[发明专利]循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法

权利要求书

1.一种循环流化床生活垃圾焚烧锅炉NOx排放的实时预测系统，该系统与循环流化床锅炉的集散控制系统以及生产管理系统相连，包括数据通讯接口和上位机，在上位机中对NOx排放预测模型进行训练和更新，然后将训练好的模型通过通讯接口送往集散控制系统、生产管理系统，所述上位机包括：

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，所述异常工况包括锅炉停炉、压火、给料机堵塞，训练样本输入变量经过归一化处理后映射到[0，1]区间内，得到标准化后的训练样本X^*(m×n)；

专家知识库模块；采用滚动时间窗口的方法不断更新训练样本，使得训练样本始终保持在最新的状态上，滚动时间窗口方法是指从当前时间开始，回溯L(单位秒)长度的时间尺寸；

模型更新判定模块；检测当前预测模型的性能，当相对预测误差超过±5％时，则判定模型需要进行更新；

智能建模模块；该模块先利用引入单纯形算子的多种群粒子群算法对BP神经网络的初始权值和阈值进行寻优，然后将得到的最优初始权值阈值赋给BP神经网络模型，并以此为基础进行训练；具体步骤如下：

2.1)初始化算法参数；对BP神经网络模型和寻优算法的参数进行设置，包括BP神经网络的隐含层数hl、隐含层节点数hn、训练迭代次数gen1、学习率η、隐含层神经元激活函数类型；多种群粒子群算法的最大寻优代数T_max、最大惯性权重ω_max、最小惯性权重ω_min，速度更新系数R₁、R₂、R₃、R₄，种群数量pop、单个种群的粒子数量ind；单纯形算法的系数α、紧缩系数θ、扩展系数γ、收缩系数β以及搜索精度ε；

2.2)初始化种群；采用实数编码的方式，将BP神经网络模型的所有权值阈值有序编码在一个粒子当中，并将每个权值阈值随机生成为[0，1]之间的一个实数；

2.3)初始化个体极值和群体极值；将每个粒子中包含的初始权值和阈值赋给BP神经网络模型，并结合训练样本进行学习训练，利用训练得到的预测模型计算NOx排放预测值将预测值与实际测量值y^*进行比较，并以误差平方和MSE作为粒子的适应度值fitness，适应度计算公式如下：

fitness=MSE=Σi=1m(y^-y*)2---(2)]]>

每个粒子的计算得到的适应度值作为该粒子本身的初始化极值，每个种群当中MSE最低的值作为群体极值；

2.4)更新粒子；根据最新的个体极值和群体极值，按照(3)式和(4)式更新粒子的速度v_id(t)和位置x_id(t)：

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))(3)

x_id(t+1)＝x_id(t)+v_id(t+1)(4)

式中，t是粒子群优化算法的寻优代数，r₁，r₂是[0，1]之间的随机数，p_id是指是指第i个粒子迄今为止寻搜索到最优位置，p_gd指该种群迄今为止搜索最优位置；更进一步，为了改善基本粒子群算法容易陷入局部极值和收敛速度慢的缺陷，在PSO算法的基础上引进了动态加速常数c₁、c₂和惯性权重ω：

ω=ωmax-ωmax-ωminTmaxt---(5)]]>

c1=R1+R2×tTmax---(6)]]>

c2=R3-R4×tTmax---(7)]]>

其中，T_max为最大寻优代数，ω_max为最大惯性权重，ω_min为最小惯性权重，R₁、R₂、R₃、R₄为常数；

2.5)粒子适应度值计算；按照式(2)计算更新之后粒子的适应度值；

2.6)更新个体极值和群体极值；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；

2.7)判断是否需要进行单纯形搜索；每隔10代进行一次单纯形搜索，如果需要进行单纯形搜索则执行步骤2.8)，否则执行步骤2.9)；

2.8)单纯形搜索；首先在D维空间中构造一个具有D+1个顶点的多面体，求出各顶点的适应值，并确定其中的最优点、次优点和最差点，然后通过反射、扩张、收缩或压缩策略找出一个较好点，取代最差点，从而构成新的多面体，这样重复迭代可以找到或逼近一个最优点；具体为：首先构造初始的单纯形{x⁰,x¹,…,xⁱ,…,x^D}，x⁰为每个子种群搜索到的最优解，xⁱ依据式(8)、(9)生成：

xi(j)=(1+k)x0(j),x0(j)≠0x0(j)+10-6,x0(j)=0---(8)]]>

k＝-0.05+0.1r(9)

式中j表示第j维变量，r服从为[0，1]上均匀分布的随机数；

将单纯形的D+1个顶点按目标函数的大小重新编号，使顶点的编号满足：

fitness(x⁰)≤fitness(x¹)≤…≤fitness(xⁱ)≤…≤fitness(x^D) (10)

令若则停止迭代输出x⁰；

2.9)移民操作；采用的多种群(Multi-Population,MP)粒子群算法；每一次寻优过程中，种群之间采用单向循环迁移的方式进行移民操作，第1个种群中的优秀个体迁往第2个，第2个迁往第3个，以此类推，直到最后一个迁往第一个；种群间的移民率P_i＝0.04，即表示用源种群中排名前P_i×100％的个体替换目标种群当中排名后P_i×100％的个体，以此完成种群之间最优知识的交流；

2.10)算法停止条件判定；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2.4)，利用更新的聚类半径继续搜索，否则退出搜索，执行步骤2.11)；

2.11)输出最优的权值阈值粒子；

2.12)将最优粒子当中的初始权值阈值赋给BP神经网络模型，并结合训练样本进行学习；

2.13)验证模型的预测精度；将模型的预测值和实际值进行对比，计算相对预测误差；

2.14)判断相对预测误差是否在±5％以内，如果满足要求则执行步骤2.15)，否则返回步骤2.12)，重新神经网络模型的参数，并重新训练；

2.15)输出满足要求的NOx排放预测模型；

通讯模块；该模块将满足要求的NOx排放预测模型传送给函数集散控制系统、生产管理系统。

2.一种循环流化床生活垃圾焚烧锅炉NOx排放预测方法，其特征在于，该方法包括以下步骤：

1)分析循环流化床生活垃圾焚烧锅炉的运行机理和NOx生成机理，选择垃圾的给料量、给煤量、一次风量、二次风量、烟气含氧量、炉膛负压、床层温度、炉膛稀相区温度作为NOx排放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NOx排放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NOx排放量作为模型的输出训练样本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，以摒除那些并不是反映锅炉正常运行工况的虚假信息，将异常工况排除掉，所述异常工况包括锅炉停炉、压火、给料机堵塞，为了避免预测模型的参数之间量纲和数量级的不同对模型性能造成的不良影响，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)；

4)智能算法集成建模；先利用引入单纯形算子的多种群粒子群算对BP神经网络的初始权值和阈值进行寻优，然后将得到的最优初始权值阈值赋给BP神经网络模型，并以此为基础进行训练；算法步骤如下：

4.1)初始化算法参数；在该步骤要对BP神经网络模型和寻优算法的参数进行设置，包括BP神经网络的隐含层数hl、隐含层节点数hn、训练迭代次数gen1、为学习率η、隐含层神经元激活函数类型；多种群粒子群算法的最大寻优代数T_max、最大惯性权重ω_max、最小惯性权重ω_min，速度更新系数R₁、R₂、R₃、R₄，种群数量pop、单个种群的粒子数量ind；单纯形算法的系数α、紧缩系数θ、扩展系数γ、收缩系数β以及搜索精度ε；

4.2)初始化种群；采用实数编码的方式，将BP神经网络模型的所有权值阈值有序编码在一个粒子当中，并将每个权值阈值随机生成为[0，1]之间的一个实数；

4.3)初始化个体极值和群体极值；将每个粒子中包含的初始权值和阈值赋给BP神经网络模型，利用训练得到的预测模型计算NOx排放预测值将预测值与实际测量值y^*进行比较，并以误差平方和MSE作为粒子的适应度值fitness，适应度计算公式如下：

fitness=MSE=Σi=1m(y^-y*)2---(1)]]>

每个粒子的计算得到的适应度值作为该粒子本身的初始化极值，每个种群的当中MSE最低的值作为群体极值；

4.4)更新粒子；根据最新的个体极值和群体极值，按照(2)式和(3)式更新粒子的速度v_id(t)和位置x_id(t)：

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))(2)

x_id(t+1)＝x_id(t)+v_id(t+1)(3)

式中，t是粒子群优化算法的寻优代数，r₁，r₂是[0，1]之间的随机数，p_id是指是指第i个粒子迄今为止寻搜索到最优位置，p_gd指该种群迄今为止搜索最优位置；更进一步，为了改善基本粒子群算法容易陷入局部极值和收敛速度慢的缺陷，在PSO算法的基础上引进了动态加速常数c₁、c₂和惯性权重ω：

ω=ωmax-ωmax-ωminTmaxt---(4)]]>

c1=R1+R2×tTmax---(5)]]>

c2=R3-R4×tTmax---(6)]]>

其中，T_max为最大寻优代数，ω_max为最大惯性权重，ω_min为最小惯性权重，R₁、R₂、R₃、R₄为常数；

4.5)粒子适应度值计算；按照式(1)计算更新之后粒子的适应度值；

4.6)更新个体极值和群体极值；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；

4.7)判断是否需要进行单纯形搜索；每隔10代进行一次单纯形搜索，如果需要进行单纯形搜索则执行步骤4.8)，否则执行步骤4.9)；

4.8)单纯形搜索；构造初始的单纯形{x⁰,x¹,…,xⁱ,…,x^D}，x⁰为每个子种群搜索到的最优解，xⁱ依据式(7)、(8)生成：

xi(j)=(1+k)x0(j),x0(j)≠0x0(j)+10-6,x0(j)=0---(7)]]>

k＝-0.05+0.1r(8)

式中j表示第j维变量，r服从为[0，1]上均匀分布的随机数；

将单纯形的D+1个顶点按目标函数的大小重新编号，使顶点的编号满足：

fitness(x⁰)≤fitness(x¹)≤…≤fitness(xⁱ)≤…≤fitness(x^D) (9)

令若则停止迭代输出x⁰；

4.9)移民操作；采用的多种群遗传粒子群算法；每一次寻优过程中，种群之间采用单向循环迁移的方式进行移民操作，第1个种群中的优秀个体迁往第2个，第2个迁往第3个，以此类推，直到最后一个迁往第一个；种群间的移民率P_i＝0.04，即表示用源种群中排名前P_i×100％的个体替换目标种群当中排名后P_i×100％的个体，以此完成种群之间最优知识的交流；

4.10)算法停止条件判定；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4.4)，利用更新的聚类半径继续搜索，否则退出搜索，执行步骤4.11)；

4.11)输出最优的权值阈值粒子；

4.12)将最优粒子当中的初始权值阈值赋给BP神经网络模型，并结合训练样本进行学习；

4.13)验证模型的预测精度；将模型的预测值和实际值进行对比，计算相对预测误差；

4.14)判断相对预测误差是否在±5％以内，如果满足要求则执行步骤2.15)，否则返回步骤2.12)，重新神经网络模型的参数，并重新训练；

4.15)输出满足要求的NOx排放预测模型；

5)模型自适应更新；当NOx排放量与模型预测排放量的误差超过±5％时，立即更新模型。