基于可视化分布GAN的MSWI过程二噁英排放风险预警方法技术

基于可视化分布GAN的MSWI过程二噁英排放风险预警方法属于城市固废焚烧领域。目前工业过程中采用长周期、高成本的离线剧毒污染物二噁英DXN排放浓度检测方式，这使得用于构建风险预警模型的样本极其稀少。针对上述问题，提出基于可视化分布生成对抗网络(GAN)的MSWI过程DXN排放风险预警建模方法。首先，在原始GAN的基础上引入DXN的风险等级作为条件信息，使得生成器可以生成指定风险等级的虚拟样本。然后，利用可视化分布信息评估并筛选合格虚拟样本。最后，基于虚拟样本和真实样本组成的混合样本构建DXN排放风险预警模型。通过工业过程DXN数据验证了所提方法的有效性。DXN数据验证了所提方法的有效性。DXN数据验证了所提方法的有效性。

【技术实现步骤摘要】
基于可视化分布GAN的MSWI过程二噁英排放风险预警方法


[0001]本专利技术属于城市固废焚烧领域。

技术介绍

[0002]城市固废(Municipal Solid Waste，MSW)的产生量随城市人口的不断增加而逐年提高。城市固废焚烧(MSW Incineration，MSWI)是当今世界大部分国家采用的具有无害化、减量化和资源化等优势的处理手段。由于MSWI过程所产生的副产品二噁英(Dioxins，DXN)为剧毒污染物，不但损害中毒者的内分泌系统和破坏染色体进而导致细胞癌变，而且在生物体内具有累积效应，是造成焚烧建厂存在“邻避效应”的主要原因。因此，控制其排放是亟需解决的环保问题。对DXN排放的风险等级进行预警，进而优化控制MSWI过程，对减少污染物排放具有重要的实际意义。
[0003]目前，工业界主要对MSWI过程末端烟囱排放烟气中的DXN进行检测。离线直接检测法和在线间接检测法均很难满足MSWI过程以减少DXN排放为目的的实时优化控制。此外，由于DXN排放浓度检测的难度大、周期长、费用昂贵，导致构建数据驱动模型的样本真值极其稀少。因此，本申请所研究的MSWI过程DXN排放浓度检测问题属于典型的小样本问题，具有样本数量少、样本不平衡等特性。通常而言，较少数量的建模样本难以准确反映工业过程的真实特性，难以构建鲁棒可靠的污染物浓度排放回归预测模型；相对而言，构建风险判别分类模型较为容易。此外，工业现场领域专家也常习惯于用排放浓度的低、中、高等等级语言描述污染排放程度的风险，并依据自身经验获得判别结果以调整相关控制参数。但是，样本的不平衡，即某类样本的数量远小于其他类，这也是导致所构建的风险判别模型具有片面性和偏差性的主要原因。
[0004]综上，本申请提出基于主动学习机制GAN的MSWI过程DXN排放风险预警模型构建方法。首先，在原始GAN的基础上引入DXN风险等级作为条件信息，将其与随机噪声输入生成器后生成预设定DXN风险等级的虚拟样本，与真实样本共同输入判别器后根据判别结果更新生成器和判别器；接着，先使用最大均值差异(Maximum Mean Discrepancy，MMD)对虚拟样本进行初筛，再对初筛虚拟样本采用主成分分析(Principal Component Analysis，PCA)以获得可视化分布信息，根据其判断初筛虚拟样本是否合格；最后，基于虚拟样本和真实样本组成的混合样本构建DXN排放风险预警模型。结合实际DXN数据验证了所提方法的有效性。
[0005]国内某MSWI电厂的炉排炉焚烧工艺流程如图1所示。
[0006]由图1可知，MSW由专用车辆收集、称重后运输至卸料大厅，倾倒入密封的固废池中，并通过抓斗送至焚烧炉料斗内，由给料器推至炉排；MSW在焚烧炉内依次经历干燥、点燃、燃烧和燃烬四个阶段，燃烬后的残渣落入水冷渣斗后由捞渣机送至灰渣坑中，收集后送至填埋场处理；焚烧过程产生的烟气加热余热锅炉产生高压蒸汽进而推动汽轮发电机发电；添加活性炭和消石灰后，锅炉出口烟气中进入反应器，产生的飞灰进入飞灰储罐，烟气进入袋式除尘器去除烟气颗粒物、中和反应物和活性炭吸附物，处理之后分为三部分：尾部飞灰进入飞灰罐，部分烟灰混合物在混合器中加水后重新进入反应器，尾部烟气通过引风
机经烟囱排入大气，其中包含HCL、SO2、CO、CO2、NO
x
和DXN等物质。
[0007]由于固废不完全燃烧和新规合成反应生成两种原因导致MSWI过程产生的焚烧灰、飞灰和烟气中包含DXN。因此，焚烧过程中烟气需要达到850℃并保持2s以确保有毒有机物的有效分解。在烟气处理阶段向反应器内注入石灰和活性炭，吸附DXN和部分重金属，然后经袋式除尘器过滤通过引风机排入烟囱，以减少排放烟气中的DXN浓度。此外，该阶段产生的积灰存在的DXN记忆效应也会导致DXN排放浓度增加。现场分布式控制系统(DCS)采集和存储上述各阶段与DXN相关的过程变量以及常规污染物(CO、HCL、SO2、NO
x
和HF等)浓度。然而，由于高成本和长周期等原因使得排放烟气中DXN的检测较为困难。
[0008]由上可知，构建DXN排放风险预警模型的样本存在数量少、分布不均和维数高等特点。因此，本申请提出一种基于主动学习机制虚拟样本对抗生成策略建立MSWI过程DXN排放风险预警建模。

技术实现思路

[0009]本申请提出的基于主动学习机制GAN的MSWI过程DXN排放风险预警模型构建策略，包括：基于GAN的虚拟样本生成、基于可视化分布信息的虚拟样本评估与筛选和基于混合样本的风险预警模型构建三个模块，如图2所示。
[0010]在图2中，真实样本输入和对应的输出分别记为X
real
和Y
real
；随机噪声记为X
noise
；GAN生成器生成的虚拟样本记为其中表示虚拟样本输入集，表示对应的虚拟样本输出集；经过MMD初筛的虚拟样本记为其中表示初筛虚拟样本输入集，表示对应初筛虚拟样本输出集；可视化分布信息记为D
PCA
；经过可视化分布信息判别得到的合格虚拟样本记为其中表示合格虚拟样本输入集，表示对应的合格虚拟样本输出集；所构建风险预警模型的风险类别输出记为
[0011]该策略不同模块的功能如下：
[0012]1)基于GAN的虚拟样本生成模块：在原始GAN的基础上引入DXN排放风险等级作为条件信息，将其和随机噪声共同输入生成器以生成指定类型的虚拟样本；进一步，将虚拟样本和真实样本再输入判别器，并根据判别结果更新生成器和判别器；最后，在生成器和判别器的博弈对抗中，使得生成的虚拟样本越来越接近真实样本。
[0013]2)基于可视化分布信息的虚拟样本筛选与评估模块：首先，使用MMD计算虚拟样本和真实样本的相似程度对虚拟样本进行初筛；然后，基于PCA进行虚拟样本可视化以获得降维后的分布信息；最后，依据分布信息进行判别并确定是否合格，若是，则标定为合格虚拟样本；若否，则重新生成虚拟样本。
[0014]3)基于混合样本的风险预警模型构建模块：基于混合样本采用随机森林算法构建DXN排放风险预警模型。
[0015]4.1基于GAN的虚拟样本生成模块
[0016]GAN是一种基于博弈场景的无监督生成模型，通过生成器和判别器的博弈对抗生成接近真实样本的虚拟样本。由于原始GAN生成的虚拟样本类型不可控，本模块在原始GAN的基础上引入DXN排放风险等级作为条件信息控制生成虚拟样本的类型。
[0017]基于GAN的虚拟样本生成流程如图3所示。
[0018]虚拟样本生成的流程为：首先，将X
noise
和Y
real
共同输入生成器以生成虚拟样本的输入接着，将X
real
、和Y
real
再输入判别器，根据判别结果Y
real/vir
更新生成器和判别器；然后，将X
noise
和期望生成的DXN排放风险等级本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于可视化分布GAN的MSWI过程二噁英排放风险预警方法，其特征在于：真实样本输入和对应的输出分别记为X
real
和Y
real
；随机噪声记为X
noise
；GAN生成器生成的虚拟样本记为其中表示虚拟样本输入集，表示对应的虚拟样本输出集；经过MMD初筛的虚拟样本记为其中表示初筛虚拟样本输入集，表示对应初筛虚拟样本输出集；可视化分布信息记为D
PCA
；经过可视化分布信息判别得到的合格虚拟样本记为其中表示合格虚拟样本输入集，表示对应的合格虚拟样本输出集；所构建风险预警模型的风险类别输出记为1)基于GAN的虚拟样本生成模块虚拟样本生成的流程为：首先，将X
noise
和Y
real
共同输入生成器以生成虚拟样本的输入接着，将X
real
、和Y
real
再输入判别器，根据判别结果Y
real/vir
更新生成器和判别器；然后，将X
noise
和期望生成的DXN排放风险等级输入训练好的生成器以生成最后，将和组合，得到虚拟样本每批训练样本数设为N
b
，学习率为α
Ir
，最大训练代数为N
e
；生成器采用三层神经网络，隐含层使用Relu激活函数，输出层使用线性激活函数，如下：其中，ω
G1
为生成器输入层和隐含层之间的权值；b
G1
为生成器输入层和隐含层之间的偏置；Relu激活函数relu(x)＝max(0,x)，x为任意输入值；为生成器隐含层输出；ω
G2
为生成器隐含层和输出层之间的权值；b
G2
为生成器隐含层和输出层之间的偏置；判别器采用三层神经网络，隐含层使用Relu激活函数，输出层使用Sigmoid激活函数，如下：其中，为和(X
real
,Y
real
)组成的混合样本；ω
D1
为判别器输入层和隐含层之间的权值；b
D1
为判别器输入层和隐含层之间的偏置；为判别器隐含层输出；ω
D2
为判别器隐含层和输出层之间的权值；b
D2
为判别器隐含层和输出层之间的偏置；Sigmoid激活函数x为任意输入值；目标函数O
GAN
如式(3)所示：其中，P
data
(X
real
)表示X
real
的分布；为判别器对于(X
real
,Y
real
)的输出；P
noise
(X
noise
)表示X
noise
的分布；为判别器对于的输出；
判别器计算样本是来自P
noise
(X
noise
)还是P
data
(X
real
)的概率，生成器根据判别器结果学习真实样本的分布P
data
(X
real
)以减少生成器和判别器在最小最大的博弈对抗中共同训练；2)基于可视化分布信息的虚拟样本筛选与评估模块基于MMD的虚拟样本初筛模块首先，取若干个生成器，生成若干组虚拟样本；接着，计算每组虚拟样本质量；采用MMD度量虚拟样本与真实样本的总体均值差异，进而衡量...

【专利技术属性】
技术研发人员：汤健，崔璨麟，夏恒，王丹丹，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：