垃圾焚燒爐蒸發量預測可行性研究

文_劉澤慶 上海環境衛生工程設計院有限公司

國內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，蒸發量一般在10%的范圍內波動，影響焚燒爐及余熱鍋爐運行穩定，同時降低了發電效能。

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。現有焚燒廠主要采用ACC系統進行焚燒控制，通過蒸發量、煙氣種氧含量、爐膛溫度等參數作為調控的主要依據，垃圾從焚燒爐入口到掉渣口需要1～2h，燃燒過程長，調節時滯性大，調整推料器給料頻率后，反應至爐膛火焰溫度等參數需要10～30min。

神經網絡一種模仿生物神經網絡的結構和功能的數學模型或計算模型,具有逼近任何非線性函數的能力，可以建立任何系統的非線性黑箱模型。神經網絡在垃圾焚燒領域已有部分研究及應用案例。馬曉茜等采用神經網絡算法,建立垃圾焚燒爐入爐垃圾熱值的預測模型，研究結果表明，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層神經網絡，對蒸發量進行預測，以期實現蒸發量提前控制，實現蒸發量平穩，提高設備運行穩定性及發電效益。

1 神經網絡模型構建簡介

本文選用4層神經網絡，輸入層有14個輸入變量： 一次風量、二次風量、燃盡段上部左側溫度、燃盡段上部右側溫度、焚燒爐出口左側煙氣溫度、焚燒爐出口右側煙氣溫度、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。

輸入變量對蒸發量預測的作用：①焚燒爐出口溫度。該參數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，對垃圾燃燒及蒸發量預測有重要意義。②燃盡段上部溫度。該參數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，對后續蒸發量有較大影響。③干燥段、燃燒段底部壓力，該參數與焚燒爐內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，從垃圾外部到內部有一個相對較長的燃燒過程，當前燃燒狀態能夠在一定范圍內表征后續燃燒狀態，從而對蒸發量預測提供參考。

4層神經網絡：第一個隱藏層有12個神經元，第二隱藏層有5個神經元，最后輸出1個神經元來預測蒸發量。選用ReLU激活函數,使用有效的梯度下降算法Adam作為優化器。

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

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

2 預測結果分析

2.1 蒸發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蒸發量預測，相關系數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，在一定時間范圍內有表征蒸發量發展趨勢的能力，13min內預測誤差相對較小，對工程提前控制相關參數，保持蒸發量平穩有較大意義。

圖1 10min蒸發量預測值與真實值比較

圖2 13min蒸發量預測值與真實值比較

圖3 16min蒸發量預測值與真實值比較

圖4 19min蒸發量預測值與真實值比較

2.2 爐排下方風壓對蒸發量預測的影響

預測時間取10min，對是否采用爐排下風壓參數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（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，相關系數R2為0.72；不用采用風壓參數，輸入變量10個，相關系數R2為0.65。可見，風壓參數對蒸發量預測有一定影響，主要是由于爐排下方風壓與爐膛內壓差能夠反應爐排上方垃圾堆料厚度。如干燥段風壓體現了干燥段的堆料厚度，干燥段垃圾經過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量提升。

圖5 采用風壓參數蒸發量預測誤差

圖6 不采用風壓參數蒸發量預測誤差

3 結語

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

預測時間取10min，對是否采用爐排下風壓參數作為輸入變量進行對比研究，采用風壓參數時（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），相關系數R2為0.72；不采用風壓參數時，相關系數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，進而影響后續燃燒段的燃燒情況，進而影響后續的蒸發量。