本發(fā)明涉及能源工程領(lǐng)域，特別地，涉及一種循環(huán)流化床生活垃圾焚燒鍋爐床溫預(yù)測方法及系統(tǒng)。

背景技術(shù)：

垃圾焚燒由于能夠良好實現(xiàn)垃圾處理技術(shù)的減容化、減量化、無害化和資源化，近十幾年內(nèi)，在國家相關(guān)產(chǎn)業(yè)政策的引導(dǎo)下，國內(nèi)垃圾焚燒行業(yè)取得了蓬勃的發(fā)展。從上世紀(jì)90年代開始，國內(nèi)多家科研結(jié)構(gòu)對中國城市生活垃圾(Municipal Solid Waste,MSW)燃燒機理進(jìn)行了大量深入研究，掌握了混合收集、水分高、成分復(fù)雜的城市生活垃圾的燃燒特性，根據(jù)我國對煤、煤矸石等劣質(zhì)燃料循環(huán)流化床(Circulating Fluidized Bed,CFB)燃燒技術(shù)的開發(fā)經(jīng)驗的基礎(chǔ)上，開發(fā)出了循環(huán)流化床垃圾焚燒鍋爐，從1998年浙江大學(xué)開發(fā)的第一臺流化床垃圾焚燒爐投入運行開始，表現(xiàn)出了適用于對國內(nèi)高水分、熱值偏低且波動性很大的生活垃圾進(jìn)行大規(guī)模的焚燒處理的特點。目前，CFB垃圾焚燒技術(shù)已經(jīng)在國內(nèi)的多個城市進(jìn)行了推廣應(yīng)用，截止2014年底，國內(nèi)已建成垃圾焚燒鍋爐70余臺，日處理垃圾量6.4萬噸，為我國的垃圾焚燒處理行業(yè)做出了重要的貢獻(xiàn)。

床溫是一個影響循環(huán)流化床垃圾焚燒鍋爐安全、環(huán)保、經(jīng)濟運行的重要運行參數(shù)，一般要求流化床鍋爐的床層運行溫度控制在850-950℃之間，床層溫度太低不利于垃圾的充分干燥以及揮發(fā)分的析出燃燒和殘?zhí)嫉娜紵?，難以保證垃圾中有害物質(zhì)被徹底分解，對鍋爐燃燒穩(wěn)定性造成不良影響，同時，也不利于鍋爐蒸汽品質(zhì)的提升；床層溫度太高則會帶來高溫結(jié)渣、腐蝕和增加爐體負(fù)擔(dān)等問題。另一方面，為了促進(jìn)垃圾焚燒企業(yè)運行管理水平的發(fā)展，提升垃圾焚燒工藝的安全性、環(huán)保性和經(jīng)濟性，國家住建部頒發(fā)的《生活垃圾焚燒廠評價標(biāo)準(zhǔn)(CJJ/T 137–2010)》中，對生活垃圾焚燒系統(tǒng)設(shè)置了是否配套了自動燃燒控制系統(tǒng)(Automatic Combustion Control,ACC)的評分選項，而循環(huán)流化床生活垃圾焚燒鍋爐ACC系統(tǒng)中有一個重要的子控制系統(tǒng)就是床溫控制系統(tǒng)，而實施床溫控制系統(tǒng)的一項重要前提就是構(gòu)建足夠精度的實時床溫預(yù)測模型。因此，構(gòu)建一個實用的床溫特性模型具有十分重要的意義。

國內(nèi)外的研究人員對循環(huán)流化床鍋爐的床溫特性建模進(jìn)行了研究。目前，床溫的特性建模主要有以下幾種方法。一種是根據(jù)CFB鍋爐燃燒動力學(xué)、流體力學(xué)、傳熱傳質(zhì)的特性，在經(jīng)過合理的簡化假設(shè)之后建立，通過數(shù)學(xué)描述的方式建立機理模型。這種方法能夠反映床溫的變化趨勢，但由于假設(shè)模型和真實模型之間的偏差而無法達(dá)到足夠的精確度；另一種方法是在大量的試驗臺試驗或者現(xiàn)場試驗的基礎(chǔ)上，通過回歸分析的方法建立關(guān)于床溫變化特性的經(jīng)驗?zāi)Ｐ汀＿@種方法需要耗費大量的人力物力，時間成本高，同時無法保證試驗覆蓋所有的工況，具有一定局限性；第三種方法利用計算流體力學(xué)、計算傳熱學(xué)和化學(xué)反應(yīng)的簡化機理模擬爐內(nèi)燃燒過程，精確地求解床層溫度場的分布情況，顯示了良好的效果具有很大的發(fā)展?jié)摿Α５@種方法主要受限于流體力學(xué)模型和化學(xué)反應(yīng)的簡化機理與實際情況的差距，需要高端的計算機配置和很長的計算時間，因此采用這種方法仍處于初步發(fā)展階段。此外，CFB垃圾焚燒鍋爐的給料系統(tǒng)均勻性較差，入爐垃圾的熱值波動性大、組分復(fù)雜、多邊性強，是床溫建模過程中的面臨的主要困難之一，它要求所建立的床溫特性模型具有良好的自適應(yīng)能力，上述三種建模方法在這方面仍有所欠缺。

隨著電子技術(shù)、計算機技術(shù)和信息技術(shù)的發(fā)展，集散控制系統(tǒng)(Distributed Control System,DCS)廣泛的應(yīng)用于CFB生活焚燒鍋爐的運行過程，包含溫度、壓力、流量等參數(shù)在內(nèi)的過程數(shù)據(jù)都被完善得保存下來，這些歷史數(shù)據(jù)中包含豐富過程信息，是人們認(rèn)識和了解生產(chǎn)過程的重要途徑之一，具有很高的挖掘價值。自適應(yīng)糊神經(jīng)網(wǎng)絡(luò)(Adaptive Neuro-Fuzzy Inference System,ANFIS)融合了神經(jīng)網(wǎng)絡(luò)并行計算、分布式信息存儲、容錯能力強、具備自適應(yīng)學(xué)習(xí)功能等優(yōu)點和模糊算法能夠有效表達(dá)先驗知識的能力，成為構(gòu)建不確定性和非線性模型的有力工具。同時，ANFIS模型的訓(xùn)練所需的時間較短，無需配置高端的計算機即可完成訓(xùn)練任務(wù)，訓(xùn)練好的模型能夠勝任在線預(yù)測工作。因此，基于ANFIS算法的床溫預(yù)測模型可以滿足實際生產(chǎn)過程對模型的實時性要求。然而，ANFIS床溫預(yù)測模型在設(shè)計時面臨著模型輸入變量難以選擇、模型的初始結(jié)構(gòu)確認(rèn)困難以及訓(xùn)練樣本大小難以確定等問題。輸入變量冗余過多，一方面會增加模型的復(fù)雜度，另一方面會引入數(shù)據(jù)噪聲，甚至淹沒了數(shù)據(jù)中的有效信息，使模型的性能退化；輸入變量選擇過少則無法構(gòu)成完備床溫表達(dá)模型，產(chǎn)生欠擬合。而要確認(rèn)ANFIS模型的初始結(jié)構(gòu)則需要在大量的訓(xùn)練樣本中分析并提煉出模糊規(guī)則，這要求建模人員深入掌握CFB生活垃圾焚燒鍋爐的運行機理，并且需要耗費大量的時間，大大增加了建模過程的復(fù)雜程度和難度。訓(xùn)練樣本過多，會大幅度延長模型的訓(xùn)練時間，并且有可能會引入噪聲數(shù)據(jù)，導(dǎo)致產(chǎn)生過擬合現(xiàn)象；訓(xùn)練樣本過少，模型無法獲取足夠的信息支撐，是模型的泛化性能下降。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種循環(huán)流化床生活垃圾焚燒鍋爐床溫的預(yù)測方法及系統(tǒng)。本發(fā)明在分析CFB生活垃圾焚燒鍋爐運行機理的基礎(chǔ)上，初步選擇床溫預(yù)測模型的輸入變量，并利用Gamma Test算法進(jìn)一步確定選擇模型的輸入變量和訓(xùn)練樣本的個數(shù)，之后利用減法聚類算法對訓(xùn)練樣本數(shù)據(jù)進(jìn)行特征提取，自適應(yīng)的確定初始模糊規(guī)則和模糊神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)參數(shù)，再結(jié)合最小二乘估計法和誤差反向傳播算法對模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)行學(xué)習(xí)訓(xùn)練，并在這個過程中利用粒子群優(yōu)化算法對減法聚類算法的聚類半徑進(jìn)行尋優(yōu)。

本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：一種循環(huán)流化床生活垃圾焚燒鍋爐床溫預(yù)測方法，該方法包括以下步驟：

1)分析循環(huán)流化床生活垃圾焚燒鍋爐的運行機理，初步選擇垃圾的給料量、給煤量、一次風(fēng)量、二次風(fēng)量以及排渣量作為床溫預(yù)測模型的輸入變量。

2)采集訓(xùn)練樣本。按設(shè)定的時間間隔從數(shù)據(jù)庫中采集輸入變量的歷史數(shù)據(jù)，或者采集指定工況下的運行參數(shù)，組成床溫預(yù)測模型輸入變量的訓(xùn)練樣本矩陣X(m×n)，m表示樣本個數(shù)，n表示變量的個數(shù)，同時采集與之對應(yīng)的床層溫度作為模型的輸出變量，通常，床溫有較多的測點，取它們的平均值作為模型最終的輸出訓(xùn)練樣本Y(m×1)；

3)數(shù)據(jù)預(yù)處理。對X(m×n)進(jìn)行粗大誤差處理和隨機誤差處理，以摒除那些并不是反映鍋爐正常運行工況的虛假信息，將鍋爐停爐、壓火、給料機堵塞等異常工況排除掉，為了避免預(yù)測模型的參數(shù)之間量綱和數(shù)量級的不同對模型性能造成的不良影響，訓(xùn)練樣本輸入變量均經(jīng)過歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的輸入變量的訓(xùn)練樣本X^*(m×n)和輸出變量的訓(xùn)練樣本Y^*(m×1)。

4)智能算法集成建模。采用Gamma Test算法、粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)、減法聚類算法(Subtractive Clustering,SC)和模糊自適應(yīng)神經(jīng)網(wǎng)絡(luò)(Adaptive Neuro-Fuzzy Inference System,ANFIS)算法集成建模，確定模型最終的輸入變量的個數(shù)和訓(xùn)練樣本的個數(shù)，并根據(jù)最終確定的訓(xùn)練樣本進(jìn)行參數(shù)尋優(yōu)和學(xué)習(xí)，構(gòu)建能夠表征循環(huán)流化床生活垃圾焚燒鍋爐床溫特性的預(yù)測模型。該建模算法先利用Gamma Test算法尋找最優(yōu)的模型輸入變量組合以及訓(xùn)練樣本尺寸，然后采用減法聚類算法對樣本數(shù)據(jù)進(jìn)行特征提取，自適應(yīng)的確定初始模糊規(guī)則和模糊神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)參數(shù)，再結(jié)合最小二乘估計法和誤差反向傳播算法對模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)訓(xùn)練。其中，聚類半徑是影響建模性能的關(guān)鍵參數(shù)，因此以預(yù)測精度為目標(biāo)，利用PSO算法尋找聚類半徑的最優(yōu)值。算法步驟如下：

4.1)利用Gamma Test算法尋找最優(yōu)的模型輸入變量組合以及訓(xùn)練樣本尺寸。Gamma Test算法是對所有光滑函數(shù)均適用的非參數(shù)估計方法，該方法不關(guān)注輸入輸出數(shù)據(jù)之間的任何參數(shù)關(guān)系，只對輸入輸出數(shù)據(jù)進(jìn)行計算即可得到模型的噪聲方差，對于如下形式的數(shù)據(jù)集

{(X_i,Y_i),1≤i≤m} (2)

式中，X∈Rⁿ表示輸入，對應(yīng)的輸出標(biāo)量為y∈R。

Gamma Test假定的模型關(guān)系是：

y＝f(x₁,…,x_n)+r (3)

式中，f是一個光滑函數(shù)，r是一個表示數(shù)據(jù)噪聲的隨機量。不失一般性，可假定r的均值為0(否則可在f中加入常數(shù)項)，方差為Var(y)。Gamma Test就是計算一個統(tǒng)計量Γ，用它來評價輸出量的方差，顯然，如果數(shù)據(jù)的關(guān)系符合光滑模型，并且沒有噪聲，這個方差是0。Γ的計算過程如下：

4.1.1)計算輸入數(shù)據(jù)的距離統(tǒng)計量。用x_i表示第i個輸入數(shù)據(jù)，x_N[i,k]表示輸入樣本的第k近鄰域點，計算如下統(tǒng)計量：

${\mathrm{\δ}}_m\left(k\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}|x_{N\[i,k\]}-x_i{|}^2,1\≤i\≤m,1\≤k\≤p---\left(4\right)$

式中，|·|表示歐拉距離，p為最遠(yuǎn)鄰近距離(nearest neighbor)。

4.1.2)計算輸出數(shù)據(jù)的距離統(tǒng)計量。用y_i表示第i個輸出數(shù)據(jù)，y_N[i,k]表示輸出樣本的第k近鄰域點，計算如下統(tǒng)計量：

${\mathrm{\γ}}_m\left(k\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}|y_{N\[i,k\]}-y_i{|}^2,1\≤i\≤m,1\≤k\≤p---\left(5\right)$

式中符號的意義同(4)式。

4.1.3)計算統(tǒng)計量Γ。為了計算Γ，分別計算鄰近距離從1到p的統(tǒng)計量(δ_m(1),γ_m(1))，(δ_m(2),γ_m(2))，…，(δ_m(p),γ_m(p))。對這p個統(tǒng)計量構(gòu)造一元線性回歸模型，用最小二乘法進(jìn)行擬合，得到的一次線性函數(shù)的截距就是Gamma Test統(tǒng)計量Γ，Γ值越小表示樣本中的噪聲越小。

定義另一個統(tǒng)計量V_ratio：

$V_{ratio}=\frac{\mathrm{\Γ}}{{\mathrm{\δ}}^2\left(y\right)}---\left(6\right)$

式中，δ²(y)表示輸出y的方差。V_ratio可以用來評價光滑模型對該數(shù)據(jù)的模擬能力，V_ratio越接近0，表示該模型的預(yù)測性能越好。

首先，確定最優(yōu)的訓(xùn)練樣本尺寸。計算樣本量逐漸增大時Γ值的變化情況，當(dāng)Γ值趨于穩(wěn)定時，得到的樣本尺寸就是最優(yōu)的訓(xùn)練樣本尺寸。其次，確定最優(yōu)的模型輸入變量組合。需要計算所有輸入變量組合時的Γ值和V_ratio值，選擇Γ值和V_ratio值都很小的組合作為模型的最終輸入變量。

4.2)利用PSO算法尋找最優(yōu)的聚類半徑。以聚類半徑r_α作為粒子，15個粒子作為一個種群，每個粒子隨機賦予[0.2 0.9]區(qū)間內(nèi)的隨機值，其中第i個粒子的位置的向量標(biāo)示為r_i，i＝1，2，…，15；

4.3)以r_i為聚類半徑，進(jìn)行減法聚類分析。減法聚類算法用于對建模數(shù)據(jù)樣本的空間進(jìn)行初始劃分以及模糊規(guī)則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預(yù)設(shè)聚類中心的數(shù)目，沒有充分利用樣本空間的蘊含的對象特征信息。而減法聚類算法是一種基于山峰函數(shù)的聚類算法，它將每個數(shù)據(jù)點作為可能的聚類中心，并根據(jù)各個數(shù)據(jù)點周圍的數(shù)據(jù)點密度來計算該點作為聚類中心的可能性。

每個數(shù)據(jù)點X_i作為聚類中心的可能性P_i由式(7)來定義：

$P_i=\underset{j=1}{\overset{m}{\Σ}}\exp (-\frac{\left|\right|X_i-X_j|{|}^2}{{(r_i/2)}^2})---\left(7\right)$

式中m表示n維輸入空間中全部的數(shù)據(jù)點數(shù)，X_i＝[X_i1,X_i2,...,X_in]、X_j＝[X_j1,X_j2,...,X_jn]是具體的數(shù)據(jù)點，r_i是一個正數(shù)，定義了該點的鄰域半徑，||·||符號表示歐式距離。被選為聚類中心的點具有最高的數(shù)據(jù)點密度，同時該該數(shù)據(jù)點周圍的點被排除作為聚類中心的可能性。第一個聚類中心為X_C1，數(shù)據(jù)點密度為P_c1。選出第一個聚類中心后，繼續(xù)采用類似的方法確定下一個聚類中心，但需消除已有聚類中心的影響，修改密度指標(biāo)的山峰函數(shù)如下：

$P_i=P_i-P_{c1}\exp (-\frac{\left|\right|X_i-X_{c1}|{|}^2}{{(r_{\mathrm{\β}}/2)}^2})---\left(8\right)$

其中，r_β定義了一個密度指標(biāo)顯著減小的鄰域，為了避免出現(xiàn)十分接近的聚類中心，r_β＝1.5r_i。循環(huán)重復(fù)上述過程直到所有剩余數(shù)據(jù)點作為聚類中心的可能性低于某一閾值δ，即P_ck/P_c1<δ。

4.4)ANFIS模型訓(xùn)練。根據(jù)減法聚類算法得到的聚類中心，按照ANFIS模型結(jié)構(gòu)訓(xùn)練床溫預(yù)測模型；對于模糊神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)，采用混合最小二乘法的梯度下降算法進(jìn)行學(xué)習(xí)。

4.5)計算適應(yīng)度值。利用訓(xùn)練得到的預(yù)測模型計算垃圾熱值將床溫預(yù)測值與實際測量值y^*進(jìn)行比較，并以誤差平方和作為粒子的適應(yīng)度值MSE，適應(yīng)度計算公式如下：

$MSE=\underset{i=1}{\overset{m}{\&Sigma;}}{(\hat{y}-y^{*})}^2---\left(16\right)$

4.6)更新極值。以適應(yīng)度值為評價指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng)度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個體極值，否則個體極值保持不變。同時獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。

4.7)更新粒子。根據(jù)最新的個體極值和全局極值，按照(17)式和(18)式更新粒子的速度v_id(t)和位置x_id(t)。

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t)) (17)

x_id(t+1)＝x_id(t)+v_id(t+1) (18)

t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)。更進(jìn)一步，為了改善基本粒子群算法容易陷入局部極值和收斂速度慢的缺陷，在PSO算法的基礎(chǔ)上引進(jìn)了動態(tài)加速常數(shù)c₁、c₂和慣性權(quán)重ω：

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{max}-\frac{{\mathrm{\&omega;}}_{max}-{\mathrm{\&omega;}}_{min}}{T_{\max }}t---\left(19\right)$

$c_1=R_1+\frac{R_2\&times;t}{T_{max}}---\left(20\right)$

$c_2=R_3-\frac{R_4\&times;t}{T_{max}}---\left(21\right)$

其中，T_max為最大尋優(yōu)代數(shù)，ω_max為最大慣性權(quán)重，ω_min為最小慣性權(quán)重，R₁、R₂、R₃、R₄為常數(shù)。

4.8)算法停止條件算法判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測精度的要求，如果沒有達(dá)到則返回步驟4.3)，利用更新的聚類半徑繼續(xù)搜索，否則退出搜索。

4.9)利用最終尋優(yōu)得到的聚類半徑，對樣本進(jìn)行聚類分析和ANFIS模型訓(xùn)練，得到滿足訓(xùn)練終止條件的ANFIS模型，即床溫預(yù)測模型。

5)預(yù)測床溫。對指定的樣本進(jìn)行床溫預(yù)測，或者對當(dāng)前鍋爐運行工況下的床溫進(jìn)行實時預(yù)測。

一種循環(huán)流化床生活垃圾焚燒鍋爐床溫預(yù)測系統(tǒng)。該系統(tǒng)與循環(huán)流化床鍋爐的集散控制系統(tǒng)相連，包括數(shù)據(jù)通訊接口和上位機，所述上位機包括：

第一信號采集模塊。利用該模型采集CFB生活垃圾焚燒鍋爐在正常運行時的運行工況狀態(tài)參數(shù)和操作變量，并組成床溫預(yù)測模型輸入變量的訓(xùn)練樣本矩陣X(m×n)，和輸出訓(xùn)練樣本矩陣Y(m×1)，m表示樣本個數(shù)，n表示變量的個數(shù)。

數(shù)據(jù)預(yù)處理模塊。對訓(xùn)練樣本進(jìn)行粗大誤差處理和隨機誤差處理，剔除訓(xùn)練樣本中的野值，排除異常工況，將訓(xùn)練樣本輸入變量經(jīng)歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的訓(xùn)練樣本X^*(m×n)和Y^*(m×1)。

專家知識庫模塊。將X^*和Y^*共同組成床溫預(yù)測模型的訓(xùn)練樣本，并進(jìn)行保存。

智能學(xué)習(xí)模塊。智能學(xué)習(xí)模塊是床溫預(yù)測系統(tǒng)的核心部分，該模塊先利用Gamma Test算法尋找最優(yōu)的模型輸入變量組合以及訓(xùn)練樣本尺寸，然后采用減法聚類算法對樣本數(shù)據(jù)進(jìn)行特征提取，自適應(yīng)的確定初始模糊規(guī)則和模糊神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)參數(shù)，再結(jié)合最小二乘估計法和誤差反向傳播算法對模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)訓(xùn)練。其中，聚類半徑是影響建模性能的關(guān)鍵參數(shù)，因此以預(yù)測精度為目標(biāo)，利用PSO算法尋找聚類半徑的最優(yōu)值。算法步驟如下：

2.1)利用Gamma Test算法尋找最優(yōu)的模型輸入變量組合以及訓(xùn)練樣本尺寸。Gamma Test算法是對所有光滑函數(shù)均適用的非參數(shù)估計方法，該方法不關(guān)注輸入輸出數(shù)據(jù)之間的任何參數(shù)關(guān)系，只對輸入輸出數(shù)據(jù)進(jìn)行計算即可得到模型的噪聲方差，對于如下形式的數(shù)據(jù)集

{(X_i,Y_i),1≤i≤m} (2)

式中，X∈Rⁿ表示輸入，對應(yīng)的輸出標(biāo)量為y∈R。

Gamma Test假定的模型關(guān)系是：

y＝f(x₁,…,x_n)+r (3)

式中，f是一個光滑函數(shù)，r是一個表示數(shù)據(jù)噪聲的隨機量。不失一般性，可假定r的均值為0(否則可在f中加入常數(shù)項)，方差為Var(y)。Gamma Test就是計算一個統(tǒng)計量Γ，用它來評價輸出量的方差，顯然，如果數(shù)據(jù)的關(guān)系符合光滑模型，并且沒有噪聲，這個方差是0。Γ的計算過程如下：

2.1.1)計算輸入數(shù)據(jù)的距離統(tǒng)計量。用x_i表示第i個輸入數(shù)據(jù)，x_N[i,k]表示輸入樣本的第k近鄰域點，計算如下統(tǒng)計量：

${\mathrm{\&delta;}}_m\left(k\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}|x_{N\&lsqb;i,k\&rsqb;}-x_i{|}^2,1\&le;i\&le;m,1\&le;k\&le;p---\left(4\right)$

式中，|·|表示歐拉距離，p為最遠(yuǎn)鄰近距離(nearest neighbor)。

2.1.2)計算輸出數(shù)據(jù)的距離統(tǒng)計量。用y_i表示第i個輸出數(shù)據(jù)，y_N[i,k]表示輸出樣本的第k近鄰域點，計算如下統(tǒng)計量：

${\mathrm{\&gamma;}}_m\left(k\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}|y_{N\&lsqb;i,k\&rsqb;}-y_i{|}^2,1\&le;i\&le;m,1\&le;k\&le;p---\left(5\right)$

式中符號的意義同(4)式。

2.1.3)計算統(tǒng)計量Γ。為了計算Γ，分別計算鄰近距離從1到p的統(tǒng)計量(δ_m(1),γ_m(1))，(δ_m(2),γ_m(2))，…，(δ_m(p),γ_m(p))。對這p個統(tǒng)計量構(gòu)造一元線性回歸模型，用最小二乘法進(jìn)行擬合，得到的一次線性函數(shù)的截距就是Gamma Test統(tǒng)計量Γ，Γ值越小表示樣本中的噪聲越小。

定義另一個統(tǒng)計量V_ratio：

$V_{ratio}=\frac{\mathrm{\&Gamma;}}{{\mathrm{\&delta;}}^2\left(y\right)}---\left(6\right)$

式中，δ²(y)表示輸出y的方差。V_ratio可以用來評價光滑模型對該數(shù)據(jù)的模擬能力，V_ratio越接近0，表示該模型的預(yù)測性能越好。

首先，確定最優(yōu)的訓(xùn)練樣本尺寸。計算樣本量逐漸增大時Γ值的變化情況，當(dāng)Γ值趨于穩(wěn)定時，得到的樣本尺寸就是最優(yōu)的訓(xùn)練樣本尺寸。其次，確定最優(yōu)的模型輸入變量組合。需要計算所有輸入變量組合時的Γ值和V_ratio值，選擇Γ值和V_ratio值都很小的組合作為模型的最終輸入變量。

2.2)利用PSO算法尋找最優(yōu)的聚類半徑。以聚類半徑r_α作為粒子，15個粒子作為一個種群，每個粒子隨機賦予[0.2 0.9]區(qū)間內(nèi)的隨機值，其中第i個粒子的位置的向量標(biāo)示為r_i，i＝1，2，…，15；

2.3)以r_i為聚類半徑，進(jìn)行減法聚類分析。減法聚類算法用于對建模數(shù)據(jù)樣本的空間進(jìn)行初始劃分以及模糊規(guī)則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預(yù)設(shè)聚類中心的數(shù)目，沒有充分利用樣本空間的蘊含的對象特征信息。而減法聚類算法是一種基于山峰函數(shù)的聚類算法，它將每個數(shù)據(jù)點作為可能的聚類中心，并根據(jù)各個數(shù)據(jù)點周圍的數(shù)據(jù)點密度來計算該點作為聚類中心的可能性。

每個數(shù)據(jù)點X_i作為聚類中心的可能性P_i由式(7)來定義：

$P_i=\underset{j=1}{\overset{m}{\&Sigma;}}\exp (-\frac{\left|\right|X_i-X_j|{|}^2}{{(r_i/2)}^2})---\left(7\right)$

式中m表示n維輸入空間中全部的數(shù)據(jù)點數(shù)，X_i＝[X_i1,X_i2,...,X_in]、X_j＝[X_j1,X_j2,...,X_jn]是具體的數(shù)據(jù)點，r_i是一個正數(shù)，定義了該點的鄰域半徑，||·||符號表示歐式距離。被選為聚類中心的點具有最高的數(shù)據(jù)點密度，同時該該數(shù)據(jù)點周圍的點被排除作為聚類中心的可能性。第一個聚類中心為X_C1，數(shù)據(jù)點密度為P_c1。選出第一個聚類中心后，繼續(xù)采用類似的方法確定下一個聚類中心，但需消除已有聚類中心的影響，修改密度指標(biāo)的山峰函數(shù)如下：

$P_i=P_i-P_{c1}\exp (-\frac{\left|\right|X_i-X_{c1}|{|}^2}{{(r_{\mathrm{\&beta;}}/2)}^2})---\left(8\right)$

其中，r_β定義了一個密度指標(biāo)顯著減小的鄰域，為了避免出現(xiàn)十分接近的聚類中心，r_β＝1.5r_i。循環(huán)重復(fù)上述過程直到所有剩余數(shù)據(jù)點作為聚類中心的可能性低于某一閾值δ，即P_ck/P_c1<δ。

2.4)ANFIS模型訓(xùn)練。根據(jù)減法聚類算法得到的聚類中心，按照ANFIS模型結(jié)構(gòu)訓(xùn)練床溫預(yù)測模型；對于模糊神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)，采用混合最小二乘法的梯度下降算法進(jìn)行學(xué)習(xí)。

2.5)計算適應(yīng)度值。利用訓(xùn)練得到的預(yù)測模型計算垃圾熱值將床溫預(yù)測值與實際測量值y^*進(jìn)行比較，并以誤差平方和作為粒子的適應(yīng)度值MSE，適應(yīng)度計算公式如下：

$MSE=\underset{i=1}{\overset{m}{\&Sigma;}}{(\hat{y}-y^{*})}^2---\left(16\right)$

2.6)更新極值。以適應(yīng)度值為評價指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng)度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個體極值，否則個體極值保持不變。同時獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。

2.7)更新粒子。根據(jù)最新的個體極值和全局極值，按照(17)式和(18)式更新粒子的速度v_id(t)和位置x_id(t)。

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t)) (17)

x_id(t+1)＝x_id(t)+v_id(t+1) (18)

t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)。更進(jìn)一步，為了改善基本粒子群算法容易陷入局部極值和收斂速度慢的缺陷，在PSO算法的基礎(chǔ)上引進(jìn)了動態(tài)加速常數(shù)c₁、c₂和慣性權(quán)重ω：

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{max}-\frac{{\mathrm{\&omega;}}_{max}-{\mathrm{\&omega;}}_{min}}{T_{\max }}t---\left(19\right)$

$c_1=R_1+\frac{R_2\&times;t}{T_{max}}---\left(20\right)$

$c_2=R_3-\frac{R_4\&times;t}{T_{max}}---\left(21\right)$

其中，T_max為最大尋優(yōu)代數(shù)，ω_max為最大慣性權(quán)重，ω_min為最小慣性權(quán)重，R₁、R₂、R₃、R₄為常數(shù)。

2.8)算法停止條件算法判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測精度的要求，如果沒有達(dá)到則返回步驟4.3)，利用更新的聚類半徑繼續(xù)搜索，否則退出搜索。

2.9)利用最終尋優(yōu)得到的聚類半徑，對樣本進(jìn)行聚類分析和ANFIS模型訓(xùn)練，得到滿足訓(xùn)練終止條件的ANFIS模型，即床溫預(yù)測模型。

第二信號采集模塊。用于從數(shù)據(jù)庫中選擇需要預(yù)測床溫的運行工況，或者實時地采集當(dāng)前鍋爐的運行工況。

預(yù)測模塊。該模塊用于對指定的樣本進(jìn)行床溫預(yù)測，或者對當(dāng)前鍋爐運行工況下的床溫進(jìn)行實時預(yù)測。

結(jié)果顯示模塊。顯示床溫的預(yù)測結(jié)果，或者對床溫的預(yù)測結(jié)果進(jìn)行統(tǒng)計分析。

本發(fā)明的有益效果是：在利用循環(huán)流化床生活垃圾焚燒鍋爐的運行機理和運行歷史數(shù)據(jù)中隱含的知識的基礎(chǔ)上，采用Gamma Test算法、PSO算法、減法聚類算法和ANFIS算法集成建模的方法，構(gòu)建了一種快速經(jīng)濟的方法和系統(tǒng)對鍋爐床溫進(jìn)行實時預(yù)測，避開了繁瑣復(fù)雜的機理建模工作。其中，利用ANFIS算法的自學(xué)習(xí)能力、非線性映射能力、泛化能力和實時預(yù)測能力來表征床溫的動態(tài)變化特性，為運行人員和設(shè)計人員掌握了解床溫的變化特新提供新的途徑；利用減法聚類算法自適應(yīng)的確定ANFIS模型的初始結(jié)構(gòu)和參數(shù)，避免了復(fù)雜繁瑣的人工設(shè)計工作；利用PSO算法尋找最優(yōu)的聚類半徑，保證獲取最優(yōu)的ANFIS模型結(jié)構(gòu)；利用Gamma Test算法獲取最優(yōu)的訓(xùn)練樣本，避免了模型的在訓(xùn)練的時候出現(xiàn)過擬合和欠擬合的狀況。整個建模過程邏輯清晰，需要設(shè)置的參數(shù)較少，建模自動化程度高，易于掌握和推廣。同時，訓(xùn)練良好的ANFIS床溫預(yù)測模型可以服務(wù)那些基于模型的控制算法，為循環(huán)流化床生活垃圾焚燒鍋爐的ACC系統(tǒng)實施提供幫助。

附圖說明

圖1是本發(fā)明所提出的系統(tǒng)的結(jié)構(gòu)圖。

圖2是本發(fā)明所提出的上位機系統(tǒng)的結(jié)構(gòu)圖。

圖3是本發(fā)明所采用ANFIS模型的系統(tǒng)結(jié)構(gòu)圖。

圖4是本發(fā)明所提出的智能建模方法的流程圖。

具體實施方式

下面結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步詳細(xì)說明。

實施例1

參照圖1、圖2、圖3、圖4，本發(fā)明提供的一種循環(huán)流化床生活垃圾焚燒鍋爐床溫預(yù)測方法，該方法包括以下步驟：

1)分析循環(huán)流化床鍋爐的運行機理，初步選擇床溫預(yù)測模型的輸入變量。國內(nèi)的城市生活垃圾多為混合收集，導(dǎo)致入廠、入爐垃圾成分較為復(fù)雜，一般主要包括廚余垃圾、紙、塑料、橡膠、織物、木頭、竹子以及無機物等主要成分，表現(xiàn)出低熱值、高水分和波動性較大的特征。為了保證循環(huán)流化床垃圾焚燒鍋爐的穩(wěn)定燃燒，通常會添加煤作為輔助燃料。垃圾在循環(huán)流化床中的燃燒是一個十分復(fù)雜的劇烈物理化學(xué)變化過程，垃圾在進(jìn)入爐膛之后會經(jīng)歷幾個過程：干燥加熱、揮發(fā)分析出及燃燒、焦炭燃燒。垃圾中質(zhì)輕易碎的組分如紙紙張、塑料以及細(xì)顆粒等會在流化風(fēng)的作用下進(jìn)入爐膛上部，經(jīng)歷干燥、揮發(fā)分的析出及燃燒以及殘?zhí)康娜紵纫幌盗羞^程；而密度較大、含水率高以及顆粒尺寸較大的組分如木頭、廚余垃圾等終端速度大于流化速度的組分會落入密相區(qū)，并在密相區(qū)中被床料加熱、燃燒，與煤的熱量釋放規(guī)律不同，垃圾中高水分低熱值的組分會在密相區(qū)中吸收大量的熱，而大量的揮發(fā)分在懸浮段燃燒。CFB鍋爐的床溫是由幾部分熱量的平衡關(guān)系決定的：布風(fēng)板上煤和垃圾燃燒釋放的熱量、煤和垃圾干燥吸收的熱量、一次風(fēng)形成煙氣帶走的熱量、水冷壁吸收的熱量、返料器返料帶回的熱量、爐膛排渣帶走的熱量以及爐膛散熱，同時還受到鍋爐設(shè)計參數(shù)的影響。但在實際運行過程當(dāng)中，一般鍋爐設(shè)計參數(shù)是不可調(diào)整的，在一定時間內(nèi)爐膛散熱也可以看成是不變的，所以，影響床溫的主要是鍋爐的運行參數(shù)，尤其是給煤機、垃圾給料機和送風(fēng)機等執(zhí)行機構(gòu)的參數(shù)。

鍋爐運行期間，給煤量增加初期，會因為自身的干燥加熱而吸收部分熱量，但隨著燃燒過程的進(jìn)行，揮發(fā)分的燃燒會釋放出的熱量，同時密相區(qū)的殘?zhí)挤e累量增加會逐漸增加，所以給煤量的增加會使床溫先降后升。增加垃圾給料量對床溫造成的影響比較復(fù)雜，由于垃圾的組分比較復(fù)雜，通常，含水量低且可燃成分高的生活垃圾，在進(jìn)入爐膛之后，能夠通過自身燃燒釋放的熱量彌補干燥加熱吸收的熱量，保證床溫的穩(wěn)定；而含水量高且可燃成分低的生活垃圾進(jìn)入爐膛之后，由于自身釋放的熱量難以平衡干燥加熱吸收的熱量，會持續(xù)地降低床溫。通常密相區(qū)為缺氧燃燒，一次風(fēng)量增加能夠使燃燒反應(yīng)加劇，煤和垃圾中的可燃成分燃燒釋放的熱量增加，但一次風(fēng)是冷風(fēng)，且一次風(fēng)量的增加會同使煙氣和細(xì)床料帶走的熱量也增加，所以隨著密相區(qū)中焦炭池的消耗，一次風(fēng)量增加實際上起到降低爐溫的作用。二次風(fēng)主要為稀相區(qū)的燃燒反應(yīng)提供氧量，當(dāng)氧量充足的時候，由于二次風(fēng)是冷風(fēng)，增加二次風(fēng)會降低煙氣和流化物料的溫度；當(dāng)氧氣含量不足的時候，增加二次風(fēng)能夠促進(jìn)稀相區(qū)中揮發(fā)分和殘?zhí)嫉娜紵?，從而提高煙氣溫度和流化床料的溫度。而部分的煙氣和流化物料會通過物料分離器回到密相區(qū)，所以改變二次風(fēng)量能夠間接地影響床溫。由于CFB垃圾焚燒鍋爐循環(huán)物料的溫度與床溫不同，通常返料量是通過物料分離器的分離效率來保證的，并通過返料風(fēng)來維持料腿的高度，所以返料風(fēng)量在一定程度上能夠表征返料量的大小，但是在實際運行過程當(dāng)中，返料風(fēng)量通常保持恒定的值，難以體現(xiàn)出來對床溫的影響。CFB垃圾焚燒鍋爐的床料量主要通過垃圾中的泥土、石塊、玻璃等不可燃的惰性物組成，并通過排渣機將最底層的床料排出爐膛，以此來維持爐膛中的床料的平衡，料層太薄，床料的蓄熱量不夠，不利于垃圾的干燥燃燒和床溫的穩(wěn)定控制，同時易造成布風(fēng)不均勻，流化情況惡化，導(dǎo)致結(jié)焦情況的發(fā)生；料層太厚，大塊的不可燃顆粒不能及時排出爐膛，同樣會導(dǎo)致爐內(nèi)流化情況的惡化，同時增加了風(fēng)機的電耗。為了保證床溫維持在較高的水平，促進(jìn)垃圾的干燥燃盡，CFB垃圾焚燒鍋爐會在密相區(qū)的水冷壁澆筑隔熱層，所以，當(dāng)外界擾動造成床溫波動時，短時間內(nèi)可以忽略密相區(qū)水冷壁吸熱對床溫造成的影響。

綜上所述，初步選擇垃圾的給料量、給煤量、一次風(fēng)量、二次風(fēng)量以及排渣量作為ANFIS床溫預(yù)測模型的輸入變量。

2)采集訓(xùn)練樣本。按設(shè)定的時間間隔從數(shù)據(jù)庫中采集相關(guān)變量的歷史數(shù)據(jù)，或者采集指定工況下的運行參數(shù)，組成垃圾熱值預(yù)測模型輸入變量的訓(xùn)練樣本矩陣X(m×n)，m表示樣本個數(shù)，n表示變量的個數(shù)，同時采集與之對應(yīng)的床層溫度作為模型的輸出變量，通常，床溫有較多的測點，取它們的平均值作為模型最終的輸出訓(xùn)練樣本Y(m×1)；

3)數(shù)據(jù)預(yù)處理。對X(m×n)進(jìn)行粗大誤差處理和隨機誤差處理，以摒除那些并不是反映鍋爐正常運行工況的虛假信息，將鍋爐停爐、壓火、給料機堵塞等異常工況排除掉，為了避免預(yù)測模型的參數(shù)之間量綱和數(shù)量級的不同對模型性能造成的不良影響，訓(xùn)練樣本輸入變量均經(jīng)過歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的輸入變量的訓(xùn)練樣本X^*(m×n)和輸出變量的訓(xùn)練樣本Y^*(m×1)。預(yù)處理過程采用以下步驟進(jìn)行：

3.1)根據(jù)拉伊達(dá)準(zhǔn)則，剔除訓(xùn)練樣本X(m×n)和Y(m×1)中的野值；

3.2)剔除鍋爐停爐運行工況，鍋爐停爐時爐膛給煤機和給料機的開度為零，并且爐膛中溫度接近常溫；

3.3)剔除爐膛壓火運行狀況，鍋爐壓火時一次風(fēng)機、二次風(fēng)機引風(fēng)機爐膛給煤機和給料機的開度為零，但是爐膛密相區(qū)的溫度維持在350℃～450℃；

3.4)剔除給料機堵塞工況，給料機堵塞需要運行人員通過給料口的攝像頭拍攝的畫面對給料情況進(jìn)行判斷，給料機堵塞時，運行人員會顯著地調(diào)高給料機的開度，反映在運行數(shù)據(jù)上，即給料機的開度大于35％；

3.5)數(shù)據(jù)歸一化處理。按照式(1)將數(shù)據(jù)變量映射到[0 1]的區(qū)間內(nèi)。

$X_{ij}^{*}=\frac{X_{ij}-min\left(X_J\right)}{max\left(X_J\right)-min\left(X_J\right)},i=1,2,\mathrm{...},m.j=1,2,\mathrm{...},n.---\left(1\right)$

$Y_i^{*}=\frac{Y_i-min\left(Y\right)}{\max \left(Y\right)-\min \left(Y\right)}$

式中X_J表示第J變量所組成的向量，min()表示最小值，max()表示最大值。

4)智能算法集成建模。采用Gamma Test算法、粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)、減法聚類算法(Subtractive Clustering,SC)和模糊自適應(yīng)神經(jīng)網(wǎng)絡(luò)(Adaptive Neuro-Fuzzy Inference System,ANFIS)算法集成建模，確定模型最終的輸入變量的個數(shù)和訓(xùn)練樣本的個數(shù)，并根據(jù)最終確定的訓(xùn)練樣本進(jìn)行參數(shù)尋優(yōu)和學(xué)習(xí)，構(gòu)建能夠表征循環(huán)流化床生活垃圾焚燒鍋爐床溫特性的預(yù)測模型。

該建模算法先利用Gamma Test算法尋找最優(yōu)的模型輸入變量組合以及訓(xùn)練樣本尺寸，然后采用減法聚類算法對樣本數(shù)據(jù)進(jìn)行特征提取，自適應(yīng)的確定初始模糊規(guī)則和模糊神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)參數(shù)，再結(jié)合最小二乘估計法和誤差反向傳播算法對模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)訓(xùn)練。其中，聚類半徑是影響建模性能的關(guān)鍵參數(shù)，因此以預(yù)測精度為目標(biāo)，利用PSO算法尋找聚類半徑的最優(yōu)值。算法步驟如下：

4.1)利用Gamma Test算法尋找最優(yōu)的模型輸入變量組合以及訓(xùn)練樣本尺寸。Gamma Test算法是對所有光滑函數(shù)均適用的非參數(shù)估計方法，該方法不關(guān)注輸入輸出數(shù)據(jù)之間的任何參數(shù)關(guān)系，只對輸入輸出數(shù)據(jù)進(jìn)行計算即可得到模型的噪聲方差，對于如下形式的數(shù)據(jù)集

{(X_i,Y_i),1≤i≤m} (2)

式中，X∈Rⁿ表示輸入，對應(yīng)的輸出標(biāo)量為y∈R。

Gamma Test假定的模型關(guān)系是：

y＝f(x₁,…,x_n)+r (3)

式中，f是一個光滑函數(shù)，r是一個表示數(shù)據(jù)噪聲的隨機量。不失一般性，可假定r的均值為0(否則可在f中加入常數(shù)項)，方差為Var(y)。Gamma Test就是計算一個統(tǒng)計量Γ，用它來評價輸出量的方差，顯然，如果數(shù)據(jù)的關(guān)系符合光滑模型，并且沒有噪聲，這個方差是0。Γ的計算過程如下：

4.1.1)計算輸入數(shù)據(jù)的距離統(tǒng)計量。用x_i表示第i個輸入數(shù)據(jù)，x_N[i,k]表示輸入樣本的第k近鄰域點，計算如下統(tǒng)計量：

${\mathrm{\&delta;}}_m\left(k\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}|x_{N\&lsqb;i,k\&rsqb;}-x_i{|}^2,1\&le;i\&le;m,1\&le;k\&le;p---\left(4\right)$

式中，|·|表示歐拉距離，p為最遠(yuǎn)鄰近距離(nearest neighbor)。

4.1.2)計算輸出數(shù)據(jù)的距離統(tǒng)計量。用y_i表示第i個輸出數(shù)據(jù)，y_N[i,k]表示輸出樣本的第k近鄰域點，計算如下統(tǒng)計量：

${\mathrm{\&gamma;}}_m\left(k\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}|y_{N\&lsqb;i,k\&rsqb;}-y_i{|}^2,1\&le;i\&le;m,1\&le;k\&le;p---\left(5\right)$

式中符號的意義同(4)式。

4.1.3)計算統(tǒng)計量Γ。為了計算Γ，分別計算鄰近距離從1到p的統(tǒng)計量(δ_m(1),γ_m(1))，(δ_m(2),γ_m(2))，…，(δ_m(p),γ_m(p))。對這p個統(tǒng)計量構(gòu)造一元線性回歸模型，用最小二乘法進(jìn)行擬合，得到的一次線性函數(shù)的截距就是Gamma Test統(tǒng)計量Γ，Γ值越小表示樣本中的噪聲越小。

定義另一個統(tǒng)計量V_ratio：

$V_{ratio}=\frac{\mathrm{\&Gamma;}}{{\mathrm{\&delta;}}^2\left(y\right)}---\left(6\right)$

式中，δ²(y)表示輸出y的方差。V_ratio可以用來評價光滑模型對該數(shù)據(jù)的模擬能力，V_ratio越接近0，表示該模型的預(yù)測性能越好。

本實施例中將p設(shè)置為10，訓(xùn)練樣本的初始個數(shù)為2000。首先，確定最優(yōu)的訓(xùn)練樣本尺寸。分別計算當(dāng)樣本尺寸分別是10～2000時，訓(xùn)練樣本的Gamma Test統(tǒng)計量Γ，當(dāng)Γ值趨于穩(wěn)定時，得到的樣本尺寸就是最優(yōu)的訓(xùn)練樣本尺寸。其次，確定最優(yōu)的模型輸入變量組合。需要計算所有輸入變量組合時的Γ值和V_ratio值，選擇Γ值和V_ratio值都很小的組合作為模型的最終輸入變量。

4.2)利用PSO算法尋找最優(yōu)的聚類半徑。以聚類半徑r_α作為粒子，15個粒子作為一個種群，每個粒子隨機賦予[0.20.9]區(qū)間內(nèi)的隨機值，其中第i個粒子的位置的向量標(biāo)示為r_i，i＝1，2，…，15；

4.3)以r_i為聚類半徑，進(jìn)行減法聚類分析。減法聚類算法用于對建模數(shù)據(jù)樣本的空間進(jìn)行初始劃分以及模糊規(guī)則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預(yù)設(shè)聚類中心的數(shù)目，沒有充分利用樣本空間的蘊含的對象特征信息。而減法聚類算法是一種基于山峰函數(shù)的聚類算法，它將每個數(shù)據(jù)點作為可能的聚類中心，并根據(jù)各個數(shù)據(jù)點周圍的數(shù)據(jù)點密度來計算該點作為聚類中心的可能性。

每個數(shù)據(jù)點X_i作為聚類中心的可能性P_i由式(7)來定義：

$P_i=\underset{j=1}{\overset{m}{\&Sigma;}}\exp (-\frac{\left|\right|X_i-X_j|{|}^2}{{(r_i/2)}^2})---\left(7\right)$

式中m表示n維輸入空間中全部的數(shù)據(jù)點數(shù)，X_i＝[X_i1,X_i2,...,X_in]、X_j＝[X_j1,X_j2,...,X_jn]是具體的數(shù)據(jù)點，r_i是一個正數(shù)，定義了該點的鄰域半徑，||·||符號表示歐式距離。被選為聚類中心的點具有最高的數(shù)據(jù)點密度，同時該該數(shù)據(jù)點周圍的點被排除作為聚類中心的可能性。第一個聚類中心為X_C1，數(shù)據(jù)點密度為P_c1。選出第一個聚類中心后，繼續(xù)采用類似的方法確定下一個聚類中心，但需消除已有聚類中心的影響，修改密度指標(biāo)的山峰函數(shù)如下：

$P_i=P_i-P_{c1}\exp (-\frac{\left|\right|X_i-X_{c1}|{|}^2}{{(r_{\mathrm{\&beta;}}/2)}^2})---\left(8\right)$

其中，r_β定義了一個密度指標(biāo)顯著減小的鄰域，為了避免出現(xiàn)十分接近的聚類中心，r_β＝1.5r_i。循環(huán)重復(fù)上述過程直到所有剩余數(shù)據(jù)點作為聚類中心的可能性低于某一閾值δ，即P_ck/P_c1<δ。

4.4)ANFIS模型訓(xùn)練。不失一般性，假定減法聚類算法得到兩個聚類中心和得到兩條模糊規(guī)則：

Rule 1:

Rule 2:

ANFIS系統(tǒng)的第一層為系統(tǒng)的輸入層，由n個節(jié)點組成，它的作用是將輸入向量按原值傳遞到下一層。

第二層為模糊化層，由2n個節(jié)點組成，它的作用是計算各輸入分量屬于各語言變量值模糊集合的隸屬函數(shù)該層采用高斯函數(shù)進(jìn)行模糊化處理，每個節(jié)點的輸出：

${\mathrm{\&mu;}}_i^j=\exp (-\frac{(x_i-c_{ij})}{{\mathrm{\&sigma;}}_{ij}}),i=1,2,\mathrm{...},2n;j=1,2,\mathrm{...},2n---\left(9\right)$

式中，cⁱ_j和σⁱ_j分別表示隸屬函數(shù)的中心和寬度。

第四層為歸一化層，節(jié)點數(shù)與第三層一樣，它所實現(xiàn)的是歸一化計算，即

${\stackrel{\&OverBar;}{w}}_j=\frac{w_j}{w_1+w_2},j=1,2---\left(10\right)$

第五層為結(jié)論層，該層與第三層的節(jié)點數(shù)相同。其節(jié)點輸出為

$O_{4i}=\stackrel{\&OverBar;}{w_i}{f}_i=\stackrel{\&OverBar;}{w_i}(r_i+p_i^1{X}^{1*}+p_i^2{X}^{1*}+\mathrm{...}+p_i^n{X}^{n*}),i=1,2---\left(11\right)$

第六層為輸出層及去模糊化層，只有一個節(jié)點，使用面積中心法進(jìn)行解模糊，得到網(wǎng)絡(luò)的最終輸出為

$O_5=\frac{w_1{f}_1+w_2{f}_2}{w_1+w_2}---\left(12\right)$

對于模糊神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)，采用混合最小二乘法的梯度下降算法進(jìn)行學(xué)習(xí)，步驟如下：

4.4.1)在固定高斯型隸屬函數(shù)的中心和寬度的前提下，利用最小二乘法計算線性結(jié)論參數(shù){r,p}；

4.4.2)固定結(jié)論參數(shù)，采用誤差反向傳播算法對高斯函數(shù)的中心和寬度進(jìn)行學(xué)習(xí)可得：

$S(t+1)=S\left(t\right)-{\mathrm{\&eta;}}_s\left(t\right)\frac{\&part;E}{\&part;S}+\mathrm{\&alpha;}\mathrm{\&Delta;}S\left(t\right)---\left(13\right)$

ΔS(t)＝S(t+1)-S(t) (14)

$E=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{(f-f_{*})}^2---\left(15\right)$

式中S為參數(shù)c和σ，η_s為學(xué)習(xí)率，α為動量項，f為預(yù)測輸出，f_*為實際輸出，E為平方誤差和，n為迭代步數(shù)。利用訓(xùn)練樣本數(shù)據(jù)，重復(fù)上述步驟，直到滿足誤差指標(biāo)或者達(dá)到最大訓(xùn)練次數(shù)。

4.5)計算適應(yīng)度值。利用訓(xùn)練得到的預(yù)測模型計算垃圾熱值將床溫預(yù)測值與實際測量值y^*進(jìn)行比較，并以誤差平方和作為粒子的適應(yīng)度值MSE，適應(yīng)度計算公式如下：

$MSE=\underset{i=1}{\overset{m}{\&Sigma;}}{(\hat{y}-y^{*})}^2---\left(16\right)$

4.6)更新極值。以適應(yīng)度值為評價指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng)度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個體極值，否則個體極值保持不變。同時獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。

4.7)更新粒子。根據(jù)最新的個體極值和全局極值，按照(17)式和(18)式更新粒子的速度v_id(t)和位置x_id(t)。

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t)) (17)

x_id(t+1)＝x_id(t)+v_id(t+1) (18)

t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)。更進(jìn)一步，為了改善基本粒子群算法容易陷入局部極值和收斂速度慢的缺陷，在PSO算法的基礎(chǔ)上引進(jìn)了動態(tài)加速常數(shù)c₁、c₂和慣性權(quán)重ω：

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{max}-\frac{{\mathrm{\&omega;}}_{max}-{\mathrm{\&omega;}}_{min}}{T_{\max }}t---\left(19\right)$

$c_1=R_1+\frac{R_2\&times;t}{T_{max}}---\left(20\right)$

$c_2=R_3-\frac{R_4\&times;t}{T_{max}}---\left(21\right)$

其中，T_max為最大尋優(yōu)代數(shù)，ω_max為最大慣性權(quán)重，ω_min為最小慣性權(quán)重，R₁、R₂、R₃、R₄為常數(shù)。

4.8)算法停止條件算法判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測精度的要求，如果沒有達(dá)到則返回步驟4.3)，利用更新的聚類半徑繼續(xù)搜索，否則退出搜索。

4.9)利用最終尋優(yōu)得到的聚類半徑，對樣本進(jìn)行聚類分析和ANFIS模型訓(xùn)練，得到滿足訓(xùn)練終止條件的ANFIS模型，即床溫預(yù)測模型。

5)預(yù)測床溫。對指定的樣本進(jìn)行床溫預(yù)測，或者對當(dāng)前鍋爐運行工況下的床溫進(jìn)行實時預(yù)測。

實施例2

參照圖1、圖2、圖3、圖4，本發(fā)明提供的一種循環(huán)流化床生活垃圾焚燒鍋爐床溫預(yù)測系統(tǒng)，包括循環(huán)流化床生活垃圾焚燒鍋爐，用于該鍋爐運行控制的集散控制系統(tǒng)，數(shù)據(jù)通訊接口，數(shù)據(jù)庫以及上位機。數(shù)據(jù)庫通過數(shù)據(jù)通訊接口從集散控制系統(tǒng)中讀取數(shù)據(jù)，并用于上位機的訓(xùn)練學(xué)習(xí)和測試，上位機通過數(shù)據(jù)通訊接口與集散控制系統(tǒng)進(jìn)行數(shù)據(jù)交換，所述的上位機包括離線學(xué)習(xí)、驗證部分和在線床溫預(yù)測部分。具體包括：

第一信號采集模塊。利用該模型采集CFB生活垃圾焚燒鍋爐在正常運行時的運行工況狀態(tài)參數(shù)和操作變量，并組成ANIFS床溫預(yù)測模型輸入變量的訓(xùn)練樣本矩陣X(m×n)，和輸出訓(xùn)練樣本矩陣Y(m×1)，m表示樣本個數(shù)，n表示變量的個數(shù)。

數(shù)據(jù)預(yù)處理模塊。對訓(xùn)練樣本進(jìn)行粗大誤差處理和隨機誤差處理，剔除訓(xùn)練樣本中的野值，排除異常工況，將訓(xùn)練樣本輸入變量經(jīng)歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的訓(xùn)練樣本X^*(m×n)和Y^*(m×1)。預(yù)處理過程采用以下步驟進(jìn)行：

1.1)根據(jù)拉伊達(dá)準(zhǔn)則，剔除訓(xùn)練樣本X(m×n)和Y(m×1)中的野值；

1.2)剔除鍋爐停爐運行工況，鍋爐停爐時爐膛給煤機和給料機的開度為零，并且爐膛中溫度接近常溫；

1.3)剔除爐膛壓火運行狀況，鍋爐壓火時一次風(fēng)機、二次風(fēng)機引風(fēng)機爐膛給煤機和給料機的開度為零，但是爐膛密相區(qū)的溫度維持在350℃～450℃；

1.4)剔除給料機堵塞工況，給料機堵塞需要運行人員通過給料口的攝像頭拍攝的畫面對給料情況進(jìn)行判斷，給料機堵塞時，運行人員會顯著地調(diào)高給料機的開度，反映在運行數(shù)據(jù)上，即給料機的開度大于35％；

1.5)數(shù)據(jù)歸一化處理。按照式(1)將數(shù)據(jù)變量映射到[0 1]的區(qū)間內(nèi)。

$X_{ij}^{*}=\frac{X_{ij}-min\left(X_J\right)}{max\left(X_J\right)-min\left(X_J\right)},i=1,2,\mathrm{...},m.j=1,2,\mathrm{...},n.---\left(1\right)$

$Y_i^{*}=\frac{Y_i-min\left(Y\right)}{\max \left(Y\right)-\min \left(Y\right)}$

式中X_J表示第J變量所組成的向量，min()表示最小值，max()表示最大值。

專家知識庫模塊。將X^*和Y^*共同組成ANFIS床溫預(yù)測模型的訓(xùn)練樣本，并進(jìn)行保存。

智能學(xué)習(xí)模塊。智能學(xué)習(xí)模塊是床溫預(yù)測系統(tǒng)的核心部分，該模塊先利用Gamma Test算法尋找最優(yōu)的模型輸入變量組合以及訓(xùn)練樣本尺寸，然后采用減法聚類算法對樣本數(shù)據(jù)進(jìn)行特征提取，自適應(yīng)的確定初始模糊規(guī)則和模糊神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)參數(shù)，再結(jié)合最小二乘估計法和誤差反向傳播算法對模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)訓(xùn)練。其中，聚類半徑是影響建模性能的關(guān)鍵參數(shù)，因此以預(yù)測精度為目標(biāo)，利用PSO算法尋找聚類半徑的最優(yōu)值。算法步驟如下：

2.1)利用Gamma Test算法尋找最優(yōu)的模型輸入變量組合以及訓(xùn)練樣本尺寸。Gamma Test算法是對所有光滑函數(shù)均適用的非參數(shù)估計方法，該方法不關(guān)注輸入輸出數(shù)據(jù)之間的任何參數(shù)關(guān)系，只對輸入輸出數(shù)據(jù)進(jìn)行計算即可得到模型的噪聲方差，對于如下形式的數(shù)據(jù)集

{(X_i,Y_i),1≤i≤m} (2)

式中，X∈Rⁿ表示輸入，對應(yīng)的輸出標(biāo)量為y∈R。

Gamma Test假定的模型關(guān)系是：

y＝f(x₁,…,x_n)+r (3)

式中，f是一個光滑函數(shù)，r是一個表示數(shù)據(jù)噪聲的隨機量。不失一般性，可假定r的均值為0(否則可在f中加入常數(shù)項)，方差為Var(y)。Gamma Test就是計算一個統(tǒng)計量Γ，用它來評價輸出量的方差，顯然，如果數(shù)據(jù)的關(guān)系符合光滑模型，并且沒有噪聲，這個方差是0。Γ的計算過程如下：

2.1.1)計算輸入數(shù)據(jù)的距離統(tǒng)計量。用x_i表示第i個輸入數(shù)據(jù)，x_N[i,k]表示輸入樣本的第k近鄰域點，計算如下統(tǒng)計量：

${\mathrm{\&delta;}}_m\left(k\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}|x_{N\&lsqb;i,k\&rsqb;}-x_i{|}^2,1\&le;i\&le;m,1\&le;k\&le;p---\left(4\right)$

式中，|·|表示歐拉距離，p為最遠(yuǎn)鄰近距離(nearest neighbor)。

2.1.2)計算輸出數(shù)據(jù)的距離統(tǒng)計量。用y_i表示第i個輸出數(shù)據(jù)，y_N[i,k]表示輸出樣本的第k近鄰域點，計算如下統(tǒng)計量：

${\mathrm{\&gamma;}}_m\left(k\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}|y_{N\&lsqb;i,k\&rsqb;}-y_i{|}^2,1\&le;i\&le;m,1\&le;k\&le;p---\left(5\right)$

式中符號的意義同(4)式。

2.1.3)計算統(tǒng)計量Γ。為了計算Γ，分別計算鄰近距離從1到p的統(tǒng)計量(δ_m(1),γ_m(1))，(δ_m(2),γ_m(2))，…，(δ_m(p),γ_m(p))。對這p個統(tǒng)計量構(gòu)造一元線性回歸模型，用最小二乘法進(jìn)行擬合，得到的一次線性函數(shù)的截距就是Gamma Test統(tǒng)計量Γ，Γ值越小表示樣本中的噪聲越小。

定義另一個統(tǒng)計量V_ratio：

$V_{ratio}=\frac{\mathrm{\&Gamma;}}{{\mathrm{\&delta;}}^2\left(y\right)}---\left(6\right)$

式中，δ²(y)表示輸出y的方差。V_ratio可以用來評價光滑模型對該數(shù)據(jù)的模擬能力，V_ratio越接近0，表示該模型的預(yù)測性能越好。

本實施例中將p設(shè)置為10，訓(xùn)練樣本的初始個數(shù)為2000。首先，確定最優(yōu)的訓(xùn)練樣本尺寸。分別計算當(dāng)樣本尺寸分別是10～2000時，訓(xùn)練樣本的Gamma Test統(tǒng)計量Γ，當(dāng)Γ值趨于穩(wěn)定時，得到的樣本尺寸就是最優(yōu)的訓(xùn)練樣本尺寸。其次，確定最優(yōu)的模型輸入變量組合。需要計算所有輸入變量組合時的Γ值和V_ratio值，選擇Γ值和V_ratio值都很小的組合作為模型的最終輸入變量。

2.2)利用PSO算法尋找最優(yōu)的聚類半徑。以聚類半徑r_α作為粒子，15個粒子作為一個種群，每個粒子隨機賦予[0.20.9]區(qū)間內(nèi)的隨機值，其中第i個粒子的位置的向量標(biāo)示為r_i，i＝1，2，…，15；

2.3)以r_i為聚類半徑，進(jìn)行減法聚類分析。減法聚類算法用于對建模數(shù)據(jù)樣本的空間進(jìn)行初始劃分以及模糊規(guī)則的確定，K-均值聚類算法和模糊C-均值聚類算法均需預(yù)設(shè)聚類中心的數(shù)目，沒有充分利用樣本空間的蘊含的對象特征信息。而減法聚類算法是一種基于山峰函數(shù)的聚類算法，它將每個數(shù)據(jù)點作為可能的聚類中心，并根據(jù)各個數(shù)據(jù)點周圍的數(shù)據(jù)點密度來計算該點作為聚類中心的可能性。

每個數(shù)據(jù)點X_i作為聚類中心的可能性P_i由式(7)來定義：

$P_i=\underset{j=1}{\overset{m}{\&Sigma;}}\exp (-\frac{\left|\right|X_i-X_j|{|}^2}{{(r_i/2)}^2})---\left(7\right)$

式中m表示n維輸入空間中全部的數(shù)據(jù)點數(shù)，X_i＝[X_i1,X_i2,...,X_in]、X_j＝[X_j1,X_j2,...,X_jn]是具體的數(shù)據(jù)點，r_i是一個正數(shù)，定義了該點的鄰域半徑，||·||符號表示歐式距離。被選為聚類中心的點具有最高的數(shù)據(jù)點密度，同時該該數(shù)據(jù)點周圍的點被排除作為聚類中心的可能性。第一個聚類中心為X_C1，數(shù)據(jù)點密度為P_c1。選出第一個聚類中心后，繼續(xù)采用類似的方法確定下一個聚類中心，但需消除已有聚類中心的影響，修改密度指標(biāo)的山峰函數(shù)如下：

$P_i=P_i-P_{c1}\exp (-\frac{\left|\right|X_i-X_{c1}|{|}^2}{{(r_{\mathrm{\&beta;}}/2)}^2})---\left(8\right)$

其中，r_β定義了一個密度指標(biāo)顯著減小的鄰域，為了避免出現(xiàn)十分接近的聚類中心，r_β＝1.5r_i。循環(huán)重復(fù)上述過程直到所有剩余數(shù)據(jù)點作為聚類中心的可能性低于某一閾值δ，即P_ck/P_c1<δ。

2.4)ANFIS模型訓(xùn)練。不失一般性，假定減法聚類算法得到兩個聚類中心和得到兩條模糊規(guī)則：

Rule 1:

Rule 2:

ANFIS系統(tǒng)的第一層為系統(tǒng)的輸入層，由n個節(jié)點組成，它的作用是將輸入向量按原值傳遞到下一層。

第二層為模糊化層，由2n個節(jié)點組成，它的作用是計算各輸入分量屬于各語言變量值模糊集合的隸屬函數(shù)該層采用高斯函數(shù)進(jìn)行模糊化處理，每個節(jié)點的輸出：

${\mathrm{\&mu;}}_i^j=\exp (-\frac{(x_i-c_{ij})}{{\mathrm{\&sigma;}}_{ij}}),i=1,2,\mathrm{...},2n;j=1,2,\mathrm{...},2n---\left(9\right)$

式中，cⁱ_j和σⁱ_j分別表示隸屬函數(shù)的中心和寬度。

第四層為歸一化層，節(jié)點數(shù)與第三層一樣，它所實現(xiàn)的是歸一化計算，即

${\stackrel{\&OverBar;}{w}}_j=\frac{w_j}{w_1+w_2},j=1,2---\left(10\right)$

第五層為結(jié)論層，該層與第三層的節(jié)點數(shù)相同。其節(jié)點輸出為

$O_{4i}=\stackrel{\&OverBar;}{w_i}{f}_i=\stackrel{\&OverBar;}{w_i}(r_i+p_i^1{X}^{1*}+p_i^2{X}^{1*}+\mathrm{...}+p_i^n{X}^{n*}),i=1,2---\left(11\right)$

第六層為輸出層及去模糊化層，只有一個節(jié)點，使用面積中心法進(jìn)行解模糊，得到網(wǎng)絡(luò)的最終輸出為

$O_5=\frac{w_1{f}_1+w_2{f}_2}{w_1+w_2}---\left(12\right)$

對于模糊神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)，采用混合最小二乘法的梯度下降算法進(jìn)行學(xué)習(xí)，步驟如下：

2.4.1)在固定高斯型隸屬函數(shù)的中心和寬度的前提下，利用最小二乘法計算線性結(jié)論參數(shù){r,p}；

2.4.2)固定結(jié)論參數(shù)，采用誤差反向傳播算法對高斯函數(shù)的中心和寬度進(jìn)行學(xué)習(xí)可得：

$S(t+1)=S\left(t\right)-{\mathrm{\&eta;}}_s\left(t\right)\frac{\&part;E}{\&part;S}+\mathrm{\&alpha;}\mathrm{\&Delta;}S\left(t\right)---\left(13\right)$

ΔS(t)＝S(t+1)-S(t) (14)

$E=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{(f-f_{*})}^2---\left(15\right)$

式中S為參數(shù)c和σ，η_s為學(xué)習(xí)率，α為動量項，f為預(yù)測輸出，f_*為實際輸出，E為平方誤差和，n為迭代步數(shù)。利用訓(xùn)練樣本數(shù)據(jù)，重復(fù)上述步驟，直到滿足誤差指標(biāo)或者達(dá)到最大訓(xùn)練次數(shù)。

2.5)計算適應(yīng)度值。利用訓(xùn)練得到的預(yù)測模型計算垃圾熱值將床溫預(yù)測值與實際測量值y^*進(jìn)行比較，并以誤差平方和作為粒子的適應(yīng)度值MSE，適應(yīng)度計算公式如下：

$MSE=\underset{i=1}{\overset{m}{\&Sigma;}}{(\hat{y}-y^{*})}^2---\left(16\right)$

2.6)更新極值。以適應(yīng)度值為評價指標(biāo)，比較當(dāng)代粒子與上一代粒子之間的適應(yīng)度值大小，如果當(dāng)前粒子的適應(yīng)度值優(yōu)于上一代，則將當(dāng)前粒子的位置設(shè)置為個體極值，否則個體極值保持不變。同時獲取當(dāng)代所有粒子適應(yīng)度值最優(yōu)的粒子，并與上一代最優(yōu)粒子進(jìn)行比較，如果當(dāng)代最優(yōu)粒子的適應(yīng)度值優(yōu)于上一代最優(yōu)粒子的適應(yīng)度值，則將當(dāng)代粒子的最優(yōu)適應(yīng)度值設(shè)置為全局最優(yōu)值，否則全局最優(yōu)值保持不變。

2.7)更新粒子。根據(jù)最新的個體極值和全局極值，按照(17)式和(18)式更新粒子的速度v_id(t)和位置x_id(t)。

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t)) (17)

x_id(t+1)＝x_id(t)+v_id(t+1) (18)

t是粒子群優(yōu)化算法的尋優(yōu)代數(shù)。更進(jìn)一步，為了改善基本粒子群算法容易陷入局部極值和收斂速度慢的缺陷，在PSO算法的基礎(chǔ)上引進(jìn)了動態(tài)加速常數(shù)c₁、c₂和慣性權(quán)重ω：

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{max}-\frac{{\mathrm{\&omega;}}_{max}-{\mathrm{\&omega;}}_{min}}{T_{\max }}t---\left(19\right)$

$c_1=R_1+\frac{R_2\&times;t}{T_{max}}---\left(20\right)$

$c_2=R_3-\frac{R_4\&times;t}{T_{max}}---\left(21\right)$

其中，T_max為最大尋優(yōu)代數(shù)，ω_max為最大慣性權(quán)重，ω_min為最小慣性權(quán)重，R₁、R₂、R₃、R₄為常數(shù)。

2.8)算法停止條件算法判定。判斷是否達(dá)到最大迭代次數(shù)或者到達(dá)預(yù)測精度的要求，如果沒有達(dá)到則返回步驟4.3)，利用更新的聚類半徑繼續(xù)搜索，否則退出搜索。

2.9)利用最終尋優(yōu)得到的聚類半徑，對樣本進(jìn)行聚類分析和ANFIS模型訓(xùn)練，得到滿足訓(xùn)練終止條件的ANFIS模型，即床溫預(yù)測模型。

第二信號采集模塊。用于從數(shù)據(jù)庫中選擇需要預(yù)測床溫的運行工況，或者實時地采集當(dāng)前鍋爐的運行工況。

預(yù)測模塊。該模塊用于對指定的樣本進(jìn)行床溫預(yù)測，或者對當(dāng)前鍋爐運行工況下的床溫進(jìn)行實時預(yù)測。

結(jié)果顯示模塊。顯示床溫的預(yù)測結(jié)果，或者對床溫的預(yù)測結(jié)果進(jìn)行統(tǒng)計分析。

本發(fā)明所提出的循環(huán)流化床鍋爐入爐垃圾熱值預(yù)測系統(tǒng)及方法，已通過上述具體實施步驟進(jìn)行了描述，相關(guān)技術(shù)人員明顯能在不脫離本發(fā)明內(nèi)容、精神和范圍內(nèi)對本文所述的裝置和操作方法進(jìn)行改動或適當(dāng)變更與組合，來實現(xiàn)本發(fā)明技術(shù)。特別需要指出的是，所有相類似的替換和改動對本領(lǐng)域的技術(shù)人員是顯而易見的，它們都會被視為包括在本發(fā)明精神、范圍和內(nèi)容中。