[发明专利]一种城市固废焚烧过程二噁英排放浓度预测模型构建方法

说明书

本发明公开一种基于粒子群算法和虚拟样本生成的城市固废焚烧过程二噁英排放浓度预测模型构建方法；首先，基于改进整体趋势扩散技术对原始小样本输入及输出进行域扩展；然后，采用等间隔插值方式生成虚拟样本输入，再结合映射模型获得虚拟样本输出，并结合扩展空间对虚拟样本进行删减；接着，基于PSO对删减后的虚拟样本进行优化选择；最后，使用优化选择后的虚拟样本与原始小样本组成的混合样本构建得到DXN预测模型。

技术领域

本发明属于城市固废焚烧技术领域，尤其涉及一种基于粒子群算法和虚拟样本生成的城市固废焚烧过程二噁英排放浓度预测模型构建方法。

背景技术

城市固废焚烧(MSWI)技术是目前应用最广泛的城市固体废弃物资源化处理手段。当前最为紧要的问题是控制MSWI过程的污染物排放，尤其是实时预测并控制被称为目前世界上最强毒性污染物----二噁英(DXN)的排放。此外，DXN也是造成MSWI电厂存在“邻避效应”的主要原因。考虑通过优化控制运行参数实现DXN排放的最小化，所以实现DXN排放浓度的在线测量十分必要。

目前，DXN排放浓度检测主要面向MSWI过程末端烟囱所排放的烟气G3进行。常用检测手段有：1)基于高分辨气相色谱-高分辨率质谱联机(HRGC/HRMS)的离线直接检测法，该方法需实验室化验分析，存在滞后时间尺度大(周)等特点。此外，受DXN高检测费用的制约，企业多以月/季或按需以不确定周期检验DXN排放浓度；2)在线间接检测法，通过检测作为指示物/关联物的高浓度化学物质(如单氯苯等)，再利用映射模型计算DXN浓度。该方法使用在线的烟气检测和化验分析，具有滞后时间尺度居中(小时)等特点，但由于检测设备复杂且价格昂贵、映射模型依赖DXN离线直接化验法等缺点，使得该方法难以应用与推广。3)软测量法，构建以关键过程变量和常规污染物浓度为输入的数学模型，以实现DXN排放浓度的在线实时检测。显然，前两种方法难以支撑MSWI过程运行参数优化控制以限制DXN的实时排放浓度。但是由于DXN排放浓度检测难度大、周期长、费用高，以及MSWI过程的复杂性，使得获取构建模型所需的有标记真实样本(真输入-真输出)十分稀缺。

数据驱动建模一般用于数据足够丰富及数据获取成本相对较低的情况。但面对的MSWI过程DXN排放浓度预测问题，其具有样本获取难度大、成本高等确定，是典型的“小样本建模问题”(一般样本数量小于30被称为“小样本问题”)。由于样本集难以反映真实的工艺流程特性，导致难以建立有效的预测模型。除此之外，工业流程数据具有很强的非线性、噪声、缺失值和不确定性，这使得数据驱动模型难以有效地提取数据中的信息和知识。因此，面向工业流程的小样本建模问题要考虑如何克服上述数据特性以构建预测模型。目前，多种机器学习方法用于小样本集建模，包括基于灰度的方法、支持向量机(SVM)、核回归和贝叶斯网络等。在训练样本数量不充足、分布稀疏且分布不平衡的情况下，上述算法会出现“过拟合”现象，即泛化性能不足、鲁棒性不强和预测精度不佳等问题。

解决上述问题的手段之一是通过合理有效地扩充样本数量、撷取小样本信息间隙中潜在的信息产生一定数量的虚拟样本，以便提高模型的学习能力、泛化能力和对总体空间特征的表征能力。针对真实样本与虚拟样本分布间的关系的研究表明，VSG的本质是通过“填充”期望样本空间分布中不完整、不平衡信息以实现样本扩充。通常采用的方法是采用噪声注入方式的、基于遗传算法和粒子群优化(PSO)等算法优化生成虚拟样本、基于神经网络隐含层映射等技术。上述方法所生成的虚拟样本中仍然存在冗余，即仍旧存在“坏”虚拟样本，不利于模型构建。

发明内容