[发明专利]城市生活垃圾焚烧炉炉温预报方法在审
申请号: | 202111557324.1 | 申请日: | 2021-12-18 |
公开(公告)号: | CN114297916A | 公开(公告)日: | 2022-04-08 |
发明(设计)人: | 严爱军;郭京承 | 申请(专利权)人: | 北京工业大学 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06N3/04;G06N3/06;G06N3/08;F23G5/50 |
代理公司: | 北京思海天达知识产权代理有限公司 11203 | 代理人: | 刘萍 |
地址: | 100124 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 城市生活 垃圾 焚烧 炉温 预报 方法 | ||
1.城市生活垃圾焚烧炉炉温预报方法,其特征在于,具体包括如下步骤:
(1)设计用于建立城市生活垃圾焚烧炉炉温预报模型的异构特征集:
针对田熊SN型机械炉排炉,影响炉温的输入变量主要包括以下四类输入变量:炉排速度x1-x18、一次风流量x19-x32、二次风量x33、风机压力x34-x35,具体变量明细如表1所示;此外,各段炉排温度x36-x47是影响炉温的中间变量,共计12个;依据焚烧过程运行机理,此处将x1-x35的输入变量划分为12组异构特征,具体划分形式如下式所示:
其中,X1-X12分别表示12组输入异构特征变量,以此作为后续炉排温度基模型的输入变量,对应的12个输出变量分别为x36-x47;
另外,根据焚烧过程运行机理,炉排温度和炉温的输入输出对应关系如下式所示:
x48(t+1)=f(x36(t),x37(t),x38(t),x39(t),x40(t),x41(t),x42(t),x43(t),x44(t),x45(t),x46(t),x47(t),x48(t)) (2)
其中,变量明细见表1,f(·)表示炉排温度与炉温的映射关系,将采用正则化随机配置网络对其进行二次训练获得,t表示当前时刻,t+1表示下一时刻;
(2)数据预处理:
对所有焚烧过程历史数据进行Z-SCORE标准化处理,如下式所示:
其中,xn,q历史数据中第n条样本的第q个特征变量,n=1,2,…,N,N表示样本数量;q=1,2,…,Q,Q表示训练集集中的特征变量数量,此处Q为48;表示标准化处理后第n条样本的第q个特征变量;mean(xq)表示第q个特征变量的样本平均值,std(xq)表示第q个特征变量的样本标准差;标准化处理后,焚烧过程历史数据组成的训练集用D表示;
(3)基于步骤1的异构特征集划分炉排温度基模型的训练集:
根据步骤1中式(1)的异构特征划分城市垃圾焚烧过程历史数据划分为12组训练子集,如下式所示:
其中,D表示由N条焚烧过程历史数据组成的训练集;Dp表示第p个基模型的训练集;Xp表示第p个基模型训练集的输入变量;yp表示第p个基模型训练集的输出变量,N表示每个训练集的样本容量;
(4)基于步骤1确定炉温二次学习模型的训练集:
根据步骤1中式(2)确定炉温二次训练模型的训练集,如下式所示:
D2nd={(X2nd(n),y2nd(n))},n=1,...,N (5)
其中,D2nd表示炉温二次训练模型的训练集,X2nd表示训练集的输入变量,y2nd表示训练集的输出变量,此处输出为炉温;
(5)参数初始化:令随机配置网络算法的最大隐含层神经元个数为Lmax=10,最大配置次数为Tmax=100,训练预期误差为ε=0.001,隐含层神经元的输入权重和偏置的参数配置范围为[-λ,+λ],此处为λ=1;正则化惩罚因子为α=0.1;
(6)采用正则化随机配置网络算法构建炉排温度基模型和炉温的二次训练模型:正则化随机配置网络学习过程主要分为两个阶段:隐含层神经元参数的随机配置和输出权重的评估;对于目标函数f:Rd(p)→R,d(p)表示第p个基模型的输入变量数量;
模型的输出表达可以表示为下式所示:
其中,Xp表示第p个炉排温度基模型训练集的输入;H表示模型隐含层输出矩阵;T表示矩阵转置操作;β={β1,β2,…,βL}表示隐含层神经元的输出权重;wj和bj分别表示第j个隐含层神经元的输入权重和偏置,表示第j个隐含层神经元的激活函数,此处为Sigmoid函数,j=1,…,L,L为隐含层神经元数量;式(6)中的输入权重和偏置可根据式(7)的监督机制在[-λ,+λ]随机生成,并利用式(8)重新确定模型的输出权重β*;
其中,φL表示第L个隐含层神经元的输出;表示隐含层神经元数量为L-1时的网络残差,{μL}是非负实数序列,μL=(1-r)/L且常数r的取值为r={0.9,0.99,0.999};bg表示隐含层神经元激活函数的上界,此处bg=1;HL表示隐含层神经元数量为L时模型的隐含层输出矩阵;Y为训练集的输出;I表示单位矩阵;α表示正则化惩罚因子,此处为0.1;
基于上述正则化随机配置网络训练过程,分别利用步骤3的12个训练子集和步骤4中的训练集建立12个炉排温度基模型和1个炉温二次训练模型;
(7)对炉温二次训练模型的输出进行反标准化处理:
由于炉温的二次训练模型的输出为标准化后的值,因此,采用下式将模型输出反标准化,从而得到最终的炉温预测值;
其中,表示炉温二次训练模型输出的输出值,std(y2nd)表示训练集中炉温的标准差,mean(y2nd)表示训练集中炉温的均值,表示最终模型输出的炉温预测值;
表1变量明细
序号 变量名 序号 变量名 1]]> 进料器左内侧速度(%) 25]]> 3/h)]]> 2]]> 进料器左外侧速度(%) 26]]> 3/h)]]> 3]]> 进料器右内侧速度(%) 27]]> 3/h)]]> 4]]> 进料器右外侧速度(%) 28]]> 3/h)]]> 5]]> 干燥炉排左内侧速度(%) 29]]> 3/h)]]> 6]]> 干燥炉排左外侧速度(%) 30]]> 3/h)]]> 7]]> 干燥炉排右内侧速度(%) 31]]> 3/h)]]> 8]]> 干燥炉排右外侧速度(%) 32]]> 3/h)]]> 9]]> 燃烧炉排1左内侧速度(%) 33]]> 3/h)]]> 10]]> 燃烧炉排1左外侧速度(%) 34]]> 一次风机出口压力(KPa) 11]]> 燃烧炉排1右内侧速度(%) 35]]> 二次风机出口压力(KPa) 12]]> 燃烧炉排1右外侧速度(%) 36]]> 干燥段炉排左侧进口温度(℃) 13]]> 燃烧炉排2左内侧速度(%) 37]]> 干燥段炉排左侧出口温度(℃) 14]]> 燃烧炉排2左外侧速度(%) 38]]> 干燥段炉排右侧进口温度(℃) 15]]> 燃烧炉排2右内侧速度(%) 39]]> 干燥段炉排右侧出口温度(℃) 16]]> 燃烧炉排2右外侧速度(%) 40]]> 燃烧段炉排1左侧温度(℃) 17]]> 燃烬段左侧速度(%) 41]]> 燃烧段炉排1左侧温(℃) 18]]> 燃烬段右侧速度(%) 42]]> 燃烧段炉排1右侧温度(℃) 19]]> 3/h)]]> 43]]> 燃烧段炉排1右侧温度(℃) 20]]> 3/h)]]> 44]]> 燃烧段炉排2左侧温度(℃) 21]]> 3/h)]]> 45]]> 燃烧段炉排2左侧温度(℃) 22]]> 3/h)]]> 46]]> 燃烧段炉排2右侧温度(℃) 23]]> 3/h)]]> 47]]> 燃烧段炉排2右侧温度(℃) 24]]> 3/h)]]> 48]]> 焚烧炉炉温(℃)
。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京工业大学,未经北京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111557324.1/1.html,转载请声明来源钻瓜专利网。