基于焚烧运行参数的垃圾热值软测量模型

n- 1 [ 7]
为 ip - fm od ( in, C ) C
p- 1
x n = in
t= 1
Xt + C
n- 1 p=2
s= 1
Xs + C ( 1)
i1 - fm od ( in, C ) C in0 + C > ink = nC + k k= 0 , 1, , C - 1 n= 1 , ,N fm od ( a, b) 为 a 对 b 的模运算. in 0
( 2)
由此, 可推得最终小脑模型神经网络的概念映射 算法
[ 8]
为
n- 1 t= 1
x nk = ink
Xt + C
n- 1 p= 2
ip, k - fm od ( in, k, C ) C
p- 1
s= 1
Xs + C ( 3)
i1k - fm od ( ink , C ) C 小脑模型神经网络的输出算法
C- 1 [ 8]
为 ( 4)
图 1 小 脑模型的拓扑结构
F (S) =
k= 0
w ( xk ) ( k )
2007 年 2 月
谢承利等 : 基于焚烧运行参数的垃圾热值软测量模型
[ 9]
83
小脑模型神经网络的学习算法 w ( xk ) =
为 ( 5)
条件下运行时, 燃烧工况稳定 , 产生的蒸汽品质较好, 具体反映在主蒸汽温度、 压力的变化上. 炉膛烟气温度 则是垃圾热值变化趋势在监测参数中的直接反映. 如 果焚烧炉一直维持较高的焚烧温度稳定运行, 则可在 一定程度上说明 , 该段时间垃圾热值较高且变化不大; 如果焚烧温度波动明显, 变化正负波动较大, 则间接表 明垃圾热值出现了较明显的波动. 但由于控制系统调 节燃烧工况的过程中 , 风量的变化也会导致炉温发生 波动, 因而需要对风量与炉温进行综合考虑. 对于炉排 式垃圾焚烧炉而言, 烟气空气预热器旁路风压间接反 映了炉内垃圾料层的厚薄 . 当风压较低时 , 可以说明炉 内垃圾减薄 ; 当风压较高时, 说明炉内料层仍然较厚, 还有大量垃圾尚未燃尽. 也就是说, 烟气空气预热器旁 路风压随时间的变化 , 可在一定范围内反映垃圾燃烧 的快慢和垃圾内可燃物含量的高低
圾热值难以在线测量的实际状况 , 采用基于小脑神经网络的 垃圾热 值预测 模型 , 利用垃 圾发电 厂在线 运行数 据作 为输入参数 , 实现垃圾热值的在线预测 . 研究表明 , 该软测量 模型具 有实时 性好、 能够预 测垃圾 热值整 体变化 趋势 等优点 . 该模型初步应用于某垃圾发电厂 , 结果表明 , 其具有 较好的 实时性 与准确 度 , 在 垃圾燃 烧过程 自动控 制系 统中具有较好的应用前景 . 关键词 : 固体废弃物 ; 在线监测 ; 小脑神经网络模型 ; 热值 中图分类号 : TK16 文献 标志码 : A 文章编号 : 1006 8740( 2007) 01 0081 05
[ 6] [ 5]
[0 , X n ]; X 1 = q 1 + C, X n = q n + C, 其
中 , C 为感受野, 其大小影响神经网络模型的泛化能力 与学习时间, 随着 C 的增大 , 泛化能力增强, 但学习时 间也会延长 , 必须合理确定 , 并且使 X 1 /C, 够整除 ; 中间变量 i10 = S 1, , in0 = Sn. X n /C 能
生活垃圾集中焚烧处理技术是一种比较成熟的垃 圾减容减量无害化处理技术, 在我国正在得到日益广 泛的应用. 在垃圾集中焚烧处理过程中, 入炉垃圾成分 以及其导致的垃圾热值变化对焚烧过程的稳定性会产 生很大的影响, 而我国垃圾发电厂垃圾来源广泛, 故垃 圾热值变化很大 . 目前的垃圾焚烧控制均以燃料量与 配风为控制调节参数 , 事实上由于垃圾热值变化的影 响 , 燃料量的变化并不能稳定、 准确地代表垃圾焚烧的 发热量 , 导致垃圾焚烧的控制系统难以稳定运行. 这也
是不现实的 , 而且由于垃圾物料是不均匀的, 所取样品 是否具有代表性难以确定 . 因此 , 目前这种方法主要用 于离线分析过程以及统计分析过程 , 而且测量精度有 一定的偏差 . 在垃圾焚烧炉运行的实际过程中 , 需要的是垃圾 热值的总体变化趋势 , 以及垃圾热值的总体水平是属 于高、 中还是低等水平. 因此, 可以避开垃圾的成分等 需要离线测定的参数 , 利用垃圾发电厂在线测量数据 作为输入参数, 实现垃圾热值整体水平的在线预测 . 本 文采用基于小脑模型神经网络的垃圾热值预测模型, 将垃圾发电厂在线测量数据作为输入参数 , 实现垃圾 热值的在线预测 .
[ 11 ]
( fd - F (S ) ) ( k) C
[1 4]
收稿日期 : 2006 01 24. 基金项目 : 国家自然科学基金资助项目 ( 50276019 ) . 作者简介 : 谢承利 ( 1980 ), 男 , 博士研究生 ; 联系人 : 陆继东 , jdlu @ ma i.l hust . edu. cn .
82
燃ቤተ መጻሕፍቲ ባይዱ
烧
科
学
与
技
术
第 13 卷 第 1 期
是目前各垃圾焚烧厂均有监控系统 , 却难以实现垃圾 焚烧过程核心自动控制策略的主要原因之一. 现有的 垃圾热值计算方法, 主要是以垃圾物理成分组成数据 为依据来计算垃圾热值 , 即人为认定垃圾中的几种成 分为主要成分作为输入, 采用统计、 线性回归以及神经 网络等方法进行垃圾热值的预测 . 这种方法的主 要问题在于 : 首先 , 垃圾的成分是不稳定的 , 人为设定 的垃圾组分难免会造成一定的偏差; 此外 , 这种方法无 法应用于在线过程中 , 在线获取几种主要成分的含量
1 小脑模型神经网络
小脑神经网络模型 ( CMAC ) 是 A lbus提出的一种 通过多映射实现自联想记忆网络 . 它是一种局部神 经网络 , 将输入从多维状态空间映射到一个较小的有 限区域 , 这种映射是一种智能查表技术, 并满足二分原 理 , 即相近输入产生相近输出, 不相近输入产生无关输 出 . 二分原理确定了 CMAC 的局部映射区域 , 它只需 对多维状态空间中的部分样本进行学习 , 就具有了一 定的泛化能力, 不仅学习速度快 , 而且精度高, 具有较 好的实时性 , 适用于在线监测的过程中. 1. 1 小脑模型神经网络的结构 小脑模型神经网 络 ( Fuzzy CMAC ) 的结构如图 1 所示. 模型由输入向量空间、 概念映射、 物理映射和网 络输出 4 个部分组成 . 输入向量空间是一个 N 维的 向量. 图 1中 A c 为概念存储单元 , 存储值只有 0 和 1 . A p 为物理存储单元, 每个单元中存放一个连接权值. F (S ) 为网络的输出 . CMAC 网络是前馈型的网络, 从 S 到 A c 为非线性映射 , 从 A c 到 A p 为随机杂散映射, 从 A p 到 F ( S ) 为线性映射, 而使总的从 S 到 F (S ) 映射为 非线性映射 . 其中在输入、 输出层引入了模糊集合的隶
首先 CMAC 量化层对应于模糊 CMAC 的模糊化 层 . 模糊化层将每个输入变量都进行模糊分级 , 分级后 的每个结点对应于一个模糊语言变量 , 从而实现了对 输入的连续量化 . 隶属函数通常采用高斯函数 , 也可以 采用三角形模糊分布或梯形模糊分布 , 作为隶属函数. 经过模糊量化处理的输入矢量采用欧氏空间的 对角线 元素来处理编码和处理感受野及其模糊隶 属度. 概念映射的算法
第 13卷 第 1 期 2007 年 2 月
燃 烧 科 学 与 技 术 Journ al of Com bustion Science and T echnology
V o.l 13 N o . 1 Feb. 2007
基于焚烧运行参数的垃圾热值软测量模型
谢承利, 陆继东, 沈 凯, 曾 勇
( 华中科技大学煤燃烧国 家重点实验室 , 武汉 430074) 摘 要 : 在垃圾焚烧过程中 , 入炉垃圾热值的变化 对燃烧的 稳定性 会产生 很大的 影响 . 针对在 垃圾焚 烧过程 中垃
属度概念, 其作用有两个. 一是由于本热值预测模型应 用的场合是与现场的燃烧过程模糊控制系统相结合, 其数据来源为已经经过模糊化的测量参数 . 此外, 垃圾 热值无法实时测量, 因此训练样本中垃圾热值的描述 也 不是 具 体 数 值 而 是一 种 模 糊 集 的形 式 . 二 是 将 CMAC 与模糊控制和模糊推理有机地结合在一起, 大 大简化了模糊控制和模糊推理映射的计算 , 更重要的 是增添了模糊控制和模糊推理的学习功能 , 使其在垃 圾焚烧模糊控制过程中具有更为方便和广泛 的应用 前景. 1. 2 小脑模型神经网络的算法模型 设输入映射为 s ( S 1, , Sn ) A c ( x k ), 其中 , S1, , S n 分别为输入矢量 s 的量化值 , x k 为 S i ( i = 1 , n) 在 A c 中的序数. 假设 S 1 [0 , q1 ] , , Sn [0 , qn ] ; 一般变量 i1 [0 , X 1 ], , in ,
Ind irectM easurem entM odel for W aste H eating V alue Based on Incineration Operational Param eters
XIE Cheng l,i LU Ji dong , SHEN K a, i ZENG Yong
( Sta te K ey Labo ra tory o f Coa l Co m bustion, H uazhong U n ive rsity o f Sc ience and T echno logy , W uhan 430074, Ch ina) Ab stract : In the refuse inc inera tion process , the stab ility o f incineration is a l w ays influenced strong ly the heating va lue o f refuse . Ho w ever , it is d ifficult to ge t an on line m ethod o f measur ing refuse heating v alue in practice , due to the vary ing sources and unstable co m pos ition o f refuse . A heating value pred iction m ode l of re fuse based on cerebellar m ode l articula tion contro lle r ( CM AC) w as bu ilt , in wh ich the m on itor ing para m eters of inc inerator w ere used as inputs data . Compared w ith othe r m ode ls, the ne w m odel can pred ict the integ ra ted va riation o f the w aste heating value and realize the rea l ti me m easure m en t . W ith th is mode, l the heating va lue of refuse w as pred ic ted successfully in a re fuse pow er plant , ind icating that it is a feasib le w ay for the so ft m easure m ent process and the incineration con tro l system. K eyword s : so lid w aste ; on line mon ito ring ; ce rebellar model ar ticu lation contro ller ; heating value