基于数据驱动的垃圾焚烧厂酸性气体模型预测控制建模方法研究

本研究针对垃圾焚烧(WtE)厂酸性气体排放控制难题，创新性地采用数据驱动模型预测控制(DDMPC)技术，系统评估了ARX、ARMAX和非线性ARX等模型结构对HCl脱除动态的预测性能。研究发现线性ARMAX模型在计算效率与预测精度间取得最佳平衡，为实时优化控制提供了实用解决方案，对实现BAT28a要求的试剂自动化投加、降低FGC残渣量具有重要工程意义。

　　

随着欧盟BREF文件对垃圾焚烧厂排放标准日益严格，如何实现酸性气体的精准控制成为行业痛点。传统前馈-反馈(FF+FB)控制策略存在试剂消耗激增、系统稳定性差等缺陷，而基于物理化学原理的建模方法又难以适应实际工况的复杂性。在此背景下，研究人员探索了数据驱动模型预测控制(DDMPC)这一创新路径，旨在通过挖掘工厂运行数据构建动态模型，突破现有控制技术的瓶颈。

研究团队采用MATLAB^?
系统辨识工具箱，对某处理规模7.9万吨/年的垃圾焚烧厂闭环运行数据进行分析。关键技术包括：1) 基于3折交叉验证的数据预处理；2) 线性模型(ARX/ARMAX)与非线性模型(神经网络ARX)的对比验证；3) 输入变量(HCl入口浓度、碳酸氢钠投加量)与输出变量(烟囱HCl浓度)的动态关联建模。

WtE plant description
研究对象为配置SNCR脱硝系统和干法吸附(DSI)工艺的典型垃圾焚烧厂，烟气处理流程包含尿素喷射、急冷塔和袋式除尘等单元，符合BAT27技术规范。

Identification of data-driven process models
通过黑箱建模方法系统评估了三类模型：线性ARX(自回归外生)、增强线性ARMAX(带滑动平均修正)以及采用神经网络映射的非线性ARX。模型验证采用预测误差率(FIT)和残差分析指标。

Results and discussion
非线性ARX模型虽以86.7%的FIT值表现最优，但ARMAX模型以82.1%的精度和更少参数胜出。关键发现：1) 碳酸氢钠投加量与HCl脱除存在明显时滞效应；2) 线性模型已能捕捉主要动态特征，符合DDMPC实时优化需求。

Conclusions
研究证实数据驱动方法可有效建模复杂WtE过程，其中ARMAX模型在计算成本与预测性能间达到最佳平衡。该成果为实施BAT28a要求的自动化试剂投加控制奠定了模型基础，对减少钠钙基FGC残渣产生量具有直接工程价值。Senem Ozgen团队指出，未来可将SO₂
、HF等酸性气体纳入多输入模型框架，进一步提升控制精度。