本發(fā)明涉及能源工程領(lǐng)域，特別地，涉及一種循環(huán)流化床生活垃圾焚燒鍋爐爐膛出口煙氣含氧量排放預(yù)測(cè)系統(tǒng)及方法。

背景技術(shù)：

垃圾焚燒由于能夠良好實(shí)現(xiàn)垃圾處理技術(shù)的減容化、減量化、無(wú)害化和資源化，近十幾年內(nèi)，在國(guó)家相關(guān)產(chǎn)業(yè)政策的引導(dǎo)下，國(guó)內(nèi)垃圾焚燒行業(yè)取得了蓬勃的發(fā)展。從上世紀(jì)90年代開(kāi)始，國(guó)內(nèi)多家科研結(jié)構(gòu)對(duì)中國(guó)城市生活垃圾(municipalsolidwaste,msw)燃燒機(jī)理進(jìn)行了大量深入研究，掌握了混合收集、水分高、成分復(fù)雜的城市生活垃圾的燃燒特性，根據(jù)我國(guó)對(duì)煤、煤矸石等劣質(zhì)燃料循環(huán)流化床(circulatingfluidizedbed,cfb)燃燒技術(shù)的開(kāi)發(fā)經(jīng)驗(yàn)的基礎(chǔ)上，開(kāi)發(fā)出了循環(huán)流化床垃圾焚燒鍋爐，從1998年浙江大學(xué)開(kāi)發(fā)的第一臺(tái)流化床垃圾焚燒爐投入運(yùn)行開(kāi)始，表現(xiàn)出了適用于對(duì)國(guó)內(nèi)高水分、熱值偏低且波動(dòng)性很大的生活垃圾進(jìn)行大規(guī)模的焚燒處理的特點(diǎn)。目前，cfb垃圾焚燒技術(shù)已經(jīng)在國(guó)內(nèi)的多個(gè)城市進(jìn)行了推廣應(yīng)用，截止2015年底，國(guó)內(nèi)已建成垃圾焚燒鍋爐70余臺(tái)，日處理垃圾量6.9萬(wàn)噸，為我國(guó)的垃圾焚燒處理行業(yè)做出了重要的貢獻(xiàn)。

鍋爐爐膛出口煙氣含氧量是衡量鍋爐是否安全、經(jīng)濟(jì)、環(huán)保運(yùn)行的重要標(biāo)志之一。爐膛出口含氧量太低則爐膛內(nèi)的燃燒不能充分進(jìn)行，大量的可燃物質(zhì)未能燃盡，垃圾中的有害物質(zhì)也無(wú)法得到充分的破壞，必然會(huì)導(dǎo)致?tīng)t渣的熱灼減率超過(guò)《生活垃圾焚燒污染控制標(biāo)準(zhǔn)》(gb18485-2014)的規(guī)定的最低標(biāo)準(zhǔn)，爐膛本身也面臨值結(jié)軟焦的危險(xiǎn)；爐膛出口含氧量太高，則過(guò)量的冷空氣會(huì)帶走爐膛中熱量，爐膛中溫度難以維持穩(wěn)定，影響鍋爐的安全穩(wěn)定運(yùn)行。工業(yè)生產(chǎn)中通常采用氧化鋯對(duì)爐膛出口的煙氣含氧量進(jìn)行監(jiān)測(cè)，然而爐膛內(nèi)的環(huán)境極端復(fù)雜，經(jīng)常使氧化鋯測(cè)點(diǎn)因磨損而無(wú)法正常工作。同時(shí)，單純的硬件測(cè)量系統(tǒng)無(wú)法探知爐膛出口煙氣含氧量的運(yùn)行變化特性。因此，構(gòu)建一個(gè)足夠精度的爐膛出口煙氣含氧量預(yù)測(cè)系統(tǒng)和模型具有十分重要的意義。

國(guó)內(nèi)外的研究人員對(duì)循環(huán)流化床鍋爐的爐膛出口煙氣含氧量動(dòng)態(tài)特性建模進(jìn)行了研究，主要有以下幾種方法。一種是根據(jù)cfb鍋爐燃燒動(dòng)力學(xué)、流體力學(xué)、傳熱傳質(zhì)的特性，在經(jīng)過(guò)合理的簡(jiǎn)化假設(shè)之后建立，通過(guò)數(shù)學(xué)描述的方式建立機(jī)理模型。這種方法能夠反映煙氣含氧量的變化趨勢(shì)，但由于假設(shè)模型和真實(shí)模型之間的偏差而無(wú)法達(dá)到足夠的精確度；另一種方法是在大量的試驗(yàn)臺(tái)試驗(yàn)或者現(xiàn)場(chǎng)試驗(yàn)的基礎(chǔ)上，通過(guò)回歸分析的方法建立關(guān)于煙氣含氧量動(dòng)態(tài)特性的經(jīng)驗(yàn)?zāi)Ｐ?。這種方法需要耗費(fèi)大量的人力物力，時(shí)間成本高，同時(shí)無(wú)法保證試驗(yàn)覆蓋所有的工況，具有一定局限性；第三種方法利用計(jì)算流體力學(xué)、計(jì)算傳熱學(xué)和化學(xué)反應(yīng)的簡(jiǎn)化機(jī)理模擬爐內(nèi)燃燒過(guò)程，精確地求解煙氣含氧量的生成情況，顯示了良好的效果具有很大的發(fā)展?jié)摿?。但這種方法主要受限于流體力學(xué)模型和化學(xué)反應(yīng)的簡(jiǎn)化機(jī)理與實(shí)際情況的差距，需要高端的計(jì)算機(jī)配置和很長(zhǎng)的計(jì)算時(shí)間，因此采用這種方法仍處于初步發(fā)展階段。此外，cfb垃圾焚燒鍋爐的給料系統(tǒng)均勻性較差，入爐垃圾的熱值波動(dòng)性大、組分復(fù)雜、多邊性強(qiáng)，是煙氣含氧量預(yù)測(cè)建模過(guò)程中的面臨的主要困難之一，它要求所建立的煙氣含氧量動(dòng)態(tài)特性模型具有良好的自適應(yīng)能力，上述三種建模方法在這方面仍有所欠缺。

隨著電子技術(shù)、計(jì)算機(jī)技術(shù)和信息技術(shù)的發(fā)展，集散控制系統(tǒng)(distributedcontrolsystem,dcs)廣泛的應(yīng)用于cfb生活焚燒鍋爐的運(yùn)行過(guò)程，包含溫度、壓力、流量等參數(shù)在內(nèi)的過(guò)程數(shù)據(jù)都被完善得保存下來(lái)，這些歷史數(shù)據(jù)中包含豐富過(guò)程信息，是人們認(rèn)識(shí)和了解生產(chǎn)過(guò)程的重要途徑之一，具有很高的挖掘價(jià)值，為智能數(shù)據(jù)挖掘算法的應(yīng)用研究和應(yīng)用提供了絕佳的軟硬件平臺(tái)。支持向量機(jī)基于統(tǒng)計(jì)學(xué)習(xí)理論的vc(vapnik-chervonenkis)維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化(structuralriskminimization)原則的統(tǒng)計(jì)學(xué)習(xí)方法，svm的一個(gè)重要特征就是輸入與輸出之間的黑箱特性，它將待建模系統(tǒng)視為一個(gè)黑箱，不關(guān)心待求解問(wèn)題的內(nèi)部機(jī)制如何復(fù)雜，只關(guān)心系統(tǒng)的輸入與輸出。這使得svm特別適用于cfb生活垃圾焚燒鍋爐的爐膛出口煙氣含氧量動(dòng)態(tài)特性的建模，采用這種方法可以繞開(kāi)煙氣含氧量變化過(guò)程中帶有的滯后性、非線性和時(shí)變性等難點(diǎn)，實(shí)現(xiàn)煙氣含氧量與各影響因素之間的復(fù)雜映射關(guān)系。同時(shí)，svm具有自學(xué)習(xí)能力，能夠根據(jù)新鮮樣本進(jìn)行訓(xùn)練，自適應(yīng)調(diào)整模型參數(shù)。當(dāng)煤種、積灰以及設(shè)備性能(如垃圾給料系統(tǒng)的性能變化等)發(fā)生變化時(shí)，煙氣含氧量動(dòng)態(tài)特性模型也將隨之發(fā)生變化。利用svm的自學(xué)習(xí)特性可以在線訓(xùn)練調(diào)整煙氣含氧量動(dòng)態(tài)特性模型，保證模型的精度。

然而svm的性能對(duì)懲罰參數(shù)c和核參數(shù)g有很大程度上的依賴，如果這兩個(gè)參數(shù)設(shè)置的不理想，將直接影響svm模型的性能。為了改善這個(gè)問(wèn)題，本專利將引入多種群遺傳粒子群算法，用它來(lái)對(duì)參數(shù)c和g進(jìn)行優(yōu)化。同時(shí)，煙氣含氧量預(yù)測(cè)系統(tǒng)具有較高的運(yùn)算負(fù)荷，因此，為了提高系統(tǒng)的計(jì)算效率，需要合理設(shè)置系統(tǒng)的框架結(jié)構(gòu)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種循環(huán)流化床生活垃圾焚燒鍋爐爐膛出口煙氣含氧量的預(yù)測(cè)系統(tǒng)及方法。本發(fā)明在分析cfb生活垃圾焚燒鍋爐運(yùn)行機(jī)理的基礎(chǔ)上，選擇煙氣含氧量預(yù)測(cè)模型的輸入變量，利用支持向量機(jī)對(duì)樣本集進(jìn)行訓(xùn)練建模，并利用多種群遺傳粒子群算法對(duì)svm模型的懲罰參數(shù)c和核參數(shù)g進(jìn)行尋優(yōu)。為了提高計(jì)算效率和計(jì)算資源使用率，采用異構(gòu)計(jì)算環(huán)境構(gòu)建煙氣含氧量預(yù)測(cè)系統(tǒng)。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：一種循環(huán)流化床生活垃圾焚燒鍋爐爐膛出口煙氣含氧量的實(shí)時(shí)預(yù)測(cè)系統(tǒng)。該系統(tǒng)與循環(huán)流化床鍋爐的集散控制系統(tǒng)以及生產(chǎn)管理系統(tǒng)相連，包括數(shù)據(jù)通訊接口和上位機(jī)，在上位機(jī)(服務(wù)器)中對(duì)煙氣含氧量預(yù)測(cè)模型進(jìn)行訓(xùn)練和更新，讓后將訓(xùn)練好的模型通過(guò)通訊接口送往集散控制系統(tǒng)、生產(chǎn)管理系統(tǒng)(客戶端)，所述上位機(jī)包括：

信號(hào)采集模塊。該模塊用于采集cfb生活垃圾焚燒鍋爐在焚燒指定生活垃圾時(shí)的運(yùn)行工況狀態(tài)參數(shù)和操作變量，并組成垃圾熱值預(yù)測(cè)模型輸入變量的訓(xùn)練樣本矩陣x(m×n)，m表示樣本個(gè)數(shù)，n表示變量的個(gè)數(shù)；

數(shù)據(jù)預(yù)處理模塊。對(duì)x(m×n)進(jìn)行粗大誤差處理和隨機(jī)誤差處理，以摒除那些并不是反映鍋爐正常運(yùn)行工況的虛假信息，將鍋爐停爐、壓火、給料機(jī)堵塞等異常工況排除掉，為了避免預(yù)測(cè)模型的參數(shù)之間量綱和數(shù)量級(jí)的不同對(duì)模型性能造成的不良影響，訓(xùn)練樣本輸入變量均經(jīng)過(guò)歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的訓(xùn)練樣本x^*(m×n)。預(yù)處理過(guò)程采用以下步驟進(jìn)行：

1.1)根據(jù)拉伊達(dá)準(zhǔn)則，剔除訓(xùn)練樣本x(m×n)中的野值；

1.2)剔除鍋爐停爐運(yùn)行工況，鍋爐停爐時(shí)爐膛給煤機(jī)和給料機(jī)的開(kāi)度為零，并且爐膛中溫度接近常溫；

1.3)剔除爐膛壓火運(yùn)行狀況，鍋爐壓火時(shí)一次風(fēng)機(jī)、二次風(fēng)機(jī)引風(fēng)機(jī)爐膛給煤機(jī)和給料機(jī)的開(kāi)度為零，但是爐膛密相區(qū)的溫度維持在350℃～450℃；

1.4)剔除給料機(jī)堵塞工況，給料機(jī)堵塞需要運(yùn)行人員通過(guò)給料口的攝像頭拍攝的畫(huà)面對(duì)給料情況進(jìn)行判斷，給料機(jī)堵塞時(shí)，運(yùn)行人員會(huì)顯著地調(diào)高給料機(jī)的開(kāi)度，反映在運(yùn)行數(shù)據(jù)上，即給料機(jī)的開(kāi)度大于35％；

1.5)數(shù)據(jù)歸一化處理。按照式(1)將數(shù)據(jù)變量映射到[01]的區(qū)間內(nèi)。

式中xj表示第j變量所組成的向量，min()表示最小值，max()表示最大值。

專家知識(shí)庫(kù)模塊。采用滾動(dòng)時(shí)間窗口的方法不斷更新訓(xùn)練樣本，使得訓(xùn)練樣本始終保持在最新的狀態(tài)上，滾動(dòng)時(shí)間窗口方法是指從當(dāng)前時(shí)間開(kāi)始，回溯l(單位秒)長(zhǎng)度的時(shí)間尺寸。

模型更新判定模塊。檢測(cè)當(dāng)前預(yù)測(cè)模型的性能，當(dāng)相對(duì)預(yù)測(cè)誤差超過(guò)±5％時(shí)，則判定模型需要進(jìn)行更新。

智能建模模塊。智能建模模塊是煙氣含氧量預(yù)測(cè)系統(tǒng)的核心部分，該模塊先利用多種群遺傳粒子群算法對(duì)svm模型的懲罰參數(shù)c和核參數(shù)g進(jìn)行尋優(yōu)，然后將得到的最優(yōu)參數(shù)組合賦給svm模型，并以此為基礎(chǔ)進(jìn)行訓(xùn)練。算法步驟如下：

2.1)初始化算法參數(shù)。多種群粒子群算法的最大尋優(yōu)代數(shù)tmax、最大慣性權(quán)重ωmax、最小慣性權(quán)重ωmin，速度更新系數(shù)r1、r2、r3、r4，種群數(shù)量pop、單個(gè)種群的粒子數(shù)量ind、移民率pi、交叉概率pc、變異概率pm、遺傳代溝pe、遺傳操作頻度pg。

2.2)初始化種群。采用實(shí)數(shù)編碼的方式，將svm模型的懲罰參數(shù)c和核參數(shù)g有序編碼在一個(gè)粒子當(dāng)中，并將每個(gè)權(quán)值閾值隨機(jī)生成為[0，200]之間的一個(gè)實(shí)數(shù)。

2.3)初始化個(gè)體極值和群體極值。將每個(gè)粒子中包含的參數(shù)組合賦給svm模型，并結(jié)合訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練，利用訓(xùn)練得到的預(yù)測(cè)模型計(jì)算煙氣含氧量預(yù)測(cè)值將預(yù)測(cè)值與實(shí)際測(cè)量值y^*進(jìn)行比較，并以誤差平方和mse作為粒子的適應(yīng)度值fitness，適應(yīng)度計(jì)算公式如下：

每個(gè)粒子的計(jì)算得到的適應(yīng)度值作為該粒子本身的初始化極值，每個(gè)種群的當(dāng)中mse最低的值作為群體極值。

2.4)更新粒子。根據(jù)最新的個(gè)體極值和全局極值，按照(3)式和(4)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))(3)

xid(t+1)＝xid(t)+vid(t+1)(4)

式中，t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)，r1，r2是[0，1]之間的隨機(jī)數(shù)，pid是指是指第i個(gè)粒子迄今為止尋搜索到最優(yōu)位置，pgd指該種群迄今為止搜索最優(yōu)位置。更進(jìn)一步，為了改善基本粒子群算法容易陷入局部極值和收斂速度慢的缺陷，在pso算法的基礎(chǔ)上引進(jìn)了動(dòng)態(tài)加速常數(shù)c1、c2和慣性權(quán)重ω：

其中，tmax為最大尋優(yōu)代數(shù)，ωmax為最大慣性權(quán)重，ωmin為最小慣性權(quán)重，r1、r2、r3、r4為常數(shù)。

2.5)判斷是否需要進(jìn)行遺傳操作。按照遺傳操作頻度pg進(jìn)行，通常每pg代進(jìn)行一次遺傳操作。若要進(jìn)行遺傳操作則執(zhí)行步驟2.6)，否則執(zhí)行步驟2.7)

2.6)執(zhí)行遺傳操作。遺傳操作包括選擇、交叉、變異、留優(yōu)，具體如下。選擇：像輪盤(pán)賭一樣計(jì)算選擇概率，等距離的選擇個(gè)體，設(shè)n為需要選擇的個(gè)體數(shù)目，選擇指針的距離是1/n，第一個(gè)選擇指針的位置由[0，1/n]區(qū)間內(nèi)的隨機(jī)數(shù)決定；交叉：采用算術(shù)重組的方法，即兩個(gè)個(gè)體通過(guò)線性組合產(chǎn)生新的個(gè)體。假設(shè)在兩個(gè)個(gè)體和之間進(jìn)行算術(shù)交叉，則按式(8)和(9)得到兩個(gè)新的個(gè)體和

式中λ1和λ2為(0,1)之間的實(shí)數(shù)，且λ1+λ2＝1；變異：采取均勻性變異，假設(shè)s＝(v1,v2,...,vn)是父代，z＝(z1,z2,...,zn)是變異產(chǎn)生的后代?，F(xiàn)在父代向量中隨機(jī)地選擇一個(gè)分量，假設(shè)是第k個(gè)，然后在其定義區(qū)間[ak,bk]中均勻隨機(jī)地取一個(gè)數(shù)v'k代替vk以得到zk；留優(yōu)：采用保留父代精英個(gè)體的策略，根據(jù)父代染色體的目標(biāo)函數(shù)值，用過(guò)渡代染色體替換父代中目標(biāo)函數(shù)值排名后pe×100％的染色體，pe為替換率(遺傳代溝)，如此，父代中部分最優(yōu)的個(gè)體得以保留，不會(huì)因?yàn)檫x擇、交叉、變異等運(yùn)算消失。

2.7)粒子適應(yīng)度值計(jì)算。按照式(2)計(jì)算更新之后粒子的適應(yīng)度值。

2.8)更新個(gè)體極值和群體極值。以適應(yīng)度值為評(píng)價(jià)指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng)度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個(gè)體極值，否則個(gè)體極值保持不變。同時(shí)獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。

2.9)移民操作。在自然界中，一個(gè)物種的不同種群分布在不同的地域，一方面各個(gè)種群相對(duì)獨(dú)立地從自然界中爭(zhēng)取資源為己所用，不同的地域條件下催發(fā)了他們不同的生存模式和進(jìn)化程度；另一方面，各個(gè)種群之間有可能通過(guò)遷徙，使彼此之間發(fā)生聯(lián)系，達(dá)到互通有無(wú)、取長(zhǎng)補(bǔ)短、共同進(jìn)化的目的。本發(fā)明采用的多種群(multi-population,mp)遺傳粒子群算法正是借鑒了自然界中普遍存在的這一現(xiàn)象。每一次尋優(yōu)過(guò)程中，種群之間采用單向循環(huán)遷移的方式進(jìn)行移民操作，第1個(gè)種群中的優(yōu)秀個(gè)體遷往第2個(gè)，第2個(gè)遷往第3個(gè)，以此類推，直到最后一個(gè)遷往第一個(gè)。種群間的移民率pi＝0.04，即表示用源種群中排名前pi×100％的個(gè)體替換目標(biāo)種群當(dāng)中排名后pi×100％的個(gè)體，以此完成種群之間最優(yōu)知識(shí)的交流。

2.10)算法停止條件算法判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測(cè)精度的要求，如果沒(méi)有達(dá)到則返回步驟2.4)，利用更新的粒子繼續(xù)搜索，否則退出搜索，執(zhí)行步驟2.11)。

2.11)輸出最優(yōu)的參數(shù)組合粒子。

2.12)將最優(yōu)粒子當(dāng)中的參數(shù)組合賦給svm模型，并結(jié)合訓(xùn)練樣本進(jìn)行學(xué)習(xí)。

2.13)驗(yàn)證模型的預(yù)測(cè)精度。將模型的預(yù)測(cè)值和實(shí)際值進(jìn)行對(duì)比，計(jì)算相對(duì)預(yù)測(cè)誤差。

2.14)判斷相對(duì)預(yù)測(cè)誤差是否在±5％以內(nèi)，如果滿足要求則執(zhí)行步驟2.15)，否則返回步驟2.12)，重新進(jìn)行訓(xùn)練。

2.15)輸出滿足要求的煙氣含氧量預(yù)測(cè)模型。

通訊模塊。該模塊將滿足要求煙氣含氧量預(yù)測(cè)模型傳送給函數(shù)集散控制系統(tǒng)、生產(chǎn)管理系統(tǒng)。

一種循環(huán)流化床生活垃圾焚燒鍋爐爐膛出口煙氣含氧量預(yù)測(cè)方法，該方法包括以下步驟：

1)分析循環(huán)流化床生活垃圾焚燒鍋爐的運(yùn)行機(jī)理和煙氣含氧量變化機(jī)理，選擇垃圾的給料量、給煤量、一次風(fēng)量、二次風(fēng)量、床層溫度、爐膛稀相區(qū)溫度和爐膛負(fù)壓作為煙氣含氧量預(yù)測(cè)模型的輸入變量。

2)采集訓(xùn)練樣本。按設(shè)定的時(shí)間間隔從數(shù)據(jù)庫(kù)中采集輸入變量的歷史數(shù)據(jù)，或者采集指定工況下的運(yùn)行參數(shù)，組成煙氣含氧量預(yù)測(cè)模型輸入變量的訓(xùn)練樣本矩陣x(m×n)，m表示樣本個(gè)數(shù)，n表示變量的個(gè)數(shù)，同時(shí)采集與之對(duì)應(yīng)的煙氣含氧量作為模型的輸出訓(xùn)練樣本y(m×1)；

3)數(shù)據(jù)預(yù)處理。對(duì)x(m×n)進(jìn)行粗大誤差處理和隨機(jī)誤差處理，以摒除那些并不是反映鍋爐正常運(yùn)行工況的虛假信息，將鍋爐停爐、壓火、給料機(jī)堵塞等異常工況排除掉，為了避免預(yù)測(cè)模型的參數(shù)之間量綱和數(shù)量級(jí)的不同對(duì)模型性能造成的不良影響，訓(xùn)練樣本輸入變量均經(jīng)過(guò)歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的輸入變量的訓(xùn)練樣本x^*(m×n)和輸出變量的訓(xùn)練樣本y^*(m×1)。

4)智能算法集成建模。先利用多種群遺傳粒子群算法對(duì)svm模型的懲罰參數(shù)c和核參數(shù)g進(jìn)行尋優(yōu)，然后將得到的最優(yōu)參數(shù)組合賦給svm模型，并以此為基礎(chǔ)進(jìn)行訓(xùn)練。算法步驟如下：

4.1)初始化算法參數(shù)。多種群粒子群算法的最大尋優(yōu)代數(shù)tmax、最大慣性權(quán)重ωmax、最小慣性權(quán)重ωmin，速度更新系數(shù)r1、r2、r3、r4，種群數(shù)量pop、單個(gè)種群的粒子數(shù)量ind、移民率pi、交叉概率pc、變異概率pm、遺傳代溝pe、遺傳操作頻度pg。

4.2)初始化種群。采用實(shí)數(shù)編碼的方式，將svm模型的懲罰參數(shù)c和核參數(shù)g有序編碼在一個(gè)粒子當(dāng)中，并將每個(gè)權(quán)值閾值隨機(jī)生成為[0，200]之間的一個(gè)實(shí)數(shù)。

4.3)初始化個(gè)體極值和群體極值。將每個(gè)粒子中包含的參數(shù)組合賦給svm模型，并結(jié)合訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練，利用訓(xùn)練得到的預(yù)測(cè)模型計(jì)算煙氣含氧量預(yù)測(cè)值將預(yù)測(cè)值與實(shí)際測(cè)量值y^*進(jìn)行比較，并以誤差平方和mse作為粒子的適應(yīng)度值fitness，適應(yīng)度計(jì)算公式如下：

每個(gè)粒子的計(jì)算得到的適應(yīng)度值作為該粒子本身的初始化極值，每個(gè)種群的當(dāng)中mse最低的值作為群體極值。

4.4)更新粒子。根據(jù)最新的個(gè)體極值和全局極值，按照(2)式和(3)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))(2)

xid(t+1)＝xid(t)+vid(t+1)(3)

式中，t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)，r1，r2是[0，1]之間的隨機(jī)數(shù)，pid是指是指第i個(gè)粒子迄今為止尋搜索到最優(yōu)位置，pgd指該種群迄今為止搜索最優(yōu)位置。更進(jìn)一步，為了改善基本粒子群算法容易陷入局部極值和收斂速度慢的缺陷，在pso算法的基礎(chǔ)上引進(jìn)了動(dòng)態(tài)加速常數(shù)c1、c2和慣性權(quán)重ω：

其中，tmax為最大尋優(yōu)代數(shù)，ωmax為最大慣性權(quán)重，ωmin為最小慣性權(quán)重，r1、r2、r3、r4為常數(shù)。

4.5)判斷是否需要進(jìn)行遺傳操作。按照遺傳操作頻度pg進(jìn)行，通常每pg代進(jìn)行一次遺傳操作。若要進(jìn)行遺傳操作則執(zhí)行步驟4.6)，否則執(zhí)行步驟4.7)

4.6)執(zhí)行遺傳操作。遺傳操作包括選擇、交叉、變異、留優(yōu)，具體如下。選擇：像輪盤(pán)賭一樣計(jì)算選擇概率，等距離的選擇個(gè)體，設(shè)n為需要選擇的個(gè)體數(shù)目，選擇指針的距離是1/n，第一個(gè)選擇指針的位置由[0，1/n]區(qū)間內(nèi)的隨機(jī)數(shù)決定；交叉：采用算術(shù)重組的方法，即兩個(gè)個(gè)體通過(guò)線性組合產(chǎn)生新的個(gè)體。假設(shè)在兩個(gè)個(gè)體和之間進(jìn)行算術(shù)交叉，則按式(7)和(8)得到兩個(gè)新的個(gè)體和

式中λ1和λ2為(0,1)之間的實(shí)數(shù)，且λ1+λ2＝1；變異：采取均勻性變異，假設(shè)s＝(v1,v2,...,vn)是父代，z＝(z1,z2,...,zn)是變異產(chǎn)生的后代。現(xiàn)在父代向量中隨機(jī)地選擇一個(gè)分量，假設(shè)是第k個(gè)，然后在其定義區(qū)間[ak,bk]中均勻隨機(jī)地取一個(gè)數(shù)v'k代替vk以得到zi；留優(yōu)：采用保留父代精英個(gè)體的策略，根據(jù)父代個(gè)染色體的目標(biāo)函數(shù)值，用過(guò)渡代染色體替換父代中目標(biāo)函數(shù)值排名后pe×100％的染色體，pe為替換率(遺傳代溝)，如此，父代中部分最優(yōu)的個(gè)體得以保留，不會(huì)因?yàn)檫x擇、交叉、變異等運(yùn)算消失。

4.7)粒子適應(yīng)度值計(jì)算。按照式(1)計(jì)算更新之后粒子的適應(yīng)度值。

4.8)更新個(gè)體極值和群體極值。以適應(yīng)度值為評(píng)價(jià)指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng)度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個(gè)體極值，否則個(gè)體極值保持不變。同時(shí)獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。

4.9)移民操作。在自然界中，一個(gè)物種的不同種群分布在不同的地域，一方面各個(gè)種群相對(duì)獨(dú)立地從自然界中爭(zhēng)取資源為己所用，不同的地域條件下催發(fā)了他們不同的生存模式和進(jìn)化程度；另一方面，各個(gè)種群之間有可能通過(guò)遷徙，使彼此之間發(fā)生聯(lián)系，達(dá)到互通有無(wú)、取長(zhǎng)補(bǔ)短、共同進(jìn)化的目的。本專利采用的多種群(multi-population,mp)遺傳粒子群算法正是借鑒了自然界中普遍存在的這一現(xiàn)象。每一次尋優(yōu)過(guò)程中，種群之間采用單向循環(huán)遷移的方式進(jìn)行移民操作，第1個(gè)種群中的優(yōu)秀個(gè)體遷往第2個(gè)，第2個(gè)遷往第3個(gè)，以此類推，直到最后一個(gè)遷往第一個(gè)。種群間的移民率pi＝0.04，即表示用源種群中排名前pi×100％的個(gè)體替換目標(biāo)種群當(dāng)中排名后pi×100％的個(gè)體，以此完成種群之間最優(yōu)知識(shí)的交流。

4.10)算法停止條件算法判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測(cè)精度的要求，如果沒(méi)有達(dá)到則返回步驟4.4)，利用更新的粒子繼續(xù)搜索，否則退出搜索，執(zhí)行步驟4.11)。

4.11)輸出最優(yōu)的參數(shù)組合粒子。

4.12)將最優(yōu)粒子當(dāng)中的參數(shù)組合賦給svm模型，并結(jié)合訓(xùn)練樣本進(jìn)行學(xué)習(xí)。

4.13)驗(yàn)證模型的預(yù)測(cè)精度。將模型的預(yù)測(cè)值和實(shí)際值進(jìn)行對(duì)比，計(jì)算相對(duì)預(yù)測(cè)誤差。

414)判斷相對(duì)預(yù)測(cè)誤差是否在±5％以內(nèi)，如果滿足要求則執(zhí)行步驟4.15)，否則返回步驟4.12)，重新進(jìn)行訓(xùn)練。

4.15)輸出滿足要求的煙氣含氧量預(yù)測(cè)模型。

5)模型自適應(yīng)更新。當(dāng)煙氣含氧量與模型預(yù)測(cè)值的誤差超過(guò)±5％時(shí)，立即更新模型。

本發(fā)明的有益效果是：在利用循環(huán)流化床生活垃圾焚燒鍋爐的運(yùn)行機(jī)理和運(yùn)行歷史數(shù)據(jù)中隱含的知識(shí)的基礎(chǔ)上，采用支持向量機(jī)算法和多種群遺傳粒子群優(yōu)化算法集成建模的方法，構(gòu)建了一種快速經(jīng)濟(jì)且自適應(yīng)更新的系統(tǒng)和方法對(duì)鍋爐爐膛出口煙氣含氧量進(jìn)行實(shí)時(shí)預(yù)測(cè)，避開(kāi)了繁瑣復(fù)雜的機(jī)理建模工作。其中，利用svm算法的非線性動(dòng)力學(xué)特性、泛化能力和實(shí)時(shí)預(yù)測(cè)能力來(lái)表征煙氣含氧量的動(dòng)態(tài)變化特性，為運(yùn)行人員和設(shè)計(jì)人員掌握了解煙氣含氧量的變化特性提供新的途徑；利用粒子群優(yōu)化算法對(duì)svm算法懲罰參數(shù)c和核參數(shù)g進(jìn)行優(yōu)化，提高模型的泛化能力；引入多種群遷移機(jī)制，提高粒子群優(yōu)化算法解的多樣性，減少粒子群算法尋優(yōu)算陷入局部最優(yōu)的可能性；引入選擇、交叉、變異等遺傳操作，融合遺傳算法并行搜索的特性，使其能夠搜索到多個(gè)局部最優(yōu)點(diǎn)，大大提高了全局搜索能力和搜索速度，同時(shí)能夠有效地利用歷史信息來(lái)推測(cè)下一代期望性能有所提高的尋優(yōu)點(diǎn)集；異構(gòu)的計(jì)算環(huán)境，大大提高了模型構(gòu)建效率，使計(jì)算機(jī)資源得打了最大的發(fā)揮。整個(gè)建模過(guò)程邏輯清晰，建模自動(dòng)化程度高，易于掌握和推廣。訓(xùn)練良好的煙氣含氧量預(yù)測(cè)模型可以用于指導(dǎo)運(yùn)行人員的實(shí)際運(yùn)行過(guò)程，可以服務(wù)那些基于模型的控制算法，或者作為軟測(cè)量?jī)x表與煙氣含氧量硬件測(cè)量系統(tǒng)相互補(bǔ)充校核。

附圖說(shuō)明

圖1是本發(fā)明所提出的系統(tǒng)的結(jié)構(gòu)圖。

圖2是本發(fā)明所提出的上位機(jī)系統(tǒng)的結(jié)構(gòu)圖。

圖3是本發(fā)明所提出的智能建模方法的流程圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明。

實(shí)施例1

參照?qǐng)D1、圖2、圖3，本發(fā)明提供的一種循環(huán)流化床生活垃圾焚燒鍋爐爐膛出口煙氣含氧量預(yù)測(cè)系統(tǒng)，包括循環(huán)流化床生活垃圾焚燒鍋爐，以及用于該鍋爐運(yùn)行控制的集散控制系統(tǒng)，數(shù)據(jù)通訊接口，數(shù)據(jù)庫(kù)以及上位機(jī)。數(shù)據(jù)庫(kù)通過(guò)數(shù)據(jù)通訊接口從集散控制系統(tǒng)中讀取數(shù)據(jù)，并用于上位機(jī)的訓(xùn)練學(xué)習(xí)和測(cè)試，上位機(jī)通過(guò)數(shù)據(jù)通訊接口與集散控制系統(tǒng)進(jìn)行數(shù)據(jù)交換，所述的上位機(jī)包括在線學(xué)習(xí)、在線更新、驗(yàn)證部分和在線預(yù)測(cè)部分。具體包括：

信號(hào)采集模塊。該模塊用于采集cfb生活垃圾焚燒鍋爐在焚燒指定生活垃圾時(shí)的運(yùn)行工況狀態(tài)參數(shù)和操作變量，并組成垃圾熱值預(yù)測(cè)模型輸入變量的訓(xùn)練樣本矩陣x(m×n)，m表示樣本個(gè)數(shù)，n表示變量的個(gè)數(shù)；

數(shù)據(jù)預(yù)處理模塊。對(duì)x(m×n)進(jìn)行粗大誤差處理和隨機(jī)誤差處理，以摒除那些并不是反映鍋爐正常運(yùn)行工況的虛假信息，將鍋爐停爐、壓火、給料機(jī)堵塞等異常工況排除掉，為了避免預(yù)測(cè)模型的參數(shù)之間量綱和數(shù)量級(jí)的不同對(duì)模型性能造成的不良影響，訓(xùn)練樣本輸入變量均經(jīng)過(guò)歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的訓(xùn)練樣本x^*(m×n)。預(yù)處理過(guò)程采用以下步驟進(jìn)行：

1.1)根據(jù)拉伊達(dá)準(zhǔn)則，剔除訓(xùn)練樣本x(m×n)中的野值；

1.2)剔除鍋爐停爐運(yùn)行工況，鍋爐停爐時(shí)爐膛給煤機(jī)和給料機(jī)的開(kāi)度為零，并且爐膛中溫度接近常溫；

1.3)剔除爐膛壓火運(yùn)行狀況，鍋爐壓火時(shí)一次風(fēng)機(jī)、二次風(fēng)機(jī)引風(fēng)機(jī)爐膛給煤機(jī)和給料機(jī)的開(kāi)度為零，但是爐膛密相區(qū)的溫度維持在350℃～450℃；

1.4)剔除給料機(jī)堵塞工況，給料機(jī)堵塞需要運(yùn)行人員通過(guò)給料口的攝像頭拍攝的畫(huà)面對(duì)給料情況進(jìn)行判斷，給料機(jī)堵塞時(shí)，運(yùn)行人員會(huì)顯著地調(diào)高給料機(jī)的開(kāi)度，反映在運(yùn)行數(shù)據(jù)上，即給料機(jī)的開(kāi)度大于35％；

1.5)數(shù)據(jù)歸一化處理。按照式(1)將數(shù)據(jù)變量映射到[01]的區(qū)間內(nèi)。

式中xj表示第j變量所組成的向量，min()表示最小值，max()表示最大值。

專家知識(shí)庫(kù)模塊。采用滾動(dòng)時(shí)間窗口的方法不斷更新訓(xùn)練樣本，使得訓(xùn)練樣本始終保持在最新的狀態(tài)上，滾動(dòng)時(shí)間窗口方法是指從當(dāng)前時(shí)間開(kāi)始，回溯l(單位秒)長(zhǎng)度的時(shí)間尺寸。

模型更新判定模塊。檢測(cè)當(dāng)前預(yù)測(cè)模型的性能，當(dāng)相對(duì)預(yù)測(cè)誤差超過(guò)±5％時(shí)，則判定模型需要進(jìn)行更新。

智能建模模塊。智能建模模塊是煙氣含氧量預(yù)測(cè)系統(tǒng)的核心部分，該模塊先利用多種群遺傳粒子群算法對(duì)svm模型的懲罰參數(shù)c和核參數(shù)g進(jìn)行尋優(yōu)，

然后將得到的最優(yōu)參數(shù)組合賦給svm模型，并以此為基礎(chǔ)進(jìn)行訓(xùn)練。算法步驟如下：

2.1)初始化算法參數(shù)。多種群粒子群算法的最大尋優(yōu)代數(shù)tmax＝100、最大慣性權(quán)重ωmax＝1.4、最小慣性權(quán)重ωmin＝0.4，速度更新系數(shù)r1＝1、r2＝0.5、r3＝6、r4＝2，種群數(shù)量pop＝5、單個(gè)種群的粒子數(shù)量ind＝20、移民率pi＝0.04、交叉概率pc＝0.8、變異概率pm＝0.04、遺傳代溝pe＝0.05、遺傳操作頻度pg＝2。

2.2)初始化種群。采用實(shí)數(shù)編碼的方式，將svm模型的懲罰參數(shù)c和核參數(shù)g有序編碼在一個(gè)粒子當(dāng)中，并將每個(gè)權(quán)值閾值隨機(jī)生成為[0，200]之間的一個(gè)實(shí)數(shù)。

2.3)初始化個(gè)體極值和群體極值。將每個(gè)粒子中包含的參數(shù)組合賦給svm模型，并結(jié)合訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練，svm算法的描述如下：

假設(shè)svm模型的訓(xùn)練樣本集是(xi,yi)，i＝1,…,n，x∈r^d，y∈r，模型輸入輸出變量之間的關(guān)系如下：

式中，應(yīng)用非線性函數(shù)將樣本數(shù)據(jù)映射到一個(gè)高維特征空間(hilbert)中；b為偏置量。svm算法訓(xùn)練的核心問(wèn)題就是求解ω^t和b，使得對(duì)于樣本以外的輸入x有

為了保證模型有解，考慮到測(cè)量數(shù)據(jù)難以避免地含有噪聲，需要對(duì)理想狀況下的線性回歸函數(shù)(2)進(jìn)行修正，即引入ε線性不敏感損失函數(shù)和懲罰因子c和數(shù)值上大于零的松弛變量ξi、由此，求解凸二次規(guī)劃問(wèn)題成為求解函數(shù)回歸問(wèn)題的關(guān)鍵：

引入拉格朗日乘子，以及利用映射函數(shù)φ組成滿足mercer條件的核函數(shù)k(xi,x)，根據(jù)kkt條件，可以達(dá)到最優(yōu)的函數(shù)擬合方程

其中，xi為支持向量，nsv為支持向量的個(gè)數(shù)。核函數(shù)的選擇對(duì)svm模型的泛化能力有較為顯著的影響。選用靈活性和通用性較高的高斯徑向基函數(shù)(rbf)作為核函數(shù)，其表達(dá)式為：

k(xi,x)＝exp(-g·||xi-x||²)(6)

式中，g為核參數(shù)，g>0；||·||²為2-范數(shù)。

利用訓(xùn)練得到的預(yù)測(cè)模型計(jì)算煙氣含氧量預(yù)測(cè)值將預(yù)測(cè)值與實(shí)際測(cè)量值y^*進(jìn)行比較，并以誤差平方和mse作為粒子的適應(yīng)度值fitness，適應(yīng)度計(jì)算公式如下：

每個(gè)粒子的計(jì)算得到的適應(yīng)度值作為該粒子本身的初始化極值，每個(gè)種群的當(dāng)中mse最低的值作為群體極值。

2.4)更新粒子。根據(jù)最新的個(gè)體極值和全局極值，按照(8)式和(9)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))(8)

xid(t+1)＝xid(t)+vid(t+1)(9)

式中，t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)，r1，r2是[0，1]之間的隨機(jī)數(shù)，pid是指是指第i個(gè)粒子迄今為止尋搜索到最優(yōu)位置，pgd指該種群迄今為止搜索最優(yōu)位置。更進(jìn)一步，為了改善基本粒子群算法容易陷入局部極值和收斂速度慢的缺陷，在pso算法的基礎(chǔ)上引進(jìn)了動(dòng)態(tài)加速常數(shù)c1、c2和慣性權(quán)重ω：

其中，tmax為最大尋優(yōu)代數(shù)，ωmax為最大慣性權(quán)重，ωmin為最小慣性權(quán)重，r1、r2、r3、r4為常數(shù)。

2.5)判斷是否需要進(jìn)行遺傳操作。按照遺傳操作頻度pg進(jìn)行，通常每pg代進(jìn)行一次遺傳操作。若要進(jìn)行遺傳操作則執(zhí)行步驟2.6)，否則執(zhí)行步驟2.7)

2.6)執(zhí)行遺傳操作。遺傳操作包括選擇、交叉、變異、留優(yōu)，具體如下。選擇：像輪盤(pán)賭一樣計(jì)算選擇概率，等距離的選擇個(gè)體，設(shè)n為需要選擇的個(gè)體數(shù)目，選擇指針的距離是1/n，第一個(gè)選擇指針的位置由[0，1/n]區(qū)間內(nèi)的隨機(jī)數(shù)決定；交叉：采用算術(shù)重組的方法，即兩個(gè)個(gè)體通過(guò)線性組合產(chǎn)生新的個(gè)體。假設(shè)在兩個(gè)個(gè)體和之間進(jìn)行算術(shù)交叉，則按式(13)和(14)得到兩個(gè)新的個(gè)體和

式中λ1和λ2為(0,1)之間的實(shí)數(shù)，且λ1+λ2＝1；變異：采取均勻性變異，假設(shè)s＝(v1,v2,...,vn)是父代，z＝(z1,z2,...,zn)是變異產(chǎn)生的后代。現(xiàn)在父代向量中隨機(jī)地選擇一個(gè)分量，假設(shè)是第k個(gè)，然后在其定義區(qū)間[ak,bk]中均勻隨機(jī)地取一個(gè)數(shù)v'k代替vk以得到zi；留優(yōu)：采用保留父代精英個(gè)體的策略，根據(jù)父代染色體的目標(biāo)函數(shù)值，用過(guò)渡代染色體替換父代中目標(biāo)函數(shù)值排名后pe×100％的染色體，pe為替換率(遺傳代溝)，如此，父代中部分最優(yōu)的個(gè)體得以保留，不會(huì)因?yàn)檫x擇、交叉、變異等運(yùn)算消失。

2.7)粒子適應(yīng)度值計(jì)算。按照式(7)計(jì)算更新之后粒子的適應(yīng)度值。

2.8)更新個(gè)體極值和群體極值。以適應(yīng)度值為評(píng)價(jià)指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng)度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個(gè)體極值，否則個(gè)體極值保持不變。同時(shí)獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。

2.9)移民操作。在自然界中，一個(gè)物種的不同種群分布在不同的地域，一方面各個(gè)種群相對(duì)獨(dú)立地從自然界中爭(zhēng)取資源為己所用，不同的地域條件下催發(fā)了他們不同的生存模式和進(jìn)化程度；另一方面，各個(gè)種群之間有可能通過(guò)遷徙，使彼此之間發(fā)生聯(lián)系，達(dá)到互通有無(wú)、取長(zhǎng)補(bǔ)短、共同進(jìn)化的目的。本專利采用的多種群(multi-population,mp)遺傳粒子群算法正是借鑒了自然界中普遍存在的這一現(xiàn)象。每一次尋優(yōu)過(guò)程中，種群之間采用單向循環(huán)遷移的方式進(jìn)行移民操作，第1個(gè)種群中的優(yōu)秀個(gè)體遷往第2個(gè)，第2個(gè)遷往第3個(gè)，以此類推，直到最后一個(gè)遷往第一個(gè)。種群間的移民率pi＝0.04，即表示用源種群中排名前pi×100％的個(gè)體替換目標(biāo)種群當(dāng)中排名后pi×100％的個(gè)體，以此完成種群之間最優(yōu)知識(shí)的交流。

2.10)算法停止條件算法判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測(cè)精度的要求，如果沒(méi)有達(dá)到則返回步驟2.4)，利用更新的粒子繼續(xù)搜索，否則退出搜索，執(zhí)行步驟2.11)。

2.11)輸出最優(yōu)的參數(shù)組合粒子。

2.12)將最優(yōu)粒子當(dāng)中的參數(shù)組合賦給svm模型，并結(jié)合訓(xùn)練樣本進(jìn)行學(xué)習(xí)。

2.13)驗(yàn)證模型的預(yù)測(cè)精度。將模型的預(yù)測(cè)值和實(shí)際值進(jìn)行對(duì)比，計(jì)算相對(duì)預(yù)測(cè)誤差。

2.14)判斷相對(duì)預(yù)測(cè)誤差是否在±5％以內(nèi)，如果滿足要求則執(zhí)行步驟2.15)，否則返回步驟2.12)，重新進(jìn)行訓(xùn)練。

2.15)輸出滿足要求的煙氣含氧量預(yù)測(cè)模型。

通訊模塊。該模塊將滿足要求煙氣含氧量預(yù)測(cè)模型傳送給函數(shù)集散控制系統(tǒng)、生產(chǎn)管理系統(tǒng)。

實(shí)施例2

參照?qǐng)D1、圖2、圖3，本發(fā)明提供的一種循環(huán)流化床生活垃圾焚燒鍋爐爐膛出口煙氣含氧量預(yù)測(cè)方法，該方法包括以下步驟：

1)分析循環(huán)流化床生活垃圾焚燒鍋爐的運(yùn)行機(jī)理和煙氣含氧量變化機(jī)理，選擇垃圾的給料量、給煤量、一次風(fēng)量、二次風(fēng)量、床層溫度、爐膛稀相區(qū)溫度和爐膛負(fù)壓作為煙氣含氧量預(yù)測(cè)模型的輸入變量。

國(guó)內(nèi)的城市生活垃圾多為混合收集，導(dǎo)致入廠、入爐垃圾成分較為復(fù)雜，一般主要包括廚余垃圾、紙、塑料、橡膠、織物、木頭、竹子以及無(wú)機(jī)物等主要成分，表現(xiàn)出低熱值、高水分和波動(dòng)性較大的特征。為了保證循環(huán)流化床垃圾焚燒鍋爐的穩(wěn)定燃燒，通常會(huì)添加煤作為輔助燃料。垃圾在循環(huán)流化床中的燃燒是一個(gè)十分復(fù)雜的劇烈物理化學(xué)變化過(guò)程，垃圾在進(jìn)入爐膛之后會(huì)經(jīng)歷幾個(gè)過(guò)程：干燥加熱、揮發(fā)分析出及燃燒、焦炭燃燒。垃圾中質(zhì)輕易碎的組分如紙紙張、塑料以及細(xì)顆粒等會(huì)在流化風(fēng)的作用下進(jìn)入爐膛上部，經(jīng)歷干燥、揮發(fā)分的析出及燃燒以及殘?zhí)康娜紵纫幌盗羞^(guò)程；而密度較大、含水率高以及顆粒尺寸較大的組分如木頭、廚余垃圾等終端速度大于流化速度的組分會(huì)落入密相區(qū)，并在密相區(qū)中被床料加熱、燃燒，與煤的熱量釋放規(guī)律不同，垃圾中高水分低熱值的組分會(huì)在密相區(qū)中吸收大量的熱，而大量的揮發(fā)分在懸浮段燃燒。

cfb爐膛出口煙氣含氧量是由爐膛中的溫度場(chǎng)分布狀況和有機(jī)揮發(fā)分濃度的分布狀況決定的。給煤量、給料量和一二次風(fēng)量共同決定了溫度場(chǎng)分布、氧氣濃度分布和有機(jī)揮發(fā)分濃度分布，他們通過(guò)床層溫度、爐膛稀相區(qū)溫度和煙氣含氧量反映出來(lái)。尤其需要注意的是，在實(shí)際運(yùn)行過(guò)程中，會(huì)出現(xiàn)溫度場(chǎng)、組分場(chǎng)分布不均的情況，而通過(guò)煙氣氧量測(cè)點(diǎn)和爐膛溫度測(cè)點(diǎn)無(wú)法完全獲知，而爐膛負(fù)壓的波動(dòng)情況可以在一定程度上反映它們的波動(dòng)情況，因此也將它作為模型的輸入變量之一。

2)采集訓(xùn)練樣本。按設(shè)定的時(shí)間間隔從數(shù)據(jù)庫(kù)中采集輸入變量的歷史數(shù)據(jù)，或者采集指定工況下的運(yùn)行參數(shù)，組成煙氣含氧量預(yù)測(cè)模型輸入變量的訓(xùn)練樣本矩陣x(m×n)，m表示樣本個(gè)數(shù)，n表示變量的個(gè)數(shù)，同時(shí)采集與之對(duì)應(yīng)的煙氣含氧量作為模型的輸出訓(xùn)練樣本y(m×1)；

3)數(shù)據(jù)預(yù)處理。對(duì)x(m×n)進(jìn)行粗大誤差處理和隨機(jī)誤差處理，以摒除那些并不是反映鍋爐正常運(yùn)行工況的虛假信息，將鍋爐停爐、壓火、給料機(jī)堵塞等異常工況排除掉，為了避免預(yù)測(cè)模型的參數(shù)之間量綱和數(shù)量級(jí)的不同對(duì)模型性能造成的不良影響，訓(xùn)練樣本輸入變量均經(jīng)過(guò)歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的輸入變量的訓(xùn)練樣本x^*(m×n)和輸出變量的訓(xùn)練樣本y^*(m×1)。

4)智能算法集成建模。先利用多種群遺傳粒子群算法對(duì)svm模型的懲罰參數(shù)c和核參數(shù)g進(jìn)行尋優(yōu)，然后將得到的最優(yōu)參數(shù)組合賦給svm模型，并以此為基礎(chǔ)進(jìn)行訓(xùn)練。算法步驟如下：

4.1)初始化算法參數(shù)。多種群粒子群算法的最大尋優(yōu)代數(shù)tmax＝100、最大慣性權(quán)重ωmax＝1.4、最小慣性權(quán)重ωmin＝0.4，速度更新系數(shù)r1＝1、r2＝0.5、r3＝6、r4＝2，種群數(shù)量pop＝5、單個(gè)種群的粒子數(shù)量ind＝20、移民率pi＝0.04、交叉概率pc＝0.8、變異概率pm＝0.04、遺傳代溝pe＝0.05、遺傳操作頻度pg＝2。

4.2)初始化種群。采用實(shí)數(shù)編碼的方式，將svm模型的懲罰參數(shù)c和核參數(shù)g有序編碼在一個(gè)粒子當(dāng)中，并將每個(gè)權(quán)值閾值隨機(jī)生成為[0，200]之間的一個(gè)實(shí)數(shù)。

4.3)初始化個(gè)體極值和群體極值。將每個(gè)粒子中包含的參數(shù)組合賦給svm模型，并結(jié)合訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練，svm算法的描述如下：

假設(shè)svm模型的訓(xùn)練樣本集是(xi,yi)，i＝1,…,n，x∈r^d，y∈r，模型輸入輸出變量之間的關(guān)系如下：

式中，應(yīng)用非線性函數(shù)將樣本數(shù)據(jù)映射到一個(gè)高維特征空間(hilbert)中；b為偏置量。svm算法訓(xùn)練的核心問(wèn)題就是求解ω^t和b，使得對(duì)于樣本以外的輸入x有

為了保證模型有解，考慮到測(cè)量數(shù)據(jù)難以避免地含有噪聲，需要對(duì)理想狀況下的線性回歸函數(shù)(1)進(jìn)行修正，即引入ε線性不敏感損失函數(shù)和懲罰因子c和數(shù)值上大于零的松弛變量ξi、由此，求解凸二次規(guī)劃問(wèn)題成為求解函數(shù)回歸問(wèn)題的關(guān)鍵：

引入拉格朗日乘子，以及利用映射函數(shù)φ組成滿足mercer條件的核函數(shù)k(xi,x)，根據(jù)kkt條件，可以達(dá)到最優(yōu)的函數(shù)擬合方程

其中，xi為支持向量，nsv為支持向量的個(gè)數(shù)。核函數(shù)的選擇對(duì)svm模型的泛化能力有較為顯著的影響。選用靈活性和通用性較高的高斯徑向基函數(shù)(rbf)作為核函數(shù)，其表達(dá)式為：

k(xi,x)＝exp(-g·||xi-x||²)(5)

式中，g為核參數(shù)，g>0；||·||²為2-范數(shù)。

利用訓(xùn)練得到的預(yù)測(cè)模型計(jì)算煙氣含氧量預(yù)測(cè)值將預(yù)測(cè)值與實(shí)際測(cè)量值y^*進(jìn)行比較，并以誤差平方和mse作為粒子的適應(yīng)度值fitness，適應(yīng)度計(jì)算公式如下：

每個(gè)粒子的計(jì)算得到的適應(yīng)度值作為該粒子本身的初始化極值，每個(gè)種群的當(dāng)中mse最低的值作為群體極值。

4.4)更新粒子。根據(jù)最新的個(gè)體極值和全局極值，按照(7)式和(8)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))(7)

xid(t+1)＝xid(t)+vid(t+1)(8)

式中，t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)，r1，r2是[0，1]之間的隨機(jī)數(shù)，pid是指是指第i個(gè)粒子迄今為止尋搜索到最優(yōu)位置，pgd指該種群迄今為止搜索最優(yōu)位置。更進(jìn)一步，為了改善基本粒子群算法容易陷入局部極值和收斂速度慢的缺陷，在pso算法的基礎(chǔ)上引進(jìn)了動(dòng)態(tài)加速常數(shù)c1、c2和慣性權(quán)重ω：

其中，tmax為最大尋優(yōu)代數(shù)，ωmax為最大慣性權(quán)重，ωmin為最小慣性權(quán)重，r1、r2、r3、r4為常數(shù)。

4.5)判斷是否需要進(jìn)行遺傳操作。按照遺傳操作頻度pg進(jìn)行，通常每pg代進(jìn)行一次遺傳操作。若要進(jìn)行遺傳操作則執(zhí)行步驟4.6)，否則執(zhí)行步驟4.7)

4.6)執(zhí)行遺傳操作。遺傳操作包括選擇、交叉、變異、留優(yōu)，具體如下。選擇：像輪盤(pán)賭一樣計(jì)算選擇概率，等距離的選擇個(gè)體，設(shè)n為需要選擇的個(gè)體數(shù)目，選擇指針的距離是1/n，第一個(gè)選擇指針的位置由[0，1/n]區(qū)間內(nèi)的隨機(jī)數(shù)決定；交叉：采用算術(shù)重組的方法，即兩個(gè)個(gè)體通過(guò)線性組合產(chǎn)生新的個(gè)體。假設(shè)在兩個(gè)個(gè)體和之間進(jìn)行算術(shù)交叉，則按式(12)和(13)得到兩個(gè)新的個(gè)體和

式中λ1和λ2為(0,1)之間的實(shí)數(shù)，且λ1+λ2＝1；變異：采取均勻性變異，假設(shè)s＝(v1,v2,...,vn)是父代，z＝(z1,z2,...,zn)是變異產(chǎn)生的后代?，F(xiàn)在父代向量中隨機(jī)地選擇一個(gè)分量，假設(shè)是第k個(gè)，然后在其定義區(qū)間[ak,bk]中均勻隨機(jī)地取一個(gè)數(shù)v'k代替vk以得到zi；留優(yōu)：采用保留父代精英個(gè)體的策略，根據(jù)父代染色體的目標(biāo)函數(shù)值，用過(guò)渡代染色體替換父代中目標(biāo)函數(shù)值排名后pe×100％的染色體，pe為替換率(遺傳代溝)，如此，父代中部分最優(yōu)的個(gè)體得以保留，不會(huì)因?yàn)檫x擇、交叉、變異等運(yùn)算消失。

4.7)粒子適應(yīng)度值計(jì)算。按照式(6)計(jì)算更新之后粒子的適應(yīng)度值。

4.8)更新個(gè)體極值和群體極值。以適應(yīng)度值為評(píng)價(jià)指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng)度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個(gè)體極值，否則個(gè)體極值保持不變。同時(shí)獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。

4.9)移民操作。在自然界中，一個(gè)物種的不同種群分布在不同的地域，一方面各個(gè)種群相對(duì)獨(dú)立地從自然界中爭(zhēng)取資源為己所用，不同的地域條件下催發(fā)了他們不同的生存模式和進(jìn)化程度；另一方面，各個(gè)種群之間有可能通過(guò)遷徙，使彼此之間發(fā)生聯(lián)系，達(dá)到互通有無(wú)、取長(zhǎng)補(bǔ)短、共同進(jìn)化的目的。本專利采用的多種群(multi-population,mp)遺傳粒子群算法正是借鑒了自然界中普遍存在的這一現(xiàn)象。每一次尋優(yōu)過(guò)程中，種群之間采用單向循環(huán)遷移的方式進(jìn)行移民操作，第1個(gè)種群中的優(yōu)秀個(gè)體遷往第2個(gè)，第2個(gè)遷往第3個(gè)，以此類推，直到最后一個(gè)遷往第一個(gè)。種群間的移民率pi＝0.04，即表示用源種群中排名前pi×100％的個(gè)體替換目標(biāo)種群當(dāng)中排名后pi×100％的個(gè)體，以此完成種群之間最優(yōu)知識(shí)的交流。

4.10)算法停止條件算法判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測(cè)精度的要求，如果沒(méi)有達(dá)到則返回步驟4.4)，利用更新的粒子繼續(xù)搜索，否則退出搜索，執(zhí)行步驟4.11)。

4.11)輸出最優(yōu)的參數(shù)組合粒子。

4.12)將最優(yōu)粒子當(dāng)中的參數(shù)組合賦給svm模型，并結(jié)合訓(xùn)練樣本進(jìn)行學(xué)習(xí)。

4.13)驗(yàn)證模型的預(yù)測(cè)精度。將模型的預(yù)測(cè)值和實(shí)際值進(jìn)行對(duì)比，計(jì)算相對(duì)預(yù)測(cè)誤差。

414)判斷相對(duì)預(yù)測(cè)誤差是否在±5％以內(nèi)，如果滿足要求則執(zhí)行步驟4.15)，否則返回步驟4.12)，重新進(jìn)行訓(xùn)練。

4.15)輸出滿足要求的煙氣含氧量預(yù)測(cè)模型。

5)模型自適應(yīng)更新。當(dāng)煙氣含氧量與模型預(yù)測(cè)值的誤差超過(guò)±5％時(shí)，立即更新模型。