[发明专利]循环流化床生活垃圾焚烧锅炉入炉热值实时预测系统及方法

摘要

本发明公开了一种循环流化床生活垃圾焚烧锅炉入炉热值实时预测系统及方法，本发明利用循环流化床生活垃圾焚烧锅炉的运行机理和运行历史数据中隐含的知识，采用PSO算法、减法聚类算法和ANFIS算法集成建模的方法，构建了一种快速经济的系统和方法对入炉垃圾热值进行实时预测，避开了对垃圾成分进行离线测量的繁琐工作，为锅炉运行操作人员和电厂相关的管理人员判断锅炉的热值提供新的途径，同时能够为电厂的自动控制系统提供热值判断信号。

主权项

一种循环流化床生活垃圾焚烧锅炉入炉热值实时预测系统，其特征在于，该系统与循环流化床锅炉的集散控制系统相连，包括数据通讯接口和上位机，所述上位机包括：第一信号采集模块，该模块用于采集CFB生活垃圾焚烧锅炉在焚烧指定生活垃圾时的运行工况状态参数和操作变量，并组成垃圾热值预测模型输入变量的训练样本矩阵X(m×n)，m表示样本个数，n表示变量的个数；数据预处理模块，对训练样本X(m×n)进行粗大误差处理和随机误差处理，剔除训练样本中的野值，排除异常工况，将训练样本输入变量经归一化处理后映射到[0，1]区间内，得到归一化后的训练样本X*(m×n)；所述的异常工况包括锅炉停炉运行工况、炉膛压火运行状况和给料机堵塞工况；知识库模块，将弹筒量热仪测得的垃圾热值作为垃圾热值预测模型训练样本的输出向量Y*(m×1)；智能学习模块，采用粒子群优化算法、减法聚类算法和模糊自适应神经网络算法集成建模，对训练样本进行参数寻优和学习，构建垃圾热值预测模型；其实现步骤如下：1)初始化粒子群；以聚类半径rα作为粒子，15个粒子作为一个种群，每个粒子随机赋予[0.2，0.9]区间内的随机值，其中第i个粒子的位置的向量标示为ri，i＝1，2，…，15；2)以ri为聚类半径，进行减法聚类分析，将每个数据点作为可能的聚类中心，并根据各个数据点周围的数据点密度来计算该点作为聚类中心的可能性；每个数据点Xi作为聚类中心的可能性Pi由式(2)来定义：Pi=Σj=1mexp(-||Xi-Xj||2(ri/2)2)---(2)]]>式中m表示n维输入空间中全部的数据点数，Xi＝[Xi1,Xi2,...,Xin]、Xj＝[Xj1,Xj2,...,Xjn]是具体的数据点，ri是一个正数，定义了该点的邻域半径，||·||符号表示欧式距离；被选为聚类中心的点具有最高的数据点密度，同时该该数据点周围的点被排除作为聚类中心的可能性；第一个聚类中心为XC1，数据点密度为Pc1；选出第一个聚类中心后，继续采用类似的方法确定下一个聚类中心，但需消除已有聚类中心的影响，修改密度指标的山峰函数如下：Pi=Pi-Pc1exp(-||Xi-Xc1||2(rβ/2)2)---(3)]]>其中，rβ＝1.5ri；循环重复上述过程直到所有剩余数据点作为聚类中心的可能性低于某一阈值δ，即Pck/Pc1<δ，Pck为第k个聚类中心的数据点密度；3)ANFIS模型训练；根据减法聚类算法得到的聚类中心，按照ANFIS模型结构训练垃圾热值预测模型；对于模糊神经网络模型的所有参数，采用混合最小二乘法的梯度下降算法进行学习；4)计算适应度值；利用训练得到的预测模型计算垃圾热值将垃圾热值与实际测量值y*进行比较，并以误差平方和作为粒子的适应度值MSE，适应度计算公式如下：MSE=Σi=1m(y^-y*)2---(12)]]>5)更新极值；以适应度值为评价指标，比较当代粒子与上一代粒子之间的适应度值大小，如果当前粒子的适应度值优于上一代，则将当前粒子的位置设置为个体极值，否则个体极值保持不变；同时获取当代所有粒子适应度值最优的粒子，并与上一代最优粒子进行比较，如果当代最优粒子的适应度值优于上一代最优粒子的适应度值，则将当代粒子的最优适应度值设置为全局最优值，否则全局最优值保持不变；6)更新粒子；根据最新的个体极值和全局极值，在PSO算法的基础上引进动态加速常数c1、c2和惯性权重ω，按照(13)式和(14)式更新粒子的速度vid(t)和位置xid(t)；vid(t+1)＝ωvid(t)+c1r1(pid‑xid(t))+c2r2(pgd‑xid(t))  (13)xid(t+1)＝xid(t)+vid(t+1)   (14)ω=ωmax-ωmax-ωminTmaxt---(15)]]>c1=R1+R2×tTmax---(16)]]>c2=R3-R4×tTmax---(17)]]>其中，t是粒子群优化算法的寻优代数，Tmax为最大寻优代数，ωmax为最大惯性权重，ωmin为最小惯性权重，R1、R2、R3、R4为常数，r1和r2为介于(0,1)之间的随机系数，pid为第i个粒子的个体极值，pgd为种群的全局极值；7)停止条件判定；判断是否达到最大迭代次数或者到达预测精度的要求，如果没有达到则返回步骤2.2)，利用更新的聚类半径继续搜索，否则退出搜索；8)利用最终寻优得到的聚类半径，对样本进行聚类分析和ANFIS模型训练，得到达到训练终止条件的ANFIS模型，即垃圾热值预测模型；第二信号采集模块，用于从数据库中选择需要预测垃圾热值的运行工况，或者实时地采集当前锅炉的运行工况；预测模块，该模块用于对指定的样本进行垃圾热值的预测，或者对当前锅炉运行工况下的垃圾热值进行实时预测；结果显示模块，显示垃圾热值的预测结果，或者对垃圾热值的预测结果进行统计分析。