CN117035005A - 城市固废焚烧过程智能操作优化方法 - Google Patents

Abstract

本发明提供一种城市固废焚烧过程智能操作优化方法，既属于城市固废治理领域，又属于智能优化领域。该方法包括：采集城市固废焚烧过程历史数据构建样本数据集；以氮氧化物排放和燃烧效率为优化目标，建立基于自组织径向基函数神经网络的指标模型以表征城市固废焚烧过程中操作变量与优化目标间的映射关系；将建立的指标模型作为多目标优化算法的评价函数，采用多目标粒子群优化算法，获得操作变量最优设定值，实现降低氮氧化物排放浓度的同时提高燃烧效率。本发明通过建立一种城市固废焚烧过程智能操作优化方法，可以实现燃烧效率和脱硝效率的协同提升，能为城市固废焚烧过程的高效化与绿色化运行提供技术支撑。

Description

城市固废焚烧过程智能操作优化方法

技术领域

本发明既涉及城市固废治理领域，又涉及智能优化领域，尤其涉及一种城市固废焚烧过程智能操作优化方法。

背景技术

固废的大量堆积，严重污染土壤、空气、水环境的同时还对人类的健康有害。对于不可直接回收利用的城市固废，主要的处理方式为焚烧技术。然而，随着城市固废焚烧行业高速发展，污染物排放的越来越多，如氮氧化物。焚烧过程中产生的NO_x不易有效去除，对生态环境和人体健康具有双重危害。

目前，在城市固废焚烧厂运行中多依赖人工经验进行布风布料以及加入尿素等还原剂来避免NO_x排放超标，存在有导致焚烧炉内燃烧不稳定和产生二次污染的弊端。因此，设计城市固废焚烧过程的智能操作优化方法，通过对操作变量精准有效的设定与调节是保证城市固废焚烧过程中NOx排放降低与燃烧效率提高的重要手段，也一直是亟需落地的技术与研究重点。

发明内容

本发明提供了一种城市固废焚烧过程智能操作优化方法，以提高燃烧效率和降低NOx排放浓度为优化目标，在满足实际约束条件的情况下寻求城市固废焚烧运行过程中操作变量(包括炉排速度、一次风入口流量、一次风出口压力、二次风入口流量)的最优设定值，从而为实际工业过程提供指导。

本发明提供一种城市固废焚烧过程智能操作优化方法，包括：

步骤1：采集城市固废焚烧过程历史数据构建样本数据集，并划分训练集与测试集；

步骤2：根据所述训练集建立基于自组织径向基函数神经网络的氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型，以表征固废焚烧过程中操作变量与优化目标间的映射关系，其中，所述操作变量包括炉排速度、一次风入口流量、一次风出口压力、二次风入口流量，所述优化目标包括降低氮氧化物排放与提高燃烧效率，其中燃烧效率是通过一氧化碳指标模型和二氧化碳指标模型的输出值计算得到；

步骤3：以所述氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型作为多目标粒子群优化算法的评价函数，用于评价种群中解的优劣；

步骤4：采用所述多目标粒子群优化算法，获得操作变量的Pareto最优解集；

步骤5：基于效用函数从所述Pareto最优解集中确定操作变量的最优设定值。

根据本发明提供的一种城市固废焚烧过程智能操作优化方法，所述步骤1具体包括：通过检测设备采集并存储城市固废焚烧过程的历史数据，所述历史数据包括炉排速度、一次风入口流量、一次风出口压力、二次风入口流量、NOx浓度、CO浓度和CO2浓度，基于采集到的历史数据构建所述样本数据集。

根据本发明提供的一种城市固废焚烧过程智能操作优化方法，所述步骤2中构建指标模型的方法包括：

步骤21：根据所述训练集训练自组织径向基函数神经网络，所述自组织径向基函数神经网络初始时刻的隐含层神经元个数为0；

步骤22：基于所述训练集数据中绝对值最大的期望输出值对应的训练样本，在所述自组织径向基函数神经网络上增加第一个隐含层神经元；

步骤23：基于二阶学习算法对增加了第一个隐含层神经元的所述自组织径向基函数神经网络的参数进行调整；

步骤24：基于所述训练集数据与自组织径向基函数神经网络输出，计算所述训练集的误差向量，所述误差向量中包括各所述训练样本的误差值；确定所述误差峰值点，所述误差峰值点为绝对值最大的误差值，基于误差峰值点对应的训练样本，在所述自组织径向基函数神经网络上新增下一个隐含层神经元；

步骤25：基于二阶学习算法对新增了下一个隐含层神经元的所述自组织径向基函数神经网络的参数进行调整；

步骤26：重复上述基于所述误差峰值点新增下一个隐含层神经元的步骤和对新增了下一个隐含层神经元的所述自组织径向基函数神经网络的参数进行调整的步骤，直至所述自组织径向基函数神经网络的学习精度达到预设精度或直至所述自组织径向基函数神经网络的隐含层神经元的个数达到预设个数时，所述氮氧化物指标模型、一氧化碳指标模型或所述二氧化碳指标模型构建完成；

其中，构建所述氮氧化物指标模型、一氧化碳指标模型和所述二氧化碳指标模型时，所述自组织径向基函数神经网络的输入和输出均不相同，所述输入为从所述训练集中确定的。

根据本发明提供的一种城市固废焚烧过程智能操作优化方法，所述步骤4具体包括：

步骤41：初始化粒子群中各粒子的初始位置和初始速度：各所述粒子的初始速度均为零，各所述粒子的初始位置为基于约束条件确定的，所述约束条件为基于所述训练集数据的边界值设置的；

步骤42：基于所述氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型计算各所述粒子的适应度值，用于评估粒子；

步骤43：建立基于自适应网格机制的外部档案库，基于各粒子的适应度值将非支配粒子存储至所述外部档案库；

步骤44：对各所述粒子在所述约束条件内更新粒子位置和速度，其中更新过程中所用全局最优粒子的选取方法为基于步骤3中建立的外部档案库，利用自适应网格算法选取外部档案库中的全局最优粒子，以增强算法的多样性；

步骤45：针对更新位置和速度后的各所述粒子，重复上述评估适应度值、更新外部档案、更新粒子位置和速度的步骤，直到达到预设迭代次数后，输出最后一次迭代时外部档案库中各非支配粒子对应的Pareto最优解集。

根据本发明提供的一种城市固废焚烧过程智能操作优化方法，所述步骤5中所述效用函数的权重系数为根据实际情况与决策偏好进行设定的。

本发明提供的城市固废焚烧过程智能操作优化方法，一方面，通过基于自组织径向基函数神经网络良好的非线性映射能力，建立了精准有效的城市固废焚烧过程性能指标模型，可实现对NO_x排放和燃烧效率动态特性的精准表征，为后续操作变量的优化求解奠定了良好的基础。另一方面，利用自组织径向基函数神经网络指标模型建立适应度评价函数，基于多目标粒子群优化算法进行迭代求解从而获得优化的操作变量，以实现燃烧效率和脱硝效率的协同提升，提高了城市固废焚烧过程的智能化水平，推动城市固废焚烧过程高效化和绿色化运行。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的城市固废焚烧过程智能操作优化方法的流程示意图之一；

图2是本发明提供的自组织径向基函数神经网络的结构示意图；

图3是本发明提供的氮氧化物指标模型的测试结果示意图；

图4是本发明提供的一氧化碳指标模型的测试结果示意图；

图5是本发明提供的二氧化碳指标模型的测试结果示意图；

图6是本发明提供的城市固废焚烧过程智能操作优化方法的流程示意图之二；

图7是本发明提供的NOx浓度的优化结果示意图；

图8是本发明提供的燃烧效率的优化结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1至图8描述本发明的城市固废焚烧过程智能操作优化方法，如图1中所示，该方法包括：

步骤1：采集城市固废焚烧过程历史数据构建样本数据集，并划分训练集与测试集；

步骤2：根据所述训练集建立基于自组织径向基函数神经网络的氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型，以表征固废焚烧过程中操作变量与优化目标间的映射关系，其中，所述操作变量包括炉排速度、一次风入口流量、一次风出口压力、二次风入口流量，所述优化目标包括降低氮氧化物排放与提高燃烧效率，其中燃烧效率是通过一氧化碳指标模型和二氧化碳指标模型的输出值计算得到；

步骤3：以所述氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型作为多目标粒子群优化算法的评价函数，用于评价种群中解的优劣；

步骤4：采用所述多目标粒子群优化算法，获得操作变量的Pareto最优解集；

步骤5：基于效用函数从所述Pareto最优解集中确定操作变量的最优设定值。

具体的，通过采集设备采集并存储固废焚烧历史数据，具体采集时可以每间隔预设时间采集一次历史数据，预设时间例如可以是30秒、25秒、40秒等，在此不做具体的限定。每次采集时，采集固废焚烧过程中的炉排速度、一次风入口流量、一次风出口压力、二次风入口流量、NO_x浓度值、CO浓度值、CO₂浓度值等相关变量数据。

采集到足够的历史数据后，例如，采集了1000组历史数据后，基于1000组历史数据构建样本数据集，并从样本数据集中划分训练集和测试集，例如从1000组数据集中获取前700组历史数据或后700组历史数据作为训练集，其余的数据作为测试集。

在确定好训练集后，分别建立基于自组织径向基函数(SORBF)神经网络的氮氧化物指标模型、一氧化碳指标模型和二氧化碳的指标模型，以表征固废焚烧过程中操作变量与优化目标间的映射关系，其中，操作变量包括炉排速度、一次风入口流量、一次风出口压力、二次风入口流量，优化目标包括降低氮氧化物浓度与提高燃烧效率。

根据优化目标及燃烧效率的计算公式，确定氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型的输出变量分别为t时刻的NOx浓度、CO浓度值及CO₂浓度值。

燃烧效率的计算公式为：

构建氮氧化物模型、一氧化碳模型和二氧化碳指标模型的方法是相同的，但是各模型的输入和输出不相同。氮氧化物指标模型的输入变量 代表历史数据中第t-1时刻的氮氧化物(NO_x)浓度值，x₂代表第t时刻中的炉排速度，x₃，x₄，x₅分别表示第t时刻的一次风入口流量、一次风出口压力、二次风入口流量，T表示转置符号；一氧化碳指标模型的输入变量x_co＝ 代表第t-1时刻的CO浓度值，x₂代表第t时刻的炉排速度、x₃，x₄，x₅分别表示第t时刻的一次风入口流量、一次风出口压力、二次风入口流量；二氧化碳指标模型的输入变量/>代表第t-1时刻的CO₂浓度值，x₂代表第t时刻中的炉排速度，x₃，x₄，x₅分别表示第t时刻的一次风入口流量、一次风出口压力、二次风入口流量。

以所述氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型作为多目标粒子群优化算法的评价函数，用于评价种群中解的优劣，进而求解获得操作变量的Pareto最优解集，采用基于需求设置的效用函数来从Pareto最优解集中最终确定操作变量的最优设定值。

本发明提供的城市固废焚烧过程智能操作优化方法，一方面，通过基于自组织径向基函数神经网络良好的非线性映射能力，建立了精准有效的城市固废焚烧过程性能指标模型，可实现对NO_x排放和燃烧效率动态特性的精准表征，为后续操作变量的优化求解奠定了良好的基础。另一方面，利用自组织径向基函数神经网络指标模型建立适应度评价函数，基于多目标粒子群优化算法进行迭代求解从而获得优化的操作变量，以实现燃烧效率和脱硝效率的协同提升，提高了城市固废焚烧过程的智能化水平，推动城市固废焚烧过程高效化和绿色化运行。

在一个实施例中，所述步骤1具体包括：通过检测设备采集并存储城市固废焚烧过程的历史数据，所述历史数据包括炉排速度、一次风入口流量、一次风出口压力、二次风入口流量、NOx浓度、CO浓度和CO₂浓度，基于采集到的历史数据构建所述样本数据集。

在一个实施例中，所述步骤2中构建指标模型的方法包括：

步骤21：根据所述训练集训练自组织径向基函数神经网络，所述自组织径向基函数神经网络初始时刻的隐含层神经元个数为0；

步骤22：基于所述训练集数据中绝对值最大的期望输出值对应的训练样本，在所述自组织径向基函数神经网络上增加第一个隐含层神经元；

步骤23：基于二阶学习算法对增加了第一个隐含层神经元的所述自组织径向基函数神经网络的参数进行调整；

步骤24：基于所述训练集数据与径向基函数神经网络输出，计算所述训练集的误差向量，所述误差向量中包括各所述训练样本的误差值；确定所述误差峰值点，所述误差峰值点为绝对值最大的误差值，基于误差峰值点对应的训练样本，在所述自组织径向基函数神经网络上新增下一个隐含层神经元；

步骤25：基于二阶学习算法对新增了下一个隐含层神经元的所述自组织径向基函数神经网络的参数进行调整；

步骤26：重复上述基于所述误差峰值点新增下一个隐含层神经元的步骤和对新增了下一个隐含层神经元的所述自组织径向基函数神经网络的参数进行调整的步骤，直至所述自组织径向基函数神经网络的学习精度达到预设精度或直至所述自组织径向基函数神经网络的隐含层神经元的个数达到预设个数时，所述氮氧化物指标模型、一氧化碳指标模型或所述二氧化碳指标模型构建完成；

其中，构建所述氮氧化物指标模型、一氧化碳指标模型和所述二氧化碳指标模型时，所述自组织径向基函数神经网络的输入和输出均不相同，所述输入为从所述训练集中确定的。

具体的，上述步骤为构建氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型的通用方法，构建不同的指标模型，则针对自组织径向基函数(SORBF)神经网络模型的输入和输出均不相同，其中输入为从训练集中确定的，图2示出了SORBF神经网络模型的结构。

构建完成的氮氧化物指标模型/一氧化碳指标模型/二氧化碳的指标模型输出的NO_x/CO/CO₂浓度值的计算公式为：

其中，y为SORBF神经网络模型的输出，x为氮氧化物指标模型/一氧化碳指标模型/二氧化碳的指标模型的输入变量(已归一化处理后的)，w_j为第j个隐含层神经元到输出神经元的输出权值，Φ_j为第j个隐含层神经元的输出，J为隐含层神经元的总个数。

基于SORBF神经网络构建指标模型的方法如下：

(1)在构建指标模型时，SORBF神经网络初始时刻的隐含层神经元个数为0。

(2)初始时刻，当前SORBF神经网络的最大绝对残差所对应的训练样本即为绝对值最大的期望输出值对应的训练样本k₁：

k₁＝argmax[||y_h1||，||y_h2||，…，||y_hp||，…，||y_hP||] (3)

其中，P代表训练集中训练样本的个数，y_hp表示第p个训练样本的期望输出值，期望输出值即为历史数据中实际的NO_x/CO/CO₂浓度值。

SORBF神经网络上增加的第一个隐含层神经元设置如下：

σ₁＝1 (6)

其中，c₁为第一个隐含层神经元的中心向量，w₁为第一个隐含层神经元的输出权值，σ₁为第一个隐含层神经元的宽度，为训练样本k₁的输入向量，/>为训练样本k₁的期望输出值。

(3)基于二阶学习算法对增加了第一个隐含层神经元的SORBF神经网络的参数进行调整，调整方法如下：

Ψ(η+1)＝Ψ(η)-(H(η)+λI(η))^-1Ω(η)) (7)

其中，η为进行参数调整的迭代步数(例如，迭代总步数可以设置为50)，H为类海森矩阵，λ为学习率(例如可以取0.01)，I为单位矩阵，Ω为梯度向量，Ψ为SORBF神经网络需要调整的参数：

Ψ(η)＝[c₁(η)，σ₁(η)，w₁(η)] (8)

为了降低计算复杂度，将类海森矩阵H转化为P个类海森子矩阵h的和，将梯度向量Ω转化P个梯度子向量g的和，具体如下所示：

在对网络参数进行第η次调整时，第p个类海森子矩阵h_p(η)和梯度子向量g_p(η)计算公式如下：

其中，e_p(η)为在第η次调整时SORBF神经网络输出的第p个训练样本的网络输出值y_p(η)与期望输出值y_hp的差值，j_p(η)为雅可比向量，T为转置符号。

e_p(η)的计算方法如下：

e_p(η)＝y_p(η)-y_hp (13)

雅可比向量的计算方法如下：

其中，[c₁₁(η)，c₁₂(η)，c₁₃(η)，c₁₄(η)，c₁₅(η)]为在第η次迭代时的中心向量，c₁₁(η)、c₁₂(η)、c₁₃(η)、c₁₄(η)和c₁₅(η)分别表示第η次迭代时的中心向量中的元素，w₁(η)和σ₁(η)分别为在第η次迭代时的权值和宽度，y_p(η)为在第η次迭代时的网络输出。

(4)计算训练集的误差向量e，误差向量中包括各训练样本的误差值：

e＝[e₁，e₂，…，e_p，…，e_P] (15)

第p个训练样本的误差值e_p计算如下：

e_p＝y_p-y_hp (16)

其中，y_p为SORBF神经网络输出的第p个训练样本的网络输出值，y_hp为第p个训练样本的期望输出值。

基于训练集的误差向量e，寻找当前的误差峰值点对应的训练样本k，误差峰值点为绝对值最大的误差值：

k＝argmax||e|| (17)

基于所述误差峰值点对应的训练样本，在SORBF神经网络上新增下一个(即第l个)隐含层神经元，该隐含层神经元的中心向量c_l和输出权值w_l如下：

c_l＝x_k (18)

w_l＝y_hk (19)

其中，x_k为第k个训练样本的输入向量，y_hk为第k个训练样本的期望输出值。

为了避免神经网络模型的结构冗余，则希望SORBF神经网络中已有的隐含层神经元对新增的隐含层神经元影响较小。因此，对新增隐含层神经元的宽度σ_l设置如下：

c_min＝argmin(dist(c_l，c_j≠l)) (20)

σ_l＝a||c_l-c_min||(21)

其中，c_min为SORBF神经网络中距离第l个隐含层神经元最近的隐含层神经元的中心向量，c_j为SORBF神经网络中除去第l个隐含层神经元的其他隐含层神经元的中心向量，a根据指标模型的不同进行调整，例如，氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型的a的取值分别可以为：0.8、0.65、0.8。

(5)在增加了第一个隐含层神经元后，继续针对SORBF神经网络新增下一个隐含层神经元，新增下一个神经元时，是基于训练集的所有训练样本中误差峰值点对应的训练样本进行新增的。

在新增了下一个神经元后，基于二阶学习算法对新增了下一个隐含层神经元的SORBF神经网络的参数进行调整，具体的调整方法与上述对增加了第一个隐含层神经元的SORBF神经网络的参数进行调整的方法相同。

重复上述基于误差峰值点新增下一个隐含层神经元的步骤和对新增了下一个隐含层神经元的SORBF神经网络模型的参数进行调整的步骤，直至SORBF神经网络模型的学习精度达到预设精度或直至所述RBF神经网络模型的隐含层神经元的个数达到预设个数时，氮氧化物指标模型、一氧化碳指标模型或二氧化碳指标模型构建完成，即：

若SORBF神经网络的隐含层神经元的数量达到J_max，或学习精度MSE<E₀时，则完成氮氧化物指标模型、一氧化碳指标模型或二氧化碳指标模型的构建，其中，氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型对应的J_max分别可以为13、10、10。

可以采用均方误差MSE来衡量网络的学习精度，具体计算如下：

其中，y_hp为第p个训练样本的期望输出值，y_p为SORBF神经网络模型输出的第p个训练样本的网络输出值，P为训练样本的总个数。

氮氧化物指标模型、一氧化碳指标模型或二氧化碳指标模型即为基于学习精度达到预设精度或隐含层神经元的个数达到预设个数的SORBF神经网络所构建的。

示例性的，在建立好氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型后，还可以对上述指标模型进行验证，以确定上述指标模型是否满足要求，具体采用样本数据集中划分测试集进行验证。例如可以将样本数据集按照预设比例划分获得训练集和测试集，预设比例例如可以是7/3，8/2等，其中，训练集的比例高。

将测试集中的测试样本作为氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型的输入，氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型的输出分别为NO_x浓度、CO浓度和CO₂浓度的拟合值，采用均方根误差和平均百分比误差分别对氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型的拟合精度进行定量评价，均方根误差RMSE和平均百分比误差MAPE计算如下：

其中，M为测试集的测试样本的总个数，y_m为氮氧化物指标模型/一氧化碳指标模型/二氧化碳的指标模型针对第m个测试样本的网络输出值，y_hm为第m个测试样本的期望输出值，RMSE与MAPE越低，表示拟合精度越高。

图3、图4和图5分别示出了氮氧化物指标模型、一氧化碳指标模型和二氧化碳的指标模型的测试结果，图中x轴表示测试样本数，单位为个/样本，y轴分别为NO_x、CO、CO₂浓度值，单位为mg/m3，图中的网络输出为各指标模型的拟合值。采用均方根误差RMSE和平均百分比误差MAPE对各指标模型的拟合精度进行定量评价，对于氮氧化物指标模型，采用测试集测试获得的均方根误差RMSE为9.3939，平均百分比误差MAPE为5.5603％；对于一氧化碳指标模型，采用测试集测试获得的均方根误差RMSE为0.5368，平均百分比误差MAPE为15.4444％，二氧化碳的指标模型，采用测试集测试获得的均方根误差RMSE为0.1866，平均百分比误差MAPE为2.2523％。

在一个实施例中，所述步骤4具体包括：

步骤41：初始化粒子群中各粒子的初始位置和初始速度：各所述粒子的初始速度均为零，各所述粒子的初始位置为基于约束条件确定的，所述约束条件为基于所述训练集数据的边界值设置的；

步骤42：基于所述氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型计算各所述粒子的适应度值，用于评估粒子；

步骤43：建立基于自适应网格机制的外部档案库，基于各粒子的适应度值将非支配粒子存储至所述外部档案库；

步骤44：对各所述粒子在所述约束条件内更新粒子位置和速度，其中更新过程中所用全局最优粒子的选取方法为基于步骤3中建立的外部档案库，利用自适应网格算法选取外部档案库中的全局最优粒子，以增强算法的多样性；

步骤45：针对更新位置和速度后的各所述粒子，重复上述评估适应度值、更新外部档案、更新粒子位置和速度的步骤，直到达到预设迭代次数后，输出最后一次迭代时外部档案库中各非支配粒子对应的Pareto最优解集。

具体的，如图6中所示，采用所述多目标粒子群优化算法，获得操作变量的Pareto最优解集的方法包括：

(1)初始化粒子群中各粒子的初始位置和初始速度，各粒子的初始速度均为零，各粒子的初始位置为基于约束条件确定的。

操作变量有四个，则操作变量的维数为4维，将训练数据中操作变量的最高值作为上界，将操作变量的最低值作为下界，约束条件即粒子的位置需要在操作变量的上界和下界之内，示例性的，粒子的初始速度v_i，d和初始位置z_i，d分别为：

z_i，d＝LB_d+r*(UB_d-LB_d) (25)

其中，LB_d表示第d维操作变量的下界，UB_d表示第d维操作变量的上界，r为0-1之间的随机数，i＝1，2，…，Q(Q为粒子群中粒子的个数，可以为200)，d＝1，2，3，4，z_i，d表示第i个粒子在第d维操作变量下的位置，v_i，d表示第i个粒子在第d维操作变量下的速度。

(2)初始化之后，基于氮氧化物指标模型一氧化碳指标模型和二氧化碳指标模型计算各粒子的适应度值，计算方法为：

将粒子群中的各粒子作为变量输入上述实施例获得的氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型中，计算得到NO_x浓度值、CO浓度值和CO₂浓度值。定义适应度函数f₁(z)和f₂(z)(即目标函数)以计算各粒子的适应度值，其中z表示各个粒子的位置向量，适应度函数为：

其中，g_nox为将氮氧化物指标模型输出的NO_x浓度值进行反归一化计算获得的，g_co为将一氧化碳指标模型输出的CO浓度值进行反归一化计算获得的，g_co2为将二氧化碳的指标模型输出的CO₂浓度值进行反归一化计算获得的。基于上述适应度函数计算的各粒子的值即为各粒子的适应度值，基于该适应度值即可以确定粒子群中的非支配粒子。

(3)建立基于自适应网格机制的外部档案库并存储当前非支配粒子。

对于外部档案库，采用自适应网格机制，在当前各粒子的目标函数空间生成网格，使用网格作为索引来定义各粒子，每个粒子的网格索引可以根据目标函数的值来确定，外部档案库的网格定义如下：

其中，grid.LB_μ为网格的下边界，grid.UB_μ为网格的上边界，β为系数(β可以取0.1)，μ＝1，2…K，K表示目标函数的个数，本实施例中为2。

根据grid.LB_μ和grid.UB_μ将网格在每一个目标函数维度上均匀划分为多个子网格，利用每个子网格在不同目标函数维度下的坐标(P₁，P₂，…，P_K)来定义各粒子，其中，P₁表示粒子在第一个目标函数维度上的排序位置，P₂表示粒子在第二个目标函数维度上的排序位置。

(4)确定当前次迭代时各粒子的个体最优位置和全局最优粒子位置。

对于全局最优粒子的选择，基于外部档案库，对包含一个以上粒子的子网格进行密度比较，旨在降低选中包含较多非支配粒子的子网格的概率，应用轮盘赌法获取挑选全局最优粒子的子网格，一旦子网格被选中，从子网格中随机选择一个非支配粒子作为全局最优粒子。

(5)更新粒子的速度和位置。当前迭代例如是第it次迭代，则更新后的用于第it+1次迭代的各粒子的速度和位置为：

其中，v_i，d(it)为第i个粒子在第it次迭代时的第d维操作变量下的速度，v_i，d(it+1)为第i个粒子在第it+1次迭代时的第d维操作变量下的速度，z_i，d(it)为第i个粒子在第it次迭代时的第d维操作变量下的位置，z_i，d(it+1)为第i个粒子在第it+1次迭代时的第d维操作变量下的位置，p_i，d(it)表示第i个粒子第it次迭代的个体最优位置(个体最优位置为it次迭代为止第i个粒子搜索到的最优位置，)，g_i，d(it)表示第it次迭代的全局最优粒子的位置，r₁、r₂是0～1之间的随机数，ω、粒子群算法的飞行参数，ω为惯性权重，ω随迭代次数进行显性衰减，衰减率为0.99，/>为学习因子，学习因子/>分别可以取1和2。

为保证更新后的粒子满足实际约束条件，需对更新后的粒子位置进行检查，比较更新后的粒子位置z_i，d(it+1)与约束条件的边界限制，若大于上界，则该维度的位置取上界UB_d，若小于下界，则该位置取下界LB_d，如下列公式所示：

(6)更新位置和速度后的各粒子，重复上述计算适应度值至更新位置和速度的步骤，直到达到预设迭代次数后，输出最后一次迭代时外部档案库中各非支配粒子对应的Pareto解集，预设迭代次数例如可以是100次、120次、150次等，在此不做具体限定。在获得Pareto解集后，设定效用函数，基于效用函数从所述Pareto解集确定最优操作变量。

在一个实施例中，所述步骤5中所述效用函数的权重系数为根据实际情况与决策偏好进行设定的。

示例性的，设定效用函数，以确定操作变量包括炉排速度、一次风入口流量、一次风出口压力、二次风入口流量的最优设定解，具体方法如下：

为了从多目标粒子群优化算法所求得的Pareto最优解集中确定最优的操作变量设定值，设计基于Pareto最优解集的最优设定值确定方法，例如可以根据当前实际情况及决策者的偏好信息，确定各个优化目标偏好，定义Pareto最优解集中解的效用函数以确定最优解，其中，Pareto最优解集中第r个解的效用函数U_r定义为：

其中，R表示Pareto解集中的解的个数，δ_μ为第μ个优化目标的权重系数，具体可根据决策编好和焚烧厂的实际情况进行确定，本实施例中优化目标为2个。为实现两个优化目标的均衡优化，例如可以设置第一优化目标权重值和第二优化目标的权重值的比值为0.3∶0.7。在实际焚烧工程中，需要每隔一定时间(例如每隔4分钟)即对操作变量优化一次，每次优化获得的Pareto解集中，效用函数值最小的解被确定为操作变量的最优设定解。

如图7和图8中所示，为基于上述方法优化后，NO_x浓度和燃烧效率的优化结果图，图中x轴表示优化时长，单位是min，y轴分别表示NO_x浓度和燃烧效率，单位分别是mg/m3和％，虚线和*分别表示未优化前的实际值，实线和o分别表示优化后的NO_x浓度和燃烧效率输出值。由图中可以看出，优化后的NO_x浓度相较于优化前实际的NO_x浓度有明显的下降，优化后NO_x浓度平均可降低10.56％；优化后的燃烧效率相较于优化前实际的燃烧效率有明显的提升，优化后燃烧效率平均可提升8.24％。

在上述实施例中，通过设定效用函数，可根据实际情况与决策偏好获取操作变量最终优化设定值，以实现燃烧效率和脱硝效率的协同提升。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种城市固废焚烧过程智能操作优化方法，其特征在于，包括：

步骤1：采集城市固废焚烧过程历史数据构建样本数据集，并划分训练集与测试集；

步骤2：根据所述训练集建立基于自组织径向基函数神经网络的氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型，以表征固废焚烧过程中操作变量与优化目标间的映射关系，其中，所述操作变量包括炉排速度、一次风入口流量、一次风出口压力、二次风入口流量，所述优化目标包括降低氮氧化物排放与提高燃烧效率，其中燃烧效率是通过一氧化碳指标模型和二氧化碳指标模型的输出值计算得到；

步骤3：以所述氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型作为多目标粒子群优化算法的评价函数，用于评价种群中解的优劣；

步骤4：采用所述多目标粒子群优化算法，获得操作变量的Pareto最优解集；

步骤5：基于效用函数从所述Pareto最优解集中确定操作变量的最优设定值。

2.根据权利要求1所述的城市固废焚烧过程智能操作优化方法，其特征在于，所述步骤1具体包括：通过检测设备采集并存储城市固废焚烧过程的历史数据，所述历史数据包括炉排速度、一次风入口流量、一次风出口压力、二次风入口流量、NOx浓度、CO浓度和CO2浓度，基于采集到的历史数据构建所述样本数据集。

3.根据权利要求1所述的城市固废焚烧过程智能操作优化方法，其特征在于，所述步骤2中构建指标模型的方法包括：

步骤21：根据所述训练集训练自组织径向基函数神经网络，所述自组织径向基函数神经网络初始时刻的隐含层神经元个数为0；

步骤22：基于所述训练集数据中绝对值最大的期望输出值对应的训练样本，在所述自组织径向基函数神经网络上增加第一个隐含层神经元；

步骤23：基于二阶学习算法对增加了第一个隐含层神经元的所述自组织径向基函数神经网络的参数进行调整；

步骤24：基于所述训练集数据与自组织径向基函数神经网络输出，计算所述训练集的误差向量，所述误差向量中包括各所述训练样本的误差值；确定所述误差峰值点，所述误差峰值点为绝对值最大的误差值，基于误差峰值点对应的训练样本，在所述自组织径向基函数神经网络上新增下一个隐含层神经元；

步骤25：基于二阶学习算法对新增了下一个隐含层神经元的所述自组织径向基函数神经网络的参数进行调整；

步骤26：重复上述基于所述误差峰值点新增下一个隐含层神经元的步骤和对新增了下一个隐含层神经元的所述自组织径向基函数神经网络的参数进行调整的步骤，直至所述自组织径向基函数神经网络的学习精度达到预设精度或直至所述自组织径向基函数神经网络的隐含层神经元的个数达到预设个数时，所述氮氧化物指标模型、一氧化碳指标模型或所述二氧化碳指标模型构建完成；

其中，构建所述氮氧化物指标模型、一氧化碳指标模型和所述二氧化碳指标模型时，所述自组织径向基函数神经网络的输入和输出均不相同，所述输入为从所述训练集中确定的。

4.根据权利要求1所述的城市固废焚烧过程智能操作优化方法，其特征在于，所述步骤4具体包括：

步骤41：初始化粒子群中各粒子的初始位置和初始速度：各所述粒子的初始速度均为零，各所述粒子的初始位置为基于约束条件确定的，所述约束条件为基于所述训练集数据的边界值设置的；

步骤42：基于所述氮氧化物指标模型、一氧化碳指标模型和二氧化碳指标模型计算各所述粒子的适应度值，用于评估粒子；

步骤43：建立基于自适应网格机制的外部档案库，基于各粒子的适应度值将非支配粒子存储至所述外部档案库；

步骤44：对各所述粒子在所述约束条件内更新粒子位置和速度，其中更新过程中所用全局最优粒子的选取方法为基于步骤3中建立的外部档案库，利用自适应网格算法选取外部档案库中的全局最优粒子，以增强算法的多样性；

步骤45：针对更新位置和速度后的各所述粒子，重复上述评估适应度值、更新外部档案、更新粒子位置和速度的步骤，直到达到预设迭代次数后，输出最后一次迭代时外部档案库中各非支配粒子对应的Pareto最优解集。

5.根据权利要求1所述的城市固废焚烧过程智能操作优化方法，其特征在于，所述步骤5中所述效用函数的权重系数为根据实际情况与决策偏好进行设定的。