[发明专利]城市固废焚烧过程风量智能优化设定方法

权利要求书

1.城市固废焚烧过程风量智能优化设定方法，

针对城市固废焚烧过程的一次风流量和二次风流量的设定值进行优化，以城市固废燃烧效率和氮氧化物NOx排放浓度为优化性能指标，一次风流量和二次风流量为优化的操作变量；

其特征在于包括以下步骤：

(1)设计城市固废焚烧过程风量优化设定方法的性能指标评价模型，燃烧效率和氮氧化物排放浓度模型都由三层前馈神经网络建立，分别为：输入层、隐含层和输出层；模型输入都为x[x₁,x₂,...,x_H]，H为输入变量维数，输出分别为燃烧效率和氮氧化物排放浓度；其计算方式如下：

①确定性能指标评价模型网络输入变量：基于最大相关最小冗余准则的mRMR特征选择方法确定除优化变量外的其它模型输入变量；mRMR算法计算变量之间的互信息，选择与输出变量相关性最大同时被选变量之间相关性最小的一组变量，计算公式为：

I(q；p)＝H(q)+H(p)-H(q；p) (1)

其中，I(q；p)表示变量q和变量p之间的互信息，q和p表示城市固废焚烧过程的变量，H(q)和H(p)分别表示变量q和变量p的信息熵，H(q；p)为变量q和变量p的联合熵；结合mRMR算法和固废焚烧机理确定模型的输入变量为：一次风流量x₁、二次风流量x₂、一次燃烧室右侧烟气温度x₃、一次燃烧室左侧烟气温度x₄、一次燃烧室右侧温度x₅、一次燃烧室左侧温度x₆、干燥炉排右1空气流量x₇、干燥炉排左1空气流量x₈、燃烧段炉排右1-1段空气流量x₉、燃烧段炉排左1-1段空气流量x₁₀、尿素溶液量x₁₁、石灰给料量x₁₂、活性炭储仓给料量x₁₃、锅炉出口主蒸汽流量x₁₄、入口烟气含氧量x₁₅、炉膛平均温度x₁₆，H的值为16；

②初始化性能指标模型前馈神经网络：确定燃烧效率和氮氧化物排放浓度模型神经网络16-L-1的连接方式，即输入层神经元个数为16，隐含层神经元个数为L，其值为25，输出层神经元为1个，表示如下：

其中，y₁(x)为燃烧效率，y₂(x)为氮氧化物排放浓度；W_1l和W_2l分别是燃烧效率和氮氧化物排放浓度模型神经元隐含层第l个神经元与输出节点之间的连接权值，l＝1,2,...,L，偏置分别是B₁和B₂，网络的连接权值和偏置随机初始化；和是隐含层连接到输出层神经元的第l个输入，表达式如下：

其中，隐含层神经元采用双曲正切sigmoid函数作为激活函数，和分别为燃烧效率和氮氧化物排放浓度模型隐含层第l个神经元的输出函数，连接到输出层神经元；w_1h,l和w_2h,l分别为燃烧效率和氮氧化物排放浓度模型神经元第h个输入节点与隐含层第l个神经元之间的连接权值，h＝1,2,...,H，b_1l和b_2l分别为隐含层第l个神经的偏置，网络的连接权值和偏置随机初始化；x_h为隐含层第h个输入变量；

③对性能指标模型前馈神经网络的参数进行更新：确定采用二阶LM算法来训练网络、更新参数，直到网络的预测输出与实际输出的归一化后的均方根误差小于0.001；

(2)设计城市固废焚烧过程风量优化设定方法的多目标优化算法，具体为：

①分阶段多目标粒子群优化算法参数设置及种群初始化，设定粒子群算法种群规模为N，外部档案规模为NP，设置其值都为50；最大迭代次数为T_max，设置其值为20；随机产生二维初始化种群：

v_i(t)＝[v_i,1(t),v_i,2(t)],z_i(t)＝[z_i,1(t),z_i,2(t)],i＝1,2,...,N (4)

其中，v_i(t)和z_i(t)分别表示第t次迭代种群中第i个粒子的速度和位置，t＝1,2,...,T_max，当前初始化时t的数值为1，z_i,1(t)∈[56,68]代表一次风流量的随机初始值，z_i,2(t)∈[1,16]代表二次风流量的随机初始值，对应的目标函数值为f_i(t)＝[f_i,1(t),f_i,2(t)]，f_i,1(t)和f_i,2(t)分别表示优化性能指标燃烧效率数值和氮氧化物排放浓度数值的相反数；设置每个粒子的历史最优解为其本身，即p_i(t)＝z_i(t)；种群中非支配解对外部档案进行初始化，然后从外部档案中为种群第i个粒子随机选取全局引导者g_i(t)；

②对种群进行更新，公式如下：

其中，v_i(t+1)和z_i(t+1)是第t+1次迭代时第i个粒子的速度和位置，r₁和r₂是0～1之间的随机数；随机选取初始权重w∈[0,1]、学习因子c₁∈[1.5,2.5]、c₂∈[1.5,2.5]；将更新后的种群粒子加入外部档案，依据Pareto支配性和拥挤距离更新外部档案，使外部档案粒子个数小于等于NP；更新粒子的历史最优解p_i(t)和全局最优解g_i(t)；t＝t+1，若t＜T_max，继续执行步骤③，否则终止计算，并输出外部档案中粒子对应的一次风流量和二次风流量的优化设定解集及其性能指标燃烧效率和氮氧化物排放浓度数值；

③计算种群中粒子的进化信息，计算公式如下：

其中，和Φ_i(t)分别代表第t次迭代时种群进化能力和种群中第i个粒子的进化能力，E_i(t+1)表示种群t+1次迭代时第i个粒子的进化效率；和分别表示第t次和t-1次迭代时第i个粒子的全局最优解的第j个目标值，j＝1,...,m，m代表目标个数，数值为2；对种群中的粒子按照各个维度目标值由小到大排序，f_w,j(t)和f_b,j(t)分别表示第t次迭代时种群中位于排序第二和倒数第二的粒子的第j个目标值，f_i,j(t)代表第t次迭代时种群中第i个粒子的第j个目标值；所有目标值都进行归一化处理；

④判断种群进化阶段，如果种群粒子的最小进化率大于粒子的最大进化率的一半，则种群的进化趋于一致，属于“阶段1”，转到步骤⑤，否则属于“阶段2”，转到步骤⑥；

⑤基于差分进化算子，对选择的全局引导者引入变异操作：

g_i(t)＝g'_i(t)+M(g^Arc1(t)+g^Arc2(t)) (9)

其中，g'_i(t)为依据拥挤距离所确定的第i个粒子的全局引导者，g_i(t)为变异后的第i个粒子的全局引导者，g^Arc1(t)和g^Arc2(t)为从种群的外部档案中随机选择的非支配解，M∈[0.5,1]为随机选取的变异参数；转到步骤②更新种群，并对更新后的种群粒子引入多项式变异规则；

⑥从外部档案中选择具有较大拥挤距离值的前25％的粒子；然后计算所选择的每个粒子的收敛度：

其中，ConD_o(t)表示第t次迭代时档案中第o个粒子的收敛度，o＝1,2,...,O＜NP，表示档案中第o个粒子的第j个目标值；选择具有最大收敛度的粒子作为全局最优粒子，转到步骤②更新种群；

(3)依据效用函数的方法从求得的风量优化解集中确定一次风流量和二次风流量的最优设定解，计算方式如下：

其中，K为优化解集中解的个数，f_k,j为优化解集中第k个解的第j个目标值，μ_j为根据决策偏好获得的第j个目标的权重值，设置两个目标的权重值都为0.5，效用函数值最小的解确定为一次风流量和二次风流量的最优设定值。