[发明专利]基于缺失数据填充的MSWI过程二噁英排放软测量方法

说明书

本发明提供了一种基于缺失数据填充的MSWI过程二噁英排放软测量方法，包括：缺失类型识别：根据原始MSWI过程数据中缺失数据的不同情况进行分类，将过程数据识别为随机分布、时间维度和特征维度缺失3种类型；缺失数据填充：先基于专家经验规则，对随机分布和时间维度的缺失数据进行填充，然后采用基于约简特征多模型集成的方法，对特征维度缺失数据的填充，得到填充数据集；基于填充数据的软测量建模：建立基于填充数据集的DFR‑clfc模型得到DXN排放浓度预测值。本发明采用专家经验和约简特征多模型集成的填充方法进行MSWI过程缺失数据填充，提高了MSWI过程数据的质量。

技术领域

本发明涉及二噁英排放软测量技术领域，特别是涉及一种基于缺失数据填充的MSWI过程二噁英排放软测量方法。

背景技术

城市固废焚烧(Municipal Solid Waste Incineration，MSWI)相对于传统的填埋、生物处理等方法具有无害化、减量化和资源化等优势，二噁英(Dioxin，DXN)是该过程排放的痕量有机污染物，对其排放浓度进行软测量一直是业界的难点和热门问题。准确、完备的过程数据实现是DXN软测量乃至MSWI过程运行优化和城市污染控制的基础。由于DXN检测的长周期、高成本特性，与其对应的历史过程数据常以小时为尺度进行存储。受传感器故障、过程干扰或人为因素的影响，这些过程数据往往存在不同程度的缺失。以北京某焚烧厂2009-2020年间的记录数据为例，其含有2％-3％的数据缺失。显然，这对挖掘运行数据蕴含规律和建立DXN排放浓度软测量模型存在不利影响。因此，对MSWI过程的缺失数据进行填充至关重要。

目前，针对缺失数据的处理方法主要分为简单删除法、权重法及填充法。目前的已有填充方法的本质是先为缺失值推断出多个预测值，再综合分析基于这些预测值所产生的多个完整数据集，依据某一准则确定最终填充结果，但最终还是选择单个模型的估计值进行填充。针对MSWI过程而言，不同时期、不同过程变量具有不同的分布特性。通常，依据过程变量的物理含义和随时间分布的变化，领域专家能够准确推知非连续缺失值。

发明内容

本发明的目的是提供一种基于缺失数据填充的MSWI过程二噁英排放软测量方法，采用专家经验和约简特征多模型集成的填充方法进行MSWI过程缺失数据填充，提高了MSWI过程数据的质量。

为实现上述目的，本发明提供了如下方案：

一种基于缺失数据填充的MSWI过程二噁英排放软测量方法，具体包括以下步骤：

S1，缺失类型识别：根据原始MSWI过程数据中缺失数据的不同情况进行分类，将过程数据识别为随机分布、时间维度和特征维度缺失3种类型；

S2，缺失数据填充：先基于专家经验规则，对随机分布和时间维度的缺失数据进行填充，然后采用基于约简特征多模型集成的方法，对特征维度缺失数据的填充，得到填充数据集；

S3，基于填充数据的软测量建模：建立基于填充数据集的DFR-clfc模型得到DXN排放浓度预测值。

进一步的，步骤S1，根据原始MSWI过程数据中缺失数据的不同情况进行分类，将过程数据识别为随机分布、时间维度和特征维度缺失3种类型，具体包括：

S101，随机分布的数据缺失情况：

数据缺失的随机发生与自身特征、其他特征的取值以及时间无关，缺失的数据随机分布在不同的特征之间，随机分布的数据缺失情况，可表示如下：

S102，时间维度的数据缺失情况：

在某一时刻，所有变量均出现缺失的情况，即缺失行向量，表示如下：

S103，特征维度的数据缺失情况：