[发明专利]一种垃圾焚烧过程的自动燃烧实时优化决策方法

说明书

一种垃圾焚烧过程的自动燃烧实时优化决策方法，涉及城市固体垃圾焚烧炉优化控制技术领域，通过关键被控变量(进料器速度和炉排速度)的优化决策，使自动燃烧控制系统运行在理想范围内，主要包括如下步骤：(1)根据焚烧过程的历史数据建立决策案例库；(2)构建训练模式池；(3)根据学习型伪度量准则训练随机配置网络从而获得随机配置网络检索模型；(4)将目标案例输入至随机配置网络检索模型得到K个相似案例的解；(5)通过案例重用求取K个相似案例解的平均值，从而得到目标案例解(进料器速度和炉排速度)的决策值并输出到焚烧过程控制系统；(6)重复上述的步骤(4)～步骤(5)，以实现焚烧过程的自动燃烧实时优化决策过程。

技术领域

本发明涉及城市固体垃圾焚烧炉优化决策技术领域，更具体来说，本发明是一种垃圾焚烧过程的自动燃烧实时优化决策方法。

背景技术

近年来，随着我国城市化进程不断加快，城市生活垃圾产量激增，而无害化处理能力却仍然不足。国家发改委在城市生活垃圾焚烧处理工作意见中，肯定和提升了生活垃圾焚烧处理的作用与地位。城市固体垃圾焚烧处理技术在发达国家和地区得到广泛应用，我国目前的垃圾焚烧处理技术及装备日趋成熟，已成为城市生活垃圾处理的重要方式。因此，本发明的研究成果具有广阔的应用前景。

垃圾焚烧过程中，垃圾的稳定燃烧是保证焚烧经济效益最大且环境影响最小的前提。因此，在保证垃圾稳定燃烧的前提下，实现焚烧过程关键被控变量的优化决策具有重要的现实意义。由于垃圾焚烧过程具有干扰多、强耦合、非线性及大惯性等特征，炉内进料器速度及炉排速度的优化设定不易掌握，一般是由人工经验给出，带有主观随意性，难以根据生产工况变化及时准确设定，造成这些工艺指标波动范围很大，难以控制在工艺规定的范围内，并使生产指标达标。因此，传统的控制方法难以实现稳定、准确控制。

目前，焚烧炉内进料器速度及炉排速度的优化决策模型主要包括机理建模和数据驱动建模。由于垃圾焚烧过程具有复杂特性，导致机理模型难以建立。而基于数据驱动的建模方法借助人工智能技术通过采集和目标变量相关的、容易在线监测的数据实现对目标的预测，成为优化决策领域的一个研究热点。这种建模方法主要有人工神经网络、支持向量机、多元线性回归法等。利用神经网络建模时，缺少确定隐层及节点数目的有效方法；支持向量机建模方法对于大数据集合，训练速度慢，因此，导致这些方法的应用效果不佳。基于神经网络的建模方法，需要大量的有足够代表性的样本，隐层层数及神经元个数的确定依赖经验，且收敛速度慢，容易陷入局部最小；支持向量机建模方法针对小样本数据有很好的效果，但是对于大样本数据训练时间长，缺乏自学习的能力，参数的选择具有不确定性；多元线性回归法对于特征变量的选择是一个难题。因此，导致这些优化决策方法的应用效果不佳。

案例推理作为人工智能领域一种问题求解与机器学习方法，它以求解效率高和增量式学习性能强等特点得到了广泛应用。因此，本发明利用案例推理的这一优势，着重从案例检索方法入手，对进料器速度和炉排速度进行建模实现实时优化决策。

发明内容

针对上述问题，本发明提供一种垃圾焚烧过程的自动燃烧实时优化决策方法，可通过关键被控变量(进料器速度和炉排速度)的优化决策，使自动燃烧控制系统运行在理想范围内。

为达到上述目的，本发明采用如下技术方案：

一种垃圾焚烧过程的自动燃烧实时优化决策方法，其特征在于包括以下步骤：(1)根据焚烧过程的历史数据建立决策案例库；(2)构建训练模式池；(3)根据学习型伪度量准则训练随机配置网络从而获得随机配置网络检索模型；(4)将目标案例输入至随机配置网络检索模型得到K个相似案例的解；(5)通过案例重用求取K个相似案例解的平均值，从而得到目标案例解(进料器速度和炉排速度)的决策值并输出到焚烧过程控制系统；(6)重复上述的步骤(4)～步骤(5)，以实现焚烧过程的自动燃烧实时优化决策过程。进一步具体包括如下步骤：

(1)根据焚烧过程的历史数据建立决策案例库；详细过程如下：