[发明专利]一种锅炉废气排放预测模型建立方法、预测方法及装置

说明书

本发明公开了一种锅炉废气排放预测模型建立方法、预测方法及装置，该模型建立方法包括：获取历史数据，对历史数据进行预处理以及典型相关分析后得到训练样本；建立深度信念网络，通过训练样本对深度信念网络进行训练并得到训练样本特征矩阵；从训练样本特征矩阵中抽取得到若干个训练样本集，根据训练样本集的特征数据分别进行决策树建模以形成随机森林模型并对其进行训练；将训练好的深度信念网络以及随机森林模型组合生成废气排放预测模型。本发明利用深度学习算法提取输入数据深层特征，同时采用参数设置少、收敛速度快的随机森林算法，该废气排放预测模型的收敛速度快且预测精度高，适用于燃烧过程更为复杂难控的炉排垃圾焚烧锅炉。

技术领域

本发明涉及垃圾焚烧锅炉废气排放预测技术领域，尤其涉及一种锅炉废气排放预测模型建立方法、预测方法及装置。

背景技术

我国城镇生活垃圾的主要处理方式包括填埋、焚烧、堆肥和堆放，其中，生活垃圾焚烧处理技术经过近30年的发展成熟，已成为实现垃圾无害化、减量化和资源化的最有效途径。根据垃圾焚烧形式的不同，国内外垃圾焚烧炉主要分为以下三类：循环流化床焚烧炉、回转窑焚烧炉和机械炉排式焚烧炉。其中，相较于其他焚烧炉，炉排炉在处理容量、炉前预处理、技术成熟度等方面具有较大优势，占据目前我国生活垃圾焚烧处理行业60％的市场份额。

垃圾焚烧炉烟气中的废气(例如NOx、CO、SO2、NH3等)含量是衡量焚烧炉是否环保运行的重要标志之一。以NOx为例，《生活垃圾焚烧污染控制标准》(GB 18485-2014)规定NOx排放浓度的1小时均值和24小时均值分别不得超过300mg/m3和250mg/m3。随着焚烧炉烟气排放限值日益降低，对垃圾焚烧污染物排放的准确控制与预测，将直接关系到焚烧工艺的经济性和操作性。因此，实现烟气指标中NOx的排放准确预测具有十分重要的意义。

目前，国内外的研究人员对垃圾焚烧炉NOx排放预测研究多集中在循环流化床焚烧锅炉中，而对炉排焚烧锅炉NOx排放预测研究较少，主要分为以下两类：一种是根据流化床锅炉传热传质及流动特性，通过相关燃烧化学机理的简化，建立NOx生成模型，其缺点在于实际垃圾组分复杂多变、热值波动大，简化模型与真实模型存在较大偏差，无法达到高准确度的实时排放预测；一种是基于大量历史数据，采用非线性回归或智能学习算法，将循环流化床焚烧锅炉前端控制参数作为模型输入，NOx排放作为模型输出，建立NOx排放预测模型。如浙江大学的尤海辉等人利用人工神经网络算法和粒子群优化算法进行集成建模，构建了NOx排放实时预测系统，但神经网络法(Neural Network,NN)易陷入局部最优，泛化误差较大，隐层单元数目难以确定；燕山大学牛培峰等人将支持向量机法(Support VectorMachine,SVM)用于循环流化床锅炉NOx排放研究，但SVM法中核函数和惩罚参数多凭经验确定，优化过程复杂，收敛速度较慢，预测精度和速度有待进一步提高。

此外，太原理工大学王芳等人将深度信念网络和偏最小支持向量机用于NOx在线测量计算模型中，实现对燃煤锅炉NOx排放在线测量。但与垃圾焚烧锅炉中实际垃圾组分复杂多变、热值波动大、NOx实时预测难度较大不同，电站燃煤锅炉因煤粉恒定、热值波动小，其NOx排放预测具体实施相对简单。

总而言之，现有垃圾焚烧锅炉NOx排放预测研究多采用浅层学习算法，模型初始参数由随机初始化得到，易陷入局部最优，泛化能力差，在处理大数据量下的时间序列预测方面收敛速度慢、预测精度低。与循环流化床锅炉相比，炉排焚烧锅炉虽然处理容量大，但在垃圾预处理方面，除大件垃圾外不分类、不破碎，导致燃烧过程热值波动大，给NOx排放预测带来较大困难。

实际生产中，生活垃圾炉排焚烧锅炉NOx测量主要依靠以各类烟气分析仪为基础的硬件测量，其投入成本高，需定期维护或更换，且烟气中飞灰易附着沉积在分析仪表面，影响测量可靠性。

发明内容