一种基于混合PSO-MKPLS的碳排放量动态演化方法技术

本发明专利技术公开了一种基于混合PSO

【技术实现步骤摘要】
一种基于混合PSO
‑
MKPLS的碳排放量动态演化方法


[0001]本专利技术属于控排企业碳排放量演化机理领域，具体的说是一种基于混合PSO
‑
MKPLS的碳排放量动态演化方法。

技术介绍

[0002]在重点控排企业生产经营流程中，会产生大量的碳排放。在实际生产过程中，碳排放的成因众多，而现有的研究方法无法有效的在存在相关性的众多影响因素的前提下分析影响因素和碳排放的动态演化机理。国外研究机构针对碳排放过程，对碳排放具有一般气固异相催化反应的特征，涉及烟气的流动、传质、吸附、解吸附和化学反应等步骤，其中吸附、解吸附和化学反应均在催化剂表面进行，是催化反应的重要过程，称为表面反应过程。韩国三星高等技术学院建立了多个表面反应模型，例如幂函数模型、Eley
‑
Rideal模型和Eangumuir
‑
Hinshelwood模型等，并结合气体的流动和传质模型建立具有化学反应宏观特性的集中参数动态动力学模型。但这些模型的计算过程复杂、难度较大。无法研究全流程碳排放动态演化机理。日本Bailey公司采用与负荷有关的指数自回归模型，即在多个稳态工况下，采用混合结构的径向基
‑
自回归(Radial Basis Function
‑
Auto Regressive exogenous)模型，基于全局非线性自回归滑动平均(Radial Basis Function
‑
Auto Regressive exogenous，RBF
‑
ARX)算法来建立与负荷有关的局部指数自回归滑动平均(Exponential ARMAX，EXpARMAX)模型，实现描述某一类工作点时变的多变量非线性系统的动态特性，具有滑膜结构特性。然而，以上模型仍具有一些局限；其一，以上模型仅考虑总煤量和烟气流量对排放量的影响，没有考虑烟气温度对排放量的影响；其二，全局非线性模型中因局部采用线性化近似，而使其与实际系统不同，并存在一定的误差，且随着时间的变化，误差会逐渐增大；其三，当机组处于变工况，出口排放气体量将出现较大波动，此时模型效果差。国内研究机构采用多种模型研究控排企业全流程气体排放动态演化机理，华电电力科学研究院在自制性能测试试验台上，选择气体流速、温度、氧气含量、元素摩尔比和气体浓度5组参数进行排放测试，分析各参数对排放效率的影响，根据实验数据采用反向传播神经网络(Back
‑
Propagation Neural Network，BPNN)建立研究模型，并与实验数据进行对比分析。广东电网有限责任公司电力科学研究院采用径向基函数神经网络(Radial Basis FunctionNeural Network，RBFNN)建立控排系统模型，其中负荷、入口气体浓度、气体流量、入口气体流量和温度作为模型输入，对控排效率及出口气体排放量动态演化机理进行研究。在满足出口气体排放达标的基础上，将系统运行成本作为优化目标进行仿真，通过获取成本与出口气体浓度排放达标所需费用的临界点，进而得到最优排放量。但是上述方法无法处理输入变量间存在相关性的准确建模，无法准确探究全流程碳排放动态演化机理。

技术实现思路

[0003]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于混合PSO
‑
MKPLS的碳排放量动态演化方法，以期能处理控排企业中碳排放多种影响因素变量之间的时滞现
象和多重共线性，更准确的拟合实际生产中的碳排放量，从而能有效的在存在相关性的众多碳排放影响因素的前提下分析影响因素和碳排放的动态演化机理，实现对控排企业的碳排放控制要求。
[0004]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0005]本专利技术一种基于混合PSO
‑
MKPLS算法的碳排放量动态演化方法的特点在于，包括以下步骤：
[0006]步骤一：对t时刻控排企业碳排放的n个影响因素进行定量分析，得到t时刻的一组分析数据，并对所述t时刻的一组分析数据依次进行异常数据点剔除、数据滤波、数据标准化的处理，得到t时刻的一组碳排放影响因素集合X(t)＝[x1(t),x2(t),
…
,x
j
(t),
…
,x
n
(t)]，x
j
(t)表示每组中t时刻的第j个排放影响因素，n表示影响因素个数，j∈[1,n]；
[0007]步骤二：利用时滞差分模糊曲线分析法对碳排放影响因素进行时滞估计；
[0008]步骤2.1：利用式(1)对不含时滞的t时刻第j个碳排放影响因素x
j
(t)进行扩展，获得扩展为第i个扩展后的第j个碳排放影响因素x
i,j
(t)，从而得到T
max
个扩展后的第j个碳排放影响因素集合{x
i,j
(t)|i＝1,2,
…
,T
max
}，进而对n个碳排放影响因素扩展并得到n
×
(T
max
+1)维扩展后的一组排放影响因素集合X
J
(t)＝{x
i,j
(t)|i＝1,2,
…
,T
max
；j＝1,2,
…
,n}；
[0009]x
i,j
(t)＝[x
j
(t),x
j
(t
‑
1),
…
,x
j
(t
‑
d
i,j
),
…
,x
j
(t
‑
T
max
)]ꢀꢀꢀ
(1)
[0010]式(1)中，T
max
为最大时滞参数；d
i,j
为第i个扩展后的第j个碳排放影响因素x
i,j
(t)的第i个时滞参数；x
j
(t
‑
d
i,j
)为t时刻第i个扩展后的第j个排放影响因素；
[0011]步骤2.2：利用模糊曲线分析对X
J
(t)进行计算，确定T
max
个扩展后的第j个碳排放影响因素{x
i,j
(t)|i＝1,2,
…
,T
max
}的最优时滞参数λ
j
：
[0012]首先计算x
j
(t
‑
d
i,j
)的模糊隶属度，然后利用t时刻测得的碳排放量Y(t)对x
j
(t
‑
d
i,j
)的质心进行去模糊化处理并得到第i个模糊曲线再利用argmax函数从T
max
个模糊曲线中寻找最大覆盖范围的模糊曲线所对应的时滞参数，并作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合PSO
‑
MKPLS算法的碳排放量动态演化方法，其特征在于，包括以下步骤：步骤一：对t时刻控排企业碳排放的n个影响因素进行定量分析，得到t时刻的一组分析数据，并对所述t时刻的一组分析数据依次进行异常数据点剔除、数据滤波、数据标准化的处理，得到t时刻的一组碳排放影响因素集合X(t)＝[x1(t),x2(t),
…
,x
j
(t),
…
,x
n
(t)]，x
j
(t)表示每组中t时刻的第j个排放影响因素，n表示影响因素个数，j∈[1,n]；步骤二：利用时滞差分模糊曲线分析法对碳排放影响因素进行时滞估计；步骤2.1：利用式(1)对不含时滞的t时刻第j个碳排放影响因素x
j
(t)进行扩展，获得扩展为第i个扩展后的第j个碳排放影响因素x
i,j
(t)，从而得到T
max
个扩展后的第j个碳排放影响因素集合{x
i,j
(t)|i＝1,2,
…
,T
max
}，进而对n个碳排放影响因素扩展并得到n
×
(T
max
+1)维扩展后的一组排放影响因素集合X
J
(t)＝{x
i,j
(t)|i＝1,2,
…
,T
max
；j＝1,2,
…
,n}；x
i,j
(t)＝[x
j
(t),x
j
(t
‑
1),
…
,x
j
(t
‑
d
i,j
),
…
,x
j
(t
‑
T
max
)]
ꢀꢀꢀꢀꢀ
(1)式(1)中，T
max
为最大时滞参数；d
i,j
为第i个扩展后的第j个碳排放影响因素x
i,j
(t)的第i个时滞参数；x
j
(t
‑
d
i,j
)为t时刻第i个扩展后的第j个排放影响因素；步骤2.2：利用模糊曲线分析对X
J
(t)进行计算，确定T
max
个扩展后的第j个碳排放影响因素{x
i,j
(t)|i＝1,2,
…
,T
max
}的最优时滞参数λ
j
：首先计算x
j
(t
‑
d
i,j
)的模糊隶属度，然后利用t时刻测得的碳排放量Y(t)对x
j
(t
‑
d
i,j
)的质心进行去模糊化处理并得到第i个模糊曲线再利用argmax函数从T
max
个模糊曲线中寻找最大覆盖范围的模糊曲线所对应的时滞参数，并作为第j个碳排放影响因素的最优时滞参数λ
j
；对X
J
(t)进行时滞求解后得到与t时刻测得的碳排放量Y(t)相关联的n种碳排放影响因素在t
‑
λ
J
时刻的一组历史碳排放影响因素集合X
J
(t
‑
λ
J
)＝{x1(t
‑
λ1),x2(t
‑
λ2),
…
,x
j
(t
‑
λ
j
),
…
,x
n
(t
‑
λ
n
)}；其中，x
j
(t
‑
λ
j
)表示与t时刻测得的碳排放量Y(t)相关联的t
‑
λ
j
时刻的第j个碳排放影响因素；步骤三，建立时滞差分模型；步骤3.1将一组历史碳排放影响因素集合X
J
(t
‑
λ
J
)作为输入、将t时刻测得的一组碳排放量Y(t)作为输出，分别计算输入和输出的一阶时滞差分，并相应得到输入时滞差分ΔX
J
(t
‑
λ
J
)和输出时滞差分ΔY(t)，从而利用式(2)建立输入时滞差分ΔX
J
(t
‑
λ
J
)和输出时滞差分ΔY(t)之间的时滞差分模型f；步骤四：利用MKPLS算法对时滞差分模型f进行训练；步骤4.1：定义并初始化MKPLS算法的核参数{σ,υ,γ}，利用式(3)得到组合核函数K：K＝(1
‑
γ)K
σ
+γK
υ
ꢀꢀꢀꢀ
(3)式(3)中，K
σ
表示Mexicanhat小波核函数；K
υ
表示多项式核函数，σ表示控制所述Mexicanhat小波核函数K
σ
作用范围的参数，γ为两种核函数选择的权重系数，υ为所述多项式核函数K
υ
的次数；步骤4.2利用交叉验证的方式将多组输入时滞差分及其对应的输出时滞差分划分为训练集和测试集；其中，所述训练集包含s组输入时滞差分及其对应的输出时滞差；所述测试
集包含st组输入时滞差分及其对应的输出时滞差；对所述训练集中s组输入时滞差分及其对应的输出时滞差分别进行标准化处理，得到标准化后的输入时滞差分集合和输出时滞差分集合；将所述训练集的组合核函数记作利用式(3)对进行z
‑
score中心化处理，得到所述训练集的中心化组合核函数述训练集的中心化组合核函数式(3)中，I为单位矩阵，l
s
为元素为1的矩阵，T表示转置；步骤4.3对标准化后的输入时滞差分集合的得分向量、标准化后的输出时滞差分集合的权重向量和得分向量进行迭代计算，直至标准化后的输入时滞差分集合的得分向量收敛为止，从而得到一个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量；步骤4.4利用标准化后的输入时滞差分集合的最终得分向量分别对和标准化后的输出时滞差分集合进行缩减后，再按照步骤4.3的过程进行处理，直至得到L个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量，L为主成分个数；利用L个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量计算回归系数，从而得到最终的时滞差分模型；步骤4.5对测试集的st组输入时滞差分及其对应的输出时滞差分别进行z
‑
score标准化后，得到z
‑
score标准化后的输入时滞差分集合和输出时滞差分集合；将所述测试集的组合核函数记作利用式(4)得到的标准化形式将z
‑
score标准化后的输入时滞差分集合输入所述最终的时滞差分模型中，并得到预测的输出时滞差分集合；步骤4.6根据所述测试集中t+1
‑
λ
J
时刻的历史碳排放影响因素集合，计算所述测试集中t+1
‑
λ
J
时刻的输入时滞差分，并输入最终的时滞差分模型中，并得到所述测试集中t+1时刻输出时滞差分；步骤4.7根据所述测试集中t+1时刻输出时滞差分和所述测试集中t时刻测得的碳排放量，得到所述测试集在t+1时刻预测的碳排放量；步骤五：采用混合粒子群算法对MKPLS算法的核参数进行选择；步骤5.1利用式(5)建立核参数的目标函数RMSE：式(5)中，为所述测试集中t+1时刻测得的第q组碳排放量；为所述测试集中t+1时刻预测第q组的碳排放量；
步骤5.2利用式(6)添加约束条件：式(6)中，M为粒子群的当前迭代次数；步骤5.3设置参数，包括：最大迭代次数M
max
、种群大小U、速度更新参数c1和c2、最大、最小的惯性权重系数ω
ma...

【专利技术属性】
技术研发人员：汪玉，陈艺，李宾宾，赵龙，秦琪，包佳佳，杨瑞雪，范明豪，亚彬，翟玥，陈庆涛，黄杰，刘鑫，王鑫，金雨楠，孙伟，李奇越，李帷韬，樊智奇，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：