成的， 對同一種煤，熱值是比較穩定的，所以運行人員在判斷入爐生活垃圾熱值的高低的時候會 將當前給煤量考慮進去;b)運行人員在司爐的時候，有一個重要的任務就是將床溫控制在 850°C~950°C之間，生活垃圾入爐后床溫的變化情況是判斷其熱值最直接的參考依據，在 其它運行參數不變的情況下，如果垃圾入爐后床溫呈現出降低的趨勢，要維持同樣水平的 床溫時，投入的給煤量越多，則垃圾的含水率越高，熱值越低，反之則垃圾的熱值越高；c) CFB生活垃圾焚燒鍋爐采用分級送風的方式，密相區處于缺氧燃燒的狀態，而生活垃圾中揮 發分含量占有較高的比重，通常是固定碳含量的5~7倍，同時，垃圾中水分會降低揮發分的 燃燒速率，大量的揮發分在爐膛的中部和上部燃燒，產生的熱煙氣會提高爐膛出口的溫度。 如果生活垃圾進入爐膛后，在未改變其它燃燒參數的狀況下，爐膛出口的溫度呈現降低的 趨勢，則表明入爐垃圾中揮發分的含量降低，垃圾熱值降低，反之則說明垃圾的熱值升高； d)在考慮床溫、稀相區溫度和爐膛出口溫度的變化趨勢時，需要將這些溫度的變化程度和 溫度水平同時考慮在內；e)鍋爐在運行過程中會根據爐內流化狀況、煙氣含氧量和爐膛溫 度等參數調整一二次風量，影響生活垃圾在爐內的燃燒過程，所以要綜合考慮風量變化帶 來的影響;f)入爐燃料的熱值最終反映在鍋爐的蒸發量上，如果垃圾的熱值穩定，則鍋爐的 蒸發量與垃圾給料之間呈現正相關的關系；在給煤量和垃圾給料量一定的情況下，如果蒸 發量呈現下降的趨勢，意味著這段時間內垃圾的熱值偏低;反之，若鍋爐的蒸汽品質長期維 持在較高的水平，說明垃圾的熱值較高。因此，在構建CFB生活垃圾焚燒鍋爐入爐垃圾熱值 預測模型過程中，將垃圾給料量、給煤量、爐膛床溫平均溫度、床溫平均溫度變化速率、爐膛 出口煙溫、爐膛出口溫度變化速率、主蒸汽溫度、主蒸汽流量、主蒸汽壓力、一次風量、二次 風量作為垃圾熱值預測模型的輸入變量。
[0064] 按設定的時間間隔從數據庫中采集鍋爐的運行狀態參數和操作變量的歷史數據， 并組成垃圾熱值預測模型輸入變量的訓練樣本矩陣X(mXn)，m表示樣本個數，η表示變量的 個數，同時將與試驗工況相對對應的垃圾熱值作為模型輸出變量的輸出樣本Y(mX 1);
[0065] 2)數據預處理。對X(mXn)進行粗大誤差處理和隨機誤差處理，以摒除那些并不是 反映鍋爐正常運行工況的虛假信息，將鍋爐停爐、壓火、給料機堵塞等異常工況排除掉，為 了避免預測模型的參數之間量綱和數量級的不同對模型性能造成的不良影響，訓練樣本輸 入變量均經過歸一化處理后映射到[0，1]區間內，得到標準化后的輸入變量的訓練樣本)T (mXn)和輸出變量的訓練樣本浐(mXl)。預處理過程采用以下步驟進行：
[0066] 2.1)根據拉伊達準則，剔除訓練樣本X(mXn)和Y(mXl)中的野值；
[0067] 2.2)剔除鍋爐停爐運行工況，鍋爐停爐時爐膛給煤機和給料機的開度為零，并且 爐膛中溫度接近常溫；
[0068] 2.3)剔除爐膛壓火運行狀況，鍋爐壓火時一次風機、二次風機引風機爐膛給煤機 和給料機的開度為零，但是爐膛密相區的溫度維持在350°C~450°C ;
[0069] 2.4)剔除給料機堵塞工況，給料機堵塞需要運行人員通過給料口的攝像頭拍攝的 畫面對給料情況進行判斷，給料機堵塞時，運行人員會顯著地調高給料機的開度，反映在運 行數據上，即給料機的開度大于35% ;
[0070] 2.5)數據歸一化處理。按照式(1)將數據變量映射到[0 1]的區間內。
[0071] (1)
[0072]
[0073] 式中Xj表示第J變量所組成的向量，min()表示最小值，max()表示最大值。
[0074] 3)智能算法集成建模。采用粒子群優化算法(Particle Swarm Optimization, PSO)、減法聚類算法（Subtractive Clustering，SC)和模糊自適應神經網絡（Adaptive Neuro-Fuzzy Inference System,ANFIS)算法集成建模，對訓練樣本進行參數尋優和學習， 構建能夠表征循環流化床生活垃圾焚燒鍋爐入爐垃圾熱值特性的預測模型。該模型中利用 減法聚類算法對樣本數據進行特征提取，自適應的確定初始模糊規則和模糊神經網絡的初 始結構參數，再結合最小二乘估計法和誤差反向傳播算法對模糊神經網絡的參數進行學習 訓練。在該模型中聚類半徑是影響建模性能的關鍵參數，因此以預測精度為目標，利用PS0 算法尋找聚類半徑的最優值。算法步驟如下：
[0075] 3.1)初始化粒子群。以聚類半徑作為粒子，15個粒子作為一個種群，每個粒子隨 機賦予[0. 20.9]區間內的隨機值，其中第i個粒子的位置的向量標示為ri，i = 1，2，…，15;
[0076] 3.2)以^為聚類半徑，進行減法聚類分析。減法聚類算法用于對建模數據樣本的 空間進行初始劃分以及模糊規則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預設 聚類中心的數目，沒有充分利用樣本空間的蘊含的對象特征信息。而減法聚類算法是一種 基于山峰函數的聚類算法，它將每個數據點作為可能的聚類中心，并根據各個數據點周圍 的數據點密度來計算該點作為聚類中心的可能性。
[0077] 每個數據點Xi作為聚類中心的可能性Pi由式(2)來定義：
[0078] J-' W + ，
[0079] 式中m表示η維輸入空間中全部的數據點數，Χ?=[Χη，Χ?2, . . .，Χ?η]、Χ」=[ΧΜ， 心2, . . .，Xjn]是具體的數據點，η是一個正數，定義了該點的鄰域半徑，I I · I I符號表示歐式 距離。被選為聚類中心的點具有最高的數據點密度，同時該該數據點周圍的點被排除作為 聚類中心的可能性。第一個聚類中心為X C1，數據點密度為Pcl。選出第一個聚類中心后，繼續 采用類似的方法確定下一個聚類中心，但需消除已有聚類中心的影響，修改密度指標的山 峰函數如下：
[0080]
[0081] 其中，re定義了一個密度指標顯著減小的鄰域，為了避免出現十分接近的聚類中 心，Π !=1.5Γι。循環重復上述過程直到所有剩余數據點作為聚類中心的可能性低于某一閾 值δ，即 Pck/Pci〈S。
[0082] 3.3)ANFIS模型訓練。不失一般性，假定減法聚類算法得到兩個聚類中心(XK) 和(r:· Κ：)，得到兩條模糊規則：
[0085] ANFIS系統的第一層為系統的輸入層，由η個節點組成，它的作用是將輸入向量 …,.\'__],/=1.2,-_-，按原值傳遞到下一層。
[0086]第二層為模糊化層，由2η個節點組成，它的作用是計算各輸入分量屬于各語言變 量值模糊集合的隸屬函數片>，該層采用高斯函數進行模糊化處理，每個節點的輸出：
[0087]
(4)
[0088]式中，Cij和〇ij分別表不隸屬函數的中心和寬度。
[0089] 第三層共有兩個節點，每個節點代表一條模糊規則，他的作用是完成模糊邏輯的 "與"操作，采用product推理計算出每條規則的適應度值，即
[0090](5) ζ·. j· 1 / z t
zn
[0091] 第四層為歸一化層，節點數與第三層一樣，它所實現的是歸一化計算，即
[0092] (6、
[0093] 第五層為結論層，該層與第三層的節點數相同。其節點輸出為
[0094]
(7)
[0095] 第六層為輸出層及去模糊化層，只有一個節點，使用面積中心法進行解模糊，得到 網絡的最終輸出為
[0096] 0<)
[0097] 對于模糊神經網絡模型的所有參數，采用混合最小二乘法的梯度下降算法進行學 習，步驟如下：
[0098] 3.3.1)在固定高斯型隸屬函數的中心和寬度的前提下，利用最小二乘法計算線性 結論參數lr，p};
[0099] 3.3.2)固定結論參數，采用誤差反向傳播算法對高斯函數的中心和寬度進行學習 可得：
(9) (11)
[0103] 式中S為參數c和〇，ns為學習率，α為動量項，f為預測輸出，f*為實際輸出，E為平方 誤差和，η為迭代步數。利用訓練樣本數據，重復上述步驟，直到滿足誤差指標或者達到最大 訓練次數。
[0104] 3.4)計算適應度值。利用訓練得到的預測模型計算垃圾熱值f，將垃圾熱值|與實 際測量值f進行比較，并以誤差平方和作為粒子的適應度值MSE，適應度計算公式如下：
[0105]
(12)
[0106] 3.5)更新極值。以適應度值為評價指標，比較當代粒子與上一代粒子之間的適應 度值大小，如果當前粒子的適應度值優于上一代，則將當前粒子的位置設置為個體極值，否 則個體極值保持不變。同時獲取當代所有粒子適應度值最優的粒子，并與上一代最優粒子 進行比較，如果當代最優粒子的適應度值優于上一代最優粒子的適應度值，則將當代粒子 的最優適應度值設置為全局最優值，否則全局最優值保持不變。
[0107] 3.6)更新粒子。根據最新的個體極值和全局極值，按照（13)式和（14)式更新粒子 的速度Vid (t )和位置Xid (t)。
[0108] vid(t+l) = ω vid(t)+ciri(pid-Xid(t) )+C2r2(pgd-Xid(t)) (13)
[0109] xid(t+l)=xid(t)+vid(t+l) (14)
[0110] t是粒子群優化算法的尋優代數。更進一步，為了改善基本粒子群算法容易陷入局 部極值和收斂速度慢的缺陷，在PS0算法的基礎上引進了動態加速常數 C1、C2和慣性權重ω :
[0114] 其中，Tmax為最大尋優代數，comax為最大慣性權重，comin為最小慣性權重， R4為常數。
[0115] 3.7)算法停止條件算法判定。判斷是否達到最大迭代次數或者到達預測精度的要 求，如果沒有達到則返回步驟3.2)，利用更新的聚類半徑繼續搜索，否則退出搜索。
[0116] 3.8)利用最終尋優得到的聚類半徑，對樣本進行聚類分析和ANFIS模型訓練，得到 達到訓練終止條件的ANFIS模型，即垃圾熱值預測模型。
[0117] 4)預測熱值。對指定的樣本進行垃圾熱值的預測，或者對當前鍋爐運行工況下的 垃圾熱值進行實時預測。
[0118] 本發明的有益效果主要表現在:利用循環流化床生活垃圾焚燒鍋爐的運行機理和 運行歷史數據中隱含的知識，采用PS0算法、減法聚類算法和ANFIS算法集成建模的方法，構 建了一種快速經濟的系統和方法對入爐垃圾熱值進行實時預測，避開了對垃圾成分進行離 線測量的繁瑣工作，為鍋爐運行操作人員和電廠相關的管理人員判斷鍋爐的熱值提供新的 途徑，同時能夠為電廠的自動控制系統提供熱值判斷信號。
【附圖說明】
[0119] 圖1是本發明所提出的系統的結構圖。
[0120] 圖2是本發明所提出的上位機系統的結構圖。
[0121] 圖3是本發明所采用ANFIS模型的系統結構圖。
[0122] 圖4是本發明所提出的智能建模方法的流程圖。
【具體實施方式】
[0123] 下面結合附圖和實施例對本發明作進一步說明。
[0124] 實施例1
[0125] 參照圖1、圖2、圖3、圖4,本發明提供的一種循環流化床生活垃圾焚燒鍋爐入爐垃 圾熱值實時預測系統，包括循環流化床生活垃圾焚燒鍋爐，用于該鍋爐運行控制的集散控 制系統，數據通訊接口，數據庫以及上位機。數據庫通過數據通訊接口從集散控制系統中讀 取數據，并用于上位機的訓練學習和測試，上位機通過數據通訊接口與集散控制系統進行 數據交換，所述的上位機包括離線學習、驗證部分和在線入爐垃圾熱值預測部分。離線學 習、驗證部分包括：
[0126] 第一信號采集模塊:該模塊用于采集CFB生活垃圾焚燒鍋爐在焚燒指定生活垃圾 時的運行工況狀態參數和操作變量，并組成垃圾熱值預測模型輸入變量的訓練樣本矩陣X (mXn)，m表示樣本個數，η表示變量的個數；。
[0127] 數據預處理模塊:對X(m X η)進行粗大誤差處理和隨機誤差處理，以摒除那些并不 是反映鍋爐正常運行工況的虛假信息，將鍋爐停爐、壓火、給料機堵塞等異常工況排除掉， 為了避免預測模型的參數之間量綱和數量級的不同對模型性能造成的不良影響，訓練樣本 輸入變量均經過歸一化處理后映射到[0，1]區間內，得到標準化后的訓練樣本XlmXn)。預 處理過程采用以下步驟進行：
[0128] 1.1)根據拉伊達準則，剔除訓練樣本X(m X η)中的野值；
[0129] 1.2)剔除鍋爐停爐運行工況，鍋爐停爐時爐膛給煤機和給料機的開度為零，并且 爐膛中溫度接近常溫；
[0130] 1.3)剔除爐膛壓火運行狀況，鍋爐壓火時一次風機、二次風機引風機爐膛給煤機 和給料機的開度為零，但是爐膛密相區的溫度維持在350°C~450°C ;
[0131] 1.4)剔除給料機堵塞工況，給料機堵塞需要運行人員通過給料口的攝像頭拍攝的 畫面對給料情況進行判斷，給料機堵塞時，運行人員會顯著地調高給料機的開度，反映在運 行數據上，即給料機的開度大于35% ;
[0132] 1.5)數據歸一化處理。按照式(1)將數據變量映射到[0 1]的區間內。
[0133]
(1，
[0134]式中Xj表示第J變量所組成的向量，min()表示最小值，max()表示最大值。
[0135] 知識庫模塊。
[0136] 將彈筒量熱儀測得的垃圾熱值作為垃圾熱值預測模型訓練樣本的輸出向量浐(m XI);
[0137] 智能學習模塊。
[0138] 智能學習模塊是生活垃圾熱值預測系統的核心部分，該模塊采用了粒子群優化算 法（Particle Swarm 0ptimization，PS0)、減法聚類算法（Subtractive Clustering,SC)和 模糊自適應神經網絡(Adaptive Neuro-Fuzzy Inference System,ANFIS)算法集成建模， 對訓練樣本進行參數尋優和學習，構建能夠表征循環流化床生活垃圾焚燒鍋爐入爐垃圾熱 值特性的預測模型。該模型中利用減法聚類算法對樣本數據進行特征提取，自適應的確定 初始模糊規則和模糊神經網絡的初始結構參數，再結合最小二乘估計法和誤差反向傳播算 法對模糊神經網絡的參數進行學習訓練。在該模型中聚類半徑是影響建模性能的關鍵參 數，因此以預測精度為目標，利用PS0算法尋找聚類半徑的最優值。算法步驟如下：
[0139] 2.1)初始化粒子群。以聚類半徑η作為粒子，15個粒子作為一個種群，每個粒子隨 機賦予[0.2 0.9]區間內的隨機值，其中第i個粒子的位置的向量標示為ri，i = 1，2，…，15;
[0140] 2.2)以^為聚類半徑，進行減法聚類分析。減法聚類算法用于對建模數據樣本的 空間進行初始劃分以及模糊規則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預設 聚類中心的數目，沒有充分利用樣本空間的蘊含的對象特征信息。而減法聚類算法是一種 基于山峰函數的聚類算法，它將每個數據點作為可能的聚類中心，并根據各個數據點周圍 的數據點密度來計算該點作為聚類中心的可能性。
[0141] 每個數據點Xi作為聚類中心的可能性Pi由式(2)來定義：
[0142]
[0143] 式中m表示η維輸入空間中全部的數據點數，Xi=[Xii，Xi2, . . .，Xin]、Xj=[Xji, XJ2,. . .，Χρ]是具體的數據點，η是一個正數，定義了該點的鄰域半徑，I I · I I符號表示歐式 距離。被選為聚類中心的點具有最高的數據點密度，同時該該數據點周圍的點被排除作為 聚類中心的可能性。第一個聚類中心為Xq，數據點密度為P。:。選出第一個聚類中心后，繼續 采用類似的方法確定下一個聚類中心，但需消除已有聚類中心的影響，修改密度指標的山 峰函數如下：
[0144]
[0145] 其中，re定義了一個密度指標顯著減小的鄰域，為了避免出現十分接近的聚類中 心，Γ{!=1.5Γι。循環重復上述過程直到所有剩余數據點作為聚類中心的可能性低于某一閾 值δ，即 Pck/Pci〈S。
[0146] 2.3)ANFIS模型訓練。不失一般性，假定減法聚類算法得到兩個聚類中心(Ζ；\?〇 和(ΛΚ)，得到兩條模糊規則：
[0149] ANFIS系統的第一層為系統的輸入層，由η個節點組成，它的作用是將輸入向量 Jf,…,1；1,/ = 1,2，-".謝按原值傳遞到下一層。
[0150] 第二層為模糊化層，由2n個節點組成，它的作用是計算各輸入分量屬于各語言變 量值模糊集合的隸屬函數亥層采用高斯函數進行模糊化處理，每個節點的輸出：
[0151]
(4)
[0152] 式中，(?和(?分別表示隸屬函數的中心和寬度。
[0153] 第三層共有兩個節點，每個節點代表一條模糊規則，他的作用是完成模糊邏輯的 "與"操作，采用product推理計算出每條規則的適應度值，即
[0154]
(5)
[0155] 第四層為歸一化層，節點數與第三層一樣，它所實現的是歸一化計算，即
[0156]
......- C6)
[0157] 第五層為結論層，該層與第三層的節點數相同。其節點輸出為
[0158] ......
… (7)
[0159] 第六層為輸出層及去模糊化層，只有一個節點，使用面積中心法進行解模糊，得到 網絡的最終輸出為
[0160] (8)
[0161] 對于模糊神經網絡模型的所有參數，采用混合最小二乘法的梯度下降算法進行學 習，步驟如下：
[0162] 2.3.1)在固定高斯型隸屬函數的中心和寬度的前提下，利用最小二乘法計算線性 結論參數lr，p};
[0163] 2.3.2)固定結論參數，采用誤差反向傳播算法對高斯函數的中心和寬度進行學習 可得：
[0164] (9)
[0165] AS(t)=S(t+l)-S(t) (10)
[0166] (Π)
[0167]式中S為參數c和〇，ru為學習率，α為動量項，f為預測輸出，f*為實際輸出，E為平方 誤差和，η為迭代步數。利用訓練樣本數據，重復上述步驟，直到滿足誤差指標或者達到最大 訓練次數。
[0168] 2.4)計算適應度值。利用訓練得到的預測模型計算垃圾熱值j)，將垃圾熱值i與實 際測量值f進行比較，并以誤差平方和作為粒子的適應度值MSE，適應度計算公式如下：
[0169]
(12)
[0170] 2.5)更新極值。以適應度值為評價指標，比較當代粒子與上一代粒子之間的適應 度值大小，如果當前粒子的適應度值優于上一代，則將當前粒子的位置設置為個體極值，否 則個體極值保持不變。同時獲取當代所有粒子適應度值最優的粒子，并與上一代最優粒子 進行比較，如果當代最優粒子的適應度值優于上一代最優粒子的適應度值，則將當代粒子 的最優適應度值設置為全局最優值，否則全局最優值保持不變。
[0171] 2.6)更新粒子。根據最新的個體極值和全局極值，按照（13)式和（14)式更新粒子 的速度Vid (t )和位置Xid (t)。
[0172] vid(t+l) = ω vid(t)+ciri(pid-Xid(t) )+C2r2(pgd-Xid(t)) (13)
[0173] xid(t+l)=xid(t)+vid(t+l) (14)
[0174] t是粒子群優化算法的尋優代數。更進一步，為了改善基本粒子群算法容易陷入局 部極值和收斂速度慢的缺陷，在PS0算法的基礎上引進了動態加速常數 C1、C2和慣性權重ω :
[0175]
[0176]
[0177]
[0178] 其中，Tmax為最大尋優代數，comax為最大慣性權重，comin為最小慣性權重， R4為常數。
[0179] 2.7)算法停止條件算法判定。判斷是否達到最大迭代次數或者到達預測精度的要 求，如果沒有達到則返回步驟2.2)，利用更新的聚類半徑繼續搜索，否則退出搜索。
[0180] 2.8)利用最終尋優得到的聚類半徑，對樣本進行聚類分析和ANFIS模型訓練，得到 達到訓練終止條件的ANFIS模型，即垃圾熱值預測模型。
[0181] 知識庫更新模塊。作為一種優選的方案，可以定期地更新知識庫，并對入爐垃圾熱 值預測模型進行訓練學習。
[0182] 第二信號采集模塊。用于從數據庫中選擇需要預測垃圾熱值的運行工況，或者實 時地采集當前鍋爐的運行工況。
[0183] 預測模塊。該模塊用于對指定的樣本進行垃圾熱值的預測，或者對當前鍋爐運行 工況下的垃圾熱值進行實時預測。
[0184] 結果顯示模塊。顯示垃圾熱值的預測結果，或者對垃圾熱值的進行統計分析。
[0185] 實施例2
[0186] 參照圖1、圖2、圖3、圖4,本發明提供的一種循環流化床生活垃圾焚燒鍋爐入爐垃 圾熱值預測方法，該方法包括以下步驟：
[0187] 1)選擇變量并采集樣本:利用生活垃圾在循環流化床鍋爐中焚燒的機理，選擇垃 圾熱值預測模型的輸入變量，選擇時綜合考慮以下策略:a)入爐燃料是由煤和垃圾組成的， 對同一種煤，熱值是比較穩定的，所以運行人員在判斷入爐生活垃圾熱值的高低的時候會 將當前給煤量考慮進去;b)運行人員在司爐的時候，有一個重要的任務就是將床溫控制在 850°C~950°C之間，生活垃圾入爐后床溫的變化情況是判斷其熱值最直接的參考依據，在 其它運行參數不變的情況下，如果垃圾入爐后床溫呈現出降低的趨勢，要維持同樣水平的 床溫時，投入的給煤量越多，則垃圾的含水率越高，熱值越低，反之則垃圾的熱值越高；c) CFB生活垃圾焚燒鍋爐采用分級送風的方式，密相區處于缺氧燃燒的狀態，而生活垃圾中揮 發分含量占有較高的比重，通常是固定碳含量的5~7倍，同時，垃圾中水分會降低揮發分的 燃燒速率，大量的揮發分在爐膛的中部和上部燃燒，產生的熱煙氣會提高爐膛出口的溫度。 如果生活垃圾進入爐膛后，在未改變其它燃燒參數的狀況下，爐膛出口的溫度呈現降低的 趨勢，則表明入爐垃圾中揮發分的含量降低，垃圾熱值降低，反之則說明垃圾的熱值升高； d)在考慮床溫、稀相區溫度和爐膛出口溫度的變化趨勢時，需要將這些溫度的變化程度和 溫度水平同時考慮在內；e)鍋爐在運行過程中會根據爐內流化狀況、煙氣含氧量和爐膛溫 度等參數調整一二次風量，影響生活垃圾在爐內的燃燒過程，所以要綜合考慮風量變化帶 來的影響;f)入爐燃料的熱值最終反映在鍋爐的蒸發量上，如果垃圾的熱值穩定，則鍋爐的 蒸發量與垃圾給料之間呈現正相關的關系；在給煤量和垃圾給料量一定的情況下，如果蒸 發量呈現下降的趨勢，意味著這段時間內垃圾的熱值偏低;反之，若鍋爐的蒸汽品質長期維 持在較高的水平，說明垃圾的熱值較高。因此，在構建CFB生活垃圾焚燒鍋爐入爐垃圾熱值 預測模型過程中，將垃圾給料量、給煤量、爐膛床溫平均溫度、床溫平均溫度變化速率、爐膛 出口煙溫、爐膛出口溫度變化速率、主蒸汽溫度、主蒸汽流量、主蒸汽壓力、一次風量、二次 風量作為垃圾熱值預測模型的輸入變量。
[0188] 按設定的時間間隔從數據庫中采集鍋爐的運行狀態參數和操作變量的歷史數據， 并組成垃圾熱值預測模型輸入變量的訓練樣本矩陣X(mXn)，m表示樣本個數，η表示變量的 個數，同時將與試驗工況相對對應的垃圾熱值作為模型輸出變量的輸出樣本Y(mX 1);
[0189] 2)數據預處理。對X(mXn)進行粗大誤差處理和隨機誤差處理，以摒除那些并不是 反映鍋爐正常運行工況的虛假信息，將鍋爐停爐、壓火、給料機堵塞等異常工況排除掉，為 了避免預測模型的參數之間量綱和數量級的不同對模型性能造成的不良影響，訓練樣本輸 入變量均經過歸一化處理后映射到[0，1]區間內，得到標準化后的輸入變量的訓練樣本)T (mXn)和輸出變量的訓練樣本浐(mXl)。預處理過程采用以下步驟進行：
[0190] 2.1)根據拉伊達準則，剔除訓練樣本X(mXn)和Y(mXl)中的野值；
[0191] 2.2)剔除鍋爐停爐運行工況，鍋爐停爐時爐膛給煤機和給料機的開度為零，并且 爐膛中溫度接近常溫；
[0192] 2.3)剔除爐膛壓火運行狀況，鍋爐壓火時一次風機、二次風機引風機爐膛給煤機 和給料機的開度為零，但是爐膛密相區的溫度維持在350°C~450°C ;
[0193] 2.4)剔除給料機堵塞工況，給料機堵塞需要運行人員通過給料口的攝像頭拍攝的 畫面對給料情況進行判斷，給料機堵塞時，運行人員會顯著地調高給料機的開度，反映在運 行數據上，即給料機的開度大于35% ;
[0194] 2.5)數據歸一化處理。按照式(1)將數據變量映射到[0 1]的區間內。
[0195] (1)
[0196]
[0197] 式中Xj表示第J變量所組成的向量，min()表示最小值，max()表示最大值。
[0198] 3)智能算法集成建模。采用粒子群優化算法(Particle Swarm Optimization, PSO)、減法聚類算法（Subtractive Clustering，SC)和模糊自適應神經網絡（Adaptive Neuro-Fuzzy Inference System,ANFIS)算法集成建模，對訓練樣本進行參數尋優和學習， 構建能夠表征循環流化床生活垃圾焚燒鍋爐入爐垃圾熱值特性的預測模型。該模型中利用 減法聚類算法對樣本數據進行特征提取，自適應的確定初始模糊規則和模糊神經網絡的初 始結構參數，再結合最小二乘估計法和誤差反向傳播算法對模糊神經網絡的參數進行學習 訓練。在該模型中聚類半徑是影響建模性能的關鍵參數，因此以預測精度為目標，利用PS0 算法尋找聚類半徑的最優值。算法步驟如下：
[0199] 3.1)初始化粒子群。以聚類半徑作為粒子，15個粒子作為一個種群，每個粒子隨 機賦予[0. 20.9]區間內的隨機值，其中第i個粒子的位置的向量標示為ri，i = 1，2，…，15;
[0200] 3.2)以^為聚類半徑，進行減法聚類分析。減法聚類算法用于對建模數據樣本的 空間進行初始劃分以及模糊規則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預設 聚類中心的數目，沒有充分利用樣本空間的蘊含的對象特征信息。而減法聚類算法是一種 基于山峰函數的聚類算法，它將每個數據點作為可能的聚類中心，并根據各個數據點周圍 的數據點密度來計算該點作為聚類中心的可能性。
[0201] 每個數據點Xi作為聚類中心的可能性Pi由式(2)來定義：
[0202]
[0203] 式中m表示η維輸入空間中全部的數據點數，Xi=[Xii，Xi2, . . .，Xin]、Xj=[Xji, 心2, . . .，Xjn]是具體的數據點，η是一個正數，定義了該點的鄰域半徑，I I · I I符號表示歐式 距離。被選為聚類中心的點具有最高的數據點密度，同時該該數據點周圍的點被排除作為 聚類中心的可能性。第一個聚類中心為X C1，數據點密度為Pcl。選出第一個聚類中心后，繼續 采用類似的方法確定下一個聚類中心，但需消除已有聚類中心的影響，修改密度指標的山 峰函數如下：
[0204]
[0205] 其中，訂定義了一個密度指標顯著減小的鄰域，為了避免出現十分接近的聚類中 心，Γ{!=1.5Γι。循環重復上述過程直到所有剩余數據點作為聚類中心的可能性低于某一閾 值δ，即 Pck/Pci0。
[0206] 3.3)ANFIS模型訓練。不失一般性，假定減法聚類算法得到兩個聚類中心 和(.\二κ：)，得到兩條模糊規則：
[0209] ANFIS系統的第一層為系統的輸入層，由η個節點組成，它的作用是將輸入向量 1;=[<，^,._.，尤;*]，）= 1,2，._.，"?按原值傳遞到下一層。
[0210] 第二層為模糊化層，由2η個節點組成，它的作用是計算各輸入分量屬于各語言變 量值模糊集合的隸屬函數科^該層采用高斯函數進行模糊化處理，每個節點的輸出：
[0211](4) υ
[0212]式中，Cij和〇ij分另Ij表不隸屬函數的中心和寬度。
[0213] 第三層共有兩個節點，每個節點代表一條模糊規則，他的作用是完成模糊邏輯的 "與"操作，采用product推理計算出每條規則的適應度值，即
[0214]
(、）
[0215] 第四層為歸一化層，節點數與第三層一樣，它所實現的是歸一化計算，即
[0216] (6)
[0217] 第五層為結論層，該層與第三層的節點數相同。其節點輸出為
[0218]
(7)
[0219] 第六層為輸出層及去模糊化層，只有一個節點，使用面積中心法進行解模糊，得到 網絡的最終輸出為
[0220] (8)
[0221] 對于模糊神經網絡模型的所有參數，采用混合最小二乘法的梯度下降算法進行學 習，步驟如下：
[0222] 3.3.1)在固定高斯型隸屬函數的中心和寬度的前提下，利用最小二乘法計算線性 結論參數lr，p};
[0223] 3.3.2)固定結論參數，采用誤差反向傳播算法對高斯函數的中心和寬度進行學習 可得：
[0224] (9)
[0225] AS(t)=S(t+l)-S(t) (10)
[0226] no
[0227]式中S為參數c和〇，ru為學習率，α為動量項，f為預測輸出，f*為實際輸出，E為平方 誤差和，η為迭代步數。利用訓練樣本數據，重復上述步驟，直到滿足誤差指標或者達到最大 訓練次數。
[0228] 3.4)計算適應度值。利用訓練得到的預測模型計算垃圾熱值#:，將垃圾熱值j)與實 際測量值f進行比較，并以誤差平方和作為粒子的適應度值MSE，適應度計算公式如下：
[0229]
(12)
[0230] 3.5)里新極值。以；ig應度值為評價指標，比較當代粒子與上一代粒子之間的適應 度值大小，如果當前粒子的適應度值優于上一代，則將當前粒子的位置設置為個體極值，否 則個體極值保持不變。同時獲取當代所有粒子適應度值最優的粒子，并與上一代最優粒子 進行比較，如果當代最優粒子的適應度值優于上一代最優粒子的適應度值，則將當代粒子 的最優適應度值設置為全局最優值，否則全局最優值保持不變。
[0231] 3.6)更新粒子。根據最新的個體極值和全局極值，按照（13)式和（14)式更新粒子 的速度Vid (t )和位置Xid (t)。
[0232] vid(t+l)= ω vid(t)+ciri(pid-Xid(t))+C2r2(Pgd-Xid(t)) (13)
[0233] xid(t+l)=xid(t)+vid(t+l) (14)
[0234] t是粒子群優化算法的尋優代數。更進一步，為了改善基本粒子群算法容易陷入局 部極值和收斂速度慢的缺陷，在PS0算法的基礎上引進了動態加速常數 C1、C2和慣性權重ω :
[0238] 其中，Tmax為最大尋優代數，comax為最大慣性權重，comin為最小慣性權重，辦、1? 2、1?3、 R4為常數。
[0239] 3.7)停止條件判定。判斷是否達到最大迭代次數或者到達預測精度的要求，如果 沒有達到則返回步驟3.2)，利用更新的聚類半徑繼續搜索，否則退出搜索。
[0240] 3.8)利用最終尋優得到的聚類半徑，對樣本進行聚類分析和ANFIS模型訓練，得到 達到訓練終止條件的ANFIS模型，即垃圾熱值預測模型。
[0241] 4)預測熱值。對指定的樣本進行垃圾熱值的預測，或者對當前鍋爐運行工況下的 垃圾熱值進行實時預測。
[0242] 本發明所提出的循環流化床鍋爐入爐垃圾熱值預測系統及方法，已通過上述具體 實施步驟進行了描述，相關技術人員明顯能在不脫離本
【發明內容】
、精神和范圍內對本文所 述的裝置和操作方法進行改動或適當變更與組合，來實現本發明技術。特別需要指出的是， 所有相類似的替換和改動對本領域的技術人員是顯而易見的，它們都會被視為包括在本發 明精神、范圍和內容中。
【主權項】
1. 一種循環流化床生活垃圾焚燒鍋爐入爐熱值實時預測系統，其特征在于，該系統與 循環流化床鍋爐的集散控制系統相連，包括數據通訊接口和上位機，所述上位機包括： 第一信號采集模塊，該模塊用于采集CFB生活垃圾焚燒鍋爐在焚燒指定生活垃圾時的 運行工況狀態參數和操作變量，并組成垃圾熱值預測模型輸入變量的訓練樣本矩陣X(mX n)，m表示樣本個數，η表示變量的個數； 數據預處理模塊，對訓練樣本X(mXn)進行粗大誤差處理和隨機誤差處理，剔除訓練樣 本中的野值，排除異常工況，將訓練樣本輸入變量經歸一化處理后映射到[〇，1]區間內，得 到歸一化后的訓練樣本XlmXn);所述的異常工況包括鍋爐停爐運行工況、爐膛壓火運行 狀況和給料機堵塞工況； 知識庫模塊，將彈筒量熱儀測得的垃圾熱值作為垃圾熱值預測模型訓練樣本的輸出向 量 Y*(mXl); 智能學習模塊，采用粒子群優化算法、減法聚類算法和模糊自適應神經網絡算法集成 建模，對訓練樣本進行參數尋優和學習，構建垃圾熱值預測模型;其實現步驟如下： 1) 初始化粒子群。以聚類半徑r。作為粒子，15個粒子作為一個種群，每個粒子隨機賦予 [0.20.9]區間內的隨機值，其中第i個粒子的位置的向量標示為ri，i = 1，2，…，15; 2) 以^為聚類半徑，進行減法聚類分析，將每個數據點作為可能的聚類中心，并根據各 個數據點周圍的數據點密度來計算該點作為聚類中心的可能性。 每個數據點Xi作為聚類中心的可能性Pi由式(2)來定義：(2) 式中m表示η維輸入空間中全部的數據點數，Xi=[Xu，Xi2, . . .，Xin]、Xj = [Xji，Xj2,...， XJn]是具體的數據點，η是一個正數，定義了該點的鄰域半徑，Μ · I I符號表示歐式距離。被 選為聚類中心的點具有最高的數據點密度，同時該該數據點周圍的點被排除作為聚類中心 的可能性。第一個聚類中心為X C1，數據點密度為P。:。選出第一個聚類中心后，繼續采用類似 的方法確定下一個聚類中心，但需消除已有聚類中心的影響，修改密度指標的山峰函數如 下：其中，r{S=1.5ri。循環重復上述過程直到所有剩余數據點作為聚類中心的可能性低于 某一閾值δ，即Pck/PcKS。 3. ANFIS模型訓練。根據減法聚類算法得到的聚類中心，按照ANFIS模型結構訓練垃圾 熱值預測模型；對于模糊神經網絡模型的所有參數，采用混合最小二乘法的梯度下降算法 進行學習。 4) 計算適應度值。利用訓練得到的預測模型計算垃圾熱值|，將垃圾熱值|與實際測量 值f進行比較，并以誤差平方和作為粒子的適應度值MSE，適應度計算公式如下： <12) 5) 更新極值。以適應度值為評價指標，比較當代粒子與上一代粒子之間的適應度值大 小，如果當前粒子的適應度值優于上一代，則將當前粒子的位置設置為個體極值，否則個體 極值保持不變。同時獲取當代所有粒子適應度值最優的粒子，并與上一代最優粒子進行比 較，如果當代最優粒子的適應度值優于上一代最優粒子的適應度值，則將當代粒子的最優 適應度值設置為全局最優值，否則全局最優值保持不變。 6) 更新粒子。根據最新的個體極值和全局極值，在PSO算法的基礎上引進動態加速常數 ci、C2和慣性權重ω，按照（13)式和（14)式更新粒子的速度Vid(t)和位置Xid(t)。 vid(t+l) = ω vid(t)+ciri(pid-xid(t) )+C2r2(pgd-xid(t)) (13) xid(t+l) = xid(t)+vid(t+l) (14)其中，t是粒子群優化算法的尋優代數，Tmax為最大尋優代數，ω max為最大慣性權重， ω min為最小慣性權重，Ri、R2、R3、R4為常數。 7) 停止條件判定。判斷是否達到最大迭代次數或者到達預測精度的要求，如果沒有達 到則返回步驟2.2)，利用更新的聚類半徑繼續搜索，否則退出搜索。 8) 利用最終尋優得到的聚類半徑，對樣本進行聚類分析和ANFIS模型訓練，得到達到訓 練終止條件的ANFIS模型，即垃圾熱值預測模型。 第二信號采集模塊，用于從數據庫中選擇需要預測垃圾熱值的運行工況，或者實時地 采集當前鍋爐的運行工況。 預測模塊，該模塊用于對指定的樣本進行垃圾熱值的預測，或者對當前鍋爐運行工況 下的垃圾熱值進行實時預測。 結果顯示模塊，顯示垃圾熱值的預測結果，或者對垃圾熱值的預測結果進行統計分析。2. -種循環流化床生活垃圾焚燒鍋爐入爐熱值實時預測方法，其特征在于，采用智能 的集成建模算法對垃圾熱值進行預測，該方法包括以下步驟： 1) 選擇變量并采集訓練樣本:將垃圾給料量、給煤量、爐膛床溫平均溫度、床溫平均溫 度變化速率、爐膛出口煙溫、爐膛出口溫度變化速率、主蒸汽溫度、主蒸汽流量、主蒸汽壓 力、一次風量、二次風量作為垃圾熱值預測模型的輸入變量;按設定的時間間隔從數據庫中 采集鍋爐的運行狀態參數和操作變量的歷史數據，并組成垃圾熱值預測模型輸入變量的訓 練樣本矩陣X(mXn)，m表示樣本個數，η表示變量的個數，同時將與試驗工況相對對應的垃 圾熱值作為模型輸出變量的輸出樣本Y(mX 1); 2) 訓練樣本預處理:對訓練樣本X(mXn)進行粗大誤差處理和隨機誤差處理，剔除訓練 樣本中的野值，排除異常工況，將訓練樣本輸入變量經歸一化處理后映射到[〇，1]區間內， 得到歸一化后的訓練樣本XlmXn);所述的異常工況包括鍋爐停爐運行工況、爐膛壓火運 行狀況和給料機堵塞工況； 3) 采用智能算法集成建模。采用粒子群優化算法、減法聚類算法和模糊自適應神經網 絡算法集成建模，對訓練樣本進行參數尋優和學習，構建垃圾熱值預測模型。具體步驟如 下： 3.1) 初始化粒子群。以聚類半徑r。作為粒子，15個粒子作為一個種群，每個粒子隨機賦 予[0.2 0.9]區間內的隨機值，其中第i個粒子的位置的向量標示為ri，i = 1，2，…，15; 3.2) &Γι為聚類半徑，進行減法聚類分析，將每個數據點作為可能的聚類中心，并根據 各個數據點周圍的數據點密度來計算該點作為聚類中心的可能性。 每個數據點Xi作為聚類中心的可能性Pi由式(2)來定義：式中m表示η維輸入空間中全部的數據點數，Xi=[Xu，Xi2, . . .，Xin]、Xj = [Xji，Xj2,...， XJn]是具體的數據點，η是一個正數，定義了該點的鄰域半徑，Μ · I I符號表示歐式距離。被 選為聚類中心的點具有最高的數據點密度，同時該該數據點周圍的點被排除作為聚類中心 的可能性。第一個聚類中心為X C1，數據點密度為P。:。選出第一個聚類中心后，繼續采用類似 的方法確定下一個聚類中心，但需消除已有聚類中心的影響，修改密度指標的山峰函數如 下：其中，r{S=1.5ri。循環重復上述過程直到所有剩余數據點作為聚類中心的可能性低于 某一閾值δ，即Pck/PcKS。 3.3) ANFIS模型訓練。根據減法聚類算法得到的聚類中心，按照ANFIS模型結構訓練垃 圾熱值預測模型；對于模糊神經網絡模型的所有參數，采用混合最小二乘法的梯度下降算 法進行學習。 3.4) 計算適應度值。利用訓練得到的預測模型計算垃圾熱值，.，將垃圾熱值j>與實際測 量值f進行比較，并以誤差平方和作為粒子的適應度值MSE，適應度計算公式如下：(12) 3.5) 更新極值。以適應度值為評價指標，比較當代粒子與上一代粒子之間的適應度值 大小，如果當前粒子的適應度值優于上一代，則將當前粒子的位置設置為個體極值，否則個 體極值保持不變。同時獲取當代所有粒子適應度值最優的粒子，并與上一代最優粒子進行 比較，如果當代最優粒子的適應度值優于上一代最優粒子的適應度值，則將當代粒子的最 優適應度值設置為全局最優值，否則全局最優值保持不變。 3.6) 更新粒子。根據最新的個體極值和全局極值，在PSO算法的基礎上引進動態加速常 數C1、c2和慣性權重ω，按照（13)式和（14)式更新粒子的速度v ld(t)和位置Xld(t)。 vid(t+l) = ω vid(t)+ciri(pid-xid(t) )+C2r2(pgd-xid(t)) (13) Xid(t+l)=Xid(t)+Vid(t+1 'i (14)其中，t是粒子群優化算法的尋優代數，Tmax為最大尋優代數，ω max為最大慣性權重， ω min為最小慣性權重，Ri、R2、R3、R4為常數。 3.7) 停止條件判定。判斷是否達到最大迭代次數或者到達預測精度的要求，如果沒有 達到則返回步驟3.2)，利用更新的聚類半徑繼續搜索，否則退出搜索。 3.8) 利用最終尋優得到的聚類半徑，對樣本進行聚類分析和ANFIS模型訓練，得到達到 訓練終止條件的ANFIS模型，即垃圾熱值預測模型。 4)預測熱值。對指定的樣本進行垃圾熱值的預測，或者對當前鍋爐運行工況下的垃圾 熱值進行實時預測。
【文檔編號】F23G5/44GK105864797SQ201610205867
【公開日】2016年8月17日
【申請日】2016年4月1日
【發明人】尤海輝, 馬增益, 唐義軍, 王月蘭, 倪明江, 嚴建華
【申請人】浙江大學