【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)針對(duì)城市固廢焚燒過程運(yùn)行優(yōu)化問題，設(shè)計(jì)了雙檔案多目標(biāo)粒子群優(yōu)化算法，利用數(shù)據(jù)驅(qū)動(dòng)的在線建模策略提出了一種城市固廢焚燒過程運(yùn)行優(yōu)化方法，實(shí)現(xiàn)氮氧化物排放達(dá)標(biāo)和滿足日益增長(zhǎng)的固廢減量化需求；本專利技術(shù)既涉及固廢焚燒，又涉及智優(yōu)化領(lǐng)域，尤其涉及一種數(shù)據(jù)驅(qū)動(dòng)的城市固廢焚燒過程多目標(biāo)運(yùn)行優(yōu)化方法。
技術(shù)介紹
1、隨著城市固廢產(chǎn)生量逐年增加，焚燒技術(shù)由于其高效的減容減量效果逐漸成為了城市固廢處理的主要方式。然而，城市固廢具有熱值低、含水量高、組成成分復(fù)雜且季節(jié)性強(qiáng)等特點(diǎn)，使得城市固廢焚燒過程穩(wěn)定性差、運(yùn)行效率較低且焚燒后產(chǎn)生的氮氧化物等有害氣體含量較高。為了實(shí)現(xiàn)城市固廢焚燒過程減量化、資源化、無害化的目標(biāo)，需要對(duì)運(yùn)行過程中的關(guān)鍵操作參數(shù)進(jìn)行優(yōu)化設(shè)定。當(dāng)前城市固廢焚燒過程的操作參數(shù)主要通過操作人員根據(jù)當(dāng)前運(yùn)行工況并結(jié)合專家經(jīng)驗(yàn)進(jìn)行設(shè)定，該方法具有較大的人為主觀性和滯后性，無法滿足實(shí)際城市固廢焚燒過程高效、低排放的運(yùn)行要求。因此，對(duì)城市固廢焚燒過程關(guān)鍵操作參數(shù)進(jìn)行優(yōu)化設(shè)定對(duì)于提升運(yùn)行性能至關(guān)重要。
2、城市固廢焚燒過程具有運(yùn)行連續(xù)程度高、設(shè)備眾多，耦合嚴(yán)重、非線性強(qiáng)等特點(diǎn)，城市固廢焚燒過程關(guān)鍵變量設(shè)定值優(yōu)化是一個(gè)典型的復(fù)雜非線性優(yōu)化問題。近年來，隨著智能建模技術(shù)、智能優(yōu)化技術(shù)的不斷發(fā)展及其在流程工業(yè)過程中的成功應(yīng)用，城市固廢焚燒過程關(guān)鍵變量?jī)?yōu)化設(shè)定問題的求解，本質(zhì)上是基于過程性能指標(biāo)模型，設(shè)計(jì)操作變量的設(shè)定值尋優(yōu)算法，實(shí)現(xiàn)性能指標(biāo)的最優(yōu)化。隨著數(shù)據(jù)采集技術(shù)和人工智能的發(fā)展，數(shù)據(jù)驅(qū)動(dòng)的優(yōu)化方法為城市固廢焚燒過程的運(yùn)行優(yōu)化問題
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)提供了一種城市固廢焚燒過程數(shù)據(jù)驅(qū)動(dòng)的多目標(biāo)運(yùn)行優(yōu)化方法，優(yōu)化城市固廢焚燒運(yùn)行過程中操作變量(一次風(fēng)入口流量和二次風(fēng)入口流量)的最優(yōu)設(shè)定值，為實(shí)際工業(yè)過程提供指導(dǎo)，能夠滿足城市固廢焚燒氮氧化物(nitrogen?oxides,nox)排放要求，同時(shí)保持最優(yōu)燃燒效率的高效運(yùn)行。
2、本專利技術(shù)采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟：
3、數(shù)據(jù)驅(qū)動(dòng)的城市固廢焚燒過程多目標(biāo)運(yùn)行優(yōu)化方法，
4、其特征在于包括以下步驟：
5、(1)通過檢測(cè)設(shè)備采集城市固廢焚燒過程操作變量、優(yōu)化指標(biāo)(氮氧化物排放濃度和燃燒效率)以及其它輔助變量(一次燃燒室右側(cè)煙氣溫度數(shù)據(jù)、一次燃燒室左側(cè)煙氣溫度、一次燃燒室右側(cè)溫度、一次燃燒室左側(cè)溫度、干燥爐排右1空氣流量、干燥爐排左1空氣流量、燃燒段爐排右1-1段空氣流量、燃燒段爐排左1-1段空氣流量、尿素溶液量、石灰給料量、活性炭?jī)?chǔ)倉給料量、鍋爐出口主蒸汽流量、入口煙氣含氧量和爐膛平均溫度)的1080組運(yùn)行數(shù)據(jù)，構(gòu)建樣本數(shù)據(jù)集，并劃分訓(xùn)練集與測(cè)試集，其中，810組數(shù)據(jù)作為訓(xùn)練集，270組數(shù)據(jù)作為測(cè)試數(shù)據(jù)集；
6、(2)根據(jù)所述訓(xùn)練集建立基于自組織徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的優(yōu)化指標(biāo)評(píng)價(jià)模型，以表征固廢焚燒過程中操作變量與優(yōu)化目標(biāo)燃燒效率和氮氧化物排放濃度間的映射關(guān)系，其中，模型輸入變量包括所述操作變量一次風(fēng)入口流量和二次風(fēng)入口流量以及其它輔助變量，模型輸出為所述優(yōu)化指標(biāo)氮氧化物排放濃度與燃燒效率，其建立方式如下：
7、①初始隱含層神經(jīng)元個(gè)數(shù)為0；
8、②計(jì)算訓(xùn)練集樣本的網(wǎng)絡(luò)輸出，計(jì)算網(wǎng)絡(luò)輸出值與期望輸出值之間的誤差，確定誤差向量中具有最大絕對(duì)誤差的樣本，在自組織徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)中新增加一個(gè)隱含層神經(jīng)元，基于訓(xùn)練集數(shù)據(jù)中最大誤差值對(duì)應(yīng)的訓(xùn)練樣本初始化新增加神經(jīng)元的參數(shù)，包括神經(jīng)元的中心和寬度，來補(bǔ)償當(dāng)前的最大絕對(duì)誤差；
9、③基于二階學(xué)習(xí)算法對(duì)新增加了一個(gè)隱含層神經(jīng)元的自組織徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行調(diào)整，從而達(dá)到訓(xùn)練網(wǎng)絡(luò)的目的；
10、④重復(fù)上述步驟②和步驟③，即基于訓(xùn)練樣本的最大網(wǎng)絡(luò)輸出誤差新增加隱含層神經(jīng)元以及對(duì)新增加了一個(gè)隱含層神經(jīng)元的自組織徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行調(diào)整，直至所述自組織徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)精度達(dá)到滿足期望訓(xùn)練誤差或直至所述自組織徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元的個(gè)數(shù)達(dá)到預(yù)設(shè)個(gè)數(shù)時(shí)，所述氮氧化物排放濃度指標(biāo)模型、燃燒效率指標(biāo)模型構(gòu)建完成；
11、(3)設(shè)計(jì)城市固廢焚燒過程多目標(biāo)運(yùn)行優(yōu)化方法的基于雙檔案機(jī)制的多目標(biāo)粒子群優(yōu)化算法，獲得操作變量的pareto最優(yōu)解集，其中，上述氮氧化物排放濃度指標(biāo)模型、燃燒效率指標(biāo)模型作為基于雙檔案機(jī)制的多目標(biāo)粒子群優(yōu)化算法的優(yōu)化目標(biāo)函數(shù)，用于評(píng)價(jià)種群中解的優(yōu)劣，具體為：
12、①基于雙檔案機(jī)制的多目標(biāo)粒子群優(yōu)化算法參數(shù)設(shè)置：設(shè)定粒子群算法種群規(guī)模為50，外部檔案分為收斂性檔案和多樣性檔案，規(guī)模均設(shè)定為50，種群最大迭代次數(shù)設(shè)置為30，慣性權(quán)重的最大值和最小值分別設(shè)定為0.6和0.4，認(rèn)知學(xué)習(xí)因子的最大值為2.8，社會(huì)學(xué)習(xí)因子的最小值為1.2；
13、②初始化基于雙檔案機(jī)制的多目標(biāo)粒子群優(yōu)化算法的種群和外部檔案：隨機(jī)產(chǎn)生初始化種群(包括粒子的速度和位置)，種群中每個(gè)粒子的速度初始化為0，初始位置在決策變量搜索空間中隨機(jī)產(chǎn)生，其中決策變量搜索空間基于所述訓(xùn)練集確定，每個(gè)粒子的位置代表操作變量的一個(gè)優(yōu)化解，粒子對(duì)應(yīng)的解的目標(biāo)值由上述指標(biāo)模型來計(jì)算；建立兩個(gè)空檔案作為收斂性檔案和多樣性檔案，將種群中的解添加到收斂性檔案中，將種群中的非支配解添加到多樣性檔案中；
14、③確定用于更新種群的全局最優(yōu)解：收斂性檔案和多樣性檔案中的解作為父代解，通過模擬二進(jìn)制交叉和多項(xiàng)式變異的遺傳交配操作產(chǎn)生子代解，生成的子代解作為更新種群的全局最優(yōu)解；
15、④對(duì)種群中粒子的速度和位置進(jìn)行更新，其中，慣性權(quán)重、認(rèn)知學(xué)習(xí)因子和社會(huì)學(xué)習(xí)因子基于種群進(jìn)化信息自適應(yīng)調(diào)整；
16、⑤利用更新后的種群粒子維護(hù)收斂性檔案和多樣性檔案：將種群中的解添加到收斂性檔案中，通過iε收斂性指標(biāo)計(jì)算檔案中的解的適應(yīng)度值，根據(jù)適應(yīng)度值對(duì)解進(jìn)行排序，收斂性檔案中最差的個(gè)體將會(huì)迭代被刪除，直到滿足收斂性檔案的規(guī)模大小，最后獲得一個(gè)具有一定數(shù)量的解的收斂性檔案；將種群中的非支配解添加到多樣性檔案中，如果多樣性檔案中的解的數(shù)量超出檔案規(guī)模，將使用選擇機(jī)制重新確定進(jìn)入多樣性檔案的解，其中，具有最大或最小目標(biāo)值的邊界解首先進(jìn)入多樣性檔案，然后，通過基于轉(zhuǎn)移的密度估計(jì)和歐氏距離來度量解的相似度，迭代地確定與已選擇的解具有最大差異性的解進(jìn)入多樣性檔案，直到滿足多樣性檔案的規(guī)模大小；
17、⑥重復(fù)上述步驟③-⑤，即確定用于更新種群的全局最優(yōu)解、對(duì)種群中粒子的速度和位置進(jìn)行更新、利用更新后的種群粒子維護(hù)收斂性檔案和多樣性檔案，直到達(dá)到預(yù)設(shè)迭代次數(shù)后，輸出多樣性檔案本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.數(shù)據(jù)驅(qū)動(dòng)的城市固廢焚燒過程多目標(biāo)運(yùn)行優(yōu)化方法，其特征在于包括以下步驟：
2.根據(jù)權(quán)利要求1所述的數(shù)據(jù)驅(qū)動(dòng)的城市固廢焚燒過程多目標(biāo)運(yùn)行優(yōu)化方法，其特征在于包括以下步驟：
【技術(shù)特征摘要】
1.數(shù)據(jù)驅(qū)動(dòng)的城市固廢焚燒過程多目標(biāo)運(yùn)行優(yōu)化方法，其特征在于包括以下步驟：
2....
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：喬俊飛，崔鶯鶯，蒙西，
申請(qǐng)(專利權(quán))人：北京工業(yè)大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。