CN109978011A - 一种城市固废焚烧过程二噁英排放浓度预测系统 - Google Patents
一种城市固废焚烧过程二噁英排放浓度预测系统 Download PDFInfo
- Publication number
- CN109978011A CN109978011A CN201910158798.5A CN201910158798A CN109978011A CN 109978011 A CN109978011 A CN 109978011A CN 201910158798 A CN201910158798 A CN 201910158798A CN 109978011 A CN109978011 A CN 109978011A
- Authority
- CN
- China
- Prior art keywords
- feature
- potential
- parameter
- indicate
- dxn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于潜在特征提取与选择的城市固废焚烧过程二噁英排放浓度预测系统,包括:潜在特征提取模块,采用主元分析(PCA)提取MSWI过程高维输入变量的潜在特征;潜在特征选择模块,采用互信息方法和预设定特征选择比率对所提取的潜在特征按其与DXN间互信息值的大小进行选择;软测量模型构建模块,基于所选择的潜在特征,采用具有模型超参数自适应选择策略的最小二乘‑支撑向量机(LS‑SVM)算法构建DXN排放浓度预测模型。
Description
本发明由科学技术部国家重点研发计划(No:2018YFC1900801)和国家自然科学基金(No:61573364,61873009)资助。
技术领域
本发明属于城市固废焚烧技术领域,尤其涉及一种基于潜在特征提取与选择的城市固废焚烧过程二噁英排放浓度预测系统。
背景技术
采用运行优化控制策略降低复杂工业过程的能源消耗和污染排放是国内外众多流程行业企业所面临的急需解决的难题[1,2,3]。焚烧是当前用于日益增长的城市固废(MSW)的主要处理技术[4]。截止2016年底,全世界共有1179座基于MSW焚烧(WSMI)的电厂[5]。在我国大陆,到2017年底总共有303座MSWI电厂,其中的220座采用基于炉排炉的焚烧技术。针对发展中国家,当前最为紧迫的问题如何控制MSWI所造成的污染排放[6,7]。MSWI过程排放的最主要污染物是二噁英(DXN),它是到目前为止世界上毒性最强的污染物[8],也是造成MSWI建厂“邻避效应”的主要原因。研究表明,世界上非自然界排放的DXN有37.6%是来源于MSWI过程[9]。因此,DXN的排放受到公众的高度关注和强烈反对[10,11]。
目前,MSWI过程的控制策略主要采用的是“3T1E”准则[12],即:850~1000℃焚烧炉内的高温(T)、焚烧炉内的烟气停留时间超过2秒(T)、较大的湍流程度(T)和合适的过量空气系数(E),所采用的主要被控量是一次风和二次风流量,以及给料和炉排速度。当前,MSWI焚烧厂的主要关注点是如何基于优化的运行参数实现最小化的DXN排放[13]。但是,由于DXN排放浓度难于实时在线检测,实际的MSWI过程不能实现以降低DXN排放浓度为直接目标的反馈控制。DXN排放过程的机理模型难以构建[14]。在工业实际中,DXN以月或季为周期进行离线检测;近年来出现了基于DXN指示物对DXN进行间接检测的方法[15,16],但这些方法仍然难以用于MSWI过程的运行优化和反馈控制[17]。
数据驱动的软测量技术可用于离线化验过程参数的在线估计[18,19]。针对MSWI过程,文献[20,21]通过采用多年前欧美研究机构针对不同类型的焚烧炉采集的小样本数据,基于线性回归、人工神经网络(ANN)等方法构建DXN排放浓度软测量模型。近年来,文献[22]集成相关性分析、主元分析(PCA)和ANN等算法,基于实际MSWI过程数据构建DXN排放预测模型。但是,ANN并不适用于构建DXN浓度排放模型,主要原因在于其固有的易陷入局部最小、易过拟合和面对小样本数据时建模泛化性能差等缺点。采用合适超参数的支撑向量机(SVM)算法可有效地用于小样本数据建模[23]。针对SVM需求解二次规划的问题,最小二乘-支撑向量机(LS-SVM)通过求解线性等式予以克服。构建LS-SVM模型所需要的合适超参数可以通过单目标或多目标优化求解算法得到[24,25,26],但这些方法不但耗时且只能得到次优解[27]。因此,目前研究缺少对超参数进行有效快速选择的自适应机制。
通常,MSWI过程包括固废储运、固废焚烧、蒸汽发电和烟气处理等阶段。这些不同阶段与DXN的产生、吸收和再合成等机理在不同程度上具有相关性,所涉及的过程变量达到近百维。文献[28]指出,模型输入维数的增加和低价值训练样本的增加使得难以获得足够数量的训练样本。在模式识别领域,通常认为训练样本的数量与特征之比应该为2、5或10。文献[29]定义了维数约简后的训练样本与约简特征之比,认为该值应满足构建鲁棒预测学习模型的要求。因此,针对具有小样本高维特性的DXN排放浓度建模数据,进行维数约简是非常必要的。特征选择和特征提取均可以用于高维建模数据的维数约简,这两种方法各有缺点:前者需要丢弃一些相关性较弱的过程变量,后者提取的特征虽蕴含原始高维变量中的主要变化却可能导致所提取潜在特征与被预测参数无关。能够提取高维数据蕴含变化的主元分析(PCA)是目前工业过程在难以检测参数软测量中最为常用的特征提取方法[30]。因此,有必要选择与DXN具有较高相关性的潜在特征构建预测模型。
发明内容
本发明提出了基于潜在特征提取与选择的城市固废焚烧过程DXN排放浓度预测系统,包括:潜在特征提取模块,采用主元分析(PCA)提取MSWI过程高维输入变量的潜在特征;潜在特征选择模块,采用互信息方法和预设定特征选择比率对所提取的潜在特征按其与DXN间互信息值的大小进行选择;软测量模型构建模块,基于所选择的潜在特征,采用具有模型超参数自适应选择策略的最小二乘-支撑向量机(LS-SVM)算法构建DXN排放浓度预测模型。基于北京某MSWI焚烧厂多年的DXN排放检测数据,仿真验证了所提方法的有效性。
附图说明
图1基于DXN视角的MSWI过程描述;
图2基于潜在特征提取与选择的DXN排放浓度预测策略;
图3不同PC的累积贡献率;
图4全部潜在特征与DXN间的MI值;
图5基于kFesel=0.7采用网格法第1次寻优超参数的曲线;
图6基于kFesel=0.7采用网格法第2次寻优超参数的曲线。
具体实施方式
面向DXN排放过程的MSWI描述
MSWI的主要设备包括焚烧炉、移动炉排、废锅和尾气处理设备等,其中:焚烧炉将MSW转化为残渣、灰尘、烟气与热量,位于焚烧炉底部的移动炉排促使MSW有效和完全燃烧,废锅产生蒸汽用于推动汽轮机产生电力,烟气中的灰尘和污染物通过尾气处理设备净化后排入大气。其过程如图1所示。
由图1可知,MSWI包含了DXN的产生、吸收和排放共3个子过程,其分别包含在标记为G1、G2和G3的烟气中。显然这些不同阶段的烟气中所包含的DXN浓度也是具有差异性的。通常,为保证焚烧炉内的有害物质能够有效和完全分解,烟气温度至少应该达到850℃并保持2秒以上。用于焚烧MSW的一次风从炉排底部喷入的同时又对炉排进行冷却,并通过引入湍流和保证过量氧的供应使得二次风能够辅助进行烟气的完全燃烧。在烟气冷却过程中进行焚烧矿渣和废锅底灰的处置和收集,同时排出烟气G1。活性炭和石灰被注入反应器,用于移除酸性气体和吸收DXN及一些重金属,然后进入袋式过滤器。在反应器和袋式过滤器内产生的飞灰被注入混涅设备,同时产生烟气G2。引风机将烟气G2吸入到烟囱,进而作为烟气G3排放至空气中,其包含HCL、SO2、NOx和HF等多种能够实时在线检测的污染物浓度以及长周期、高成本离线化验的DXN浓度。
由上述描述可知,DXN排放浓度与MSWI过程不同阶段的易检测过程变量均相关。
建模策略
本发明中,假设输入数据矩阵X∈RN×M是由N个样本(行)和M个变量(列)组成,其来源于MSWI过程的不同阶段。通常,MSWI过程包含有数百个变量,但DXN样本数量因受限于高时间成本和经济成本却数量稀少,故存在N<<M。
本发明提出了基于潜在特征提取和选择的DXN排放浓度预测系统,包括潜在特征提取、潜在特征选择和软测量模型构建共3个模块,如图2所示。
在图2中,表示输入数据,其来源于MSWI过程的控制系统以秒为单位存储的易检测过程变量;表示DXN排放浓度数据,其源于实验室的离线化验数据;表示采用PCA提取的全部潜在特征,其数量为Mlatent;表示基于互信息和依据经设定的潜在特征选择比率kFesel选择的潜在特征,其数量为Ker和Reg表示LS-SVM模型的核参数和正则化参数,即模型的超参数;表示软测量模型的预测输出。
上述模块的功能是:
(1)潜在特征提取模块:采用PCA方法提取易检测过程变量的全部潜在特征。
(2)潜在特征选择模块:采用基于互信息(MI)的特征选择方法和先验知识选择潜在特征。
(3)软测量模型构建模块:采用基于自适应的超参数选择策略构建LS-SVM软测量模型。
1建模实现
1.1潜在特征提取
PCA提取的潜在特征能够获取原始高维输入变量中的主要变化。首先将输入数据进行零均值1方差的标准化,接着采用PCA将其分解为,
其中,和表示第mlatentth个主元(PC)的得分和负载向量,T表示转置,Mlatent表示所提取的潜在特征数量,其计算公式如下,
Mlatent=rank(X).(2)
基于上述表达式,从数据X所提取的潜在特征可表示为,
其中,表示得分矩阵,是数据X在载荷矩阵P方向上的正交映射;P采用如下公式表示,
其中,
因此,从数据X所提取的潜在特征可表示为,
其中,
1.2潜在特征选择
本发明中采用互信息(MI)估计每个潜在特征与DXN间的映射关系。潜在特征和y之间的MI值可标记为其采用如下公式计算,
其中,和pprobility(y)表示和y的边际概率密度;表示联合概率密度;表示条件熵,H(y)表示信息熵。
基于MI值对全部潜在特征按照由大到小的顺序进行排列。基于先验知识预设输入特征选择选择比率值kFesel后,采用如下公式可得到需要选择的潜在特征数量,
其中,0<kFesel≤1,函数表示取整函数。
进一步,被选择的个潜在特征可以采用如下公式表示,
其中,
1.3软测量模型构建
本发明此处描述基于潜在特征和模型超参数对{Ker,Reg}构建LS-SVM软测量模型的过程。首先,将上文所选择的潜在特征通过映射映射到高维特征空间,然后求解如下的优化问题,
其中,w表示权重系数,b表示偏置,ζn是第nth个样本的预测误差。
采用拉格朗日方法,可得如下公式,
其中,β=[β1,…,βn,…,βN]表示拉格朗日算子向量,ζ=[ζ1,…,ζn,…,ζN]表示预测误差向量。
对上述公式进行求解,
将所采用的核函数表示如下,
其所用核参数记为Ker。
进一步,将LS-SVM问题转换为求解以下线性等式系统,
通过求解上述公式,得到β和b。
进而,基于LS-SVM构建的DXN排放浓度预测模型可表示为,
上述基于LS-SVM构建的DXN排放浓度预测模型的超参数自适应选择机制采用下述的两步法予以实现:
第1步,采用网格搜索方法在候选超参数矩阵Mpara中选择初始超参数对
其中,k=1,…,K,K表示候选核参数的数量;r=1,…,R,R表示候选惩罚参数的数量;表示由第kth个核参数和第rth个惩罚参数组成的超参数对,是超参数矩阵Mpara中的第jth个参数对,即存在j=1,…,J,J=K×R表示超参数矩阵Mpara中的全部超参数对的个数。对于初次采用网格搜索方法选择的是超参数矩阵Mpara中一个元素,即存在
第2步,基于上述方法选择的采用如下公式自适应计算得到两个新的候选超参数向量,
其中,和表示新的超参数(核参数和惩罚参数)向量,Nker和Nreg表示依据经验设定的新的超参数(核参数和惩罚参数)的数量。通过再次采用网格搜索方法,获得最终的软测量模型的超参数对为{Ker,Reg}。
实施例1
建模数据描述
本发明中的建模数据源于北京某基于炉排炉的MSWI焚烧企业。所用数据涵盖了该企业从2012年到2018年间的有记录的DXN检测样本,其样本数量为39个,输入变量的数量为286维(包含了MSWI过程的全部易检测过程变量)。可见,输入特征数量远远超过建模样本数量,进行维数约简非常有必要。本发明将建模数据等分为两部分,分别用于训练和测试。
建模方法
潜在特征提取结果
采用PCA方法提取了18个潜在特征,这些不同PC的累积贡献率如图3所示。
图3表明,前8个PC的贡献率达到85.73%。由于PCA属于非监督特征提取方法,这些所提取特征仅是描述了输入数据的变化,其与DXN间的映射关系需要进行进一步的度量。
潜在特征选择结果
采用MI方法度量所提取的全部潜在特征与DXN间的映射关系,如图4所示。
图4表明,提取全部MSWI输入过程变量近43%变化的第1个潜在特征与DXN的相关性却是最小的(小于0.45),第2个到第14个潜在特征与DXN间的MI值均在0.75左右。因此,对这些潜在特征按MI值的大小进行排序和再次选择是非常必要的。
软测量模型结果
本发明中,将候选正则化参数与核参数的集合分别预先选择为{0.0001,0.001,0.01,0.1,1,10,100,1000,2000,4000,6000,8000,10000,20000,40000,60000,80000,160000}和{0.0001,0.001,0.01,0.1,1,10,100,1000,1600,3200,6400,12800,25600,51200,102400}。将特征选择率kFesel预设为0.7,采用网格搜索方法进行超参数对的第1次寻优的曲线如图5所示。
基于上述结果,可以得到第1次的超参数对的寻优结果为进一步,通过设定Nker和Nreg值自适应得到第2次寻优的超参数矩阵,第2次寻优超参数的曲线如图6所示。
基于上述结果,可知自适应选择的超参数为{10.9,59.5}。
比较结果
此处,将特征选择率kFesel的值定为从0.5到1.0。采用不同kFesel值的本发明方法与通常采用的PLS方法的比较结果如表1所示。
表1不同建模方法的结果统计
表1表明,采用全部潜在变量建模时本发明方法具有最小的测试误差(RMSE为0.01563),但与采用较少潜在变量所构建预测模型相比可知其预测性能相差不大,并且选择不同潜在特征建模时所选择的超参数的范围也具有较大差异性:在特征选择比率位于0.6、0.7和0.8时,超参数的取值较小;在取值为0.5、0.9和1.0时,超参数的取值较大。因此,潜在特征与超参数间的关系有待于进一步探究,通过进一步的优化可望提高DXN排放浓度模型的预测性能。此外,PCA只能提取线性潜在特征,难以表征建模数据所蕴含的非线性特性。面向高维小样本数据,PLS算法通过提取与输入和输出数据均相关的数量较小的潜在特征构建线性回归模型。本发明中,PLS方法具有最小的训练误差和最大的测试误差,故其训练过程中存在过拟合现象;研究表明,对输入特征进行有效选择是防止PLS模型过拟合的有效方法。可见,上述建模方法均需要进行进一步的深入研究。
本发明基于北京某焚烧企业的工业过程数据,采用基于PCA的潜在特征提取、基于MI的特征选择和基于先验知识的超参数自适应选择LS-SVM建模算法,提出了基于潜在特征提取与选择的DXN排放浓度预测系统,并仿真验证了本发明所提方法的有效性。
参考文献
[1]柴天佑。复杂工业过程运行优化与反馈控制.自动化学报,39(11)(2013)1744-1757.
[2]T.Y.Chai,J.L.Ding,G.Yu,H.Wang.Integrated optimization for theautomation systems of mineral processing[J].IEEE Transactions on AutomationScience&Engineering,11(4)(2014)965-982.
[3]T.Y.Chai,S.J.Qin,H.Wang.Optimal operational control for complexindustrial processes[J].Annu.Rev.Control,38(1)(2014)81-92.
[4]Arafat H A,Jijakli K,Ahsan A,2015.Environmental performance andenergy recovery potential of five processes for municipal solid wastetreatment[J].Journal of Cleaner Production,2015,105:233-240
[5]Lu J W,Zhang S,Hai J,Lei M.Status and perspectives of municipalsolid waste incineration in China:a comparison with developed regions.WasteManagement,2017,69:170-186.
[6]Yuanan H,Hefa C,Shu T.The growing importance of waste-to-energy(WTE)incineration in China's anthropogenic mercury emissions:Emissioninventories and reduction strategies[J].Renewable and Sustainable EnergyReviews,2018,97:119-137.
[7]Huang T,Zhou L,Liu L,Xia M.Ultrasound-enhanced electrokineticremediation for removal of Zn,Pb,Cu and Cd in municipal solid wasteincineration fly ashes[J].Waste Management,2018,75:226-235.
[8]P.H.Jones,J.Degerlache,E.Marti,G.Mischer,M.C.Scherrer,W.J.Bontinck,H.J.Niessen,The global exposure of man to dioxins-a perspectiveon industrial-waste incineration[J],Chemosphere 26(1993)1491-1497.
[9]Sofian Kanan,Fatin Samar.Dioxins and furans:A review from chemicaland environmental perspectives[J].Trends in Enviromental analyticalChemistry,2018,17:1-13.
[10]Li X,Zhang C,Li Y,Zhi Q.The Status of Municipal Solid WasteIncineration(MSWI)in China and its Clean Development[J].Energy Procedia,2016,104:498-503.
[11]Phillips K,Longhurst P J,Wagland S T.Assessing the perception andreality of arguments against thermal waste treatment plants in terms ofproperty prices[J].Waste Management.2014,34(1):219-225.
[12]Mukherjee A,Debnath B,Ghosh S K.A Review on Technologies ofRemoval of Dioxins and Furans from Incinerator Flue Gas[J].ProcediaEnvironmental Sciences,2016,35:528-540.
[13]Zhang H J,Ni Y W,Chen J P,Zhang Q.Influence of variation in theoperating conditions on PCDD/F distribution in a full-scale MSW incinerator[J].Chemosphere,2008,70(4):721-730.
[14]B.R.Stanmore,Modeling the formation of PCDD/F in solid wasteincinerators,Chemosphere 47(2002)565-773.
[15]M.Pandelova,D.Lenoir,and K.W.Schramm,Correlation between PCDD/F,PCB and PCBz in coal/waste combustion Influence of various inhibitors,Chemosphere 62(2006)1196-1205.
[16]B.K.Gullett,L.Oudejans,D.Tabor,A.Touati,and S.Ryan,Near-real-timecombustion monitoring for PCDD/PCDF indicators by GC–REMPI–TOFMS[J][J],Environmental Engineering Science 46(2012)923-928.
[17]乔俊飞,郭子豪,汤健.面向城市固废焚烧过程的二噁英排放浓度检测方法综述[J].自动化学报,2019(在审).
[18]W.Wang,T.Y.Chai,W.Yu,Modeling component concentrations of sodiumaluminate solution via hammerstein recurrent neural networks[J],IEEETransactions on Control Systems Technology,20(2012)971-982.
[19]J.Tang,T.Y.Chai,W.Yu,L.J.Zhao,Modeling load parameters of ballmill in grinding process based on selective ensemble multisensor information[J],IEEE Transactions on Automation Science&Engineering,10(2013)726-740.
[20]Chang N B,Huang S H.Statistical modelling for the prediction andcontrol of PCDDs and PCDFs emissions from municipal solid waste incinerators[J].Waste Management&Research,1995,13,379-400.
[21]Chang N B,Chen W C.Prediction of PCDDs/PCDFs emissions frommunicipal incinerators by genetic programming and neural network modeling[J].Waste Management&Research,2000,18(4)41–351.
[22]Bunsan S,Chen W Y,Chen H W,Chuang Y H,Grisdanurak N.Modeling thedioxin emission of a municipal solid waste incinerator using neural networks[J].Chemosphere,2013,92:258-264.
[23]T.A.F.Gomes,R.B.C.Prudêncio,C.Soares,A.L.D.Rossi,A.Carvalho,Combining meta-learning and search techniques to select parameters forsupport vector machines[J].Neurocomputing 75(1)(2012)3-13.
[24]J.Tang,T.Y.Chai,W.Yu and L.J.Zhao,Feature extraction andselection based on vibration spectrum with application to estimate the loadparameters of ball mill in grinding process[J],Control Engineering Practice,20(10)(2012)991-1004.
[25]C.Soares,.A hybrid meta-learning architecture for multi-objectiveoptimization of svm parameters[J].Neurocomputing,143(143)(2014)27-43.
[26]G.Yu,T.Y.Chai,X.C.Luo.Multiobjective production planningoptimization using hybrid evolutionary algorithms for mineral processing[J].IEEE Transact.Evolut.Comput.15(4)(2011)487-514.
[27]S.Yin,J.Yin,Tuning kernel parameters for svm based on expectedsquare distance ratio[J].Information Sciences,370-371(2016)92-102.
[28]Li D C,Liu C W.Extending attribute information for small data setclassication.IEEE Transactions on Knowledge and Data Engineering,2010,24(3):452-464
[29]汤健,乔俊飞,柴天佑,等.基于虚拟样本生成技术的多组分机械信号建模[J].自动化学报,2018,44(9):1569-1589.
[30]Jian Tang,Zhuo liu,Jian Zhang,Zhiwei Wu,Tianyou Chai,WenYu.Kernel latent feature adaptive extraction and selection method for multi-component non-stationary signal of industrial mechanical device[J],Neurocomputing,2016,216(C):296-309.
Claims (4)
1.一种城市固废焚烧过程DXN排放浓度预测系统,其特征在于,包括:
潜在特征提取模块,采用主元分析(PCA)提取MSWI过程高维输入变量的潜在特征;
潜在特征选择模块,采用互信息方法和预设定特征选择比率对所提取的潜在特征按其与DXN间互信息值的大小进行选择;
软测量模型构建模块,基于所选择的潜在特征,采用具有模型超参数自适应选择策略的最小二乘-支撑向量机(LS-SVM)算法构建DXN排放浓度预测模型。
2.如权利要求1所述的城市固废焚烧过程DXN排放浓度预测系统,其特征在于,潜在特征提取模块具体工作过程如下:
首先将输入数据进行零均值1方差的标准化,接着采用PCA将其分解为,
其中,和表示第mlatentth个主元(PC)的得分和负载向量,T表示转置,Mlatent表示所提取的潜在特征数量,其计算公式如下,
Mlatent=rank(X).
基于上述表达式,从数据X所提取的潜在特征可表示为,
其中,表示得分矩阵,是数据X在载荷矩阵P方向上的正交映射;P采用如下公式表示,
其中,
因此,从数据X所提取的潜在特征可表示为,
3.如权利要求2所述的城市固废焚烧过程DXN排放浓度预测系统,其特征在于,潜在特征选择模块具体工作过程如下:采用互信息(MI)估计每个潜在特征与DXN间的映射关系,潜在特征和y之间的MI值可标记为其采用如下公式计算,
其中,和pprobility(y)表示和y的边际概率密度;表示联合概率密度;表示条件熵,H(y)表示信息熵,
基于MI值对全部潜在特征按照由大到小的顺序进行排列,基于先验知识预设输入特征选择选择比率值kFesel后,采用如下公式可得到需要选择的潜在特征数量,
其中,0<kFesel≤1,函数表示取整函数,
进一步,被选择的个潜在特征可以采用如下公式表示,
其中,
4.如权利要求3所述的城市固废焚烧过程DXN排放浓度预测系统,其特征在于,软测量模型构建模块具体工作过程如下:首先,将上文所选择的潜在特征通过映射映射到高维特征空间,然后求解如下的优化问题,
其中,w表示权重系数,b表示偏置,ζn是第nth个样本的预测误差,
采用拉格朗日方法,可得如下公式,
其中,β=[β1,…,βn,…,βN]表示拉格朗日算子向量,ζ=[ζ1,…,ζn,…,ζN]表示预测误差向量,
对上述公式进行求解,
将所采用的核函数表示如下,
其所用核参数记为Ker。
进一步,将LS-SVM问题转换为求解以下线性等式系统,
通过求解上述公式,得到β和b,
进而,基于LS-SVM构建的DXN排放浓度预测模型可表示为,
上述基于LS-SVM构建的DXN排放浓度预测模型的超参数自适应选择机制采用下述的两步法予以实现:
第1步,采用网格搜索方法在候选超参数矩阵Mpara中选择初始超参数对
其中,k=1,…,K,K表示候选核参数的数量;r=1,…,R,R表示候选惩罚参数的数量;表示由第kth个核参数和第rth个惩罚参数组成的超参数对,是超参数矩阵Mpara中的第jth个参数对,即存在j=1,…,J,J=K×R表示超参数矩阵Mpara中的全部超参数对的个数,对于初次采用网格搜索方法选择的是超参数矩阵Mpara中一个元素,即存在第2步,基于上述方法选择的采用如下公式自适应计算得到两个新的候选超参数向量,
其中,和表示新的核参数和惩罚参数向量,Nker和Nreg表示依据经验设定的新的核参数和惩罚参数的数量;
通过再次采用网格搜索方法,获得最终的软测量模型的超参数对为{Ker,Reg}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910158798.5A CN109978011A (zh) | 2019-03-04 | 2019-03-04 | 一种城市固废焚烧过程二噁英排放浓度预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910158798.5A CN109978011A (zh) | 2019-03-04 | 2019-03-04 | 一种城市固废焚烧过程二噁英排放浓度预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978011A true CN109978011A (zh) | 2019-07-05 |
Family
ID=67077828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910158798.5A Pending CN109978011A (zh) | 2019-03-04 | 2019-03-04 | 一种城市固废焚烧过程二噁英排放浓度预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978011A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461355A (zh) * | 2020-03-20 | 2020-07-28 | 北京工业大学 | 基于随机森林的二噁英排放浓度迁移学习预测方法 |
CN112791566A (zh) * | 2020-12-01 | 2021-05-14 | 呼和浩特科林热电有限责任公司 | 一种SCR入口NOx浓度分区的预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101219048A (zh) * | 2008-01-25 | 2008-07-16 | 北京工业大学 | 想象单侧肢体运动的脑电特征的提取方法 |
CN107944173A (zh) * | 2017-12-05 | 2018-04-20 | 北京工业大学 | 一种基于选择性集成最小二乘支撑向量机的二噁英软测量系统 |
US20180211140A1 (en) * | 2017-01-24 | 2018-07-26 | Cylance Inc. | Dictionary Based Deduplication of Training Set Samples for Machine Learning Based Computer Threat Analysis |
CN108549792A (zh) * | 2018-06-27 | 2018-09-18 | 北京工业大学 | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 |
-
2019
- 2019-03-04 CN CN201910158798.5A patent/CN109978011A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101219048A (zh) * | 2008-01-25 | 2008-07-16 | 北京工业大学 | 想象单侧肢体运动的脑电特征的提取方法 |
US20180211140A1 (en) * | 2017-01-24 | 2018-07-26 | Cylance Inc. | Dictionary Based Deduplication of Training Set Samples for Machine Learning Based Computer Threat Analysis |
CN107944173A (zh) * | 2017-12-05 | 2018-04-20 | 北京工业大学 | 一种基于选择性集成最小二乘支撑向量机的二噁英软测量系统 |
CN108549792A (zh) * | 2018-06-27 | 2018-09-18 | 北京工业大学 | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 |
Non-Patent Citations (4)
Title |
---|
JIAN TANG ET AL.: "dioxin soft measuring method in municipal solid waste incineration based on virtual sample generation", 《2017 CHINESE AUTOMATION CONGRESS(CAC)》 * |
汤健等: "《基于频谱数据驱动的旋转机械设备负荷软测量》", 30 June 2015 * |
聂晓凯等: "基于PAC和LS-SVM的氧化铝蒸发浓度预测", 《湖南省第三届研究生创新论坛-信息与控制工程的新理论和新技术分论坛论文集》 * |
赵涓涓: "《基于PET-CT的肺癌早期计算机辅助诊断技术》", 31 May 2015 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461355A (zh) * | 2020-03-20 | 2020-07-28 | 北京工业大学 | 基于随机森林的二噁英排放浓度迁移学习预测方法 |
CN111461355B (zh) * | 2020-03-20 | 2023-10-31 | 北京工业大学 | 基于随机森林的二噁英排放浓度迁移学习预测方法 |
CN112791566A (zh) * | 2020-12-01 | 2021-05-14 | 呼和浩特科林热电有限责任公司 | 一种SCR入口NOx浓度分区的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109960873B (zh) | 一种城市固废焚烧过程二噁英排放浓度软测量方法 | |
Rasheed et al. | Life cycle assessment of a cleaner supercritical coal-fired power plant | |
CN1841422B (zh) | 使用人工智能技术对发电厂的运行进行优化的方法和装置 | |
Panepinto et al. | Municipal solid waste incineration plant: A multi-step approach to the evaluation of an energy-recovery configuration | |
CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
CN101180590B (zh) | 预测性排放物监测系统及方法 | |
CN107944173B (zh) | 一种基于选择性集成最小二乘支撑向量机的二噁英软测量系统 | |
CN110135057B (zh) | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 | |
Zhou et al. | Development of an intelligent decision support system for air pollution control at coal-fired power plants | |
Delgado et al. | A simple model to help understand water use at power plants | |
Eslick et al. | A multi-objective analysis for the retrofit of a pulverized coal power plant with a CO2 capture and compression process | |
CN109978011A (zh) | 一种城市固废焚烧过程二噁英排放浓度预测系统 | |
Stehlik | Up-to-date waste-to-energy approach: from idea to industrial application | |
US8019446B2 (en) | Control loop for regulating a combustion process | |
Tang et al. | Air pollutant emissions and reduction potentials from municipal solid waste incineration in China | |
Simms et al. | Degradation of heat exchanger materials under biomass co-firing conditions | |
Mannheim et al. | Determining a priority order between thermic utilization processes for organic industrial waste with LCA | |
Weimann et al. | A thermodynamic-based mixed-integer linear model of post-combustion carbon capture for reliable use in energy system optimisation | |
Boakes et al. | The influence of energy output and substitution on the environmental impact of waste-to-energy operation: Quantification by means of a case study | |
Tang et al. | Dioxin Emission Concentration Forecasting Approach Based on Latent Feature Extraction and Selection for Municipal Solid Waste Incineration | |
Tang et al. | Dioxin soft measuring method in municipal solid waste incineration based on virtual sample generation | |
Hossain et al. | IECP—an approach for integrated environmental and cost evaluation of process design alternatives and its application to evaluate different NOx prevention technologies in a 125 MW thermal power plant | |
Desell et al. | Long term predictions of coal fired power plant data using evolved recurrent neural networks | |
Xia et al. | Dioxin emission concentration forecasting model for MSWI process with random forest-based transfer learning | |
Liu et al. | Thermal power plants: modeling, control, and efficiency improvement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |