一种MSWI过程CO排放预测方法技术

本发明专利技术提供了一种MSWI过程CO排放预测方法，该方法首先进行面向约简深度特征和LSTM优化的粒子设计，能够依据建模数据特点自适应确定特征选择阈值范围，其次将采用超一维卷积进行非线性特征提取后的深度特征输入至LSTM以构建预测模型，基于损失函数对卷积层和LSTM超参数进行更新，以模型的泛化性能作为优化算法的适应度函数，最后采用粒子群优化(PSO)算法依据数据特性进行自适应的特征和超参数选择。本发明专利技术提供的MSWI过程CO排放预测方法，能够基于约简深度特征和LSTM优化实现MSWI过程中的CO排放预测。CO排放预测。CO排放预测。

【技术实现步骤摘要】
一种MSWI过程CO排放预测方法


[0001]本专利技术涉及城市固废焚烧
，特别是涉及一种MSWI过程CO排放预测方法。

技术介绍

[0002]一氧化碳(CO)作为MSWI过程中产生的有毒气体之一，难以被感官感知，但当其与血红蛋白结合后将阻碍血液输氧，严重时甚至会造成人体心肌梗塞，因此必须要严格控制。此外，其与造成焚烧建厂具有“邻避效应”的二噁英(DXN)直接相关，后者是国际上严格限制排放的“世纪之毒”，具有累积性和剧毒性。目前，以实时、准确和低成本的方式实现DXN排放的检测是业界亟待解决的难题。相对而言，CO可采用烟气自动监控系统(CEMS)系统实时检测。由于CO排放浓度存在明显的尖峰脉冲现象，国际上的通用准则是以半小时均值为主。研究表明，实现复杂工业过程的智能优化控制和绿色生产需要对产品质量、能耗物耗、污染排放等参数进行实时检测。针对MSWI过程而言，可通过对CO排放的预测而间接服务于DXN排放的长周期、高成本检测，进而辅助实现MSWI过程的优化控制。
[0003]从产生机理的视角，CO排放浓度与MSWI过程的众多过程变量间均本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种MSWI过程CO排放预测方法，其特征在于，包括如下步骤：步骤1：搭建基于约简深度特征和LSTM优化的CO排放预测的优化问题；步骤2：针对优化问题，进行面向约简深度特征和LSTM优化的粒子设计；步骤3：针对优化问题，进行面向约简深度特征和LSTM优化的适应度函数设计；步骤4：针对优化问题，进行基于PSO的优化过程。2.根据权利要求1所述的MSWI过程CO排放预测方法，其特征在于，步骤1中，搭建基于约简深度特征和LSTM优化的CO排放预测的优化问题，具体为：简深度特征和LSTM优化的CO排放预测的优化问题，具体为：式中，f(X)为模型的性能指标，将其作为优化求解的适应度函数，f
1DCNN
‑
LSTM
(
·
)为基于1DCNN和LSTM的模型，为原始样本输入数据集，为X
ori
归一化后的数据集，X
sel
为经MI特征选择f
MI
(
·
)的特征数据集，F为测试集在f
1DCNN
‑
LSTM
(
·
)上的泛化性能，将其作为适应度f(X)，X
exa
为经1DCNN特征提取后的特征数据集，n为样本数，共N个，m为卷积层数，共M层，M
ori
为X
ori
的维数，M
sel
为X
sel
的维数，M
exa
为X
exa
的维数，θ
numFilters
和θ
convlayers
分别为卷积核数量和卷积层数。3.根据权利要求3所述的MSWI过程CO排放预测方法，其特征在于，步骤2中，针对优化问题，进行面向约简深度特征和LSTM优化的粒子设计，具体为：设计粒子对应的决策变量，记为θ
p
，即：θ
p
＝{θ
MI
,θ
numFilters
,θ
convlayers
,θ
Epochs
,θ
leamingrate
,θ
dropout
}
ꢀꢀ
(2)式中，θ
MI
为基于MI的特征选择阈，θ
Epochs
、θ
learningrate
和θ
dropout
为LSTM模型的迭代次数、学习率和dropout率，根据建模数据计算MI值，及如下所示：如下所示：式中，和分别为MI的最大值和平均值，为中的第i个特征，y
nom
为CO浓度的归一化，各特征与y
nom
间的MI值记为I
MI
，根据数据的特征获得适合建模数据的阈值范围，即基于设定的θ
MI
获得M
sel
个特征，后续1DCNN特征提取超参数应满足关系：M
sel
≥θ
numFilters
≥θ
convlayers
，依据经验项确定LSTM超参数θ
Epochs
、θ
learningrate
和θ
dropout
的上下限范围。4.根据权利要求3所述的MSWI过程CO排放预测方法，其特征在于，步骤3中，针对优化问题，进行面向约简深度特征和LSTM优化的适应度函数设计，具体包括如下步骤：
步骤301：对原始数据集{X
ori
,y}进行归一化处理获得标准数据集步骤302：进行基于MI的特征选择，计算过程变量中单个特征与CO浓度y
nom
间的MI值，再基于θ
MI
得到中的M
sel
个特征向量，获得特征数据集X
sel
；步骤303：进行1DCNN的特征提取，通过参数θ
numFilters
和θ
convlayers
进行卷积得到约简特征数据集X
exa
并输入到LSTM模型中；步骤304：以参数θ
Epochs
、θ
learningrate
和θ
dropout
构建预测模型，建模过程中根据损失函数更新网络参数。5.根据权利要求4所述的MSWI过程CO排放预测方法，其特征在于，步骤301中，对原始数据集{X
ori
,y}进行归一化处理获得标准数据集具体为：将X
ori
归一化后为其中，的计算如下式所示：式中，为X
ori
的第i个特征，x
i,min
和x
i,max
分别为第i个特征的最小值和最大值，将数据归一化到[0，1]，即存在同理，将y归一化为y
nom
。6.根据权利要求5所述的MSWI过程CO排放预测方法，其特征在于，步骤302中，进行基于MI的特征选择，计算过程变量中单个特征与CO浓度y
nom
间的MI值，再基于θ
MI
得到中的M
sel
个特征向量，获得特征数据集X
sel
，具体为：计算过程变量中单个特征与CO浓度y
nom
间的MI值，首先，设定空集X
sel
，按下式计算中第n个样本的第i个特征值与y
nom
之间的MI值为：式中，为第n个样本的第i个特征值，为第n个样本的值，为联合概率分布，为边缘概率分布，计算I
MI
为：基于设定的θ
MI
得到中的M
sel
个特征向量，约简特征后的数据集为：7.根据权利要求6所述的MSWI过程CO排放预测方法，其特征在于，步骤303中，进行
1DCNN的特征提取，通过参数θ
numFilters
和θ
convlayers
进行卷积得到约简特征数据集X
exa
并输入到LSTM模型中，具体为：1DCNN包含m＝1,
…
,M个卷积层，其输入为存在其中，第1层的卷积过程为：首先，确定卷积核大小为M
sel
×
θ
numFilters
；接着，设定步长为s，将样本与卷积核进行卷积，卷积过程为：式中，W
k,...

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