System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于多模型的MSWI过程CO2排放浓度预测方法技术_技高网

一种基于多模型的MSWI过程CO2排放浓度预测方法技术

技术编号:43139473 阅读:2 留言:0更新日期:2024-10-29 17:43
本发明专利技术提供了一种基于多模型的MSWI过程CO<subgt;2</subgt;排放浓度预测方法,属于CO<subgt;2</subgt;排放浓度预测领域,包括:利用ARIMA算法构建线性主模型;利用线性主模型进行CO<subgt;2</subgt;排放浓度预测,得到主模型预测结果;以主模型预测结果差作为输入值,利用LSTM算法构建非线性补偿模型和预测补偿结果;将主模型预测结果和预测补偿结果相加得到目标CO<subgt;2</subgt;排放浓度预测结果。本发明专利技术通过结合ARIMA算法和LSTM算法在主模型预测的基础上通过神经网络模型进行预测补偿,实现了CO<subgt;2</subgt;排放浓度的高精度预测。

【技术实现步骤摘要】

本专利技术涉及co2排放浓度预测领域,特别是涉及一种基于多模型的mswi过程co2排放浓度预测方法。


技术介绍

1、城市固体废物的处理方式主要有回收、填埋和焚烧等,其中,城市固体废物焚烧又称为mswi,因具有无害化、减量化和资源化等显著优势已成为目前广泛采用的技术,其减质率、减容率可达到70%和90%。mswi过程排放的烟气中含有co2、nox、二噁英等污染物。对co2浓度进行预测的本质是时间序列建模问题,目前co2排放浓度预测已有诸多研究人员进行了研究。差分整合移动平均自回归模型又称为arima,是经典的适用于非平稳数据的时间序列预测模型,其能够有效地拟合时间序列数据中的线性特征。长短期记忆递归神经网络又称为lstm,具有较强非线性建模能力。但是,研究表明,仅使用arima模型或者lstm模型无法实现高精度预测。

2、然而,现有技术并没有同时采用arima模型和lstm模型对co2排放浓度进行多步预测的技术。


技术实现思路

1、为了克服现有技术的不足,本专利技术的目的是提供一种基于多模型的mswi过程co2排放浓度预测方法,通过结合arima算法和lstm算法在主模型预测的基础上通过神经网络模型进行预测补偿,实现co2排放浓度的高精度预测。

2、为实现上述目的,本专利技术提供了如下方案:

3、一种基于多模型的mswi过程co2排放浓度预测方法,包括:

4、利用arima算法构建线性主模型;

5、利用线性主模型进行co2排放浓度预测,得到主模型预测结果;

6、以所述主模型预测结果的残差作为输入值,利用lstm算法构建非线性补偿模型和预测补偿结果;

7、将所述主模型预测结果和所述预测补偿结果相加得到目标co2排放浓度预测结果。

8、优选地,利用arima算法构建线性主模型,包括:

9、利用z-score分数法对预收集的co2数据集进行异常值处理,得到预处理数据集;

10、利用拓展迪基-福勒检验方法对所述预处理数据集的平稳性进行检验,得到序列平稳性结果;所述序列平稳性结果包括:序列平稳和序列非平稳;

11、当所述序列平稳性结果为所述序列非平稳时,对所述预处理数据集进行差分操作,得到平稳序列和差分阶数;

12、基于平稳序列,利用贝叶斯信息准则确定所述平稳序列的自回归阶数和移动平均阶数;

13、将所述差分阶数、所述自回归阶数以及所述移动平均阶数输入到所述arima算法,得到所述线性主模型。

14、优选地,以所述主模型预测结果的残差作为输入值,利用lstm算法构建非线性补偿模型和预测补偿结果,包括:

15、计算所述主模型预测结果与预设真实值的预测残差;

16、利用最大最小归一化方法对所述预测残差进行数据标准化,得到标准输入序列;

17、基于所述lstm算法对所述标准输入序列进行前向传播,得到前向输出;

18、基于所述前向输出计算预设的损失函数,得到误差数据;

19、基于所述误差数据利用反向传播对所述lstm算法的训练参数进行更新,直到所述标准输入序列预测结束,得到所述非线性补偿模型和所述预测补偿结果。

20、优选地,利用线性主模型进行co2排放浓度预测,得到主模型预测结果,包括:

21、计算所述线性主模型的标准化残差,并通过残差散点图判断所述线性主模型是否满足正态分布,得到适用性判断结果;所述适用性判断结果包括:符合正态分布和不符合正态分布;

22、当所述适用性判断结果为所述符合正态分布时,利用德宾-沃森检验对所述线性主模型进行有效性检验,得到自相关检测结果;所述自相关检测结果包括:具备明显自相关性和不具备明显自相关性;

23、当所述线性主模型具备明显自相关性时,利用所述线性主模型对所述平稳序列进行预测,得到主模型预测结果。

24、优选地,基于平稳序列,利用贝叶斯信息准则确定所述平稳序列的自回归阶数和移动平均阶数,包括:

25、对所述平稳序列进行中心化处理和傅里叶变换,得到中心化序列;所述中心化处理采用的公式为yd为所述中心化序列;ys为所述平稳序列;为ys中的第j个元素;为所述中心化序列的样本数量;所述傅里叶变换采用的公式包括:以及fnextpow2(·)为满足条件的最小整数np;nfft为傅里叶变换点数;为所述平稳序列的长度;ffft为所述中心化序列;为yd中的第j个元素,为ffft中的第g个元素;

26、基于所述中心化序列利用公式和公式计算自相关系数;为ffft中的第j个元素;cacf为所述中心化序列;为所述中心化序列的第g个元素;

27、基于所述自相关系数利用公式计算自回归协方差序列;car为所述自回归协方差序列;为yd的长度;

28、基于所述自回归协方差序列计算所述自回归阶数;

29、对所述平稳序列进行滤波处理,得到滤波序列;所述滤波处理采用的公式为:为xfilter中的第j个元素;为ys中的第j个元素,na和nb均为控制变量;

30、基于所述滤波序列利用公式计算移动平均协方差序列;cma为所述移动平均协方差序列;为cacf中的第1个至第q+1个元素;为yd中的第i个元素;

31、基于所述移动平均协方差序列计算所述移动平均阶数。

32、优选地,基于所述lstm算法对所述标准输入序列进行前向传播,得到前向输出,包括:

33、计算所述lstm算法内遗忘门的遗忘过程值和遗忘输出值;

34、基于所述遗忘输出值,计算所述lstm算法内输入门的输入过程值、输入输出值以及单元状态更新值;

35、基于所述输入输出值,计算所述lstm算法内输出门的输出过程值和所述前向输出。

36、优选地,计算所述线性主模型的标准化残差,并通过残差散点图判断所述线性主模型是否满足正态分布,得到适用性判断结果,包括:

37、对所述标准化残差进行升序排列,得到升序残差序列;

38、基于所述升序残差序列计算横轴坐标;

39、基于所述升序残差序列和所述横轴坐标绘制残差散点图;

40、若所述残差散点图内的数据点均在预设的参考直线附近则判定所述线性主模型的所述适用性判断结果为所述符合正态分布。

41、优选地,当所述线性主模型具备明显自相关性时,利用所述线性主模型对所述平稳序列进行预测,得到主模型预测结果,包括:

42、基于所述平稳序列,利用所述线性主模型计算预测值;

43、将所述预测值更新为所述平稳序列的最后一位,并将所述平稳序列的首位数据去除,得到更新后的所述平稳序列,并返回步骤“基于所述平稳序列,利用所述线性主模型计算预测值”,直到所述平稳序列内的数据均为所述预测值时停止更新,得到所述主模型预测结果。

44、本专利技术公开了以下技术效果:

...

【技术保护点】

1.一种基于多模型的MSWI过程CO2排放浓度预测方法,其特征在于,包括:

2.根据权利要求1所述的一种基于多模型的MSWI过程CO2排放浓度预测方法,其特征在于,利用ARIMA算法构建线性主模型,包括:

3.根据权利要求1所述的一种基于多模型的MSWI过程CO2排放浓度预测方法,其特征在于,以所述主模型预测结果的残差作为输入值,利用LSTM算法构建非线性补偿模型和预测补偿结果,包括:

4.根据权利要求2所述的一种基于多模型的MSWI过程CO2排放浓度预测方法,其特征在于,利用线性主模型进行CO2排放浓度预测,得到主模型预测结果,包括:

5.根据权利要求2所述的一种基于多模型的MSWI过程CO2排放浓度预测方法,其特征在于,基于平稳序列,利用贝叶斯信息准则确定所述平稳序列的自回归阶数和移动平均阶数,包括:

6.根据权利要求3所述的一种基于多模型的MSWI过程CO2排放浓度预测方法,其特征在于,基于所述LSTM算法对所述标准输入序列进行前向传播,得到前向输出,包括:

7.根据权利要求4所述的一种基于多模型的MSWI过程CO2排放浓度预测方法,其特征在于,计算所述线性主模型的标准化残差,并通过残差散点图判断所述线性主模型是否满足正态分布,得到适用性判断结果,包括:

8.根据权利要求4所述的一种基于多模型的MSWI过程CO2排放浓度预测方法,其特征在于,当所述线性主模型具备明显自相关性时,利用所述线性主模型对所述平稳序列进行预测,得到主模型预测结果,包括:

...

【技术特征摘要】

1.一种基于多模型的mswi过程co2排放浓度预测方法,其特征在于,包括:

2.根据权利要求1所述的一种基于多模型的mswi过程co2排放浓度预测方法,其特征在于,利用arima算法构建线性主模型,包括:

3.根据权利要求1所述的一种基于多模型的mswi过程co2排放浓度预测方法,其特征在于,以所述主模型预测结果的残差作为输入值,利用lstm算法构建非线性补偿模型和预测补偿结果,包括:

4.根据权利要求2所述的一种基于多模型的mswi过程co2排放浓度预测方法,其特征在于,利用线性主模型进行co2排放浓度预测,得到主模型预测结果,包括:

5.根据权利要求2所述的一种基于多模型的mswi过程co2排放浓度预测方法,其特征在于...

【专利技术属性】
技术研发人员:汤健王子夏恒王天峥乔俊飞
申请(专利权)人:北京工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1