[发明专利]一种垃圾焚烧过程的自动燃烧实时优化决策方法

摘要

一种垃圾焚烧过程的自动燃烧实时优化决策方法，涉及城市固体垃圾焚烧炉优化控制技术领域，通过关键被控变量(进料器速度和炉排速度)的优化决策，使自动燃烧控制系统运行在理想范围内，主要包括如下步骤：(1)根据焚烧过程的历史数据建立决策案例库；(2)构建训练模式池；(3)根据学习型伪度量准则训练随机配置网络从而获得随机配置网络检索模型；(4)将目标案例输入至随机配置网络检索模型得到K个相似案例的解；(5)通过案例重用求取K个相似案例解的平均值，从而得到目标案例解(进料器速度和炉排速度)的决策值并输出到焚烧过程控制系统；(6)重复上述的步骤(4)～步骤(5)，以实现焚烧过程的自动燃烧实时优化决策过程。

主权项

1.一种垃圾焚烧过程的自动燃烧实时优化决策方法，其特征在于，包括以下步骤：(1)根据焚烧过程的历史数据建立决策案例库；详细过程如下：将7个特征变量x₁～x₇的历史数据与相应的进料器速度y₁和炉排速度y₂表示成特征向量形式，形成p条源案例，存储于决策案例库中；其中干燥段风量x₁、燃烧1段炉排空气流量x₂、燃烧2段炉排空气流量x₃、锅炉出口主蒸汽流量x₄、一次风量x₅、一次燃烧室温度x₆、一次风机出口空气压力x₇；记每条源案例为C_k，表示为如下形式：C_k＝(X_k；Y_k)，k＝1，2，…，p     (1)其中，p是源案例总数；Y_k是第k条源案例C_k中的进料器速度及炉排速度值；X_k是第k条源案例的问题描述，X_k、Y_k表示为：其中，x_λ，k表示C_k中第λ个特征变量值，λ＝1，...，7；y_1，k、y_2，k分别表示进料器速度和炉排速度值；(2)构建训练模式池；对于式(2)中的问题描述X_k，k＝1，2，...，p，其中的每一个输入属性都有一个[0，1]区间内的实值数据；任意两个问题描述X_i和X_j之间的相似度由[0，1]之间的一个实数来衡量；为了使用随机配置网络建立相似度模型，定义模式池D如下：D＝{(x′，x″，δ(x′，x″))|(x′，x″)∈X_i×X_j，i＝1，...，p，j＝1，...，p}   (3)其中，×表示笛卡尔积，将任意两个问题描述X_i和X_j之进行组合得到(x′，x″)；δ(x′，x″)表示狄利克雷符号函数，当x′和x″完全相似时其值为0，否则为1；根据式(3)的定义，从案例库中存储的源案例构建出模式池D；(3)根据学习型伪度量准则训练随机配置网络从而获得随机配置网络检索模型；学习型伪度量就是通过学习技术实现x′和x″相似程度的伪度量；对于相似案例的检索来说，采用一个标准的随机配置网络进行处理时，网络的输出正好等于0或1几乎是不可能的，因而，采用以下学习型伪度量准则判断网络的性能；(A1)Y_NN(x′，x″)＜ε₁，当x′和x″相似；(A2)Y_NN(x′，x″)≥ε₂，当x′和x″不相似；(A3)|Y_NN(x′，x″)‑Y_NN(x″，x′)|≤ε₃，对任意的x′和x″；(A4)Y_NN(x′，x″′)≤Y_NN(x′，x″)+Y_NN(x″，x″′)，对任意的x″′，x′和x″不相似；其中，x′，x″和x″′表示由式(3)得到的问题描述；Y_NN(x′，x″)是随机配置网络的输出，表示x′和x″之间的相似程度；ε₁，ε₂，ε₃是常数，ε₁＝ε₃，取值为0.2～0.3，ε₂取值为0.7～0.8；利用随机配置网络首先要考虑网络的结构选择，即输入层和输出层的节点个数及隐含层神经元个数的选择；任意给定0＜r＜1和一个非负的实数序列{μ_L}，使μ_L≤(1‑r)；对于L＝1，2...，记作：其中，m为隐含层神经元的个数；δ_L，q为任意给定的L个隐含层神经元范围上的第q个神经元的值；||·||表示矩阵范数；e_L‑1，q为L‑1个隐含层神经元范围上的第q个神经元的偏差；如果在隐含层神经元的个数的选择中随机的基本函数g_L满足以下不等式：其中，g_L为随机的基本函数，满足∫_R|g_L(t)|²＜∞或者∫_R|g′_L(t)|²＜∞；任意偏置b_g∈R⁺正实数域；则随机配置网络的输出表示为：其中，任意函数f＝[f₁，f₂，...，f_m]：R^d→R^m，即实数域d→m，满足输出矩阵[β₁，β₂，...，β_L]为穆尔彭罗斯广义逆矩阵；根据学习型伪度量准则训练随机配置网络的过程，就是将模式池中产生的训练样本输入随机配置网络模型并按步骤(4)～步骤(6)进行训练的过程；模型的终止条件在训练集和测试集上观察是否以较高比例满足上述任一度量准则(A1‑A4)，此时，就将Y_NN(x，y)用于案例检索过程；(4)将目标案例输入至随机配置网络检索模型得到K个相似案例的解；将目标案例的问题描述X_p+1与源案例的问题描述X_k(k＝1，2，...，p)组成p个输入对，即：D_k：<X_p+1；X_k>，k＝1，2，…p     (7)再利用学习型伪度量准则训练输出p个Y_NN(X_p+1，X_k)，根据上述的度量准则A1，统计出与X_p+1相似的源案例个数，假设为K个；(5)通过案例重用求取K个相似案例解Y₁～Y_K的平均值，从而得到目标案例解包括进料器速度Y_1，p+1和炉排速度Y_2，p+1的决策值，并输出到焚烧过程控制系统；(6)重复上述的步骤(4)～步骤(5)，以实现焚烧过程的自动燃烧实时优化决策过程。