本技术提供了一种垃圾焚烧烟气污染物的协同预测与智能控制方法及系统。该技术利用深度学习构建四类污染物的预测模型,结合多目标优化方法,通过成本和环保指标函数,优化吸收剂用量,智能调整吸收剂投放阀门,实现污染物的精准控制。该技术有效解决了传统监测设备的迟滞性问题,降低了污染物控制成本,提升了焚烧炉的经济性。
背景技术
垃圾焚烧具有无害化、减量化、资源化等显著优点,已成为现阶段生活垃圾处置的主流方式。然而由于成分复杂,垃圾焚烧后的烟气中含有氯化氢(HCl)、二氧化硫(SO2
)、氮氧化物(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害,为此垃圾焚烧厂投入大量成本用于污染物的排放控制。
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义。目前,垃圾焚烧厂主要利用烟气排放连续监测系统(CEMS)对烟气中NOx等常规污染物的排放进行监测。然而,CEMS监测结果受环境影响较大,可能存在一定的测量延迟,同时CEMS设备还存在维护成本较高的弊端。
近年来,基于数据驱动的机器学习模型方法在预测烟气污染物浓度方面的应用日益增多。例如,中国发明专利申请“循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法”(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。但由于污染物数据特性、建模复杂度、污染物间差异以及训练数据的需求等多方面的原因,这些方法仅针对NOx或SO2
等某一类污染物进行预测,无法同时针对同样存在于烟气中的HCl和PM(颗粒物)等污染物进行协同预测,导致预测目标过于单一。
此外,垃圾焚烧炉烟气净化系统对污染物吸收控制的质量将直接影响焚烧炉的环保成本以及最终污染物排放能否达标。传统控制技术下,主要由运行人员依据CEMS的污染物浓度监测数据,人工调整烟气净化设备的运行和环保物料的投放量。这种基于人工经验的控制策略具有主观性,且可能带来一定迟滞,导致控制期间的运行工况波动大,从而出现物料控制不准确的问题。中国发明专利申请“基于机器学习的烟气控制方法、装置、设备及存储介质”(CN115392437A)公开了一种基于机器学习技术的烟气NOx控制方法,该方法能够较为精准地控制氨水输出量;但其只针对NOx这一类污染物进行控制,且控制过程仅考虑了氨水投放量的成本指标,而忽略了环保指标。
如能基于CEMS的污染物浓度监测数据和焚烧炉运行工况数据,开发HCl、SO2
、NOx、PM四类烟气污染物协同预测模型,同时基于模型的污染物浓度协同预测结果,在综合考虑成本指标和环保指标的基础上,实现针对四类烟气污染物的智能控制,将有助于提升垃圾焚烧炉的智能化运行水平。
实现思路