CN113742997A - 城市固废焚烧过程风量智能优化设定方法 - Google Patents

Abstract

城市固废焚烧过程风量智能优化设定方法既属于优化计算领域，又属于城市固废焚烧领域。本发明提出了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仅依赖操作人员对风量值进行经验设定难以满足实际性能指标要求的问题。首先，结合最大相关最小冗余算法及前馈神经网络，建立燃烧效率和氮氧化物排放浓度性能指标评价模型；然后，提出分阶段多目标粒子群优化算法，获得一次风流量和二次风流量的Pareto优化解集；此外，设计效用函数，确定一次风流量和二次风流量的最优设定值；实验结果表明了该方法通过对风量进行优化设定能同时实现燃烧效率的提高和氮氧化物排放浓度的降低。

Description

城市固废焚烧过程风量智能优化设定方法

技术领域

本发明针对城市固废焚烧过程特性，利用改进多目标粒子群优化算法设计了一种城市固废焚烧过程风量优化设定方法，对固废焚烧过程操作变量一次风流量和二次风流量设定值进行优化，实现降低氮氧化物排放浓度降低的同时提高城市固废的燃烧效率；一次风流量和二次风流量设定值的优化是实现城市固废焚烧过程高效运行和和节能减排的重要环节，是流程工业技术领域的重要分支，既属于优化计算领域，又属于城市固废焚烧领域。

背景技术

随着城市化进程的不断加快，城市固体废物的急剧增加导致“垃圾围城”现象愈发严重。垃圾焚烧技术因其具有减容减量效果明显、无害化处理充分和资源利用率高等特点，已逐渐成为我国城市固废处理的主要方式。然而，由于国内城市固体废物热值较低、含水量高且成分复杂，在焚烧过程中容易出现焚烧稳定性差、燃烧效率较低以及焚烧产生的污染物排放浓度较高等问题。城市固废焚烧过程排放的氮氧化物NOx是造成大气污染的主要污染源之一，严重危害动物和人体健康。

目前，部分城市固废焚烧厂通过调节一次风流量和二次风流量等关键变量来减少氮氧化物的排放，风量值多依赖操作人员经验设定，难以满足实际需求。尽管调节风量能控制NOx的排放，但同时也会影响燃烧效率。燃烧效率反映了城市固废焚烧的充分性，城市固废焚烧的充分性不仅影响其减量化效果，而且焚烧不充分会产生较多的一氧化碳排放，造成空气污染。因此，从提高城市固废燃烧效率以及降低氮氧化物排放浓度的角度出发对风量设定值进行优化已经成为城市固废焚烧过程亟待解决的问题，具有重要的现实意义。

城市固废焚烧过程的风量设定值优化主要包括两方面：一是性能指标燃烧效率和氮氧化物排放浓度模型的建立；二是选取合适的优化算法求解风量设定值，以实现多个指标的优化。然而，城市固废焚烧过程具有强非线性，其机理模型难以建立。随着数据收集技术的发展，海量数据的获取使得数据驱动的建模方法可以用于建立固废焚烧过程模型。近年来，多目标进化优化技术取得了长足发展，特别是多目标粒子群算法具有较快的收敛速度，能够实现对多个指标优化问题的求解。但是传统的粒子群算法迭代进化时容易陷入局部最优，不能兼顾优化解的收敛性和多样性。

本发明提出了一种基于多目标粒子群算法的城市固废焚烧过程风量智能优化设定方法，主要通过前馈神经网络建立燃烧效率CE和氮氧化物NOx排放浓度的评价模型，将其作为优化目标，通过分阶段多目标粒子群算法对风量的设定值进行优化来降低城市固废焚烧的氮氧化物排放，同时最大化燃烧效率。

发明内容

本发明获得了一种城市固废焚烧过程风量智能优化设定方法，该方法深入分析城市固废焚烧过程特性，考虑燃烧效率和氮氧化物排放浓度两个优化性能指标，通过前馈神经网络建立其评价模型；基于评价模型，建立风量优化设定的目标函数，采用分阶段多目标粒子群算法获得一次风流量和二次风流量设定值的优化解集；根据优化解集，设计效用函数确定一次风流量和二次风流量的唯一优化设定值，从而完成对城市固废焚烧过程风量的优化设定，实现提高燃烧效率和降低氮氧化物排放的目标。

本发明采用了如下的技术方案及实现步骤：

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；两个的输入都为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为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即初始值，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。

本发明的创造性主要体现在：

(1)本发明以城市固废焚烧过程提高燃烧效率和降低氮氧化物排放为目标，在建立性能指标的数据驱动模型的基础上，采用改进的分阶段多目标粒子群优化算法对一次风流量和二次风流量的设定值进行优化，解决了复杂的城市固废焚烧过程仅依赖操作人员对风量值进行经验设定，难以满足实际性能指标要求的问题，具有优化效果显著的特点；

(2)本发明依据多目标粒子群算法迭代寻优时种群的进化能力、粒子的进化能力、粒子的进化效率等进化信息，对种群进化阶段进行判断，然后对各个阶段设计不同的全局最优选择策略以实现不同的进化阶段要求：在“阶段1”提高种群的多样性，在“阶段2”改善算法的收敛性，获得了收敛性、多样性较好的优化解，改善了算法易陷入最优的问题；

特别要注意：本发明以城市固废焚烧过程燃烧效率和氮氧化物排放浓度为优化的性能指标，一次风流量和二次风流量为优化设定的操作变量，采用改进的多目标粒子群优化算法求解城市固废焚烧过程的一次风流量和二次风流量的优化设定值，以实现性能指标的优化，只要采用了本发明的优化性能指标及优化算法进行城市固废焚烧过程风量设定值优化都应属于本发明的范围。

附图说明

图1是本发明风量智能优化设定框架图

图2是本发明燃烧效率性能指标模型结构图

图3是本发明氮氧化物排放浓度性能指标模型结构图

图4是本发明燃烧效率CE性能指标预测结果图

图5是本发明氮氧化物NOx排放浓度预测结果图

图6是本发明分阶段多目标粒子群优化算法流程图

图7是本发明一次风流量优化设定值结果图

图8是本发明二次风流量优化设定值结果图

图9是本发明燃烧效率CE性能指标优化结果图

图10是本发明氮氧化物排放NOx浓度优化结果图

具体实施方式

本发明获得了一种城市固废焚烧过程风量智能优化设定方法，该方法深入分析城市固废焚烧过程特性，基于模型输入变量特征选择结果，通过前馈神经网络建立性能指标评价模型；基于燃烧效率和氮氧化物排放模型，建立风量优化设定的目标函数，采用分阶段多目标粒子群算法获得一次风流量和二次风流量设定值的优化解集；根据优化解集，设计效用函数确定一次风流量和二次风流量的唯一优化设定值，从而完成对城市固废焚烧过程风量的优化设定，实现提高燃烧效率和降低氮氧化物排放的目标。

本发明采用了如下的技术方案及实现步骤：

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，风量智能优化设定框架如图1；

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；两个模型结构图分别如图2和图3，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) (12)

其中，I(q；p)表示变量q和变量p之间的互信息，q和p为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算法来更新参数，训练网络，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；对训练好的燃烧效率和氮氧化物排放模型进行测试，结果如图4和图5，图4和图5X轴：测试样本，单位是个，图4Y轴：燃烧效率，单位是百分比，图5Y轴：氮氧化物排放浓度，单位是毫克每立方米，图4和图5中红色虚线为实际输出，黑色实线为网络测试输出；

(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，该算法的流程图如图6，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 (15)

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)) (20)

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；图7和图8分别显示了一次风流量和二次风流量优化后的设定值结果，图7和图8X轴：测试样本，单位是个，图7Y轴：一次风流量，单位是km³N/h，图8Y轴：二次风流量，单位是km³N/h，图7和图8中黑色实线表示固废厂实际运行数据，黄色实线分别表示一次风流量和二次风流量的优化设定结果；采用优化后的一次风流量和二次风流量设定值，得到燃烧效率和氮氧化物排放浓度性能指标优化结果，如图9和图10，图9X轴：测试样本，单位是个，图9Y轴：燃烧效率，单位是百分比，图9X轴：测试样本，单位是个，图10Y轴：氮氧化物排放浓度，单位是毫克每立方米；图9中黑色实线为优化前燃烧效率，蓝色实线为优化后燃烧效率结果，图10中黑色实线为优化前氮氧化物排放浓度，蓝色实线为优化后氮氧化物排放浓度结果；结果证明该方法的有效性。

Claims (1)

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。

Images