【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。