买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利一种城市固废焚烧过程减污增效智能优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119831089B 。

龙图腾网通过国家知识产权局官网在2026-04-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411883955.6，技术领域涉及：G06Q10/04；该发明授权一种城市固废焚烧过程减污增效智能优化方法是由乔俊飞;黄卫民;蒙西设计研发完成，并于2024-12-20向国家知识产权局提交的专利申请。

本一种城市固废焚烧过程减污增效智能优化方法在说明书摘要公布了：本发明涉及一种城市固废焚烧过程减污增效智能优化方法，通过多工艺环节的协同运行优化，提高了主蒸汽流量及其稳定性，降低了NOx、SO2、HCl等污染物排放浓度，同时减少了尿素溶液和石灰石浆液的使用量。包括以下步骤：首先，获取数据；确定输入输出，并采用模糊神经网络建立运行指标模型；其次，根据固废焚烧环节、余热利用环节以及烟气处理环节的响应时间，建立多时间尺度的运行优化目标函数；设计双层多目标竞争群优化算法，求解城市固废焚烧过程动态协同运行优化问题；最后，根据不同时间尺度的优化特点，确定最优决策，并采用实际城市固废焚烧过程数据验证优化性能。本发明实现了城市固废焚烧过程的减污增效，具有重要的理论意义和应用价值。

本发明授权一种城市固废焚烧过程减污增效智能优化方法在权利要求书中公布了：1.一种城市固废焚烧过程减污增效智能优化方法，其特征在于，包括以下步骤： 步骤1、数据采集； 步骤2、确定运行指标模型的输入、输出变量，并采用模糊神经网络FNN建立NOx产生浓度、SO2产生浓度、HCl产生浓度、主蒸汽流量、NOx排放浓度、SO2排放浓度、HCl排放浓度运行指标模型； 步骤3、根据固废焚烧环节、余热利用环节、烟气处理环节的响应时间，建立城市固废焚烧过程减污增效优化问题的目标函数； 步骤4、设计双层多目标竞争群优化DMCSO算法，求解城市固废焚烧过程减污增效优化问题； 步骤5、获得最优决策，确定优化后的主蒸汽流量、NOx、SO2、HCl排放浓度、以及烟气处理药剂投入量，即尿素溶液和石灰石浆液的使用量； 步骤3中，根据固废焚烧环节、余热利用环节、烟气处理环节的响应时间，建立城市固废焚烧过程减污增效优化问题的目标函数； 根据城市固废焚烧过程中包含的固废焚烧环节、余热利用环节以及烟气处理环节不同的响应时间，将城市固废焚烧过程减污增效优化划分为不同时间尺度的上层优化和下层优化；多时间尺度定义为： 其中t1为上层优化时间，T1是上层优化时间分辨率，设置为1小时，t2为下层优化时间，T2是下层优化时间分辨率，设置为10分钟，i＝1,2,...，j＝1,2,...,T1T2； 当t＝t1时，开展上层优化；上层优化针对城市固废焚烧过程的固废焚烧环节和余热利用环节，优化目标为降低污染物产生浓度和提升主蒸汽流量及其稳定性，保证焚烧过程相对平稳；上层优化问题定义为： 其中上层优化问题的决策变量Dt1＝[xFTt1,xFOt1,xGWt1]T，Std.·为标准差计算函数，f1Dt1为Dt1与NOx产生浓度的非线性函数关系，f2Dt1为Dt1与SO2和HCl产生浓度的非线性函数关系,f3Dt1为Dt1与主蒸汽流量的非线性函数关系； 上层优化的约束为： 其中xFT,max和xFT,min分别为炉膛温度的最大值和最小值，xFO,max和xFO,min分别为烟气含氧量的最大值和最小值，xGW,max和xGW,min分别为主给水的最大值和最小值； 当t＝t2时，开展下层优化；下层优化针对烟气处理环节，优化目标为降低污染物排放浓度和减少尿素溶液及石灰石浆液使用量，下层优化问题定义为： 其中下层优化问题的决策变量Dt2＝[xSt2,xCt2]T，xSt2为尿素溶液使用量，xCt2为石灰石浆液使用量，f4Dt2为Dt2与NOx、SO2以及HCl排放浓度的非线性函数关系，f5Dt2为烟气处理药剂使用量；和为上层优化的最优设定值，即式9的求解结果，其中炉膛温度最优设定值，为烟气氧含量最优设定值； 下层优化的约束为： 其中xS,max和xS,min分别为尿素溶液使用量的最大值和最小值，xC,max和xC,min分别为石灰石浆液使用量的最大值和最小值； 步骤4中，设计双层多目标竞争群优化DMCSO算法求解城市固废焚烧过程减污增效优化问题： 1竞争策略 Pareto支配定义：对决策变量D1t和D2t，当有fiD1t≤fjD2t，且fiD1tfjD2t，则称D1t支配D2t；其中M为优化目标个数； 定义DMCSO算法种群，种群由N＝100个个体组成，其中第i个个体定义为Ii＝[Vi,Pi]T，其中Vi＝[vi,1,vi,2,...,vi,d]T为第i个个体的速度，Pi＝[pi,1,pi,2,...,pi,d]T为第i个个体的位置，d为优化问题的决策变量维度；随机抽取种群中的一对个体进行竞争，竞争策略表示为： 1若一对个体之间存在Pareto支配关系，则被支配的个体为失败者，支配个体为胜利者； 2若个体间不存在Pareto支配关系，则采用指标J计算获得个体的综合性能评价，具有较大J结果的个体为失败者，而具有较小J结果的个体为胜利者； 以种群中的第i个个体为例，其基于指标J计算的综合性能评价为： 其中t为采样时刻，当t＝t1时，为上层优化，当t＝t2时，为下层优化，τ∈[1,Tq]为DMCSO算法迭代次数，Tq＝50为算法最大迭代次数，M为优化目标数，ρ·为从小到大的排序函数，Piτt为t时刻算法第τ次迭代时第i个个体的位置，fmPiτt为t时刻算法第τ次迭代时第i个个体在第m个目标上的目标值，和分别为t时刻算法第τ次迭代时在第m个目标上的最大值和最小值； 重复上述竞争，直至种群内的所有个体均参与竞争，种群被划分为胜利者和失败者两个阵营； 2上层优化策略 当t＝t1时，开展上层优化，即求解式9给出的优化问题，获得上层优化的最优设定值上层优化问题为复杂多峰问题，算法应具有良好的全局探索和摆脱局部最优的能力，基于此实现，分别为胜利者和失败者设计寻优策略； 1失败者的学习策略为： 其中Vlτt1为t1时刻DMCSO算法第τ次迭代时失败者的速度，Plτt1为t1时刻算法第τ次迭代时失败者的位置，为t1时刻算法第τ次迭代时胜利者的位置，和均为算法第τ次迭代时随机数构成的向量，ψ＝1.2为算法的学习率，为t1时刻算法第τ次迭代时种群内综合性能最好的个体位置，其中Pτt1为t1时刻算法第τ次迭代时种群内所有个体位置构成的矩阵； 2胜利者学习策略为： 其中为t1时刻算法第τ次迭代时胜利者的速度，α和β为服从高斯分布的向量，即高斯分布的方差σα和σβ分别为： 其中Γ·为伽马函数； 3下层优化策略 当t＝t2时，开展下层优化，即求解式11给出的优化问题，获得下层优化的最优设定值下层优化问题是一个典型的单峰问题；基于此实现，设计寻优策略； 算法每次迭代的可行子群定义为： 其中为t2时刻DMCSO算法第τ次迭代时种群内的第i个个体，Ω为满足式12约束的集合，为t2时刻算法第τ次迭代时可行子群内的第i个个体； 因此，动态可行解空间为： 其中和分别为t2时刻算法第τ+1次迭代时决策变量xSt2和xCt2的可行上界，和分别为t2时刻算法第τ+1次迭代时决策变量xSt2和xCt2的可行下界； 胜利者的学习策略表示为： 其中NS＝0.2N为爆炸产生的火花个数，为t2时刻算法第τ次迭代时胜利者的位置，为t2时刻算法第τ次迭代时种群内综合性能最好的个体位置，其中Pτt2为t2时刻算法第τ次迭代时种群内所有个体位置构成的矩阵，为t2时刻算法第τ次迭代时遵循高斯分布的第i个随机向量， 失败者同样采用式14给出的寻优策略； 4外部存档维护 在算法寻优过程中，所发现的非支配解将被存入外部存档中，外部存档为： 其中t为采样时刻，当t＝t1时，为上层优化，当t＝t2时，为下层优化，repτ为第τ次迭代的外部存档，为t时刻算法第τ次迭代时外部存档中的第i个非支配解，为算法第τ次迭代外部存档中非支配解个数； 外部存档维护表示为： 其中为t时刻第τ次迭代外部存档中将要删除的解，J·为式6给出的综合性能评价。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。