【技术实现步骤摘要】
本申请涉及固体废物焚烧，特别是涉及一种固废焚烧过程炉温区间预测方法及系统。
技术介绍
1、随着城市化进程的加快，城市固废呈现出指数级增长的趋势。城市固废焚烧由于具有减量化、无害化和资源化等优点，成为固废处理的主要方式之一。在焚烧过程中，焚烧炉温最佳区间(通常指一燃室烟气平均温度)需要保持在850℃-950℃，准确掌握炉温的变化情况有利于焚烧过程运行优化的控制，因此建立焚烧过程炉温的预测模型具有重要意义。
2、目前固废焚烧炉温预测模型主要包括机理建模和数据驱动建模。虽然机理模型可解释性强，但由于焚烧过程运行工况变化复杂，使用简化的机理预测模型难以全面反映焚烧系统的复杂特性。随着计算技术和人工智能技术的发展，以人工神经网络为代表的数据驱动建模已经成为过程参数的主要建模方法之一。焚烧过程复杂，与炉温相关的特征变量维度较高，单个神经网络模型的泛化能力难以保证，模块化神经网络可以解决此类问题。
3、模块化神经网络(modular neural network,mnn)将一个复杂的任务分解为多个简单独立的子任务，将每个子任务分配给相应基模型进行学习，最后对基模型学习的结果集成，从而实现神经网络对复杂任务的学习。然而，传统mnn模型通常只提供点预测，点预测忽略了炉温的不确定性，无法提供炉温的置信区间或标准误差等信息，因此无法直接反映炉温预测的不确定性。此外，由于子任务之间存在差异性，采用同一基模型可能会引起模型不适配的问题。传统mnn通常采用平均、加权或投票的方式集成输出，容易造成预测效果呈现边际效益递减趋势的问题。故
技术实现思路
1、本申请提供了一种固废焚烧过程炉温区间预测方法和系统，能够尽可能快速地预测炉温区间的变化趋势，从而快速了解焚烧情况，为焚烧过程的优化控制奠定基础，提高工作效率。
2、第一方面，本申请提供了一种固废焚烧过程炉温区间预测方法，该方法包括：获取影响炉温区间变化的特征变量以及对应的炉温历史数据并进行数据预处理，得到训练集；基于高斯混合算法对所述训练集进行分解，得到m个子数据集；基于随机配置网络算法与高斯过程回归根据所述子数据集训练构建基模型；基于集成策略将所述基模型输出的预测结果合并作为元数据集，训练元模型，得到炉温预测区间。
3、可选的是，所述获取影响炉温区间变化的特征变量以及对应的炉温历史数据并进行数据预处理，得到训练集，包括：获取影响炉温区间变化的特征变量作为输入数据；获取炉温历史数据作为输出数据；将所述输入数据与所述输出数据构建样本数据为n的训练集d，并进行归一化处理，通过公式(1)进行描述：
4、
5、式中，x表示输入数据，y表示输出数据。
6、可选的是，所述述基于高斯混合模型对所述训练集进行分解，得到m个子数据集，包括：基于高斯混合模型将所述特征变量x分解为根据概率密度函数表示，高斯混合模型是m个高斯函数的加权线性叠加，采用高斯混合模型对所述特征变量进行特征维度的分解，通过公式(2)、(3)进行描述：
7、
8、
9、式中，m是高斯分布分量的数量，αm是第m个高斯分量的权重系数，αm≥0且ψ(xd|θm)表示第m个子任务的高斯分布概率密度函数，p表示特征变量x的概率密度函数以根据概率密度函数来量化所述特征变量；其中，所述第m个子任务的高斯分布概率密度函数通过公式(4)进行描述：
10、
11、式中，θm＝(μm,σm)表示第m个密度函数的参数集，μm,σm分别代表第m个子任务的均值矩阵和协方差矩阵，通过调整参数{αm,θm}，以得到近似连续的密度函数；根据em算法对所述高斯混合模型进行更新迭代，将所述特征变量划分为m个具有高斯特征的子数据集；其中，所述子数据集包括子训练集，子验证集以及子测试集。
12、可选的是，所述根据em算法对所述高斯混合模型进行更新迭代，将所述特征变量划分为m个具有高斯特征的子数据集，包括：基于em算法计算所述概率密度函数的参数{αm,θm}的估计值；在e步，计算特征变量xd属于第m个分量的概率，通过公式(5)进行描述：
13、
14、式中，表示特征变量xd属于第m个分量的概率；在m步，迭代更新模型参数通过公式(6)、(7)、(8)进行描述：
15、
16、
17、
18、式中，μm,σm分别代表第m个子任务的均值矩阵和协方差矩阵，αm是第m个高斯分量的权重系数；根据迭代更新分解后，炉温相关的特征变量集合x被划分为m个具有高斯特征的子数据集。
19、可选的是，所述基于随机配置网络算法与高斯过程回归根据所述子数据集训练构建基模型，包括：根据第m个所述子训练集初始化随机配置网络模型的最大隐层节点数量、最大随机配置次数；预设随机噪声以高斯过程回归作为随机配置网络最小二乘的代替，根据所述子训练集构建基模型，通过公式(9)进行描述：
20、yi＝h(xi)β+ε(i) (9)，
21、式中，h表示在输入xi下隐层节点的输出矩阵，β表示scn输出权值矩阵，ε(i)为第i个样本包含的随机噪声；将所述子训练集中的炉温数据根据联合概率密度函数表示，通过公式(10)进行描述：
22、
23、式中，p表示炉温数据y的联合概率密度，h＝[h1,h2,...,hl]；基于高斯-贝叶斯后验概率算法根据得到所述子训练集中的所述炉温数据的联合概率密度函数计算输出权值β的后验概率密度函数，得到输出权值β的联合概率密度，通过公式(11)进行描述：
24、
25、式中，p(y|β,h)表示子训练集的炉温数据y的联合概率密度即先验概率，p(β)表示所述基模型参数β的概率即似然函数，p(y|h)表示所述基模型未观察到的炉温数据的概率，所述输出权值β的后验概率密度函数也可以表示为根据得到的所述输出权值β的后验概率密度函数，将所述子验证集作为输入数据，则得到预测的炉温数据，通过公式(12)进行描述：
26、
27、式中，y*表示预测输出的炉温数据，x*表示子验证集输入；根据预测的炉温数据，由于ωp正定，用核函数形式表达，得到隐含层节点输出值的相似度，通过公式(13)进行描述：
28、
29、式中，φ表示映射函数；基于所述核函数来计算两个所述输入数据之间的相似度，为所述基模型选择合适的核函数，调整所述基模型参数，以提高所述基模型预测结果的精度和稳定性；基于选取的合适的所述核函数，将所述子测试集输入x**经过基模型预测得到输出值
30、可选的是，基于所述核函数来计算两个所述输入数据之间的相似度，为所述基模型选择合适的核函数，调整所述基模型参数，以提高所述基模型预测本文档来自技高网...
【技术保护点】
1.一种固废焚烧过程炉温区间预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的固废焚烧过程炉温区间预测方法，其特征在于，所述获取影响炉温区间变化的特征变量以及对应的炉温历史数据并进行数据预处理，得到训练集，包括：
3.根据权利要求2所述的固废焚烧过程炉温区间预测方法，其特征在于，所述基于高斯混合模型对所述训练集进行分解，得到M个子数据集，包括：基于高斯混合模型将所述特征变量x分解为根据概率密度函数表示，高斯混合模型是M个高斯函数的加权线性叠加，采用高斯混合模型对所述特征变量进行特征维度的分解，通过公式(2)、(3)进行描述：
4.根据权利要求3所述的固废焚烧过程炉温区间预测方法，其特征在于，所述根据EM算法对所述高斯混合模型进行更新迭代，将所述特征变量划分为M个具有高斯特征的子数据集，包括：
5.根据权利要求3所述的固废焚烧过程炉温区间预测方法，其特征在于，所述基于随机配置网络算法与高斯过程回归根据所述子数据集训练构建基模型，包括：
6.根据权利要求5所述的固废焚烧过程炉温区间预测方法，其特征在于，所述基于所
7.根据权利要求6所述的固废焚烧过程炉温区间预测方法，其特征在于，所述基于所述基模型根据不同的任务分解的所述子验证集为所述基模型选取合适的核函数，包括：
8.根据权利要求5-7任意一项所述的固废焚烧过程炉温区间预测方法，其特征在于，所述基于集成策略将所述基模型输出的预测结果合并作为元数据集，训练元模型，得到炉温预测区间，包括：
9.根据权利要求8所述的固废焚烧过程炉温区间预测方法，其特征在于，所述将所述子测试集基于基模型的输出结果合并作为元测试集，得到炉温预测区间，包括：
10.一种固废焚烧过程炉温区间预测系统，其特征在于，所述系统包括：获取模块，用于获取影响炉温区间变化的特征变量以及对应的炉温历史数据并进行数据预处理，得到训练集；
...【技术特征摘要】
1.一种固废焚烧过程炉温区间预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的固废焚烧过程炉温区间预测方法，其特征在于，所述获取影响炉温区间变化的特征变量以及对应的炉温历史数据并进行数据预处理，得到训练集，包括：
3.根据权利要求2所述的固废焚烧过程炉温区间预测方法，其特征在于，所述基于高斯混合模型对所述训练集进行分解，得到m个子数据集，包括：基于高斯混合模型将所述特征变量x分解为根据概率密度函数表示，高斯混合模型是m个高斯函数的加权线性叠加，采用高斯混合模型对所述特征变量进行特征维度的分解，通过公式(2)、(3)进行描述：
4.根据权利要求3所述的固废焚烧过程炉温区间预测方法，其特征在于，所述根据em算法对所述高斯混合模型进行更新迭代，将所述特征变量划分为m个具有高斯特征的子数据集，包括：
5.根据权利要求3所述的固废焚烧过程炉温区间预测方法，其特征在于，所述基于随机配置网络算法与高斯过程回归根据所述子数据集训练构建基模型，包括：
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。