基于互信息延迟识别和约束粒子群优化的城市固体废物焚烧协同炉温控制

《Processes》：Collaborative Furnace Temperature Control for Municipal Solid Waste Incineration via Mutual-Information Delay Identification and Constrained PSO

　　

对城市固体废物焚烧（MSWI）主燃烧室温度的稳定控制对于污染物排放合规、能量回收和设备寿命至关重要。然而，操作变量（如一次风、二次风和给料速率）到炉温的响应延迟从几秒到几十分钟不等，均匀延迟假设不足以表征真实的响应滞后。此外，在没有动作平滑约束的情况下，优化器往往会产生突变的控制指令，破坏温度轨迹的稳定性。利用来自全尺寸炉排炉的实际工业分布式控制系统（DCS）数据，研究人员提出了一种预测-决策协同控制框架。在预测模块中，互信息（MI）用于分别识别每个操作变量的最优延迟，时间对齐的操作变量与低阶自回归分量一起作为XGBoost的输入，实现了6.85°C的预测均方根误差（RMSE）和0.9845的R²。在决策模块中，将归一化平滑惩罚项纳入粒子群优化（PSO）的适应度函数，以约束操作变量的步间变化。在测试集上的离线预测器在环仿真表明，与多回路PID控制器相比，所提方法将炉温跟踪误差的标准差降低了约35%（从5.80°C降至3.80°C），并将平均跟踪误差降至3.65°C，同时相较于无约束PSO和遗传算法（GA）提高了执行器平滑性。该框架为MSWI运行中数据驱动控制器的预部署评估提供了一种协同控制设计。

**研究背景与问题**
城市固体废物焚烧（MSWI）已成为全球主要的固废处理技术之一，能实现垃圾减容和能源回收。主燃烧室温度是核心运行参数：欧洲工业排放指令要求烟气在850°C以上保持至少2秒以确保二噁英等有机污染物充分分解，但温度过高又会加剧耐火材料侵蚀和热力型NO_x生成。然而，MSWI炉温控制面临三个固有困难：垃圾组分高度非均匀且时变；七个操作变量（一次风、二次风、给料速率、引风机、炉排速度、炉排前/后挡板开度）通过不同物理路径产生从秒级到数十分钟的响应延迟，均匀延迟假设无法表征真实滞后；除给料速率外其余变量均为离散设定点，加剧了优化的组合复杂性。现有预测研究（如XGBoost）未在特征工程中处理差异化延迟，控制研究（如多回路PID、模型预测控制、模糊控制、强化学习）在协调多变量大滞后方面各有限制，预测与控制长期孤立发展。因此，研究人员提出一种端到端的预测-决策协同控制框架，旨在利用真实工业数据系统性解决延迟对齐、平滑约束及预部署评估问题。

**研究内容与结论**
研究人员基于中国某垃圾焚烧发电厂全尺寸炉排炉的20天连续DCS数据（共1,771,605条原始记录，采样间隔1秒），经过降采样（30秒窗口均值）、质量控制、工况过滤（窗口均值温度≥850°C且给料≥2 kg/h），获得43,520个有效样本。在预测模块，采用互信息（MI）分别识别每个操作变量的最优延迟，构建时间对齐的特征矩阵，并加入低阶自回归（AR）项作为XGBoost输入，实现预测RMSE为6.85°C，R²为0.9845。在决策模块，将归一化平滑惩罚项纳入粒子群优化（PSO）的适应度函数，约束操作变量的步间变化。离线预测器在环仿真表明，相比多回路PID控制器，所提方法将炉温跟踪误差标准差降低约35%（从5.80°C降至3.80°C），平均跟踪误差低至3.65°C，且执行器平滑性优于无约束PSO和遗传算法（GA）。该框架为MSWI数据驱动控制器的预部署评估提供了可复用的协同控制设计。论文发表在《Processes》。

**关键技术方法**（不超过250字）
利用来自中国某垃圾焚烧发电厂全尺寸炉排炉的20天连续DCS数据，经降采样（30秒窗口平均）、缺失值前向填充、工况过滤（温度≥850°C且给料≥2 kg/h），最终得到43,520个有效样本。核心技术包含两部分：（1）预测模块：采用互信息（MI）逐变量识别最优延迟（最大搜索120步，即1小时），构建时间对齐的特征矩阵，结合一阶自回归（AR(1)）项作为XGBoost输入进行训练；（2）决策模块：在粒子群优化（PSO）适应度函数中加入归一化平滑惩罚项，约束操作变量步间变化，在离线仿真中每30秒优化一次七维操作变量向量。忽略具体试剂培养及质粒构建步骤。

**研究结果**
**3.1 MI延迟识别结果**
通过互信息（MI）和互相关函数分别识别七个操作变量的最优延迟。MI结果显示，一次风、引风机、炉排速度、挡板开度为即时响应（0步）；二次风延迟6步（约3分钟）；给料速率延迟最大，为50步（约25分钟）。互相关法对二次风和给料速率的识别分别偏小（4步和38步）。MI识别的25分钟给料延迟与炉排炉物料输运机制一致（新鲜垃圾从进料端到主燃区需20–25分钟），验证了MI在非线性延迟识别中的优势。

**3.2 预测性能比较**
在MI延迟对齐和固定延迟两种特征配置下，对比七种模型（XGBoost、LightGBM、RF、BiLSTM、CNN-BiLSTM、TCN、PatchTST）。MI对齐使所有模型预测性能一致提升，对深度学习模型增益更大（7.1–7.3%）。RF达到最佳离线RMSE 6.38°C，但考虑部署效率，选择XGBoost作为核心预测器（RMSE 6.85°C，R² 0.9845）。交叉相关延迟替代MI延迟时，XGBoost RMSE为6.97°C，增益约为MI的70%，证实MI对长延迟非线性变量的优势。SHAP分析表明七个操作变量均有统计显著的边际效应，且效应方向与物理原理一致（如一次风量增大预测温度升高，炉排速度增大预测温度降低）。

**3.3 离线控制仿真结果**
在测试集300步（150分钟）窗口上进行阶跃响应测试（设定点从975°C阶跃至990°C）。比较约束PSO、无约束PSO、GA、多回路PID及保持策略（Hold）。约束PSO同时实现最低温度标准差（3.80°C）、最低平均跟踪误差（3.65°C）和最小动作变化量（归一化值0.98），相比PID标准差降低约35%（从5.80°C降至3.80°C），且显著抑制了无约束PSO和GA产生的大幅跳变操作。Hold虽标准差低但平均误差达14.10°C，无法跟踪设定点。控制轨迹图显示约束PSO给出的操作变量变化平缓连续，而其他主动控制器存在明显跳变。

**3.4 自回归阶数敏感性**
测试自回归阶数p从0到5对预测精度和控制性能的影响。p=0时预测RMSE达40.79°C，控制无效；p=1时RMSE降至8.70°C，控制可行；p=1至p=2时RMSE继续改善至6.85°C，控制性能达到最优（温度标准差3.80°C）；p≥3后RMSE进一步降低但控制性能下降（p=5时标准差升至4.5°C）。表明p=1在预测精度与控制权之间取得最佳平衡。平滑权重λ的敏感性分析显示，λ=0.5时标准差迅速下降至3.80°C，λ=1.0时达到稳定，λ过大则响应变慢。

**总结讨论与结论**
讨论部分指出，MI识别的延迟（尤其给料25分钟）与炉排炉物料输运机制吻合，平滑约束有效抑制操作变量跳变并提升温度轨迹稳定性，自回归特征主导性（约96%特征重要性）不等于操作变量无关，通过SHAP分析和AR阶数敏感性证实其具有可用的边际梯度。局限性包括：延迟假设稳定、仅单次阶跃响应测试、20天数据覆盖单季单炉、缺乏硬件在环验证。未来方向包括结合Transformer自注意力机制、多目标优化及数字孪生技术。
论文结论部分翻译如下：本文提出了一种用于MSWI炉温控制的预测-决策协同框架，并在全尺寸炉排炉20天实际工业DCS数据（超过170万条原始记录）上进行了端到端离线评估（涵盖延迟识别、预测建模和预测器在环仿真）。在预测侧，基于MI的逐变量延迟识别揭示了七个操作变量从即时响应到25分钟的异质响应延迟，MI识别延迟通过炉排炉质量输运机制得到验证。将这些延迟整合到特征工程中，在所有七种测试模型（树模型和深度学习）中均带来一致的预测提升，对深度学习架构增益更显著。AR阶数敏感性分析确认p=1在预测精度（RMSE=6.85°C，R²=0.9845）和控制权之间实现最优平衡，SHAP分析验证了所有七个操作变量具有统计显著且物理可解释的边际效应，尽管自回归特征占主导。在控制侧，约束PSO——纳入归一化步间平滑惩罚——在四个主动控制器中同时获得最低跟踪误差（3.65°C）、最小跟踪误差标准差（3.80°C，相较于多回路PID降低约35%）和最平滑的控制动作（0.98）。表明平滑约束至关重要：移除它（无约束PSO）使标准差增至8.90°C并伴随大幅执行器跳变。该评估完全离线进行，应视为预部署评估；在多炉、多季节和多工况下的更广泛验证是现场部署前的必要条件。该框架为安全关键工业过程控制中集成数据驱动预测与约束优化提供了可复用的设计。