[发明专利]基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法

权利要求书

1.一种基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法，其特征在于，包括如下步骤：

步骤1：数据预处理；

通过城市固废焚烧NOx生成与去除的机理分析，确定6个与NOx预测相关的输入变量，包括：t时刻的NOx浓度、一次燃烧室右侧温度、炉一次风量、炉二次风量、炉尿素溶液累计量、尿素溶剂供应流量，按照公式(1)归一化至[0，1]；输出变量为t+1、t+2时刻的NOx浓度，按照公式(2)归一化至[0，1]：

其中，I_i表示第i个输入变量，O_m表示第m个输出变量，x_i和y_m分别表示归一化后的第i个输入变量和第m个输出变量；min(I_i)和max(I_i)分别表示第i个输入变量中的最小值和最大值；min(O_m)和max(O_m)分别表示第m个输出变量中的最小值和最大值；

步骤2：基于训练样本构建基于多任务学习框架的城市固废焚烧氮氧化物NOx预测模型；

利用基于RBF神经网络的多任务学习框架，建立NOx预测模型，实现对NOx浓度的两步预测；多任务学习模型由两个子模块组成，不同模块实现对不同时刻NOx浓度的预测，模块间进行知识共享；第一个子模块作为基本模块，基本模块将作为共享知识迁移至第二个子模块；第二个子模块的构建是在基本模块的基础上添加任务特定模块实现的；两个子模块基于RBF神经网络建立，包括：输入层、隐含层、输出层；初始时刻，第一个子模块的拓扑结构为6-K-1，即输入层有6个神经元，分别对应步骤1中归一化后的6个输入变量，隐含层K个神经元，输出层有1个神经元，对应t+1时刻的NOx浓度；第二个子模块的拓扑结构为6-J-1，即输入层有6个神经元，分别对应步骤1中归一化后的6个输入变量，隐含层J个神经元，输出层有1个神经元，对应t+2时刻的NOx浓度；第二个子模块的拓扑结构是在第一个模块的基础上添加N个隐含层神经元，作为任务特定模块，从而实现模块间知识共享；

步骤3、基于训练样本，设计RBF神经网络，实现多任务学习框架子模块的构建；

步骤4、将测试样本数据作为训练后的预测模型的输入，对未来两个时刻的NOx浓度进行预测，并对预测模型的性能进行评估。