循环流化床生活垃圾焚烧锅炉床温预测方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106224939A(43)申请公布日2016.12.14(21)申请号201610611569.0(22)申请日2016.07.29(71)申请人浙江大学地址310027浙江省杭州市西湖区浙大路38号(72)发明人尤海辉马增益唐义军王月兰倪明江严建华(74)专利代理机构杭州求是专利事务所有限公司33200代理人刘静邱启旺(51)Int.Cl.F23C10/00(2006.01)F23C10/28(2006.01)F23G5/00(2006.01)F23G5/50(2006.01)权利要求书6页说明书18页附图3页(54)发明名称循环流化床生活垃圾焚烧锅炉床温预测方法及系统(57)摘要本发明公开了一种循环流化床生活垃圾焚烧锅炉床温预测方法及系统，在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的基础上，采用GammaTest算法、PSO算法、减法聚类算法和ANFIS算法集成建模的方法，对锅炉床温进行实时预测，避开了繁琐复杂的机理建模工作。整个建模过程逻辑清晰，需要设置的参数较少，建模自动化程度高，易于掌握和推广。同时，训练良好的ANFIS床温预测模型可以服务那些基于模型的控制算法，为循环流化床生活垃圾焚烧锅炉的ACC系统实施提供帮助。CN106224939ACN106224939A权利要求书1/6页1.一种循环流化床生活垃圾焚烧锅炉床温预测方法，其特征在于，该方法包括以下步骤：1)根据循环流化床生活垃圾焚烧锅炉的运行机理，选择垃圾的给料量、给煤量、一次风量、二次风量以及排渣量作为床温预测模型的输入变量；2)采集训练样本。按设定的时间间隔从数据库中采集输入变量的历史数据，或者采集指定工况下的运行参数，组成床温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，同时采集与之对应的床层温度作为模型的输出变量，取床温测点的平均值作为模型最终的输出训练样本Y(m×1)；3)数据预处理。对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，排除异常工况掉，将训练样本输入变量均经过归一化处理后映射到[0，1]区间内，得到标准化后的输入变量的训练样本X*(m×n)和输出变量的训练样本Y*(m×1)，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；4)智能算法集成建模。采用GammaTest算法、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，确定模型最终的输入变量的个数和训练样本的个数，并根据最终确定的训练样本进行参数寻优和学习，构建能够表征循环流化床生活垃圾焚烧锅炉床温特性的预测模型。具体步骤如下：4.1)利用GammaTest算法寻找最优的模型输入变量组合以及训练样本尺寸。GammaTest算法是对所有光滑函数均适用的非参数估计方法，该方法不关注输入输出数据之间的任何参数关系，只对输入输出数据进行计算即可得到模型的噪声方差，对于如下形式的数据集：{(Xi,Yi),1≤i≤m}(2)式中，X∈Rn表示输入，对应的输出标量为y∈R。GammaTest假定的模型关系是：y＝f(x1,…,xn)+r(3)式中，f是一个光滑函数，r是一个表示数据噪声的随机量。假定r的均值为0，方差为Var(y)。GammaTest通过计算统计量Γ，评价输出量的方差，如果数据的关系符合光滑模型，并且没有噪声，这个方差是0。Γ的计算过程如下：4.1.1)计算输入数据的距离统计量。用xi表示第i个输入数据，xN[i,k]表示输入样本的第k近邻域点，计算如下统计量：式中，|·|表示欧拉距离，p为最远邻近距离。4.1.2)计算输出数据的距离统计量。用yi表示第i个输出数据，yN[i,k]表示输出样本的第k近邻域点，计算如下统计量：4.1.3)计算统计量Γ。分别计算邻近距离从1到p的统计量(δm(1),γm(1))，(δm(2),γm(2))，…，(δm(p),γm(p))。对这p个统计量构造一元线性回归模型，用最小二乘法进行拟合，得到的一次线性函数的截距就是GammaTest统计量Γ。2CN106224939A权利要求书2/6页定义另一个统计量Vratio：2式中，δ(y)表示输出y的方差。Vratio可以用来评价光滑模型对该数据的模拟能力，Vratio越接近0，表示该模型的预测性能越好。首先，确定最优的训练样本尺寸。计算样本量逐渐增大时Γ值的变化情况，当Γ值趋于稳定时，得到的样本尺寸就是最优的训练样本尺寸。其次，确定最优的模型输入变量组合。需要计算所有输入变量组合时的Γ值和Vratio值，选择Γ值和Vratio值都很小的组合作为模型的最终输入变量。4.2)利用PSO算法寻找最优的聚类半径。以聚类半径r