引用本文

汤健, 夏恒, 余文, 乔俊飞. 城市固废焚烧过程智能优化控制研究现状与展望. 自动化学报, 2023, 49(10): 2019−2059 doi: 10.16383/j.aas.c220810

Tang Jian, Xia Heng, Yu Wen, Qiao Jun-Fei. Research status and prospects of intelligent optimization control for municipal solid waste incineration process. Acta Automatica Sinica, 2023, 49(10): 2019−2059 doi: 10.16383/j.aas.c220810

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c220810

关键词

城市固废焚烧，双碳战略，智能优化控制，工业人工智能，数字孪生平台 

摘要

针对全球城市固废(Municipal solid waste, MSW)的高增长率导致城市环境持续恶化以至于“垃圾围城”现象日益增多等问题, MSW焚烧(MSW incineration, MSWI)技术能够通过发酵、燃烧、换热和净化等工艺实现废物变能源(Waste-to-energy, WTE). 在当前“双碳战略”和“蓝天净土”的新环保背景下, 作为未来长时期内MSW处理主流方式和生态文明建设与循环经济体系托底工业的MSWI过程正面临着重大机遇. 如何融合人工智能、大数据、云计算等技术实现MSWI的智慧化、低碳化和绿色化可持续性发展是目前具有挑战性的难题. 对此, 本文首先描述MSWI工艺机理, 分析其运行控制特性和实现其智能优化控制存在的难点; 然后, 从燃烧特性分析与建模、燃烧过程控制、指标建模与预测、运行监控与故障识别、操作(控制)变量优化、算法仿真验证平台等6个方面进行综述; 接着, 分析MSWI过程智能优化控制研究的必要性; 最后, 结合工业人工智能的本质给出未来研究方向. 在此基础上, 展望基于数字孪生平台的MSWI智能优化控制系统的框架和愿景, 并总结未来挑战.

文章导读

目前, 城市固废(Municipal solid waste, MSW)的全球年增长率已达到8% ~ 10%[1-2]. 相应地, 我国面临着环境恶化甚至“垃圾围城”风险的城市日趋增多[3], 为发展环境友好型城市必须解决上述问题. MSW焚烧(MSW incineration, MSWI)过程作为典型流程工业[4-5], 通过发酵、燃烧、换热和净化等工艺阶段实现废物到能源(Waste-to-energy, WTE)的转变[1, 6], 其中: 固废发酵阶段存在多种不确定的生物反应, 固废燃烧是固气液多相和热流力多场交互作用下的高温化学反应, 余热交换是实现热能到机械能再到电能的转换, 烟气净化是利用物理/化学原理脱除烟气中的有毒有害物质; 该过程在实现自身运行所需能源自给自足的基础上, 向外提供电和热等多种形式的能源, 并确保较低的环境污染排放风险[7], 使得MSW已经成为城市可再生能源循环利用过程中的重要环节[8-9]. 研究表明, MSWI的减质率、减容率和能量回收率可达到70%、90%和19%[10-11], 其在经济和环保方面所呈现出的潜在价值已被发展中国家所认可[10]. 因此, MSWI过程在低碳、环保和可持续能源等领域均具有关键作用[12], 已成为国家新时期生态文明建设和循环经济体系中的托底工业[13-14].

我国MSWI起步于20世纪90年代(深圳引进日本三菱2台150 t/d马丁炉排焚烧炉), 在十二五时期着力推广后再经过十三五时期无废城市规划的实施, 目前MSWI处理占比(超过50%)已居世界首位[15]. 截止2022年10月, 我国已投运MSWI电厂811座, 其中机械炉排炉占比超过94%[16].

在“十四五”城镇生活垃圾分类和处理设施发展规划下, MSWI过程将迎来新一轮的高速发展[17]. 显然, 在“双碳战略”[18]、垃圾分类[19]和原生MSW“零填埋”[20-21]的发展背景下, MSWI在未来仍将是MSW处理的首选技术[22], 也是城市可持续发展和绿色环保不可或缺的组成部分[23]. 然而, 目前我国MSWI企业却面临着显著的、短期内无法有效调控的发展矛盾, 即过程运维成本、环保监管成本、“国补退坡”[24]、MSW处理微利之间的矛盾, 这是我国MSWI行业面临的最大挑战. 此外, 虽然MSWI过程是最科学的MSW处理方式, 但所产生的废气、废水和废渣却使其自身被列入污染排放名单, 更甚者是其所排放的世纪之毒二噁英(Dioxin, DXN)导致焚烧建厂一直受困于“邻避效应” [2, 25].

经过近半个世纪的发展, 自动化技术、计算机技术和焚烧设备与工艺的有机结合, 促使MSWI控制系统逐渐向大型化、集成化和智慧化的方向发展[2]. 目前已投运、在建和拟建的MSWI厂中, 多采用炉排炉型焚烧炉、高参数锅炉发电设备、渐进累加式烟气净化工艺, 目的是推进企业低碳转型、提高经济效益和竞争力[16, 26]. 但是, MSW的组成和产生受到社会、经济和环境等诸多不确定性与地区性因素的影响[27-28], 大型化的运行设备也导致临界条件下实现MSWI过程高效稳定控制的难度进一步加大. 同时, 《生活垃圾焚烧发电厂自动监测数据应用管理规定》 要求企业全面公开污染物排放数据, 以服务于公众监督和环保监管要求[29]. 此外, 在 “双碳战略” 和 “蓝天净土” 新环保要求的大背景下, MSWI技术的发展方向必然是高负荷、高效率和绿色化[30-32]. 上述原因导致MSWI电厂在智能运维、智慧环保等方面均面临着巨大的挑战[33].

此外, 虽然自动化和信息化水平不断提升, 但我国的MSWI过程却多采用领域专家手动控制模式, 这显然难以适应智慧焚烧的需求[34], 导致焚烧行业的整体运营难以有效满足国家对污染排放的监管要求. 生活垃圾焚烧发电厂自动监测数据公开平台的数据表明, 自2020年以来已关闭MSWI电厂21家, 涉及焚烧炉50余台, 其中炉排炉占比44%[16]. 因此, 研制具有甚至超越优秀领域专家水平的智能优化控制技术, 已成为MSWI企业能够以稳定、高效、绿色和低碳的最优工况达到年运行8000小时水平的关键, 进而实现处理量最大、热灼减率最小、发电量最大、物耗最小和污染排放最低等目标, 确保MSWI行业的可持续性发展.

综上, 本文首先针对典型MSWI工艺机理、当前运行控制特性及智能优化控制存在难点进行描述和分析; 接着, 从燃烧特性分析与建模、燃烧过程控制、指标建模与预测、运行监测与故障识别、操作(控制)变量优化、算法仿真验证平台等6个方面进行MSWI过程运行控制现状的回顾和总结, 探讨进行智能优化控制的必要性; 然后, 结合工业人工智能本质给出未来研究方向和内容, 展望基于数字孪生平台的未来MSWI智能优化控制系统的框架和愿景; 最后, 总结未来挑战.

图 1  某典型炉排炉MSWI过程的工艺流程

图 2  MSWI过程的领域专家手动控制示意图

图 3  MSWI过程运行控制现状

MSWI是进行MSW处理的核心和主流技术之一, 也是当前生态文明建设和循环经济体系的托底工业. 在国家“双碳战略”和“蓝天净土”的新时代环保要求下, 蕴含机理与经验知识的海量过程数据和高速发展的工业人工智能为实现该过程的智能优化控制提供了契机. 本文对现有MSWI过程运行控制研究现状和未来发展趋势进行综述和展望, 指出进一步研究存在的主要挑战包括:

1) 在运行指标建模和预测方面. 运行指标数据存在样本量小、维数高、分布稀疏以及时间尺度上的多样性、不确定和延迟等特性, 导致常规建模方法难以支撑高性能模型的构建. 因此, 获取分布均匀且完备的运行指标建模样本库, 构建能够融合多源特征且具有较强可解释性的工业人工智能驱动运行指标模型, 建立鲁棒动态指标检测与预测模型以及开发集运行指标智能感知、预测和溯源于一体的智能软件系统是未来研究的主要挑战问题.

2) 在智能控制方面. MSW作为燃料所固有的组分波动范围大、热物理性质复杂和热值不稳定等特性使得研究MSWI过程基础回路的智能控制成为现阶段运行的迫切需求. 因此, 构建基于多模态数据和机理知识双驱动的智能被控对象模型、面向差异化工况的稳态智能回路控制器及其在强动态干扰下的自组织机制是具有挑战性的难题.

3) 在全流程协同优化方面. 包含多工艺阶段和多流传递运行模式使得MSWI的全流程协同优化具有多目标、多约束和多尺度等特性. 因此, 必须面对的挑战包括: 深度融合数据与知识的全流程运行态势智能感知机制、多冲突目标全局和局部耦合多层级智能优化机制解析、人机合作增强交互演化智能决策算法等.

4) 在数字孪生平台方面. 实际工业过程的大数据集中分布在稳态工作点附近, 其窄信息域的特点导致难以构建有效的数字孪生系统, 因此, 面对的挑战包括: 面向控制的多态势虚拟数据获取策略, 多孪生体模型的异构集成机制, 真实与虚拟大数据的融合挖掘算法, 半实物数字孪生平台体系架构与运行机制等.

进一步, 如何构建面向MSWI过程的工业元宇宙(即MSWI元宇宙)是未来所面对的最大挑战.

作者简介

汤健

北京工业大学信息学部教授. 主要研究方向为小样本数据建模, 城市固废处理过程智能控制. 本文通信作者.E-mail: freeflytang@bjut.edu.cn

夏恒

北京工业大学信息学部博士研究生. 主要研究方向为城市固废焚烧过程二噁英排放预测与控制, 树结构深/宽度学习结构设计与优化.E-mail: xiaheng@emails.bjut.edu.cn

余文

墨西哥国立理工大学高级研究中心自动化部教授. 主要研究方向为复杂工业过程建模与控制, 机器学习. E-mail: yuw@ctrl.cinvestav.mx

乔俊飞

北京工业大学信息学部教授. 主要研究方向为污水处理过程智能控制, 神经网络结构设计与优化.E-mail: junfeiq@bjut.edu.cn