CN119289371B 垃圾焚烧烟气多污染物协同预测与智能控制方法及系统 （浙江大学）

垃圾焚烧烟气多污染物协同预测与智能控旨在提供一种垃圾焚烧烟气多污染物协同预测吸收剂用量的成本指标函数和考虑污染物排放最后根据最佳用量数据反馈调整控制各类吸收22构建基于LSTM层结构的多污染物协同预测模型，输采用该样本前12个样本的焚烧炉运行参数数据作为多污染物协同预测模型的输入特征数3PMg2;in是烟气净化系统进口烟气污染物浓度；Cout是烟气污染物;烟气排放连续监测系统模块：设于垃圾焚烧炉烟道的末端位置，用4氧化物(NOx)和颗粒物(PM)等多种污染物。这些污染物的排放易对环境和人体健康造成危[0003]了解垃圾焚烧烟气中污染物的浓度水平，对于实现污染物超低排放具有重要意法”(CN106931453A)和“一种基于数据驱动的WFGD出口SO2浓度预测及智能优化方法”(CN115309117A)分别提出利用BP神经网络和人工神经网络方法预测锅炉烟气中的NOx和SO2浓度5[0010](1)在同一时间段内，按设定时间间隔采集垃圾焚烧炉运行参数和烟气污染物排排放浓度数据均来自烟气排放连续监测系统(CEMS)的预测训练所需的输入特征进行保留；对应同一时刻样本的四类烟气污染物排放浓度数据，[0016](5)根据在工程应用中各吸收剂的实际用量范围和各污染物排放浓度限值标准，处理四类烟气污染物各自所对应吸收剂的最佳用[0017](6)将步骤(5)的计算结果输入垃圾焚烧炉的DCS系统，将各吸收剂的最佳用量转间的皮尔逊相关性系数绝对值大于0.3的运行参数，将该部分运行个样本的焚烧炉运行参数数据作为多污染物协同预测模型的输入6[0033]本发明进一步提供了一种垃圾焚烧烟气多污染物协同预测与智能控制系统所述[0034]垃圾焚烧炉分布式控制系统模块(DCS)：用于采集和储存垃圾焚烧炉的实时运行7[0040]本发明基于深度学习方法，利用CEMS污染物浓度监测数据和焚烧炉运行工况数[0043]利用深度学习模型实现垃圾焚烧烟气中HCl、SO2、NOx和PM四类污染物的协同预测，从而无需在后期持续利用存在测量延迟且维护成本较高的CEMS去监测烟气污染物浓焚烧炉的DCS系统将最佳用量结果转化为控制信号并发送至烟气净化系统内处理四类烟气[0052]4、本发明的多污染物智能控制方法能够在确保焚烧炉烟气中各类污染物排放均8[0054]图1为本发明提出的一种垃圾焚烧烟气多污染物协同预测与智能控制方法的流程[0057]图4为本发明提出的垃圾焚烧烟气多污染物协同预测与智能控制系统的模块结构[0058]图5为本发明实施例中32个焚烧炉运行参数输入特征与四类烟气污染物浓度预测[0059]图6为本发明实施例中协同预测模型对四类烟气污染物浓度的预测值与原始值的[0062]如图1流程图所示，本发明提出的垃圾焚烧烟气多污染物协同预测与智能控制方系统(DCS)储存的焚烧炉运行参数数据，以及利用烟气排放连续监测系统(CEMS)监测获得[0064]垃圾焚烧炉DCS是一种用于监控和控制焚烧炉运行的综合自动化系统，属于业内2[0065]在实际工程应用场景中，利用DCS和CEMS采集到的数据中势必存在一些缺失值和9[0066](2)计算步骤(1)采集的样本焚烧炉运行参数数据与四类烟气污染物排放浓度历据之间的皮尔逊相关性系数绝对值大于0.3的全部运行参数作为用于协同预测的输入特[0067]由于步骤(1)采集的样本焚烧炉运行参数众多，并非所有运行参数都对协同预测焚烧烟气多污染物的排放具有积极作用，因此利用皮尔逊相关性系数的计算协助特征筛[0071](3)将筛选出的焚烧炉运行参数数据和四类烟气污染物排放浓度数据进行更大时样本(对应60分钟)的焚烧炉运行参数数据作为所构建的LSTM协同预测模型的输入特征数[0072]以步骤(1)中数据采集的时间间隔1秒钟为例，采集到的数据是秒级别的高频数对应时刻的污染物浓度这种数据常规输入方式，使用时间序列数据进行预测更具合理性，更加便于模型捕捉数据随时间变化的模式和趋势，进而提高了模型预测的准确性和稳定据点对应原先5分钟的均值数据，此时将每个时间点的数据与之前的连续11个时间点的数[0074]基于LSTM层结构的多污染物协同预测模型，其结构为2层LSTM层+1层Dense层，行参数随时间变化的模式和趋势，为未来的焚烧烟气多污染物协同预测提供准确的依据。气多污染物协同预测浓度作为输入变量，所述烟气多污染物协同预测浓度是指步骤(3)输污染物的控制关联到四类吸收剂用量的控制，目的是通过精准调整每类吸收剂的投放量，[0088]通过将协同预测模型与多目标优化过程结合，实现同时满足成本控制和环保要[0089](5)根据工程应用中处理四类烟气污染物所对应吸收剂的实际用量范围要求和国[0092]粒子群优化算法(PSO)是一种基于群体智能的优化算法，它模拟了鸟群觅食或鱼解就是处理四类烟气污染物所对应的吸收剂的最佳用[0101](6)通过垃圾焚烧炉的DCS系统将多目标优化算法求得的各类吸收剂的最佳用量[0103]如图3流程图所示，本发明的控制目标是基于多目标优化算法计算的污染物吸收[0104]通过将多目标优化结果(四类吸收剂最佳用量)与实际烟气净化系统的控制器进和优化算法的计算机或服务器能够与控制器进行通信，这涉及到使用工业通信协议[0105]如图4模块结构图所示，本发明提出一种垃圾焚烧烟气多污染物协同预测与智能[0106]垃圾焚烧炉分布式控制系统模块(DCS)：用于采集和储存垃圾焚烧炉的实时运行[0112]在本实施例中，采集了浙江省某垃圾焚烧厂共计36天的DCS储存的运行参数数据[0113]继而采用3σ准则与前向填充的方式对所采集数据中的与PM这四类污染物的排放限值标准分别是0～10mg/90mg/Nm3和0～10mg/Nm3。[0114]完成缺失值与异常值的处理后，利用皮尔逊相关性系数从总共221个焚烧炉运行参数中筛选出和四类烟气污染物浓度数据之间具有较强相关性的运行参数。在本实施例与四类烟气污染物浓度预测目标之间的皮尔逊相关性系数热矩阵采样后12个样本数据点)的输入特征数据进行预测，从而对模型的输入数据进行时序化处值实施例开发的垃圾焚烧烟气多污染物协同预测模型对四种污染物预测在验证集和测试集如图6所示的模型对四类烟气污染物浓度的预测值与原始值的对比折线图。图中为了使污四类烟气污染物控制过程较为类似，因此本实施例将主要以NOx污染物控制为例进行后续了烟气多污染物协同预测模型的NOx浓度预测结果作为输入，从而实现预测模型和多目标标任务。在本实施例中，主要采用Python作为系统程序开发语言，系统程序在MSVC2019使用VisualStudioCode(VSCode)作为系统程序的集水喷洒量的均值为11.79L/h