垃圾焚燒爐蒸發(fā)量預測可行性研究

文_劉澤慶 上海環(huán)境衛(wèi)生工程設計院有限公司

國內(nèi)垃圾焚燒爐多采用往復式爐排爐，垃圾通過料斗進入垃圾焚燒爐，依次經(jīng)過爐排干燥段、燃燒段、燃盡段，完成垃圾燃燒并落入除渣器。由于燃燒垃圾是由多種物料，如竹木、塑料、橡膠、紙、濕垃圾等組成，且難以混合均勻，在燃燒過程中，燃燒工況波動大，蒸發(fā)量一般在10%的范圍內(nèi)波動，影響焚燒爐及余熱鍋爐運行穩(wěn)定，同時降低了發(fā)電效能。

燃燒過程屬于非線性、強耦合、多變量、大滯后的復雜過程，難以精確建模。現(xiàn)有焚燒廠主要采用ACC系統(tǒng)進行焚燒控制，通過蒸發(fā)量、煙氣種氧含量、爐膛溫度等參數(shù)作為調(diào)控的主要依據(jù)，垃圾從焚燒爐入口到掉渣口需要1～2h，燃燒過程長，調(diào)節(jié)時滯性大，調(diào)整推料器給料頻率后，反應至爐膛火焰溫度等參數(shù)需要10～30min。

神經(jīng)網(wǎng)絡一種模仿生物神經(jīng)網(wǎng)絡的結(jié)構(gòu)和功能的數(shù)學模型或計算模型,具有逼近任何非線性函數(shù)的能力，可以建立任何系統(tǒng)的非線性黑箱模型。神經(jīng)網(wǎng)絡在垃圾焚燒領(lǐng)域已有部分研究及應用案例。馬曉茜等采用神經(jīng)網(wǎng)絡算法,建立垃圾焚燒爐入爐垃圾熱值的預測模型，研究結(jié)果表明，該模型預測平均相對誤差為2.64%。

本文通過建立基于梯度下降算法的4層神經(jīng)網(wǎng)絡，對蒸發(fā)量進行預測，以期實現(xiàn)蒸發(fā)量提前控制，實現(xiàn)蒸發(fā)量平穩(wěn)，提高設備運行穩(wěn)定性及發(fā)電效益。

1 神經(jīng)網(wǎng)絡模型構(gòu)建簡介

本文選用4層神經(jīng)網(wǎng)絡，輸入層有14個輸入變量： 一次風量、二次風量、燃盡段上部左側(cè)溫度、燃盡段上部右側(cè)溫度、焚燒爐出口左側(cè)煙氣溫度、焚燒爐出口右側(cè)煙氣溫度、第三煙道出口煙氣溫度、省煤器出口煙氣溫度、煙氣含氧量、煙氣量、爐膛壓力、干燥段底部壓力、燃燒一段底部壓力、燃燒二段底部壓力。

輸入變量對蒸發(fā)量預測的作用：①焚燒爐出口溫度。該參數(shù)可以表征垃圾焚燒劇烈程度，爐膛出口溫度較高，火焰輻射強，將對干燥段垃圾形成較好的干化作用，對垃圾燃燒及蒸發(fā)量預測有重要意義。②燃盡段上部溫度。該參數(shù)可以在一定程度表征垃圾火焰位置，如燃盡段上部溫度偏高，說明垃圾火焰靠后，燃燒段上待燃燒垃圾的量較多，對后續(xù)蒸發(fā)量有較大影響。③干燥段、燃燒段底部壓力，該參數(shù)與焚燒爐內(nèi)壓力差值為垃圾料層厚度的表征，而垃圾料層厚度影響著瞬時燃料量，如干燥段料層在10～15min會運動至燃燒段，所以干燥段對垃圾蒸發(fā)量預測提供重要指標；而煙氣量、溫度及煙氣中氧氣含量能夠較好的表征當前的垃圾焚燒狀況，由于垃圾本身由大顆粒組分，從垃圾外部到內(nèi)部有一個相對較長的燃燒過程，當前燃燒狀態(tài)能夠在一定范圍內(nèi)表征后續(xù)燃燒狀態(tài)，從而對蒸發(fā)量預測提供參考。

4層神經(jīng)網(wǎng)絡：第一個隱藏層有12個神經(jīng)元，第二隱藏層有5個神經(jīng)元，最后輸出1個神經(jīng)元來預測蒸發(fā)量。選用ReLU激活函數(shù),使用有效的梯度下降算法Adam作為優(yōu)化器。

訓練數(shù)據(jù)：取洛陽某焚燒廠運行數(shù)據(jù)，一分鐘一個采集數(shù)據(jù)，訓練數(shù)據(jù)1000條（1000min），每條包含14個輸入變量，一個輸出變量。預測數(shù)據(jù)選取另外的100條數(shù)據(jù)（相當于進行了100次檢驗，采用相關(guān)系數(shù)R2作為檢驗最終的評價）。

本文要求輸入變量后，預測Xmin后蒸發(fā)量，所以采用輸入變量與Xmin后的蒸發(fā)量相對應，進行訓練及預測。

2 預測結(jié)果分析

2.1 蒸發(fā)量預測提前預測時間與預測準確度分析

采用上述模型，分別進行10、13、16、19min蒸發(fā)量預測，相關(guān)系數(shù)R2分別為：0.72、0.71、0.45、0.07。從圖1、圖2、圖3、圖4可見，隨著預測時間增長，蒸發(fā)量與實際值偏差越大，主要是由于所使用的因變量，在一定時間范圍內(nèi)有表征蒸發(fā)量發(fā)展趨勢的能力，13min內(nèi)預測誤差相對較小，對工程提前控制相關(guān)參數(shù)，保持蒸發(fā)量平穩(wěn)有較大意義。

圖1 10min蒸發(fā)量預測值與真實值比較

圖2 13min蒸發(fā)量預測值與真實值比較

圖3 16min蒸發(fā)量預測值與真實值比較

圖4 19min蒸發(fā)量預測值與真實值比較

2.2 爐排下方風壓對蒸發(fā)量預測的影響

預測時間取10min，對是否采用爐排下風壓參數(shù)作為輸入變量進行對比研究，通過模型計算（圖5、圖6），采用風壓參數(shù)（爐膛壓力、干燥段底部壓力、燃燒一段底部壓力、燃燒二段底部壓力），輸入變量14個，相關(guān)系數(shù)R2為0.72；不用采用風壓參數(shù)，輸入變量10個，相關(guān)系數(shù)R2為0.65。可見，風壓參數(shù)對蒸發(fā)量預測有一定影響，主要是由于爐排下方風壓與爐膛內(nèi)壓差能夠反應爐排上方垃圾堆料厚度。如干燥段風壓體現(xiàn)了干燥段的堆料厚度，干燥段垃圾經(jīng)過10～15min到爐排燃燒段進行燃燒，干燥段垃圾層厚較厚，將導致10～15min后的燃燒段燃料量較高，進而導致該時段蒸發(fā)量提升。

圖5 采用風壓參數(shù)蒸發(fā)量預測誤差

圖6 不采用風壓參數(shù)蒸發(fā)量預測誤差

3 結(jié)語

針對垃圾焚燒爐蒸發(fā)量提前預測問題，本文構(gòu)建了4層神經(jīng)網(wǎng)絡模型，第一個隱藏層有12個神經(jīng)元，第二隱藏層有5個神經(jīng)元，最后輸出1個神經(jīng)元來預測蒸發(fā)量。選用ReLU激活函數(shù),使用有效的梯度下降算法Adam作為優(yōu)化器。選取14種輸入變量來預測垃圾焚燒爐蒸發(fā)量，分別進行10、13、16、19min蒸發(fā)量預測，相關(guān)系數(shù)R2分別為：0.72、0.71、0.45、0.07。13min內(nèi)預測誤差相對較小，對工程提前控制相關(guān)參數(shù)，保持蒸發(fā)量平穩(wěn)有較大意義。

預測時間取10min，對是否采用爐排下風壓參數(shù)作為輸入變量進行對比研究，采用風壓參數(shù)時（爐膛壓力、干燥段底部壓力、燃燒一段底部壓力、燃燒二段底部壓力），相關(guān)系數(shù)R2為0.72；不采用風壓參數(shù)時，相關(guān)系數(shù)R2為0.65。主要是由于爐排下方風壓能夠反應爐排上方垃圾堆料厚度，進而影響后續(xù)燃燒段的燃燒情況，進而影響后續(xù)的蒸發(fā)量。