一种MSWI过程CO排放浓度异构集成预测模型构建方法

本发明涉及城市固废焚烧，特别是涉及一种mswi过程co排放浓度异构集成预测模型构建方法。

背景技术：

1、能够表征mswi过程的燃烧状态的有毒污染物一氧化碳(co)可作为城市固废焚烧(mswi)过程的副产品而产生。研究表明，co与到目前为止仍然难以实时检测的“世纪之毒”二噁英(dxn)直接相关。显然，作为mswi过程中的需要重点关注的运行指标，对co排放浓度进行有效预测对实现污染减排的优化控制非常必要。工业大数据的涌现使得机器学习和深度学习建模方法得到飞速发展。因此，使用人工智能建模技术预测mswi过程的co排放浓度已成为切实可行的解决方案。这些数据驱动模型(dd模型)是通过历史数据集建立自变量(输入特征)和因变量(目标变量或输出)之间的映射关系。通常，dd模型需要大量的数据样本，然而由于实际数据集往往存在各种问题，如样本不足、覆盖范围不完整等，模型性能易受到影响。机理驱动模型(md模型)，也被称为白盒模型，依赖于工业过程内部机理的知识，并使用动量、热量、质量和反应动力学等原理。然而，由于复杂工业过程反应机理的复杂性和不确定性，建立合适的md模型是一项具有挑战性的任务。因此，设计一种mswi过程co排放浓度异构集成预测模型构建方法是十分有必要的。

技术实现思路

1、本发明的目的是提供一种mswi过程co排放浓度异构集成预测模型构建方法，能够实现mswi过程co排放浓度异构集成预测模型的构建，实现了co排放浓度的预测，便于使用。

2、为实现上述目的，本发明提供了如下方案：

3、一种mswi过程co排放浓度异构集成预测模型构建方法，包括如下步骤：

4、步骤1：进行离线训练验证；

5、步骤2：进行在线测试验证。

6、可选的，步骤1中，进行离线训练验证，具体包括如下步骤：

7、步骤101：通过耦合flic和aspen plus的数值仿真构建多工况机理模型，获取虚拟机理数据；

8、步骤102：基于虚拟机理数据，通过lrdt算法构建得到机理映射模型；

9、步骤103：基于lstm算法构建真实历史数据驱动模型；

10、步骤104：构建基于knn的样本选择子模型及基于cirwnn的融合子模型，将机理映射模型的输出输入基于knn的样本选择子模型，将真实历史数据驱动模型的输出及基于knn的样本选择子模型的输出输入基于cirwnn的融合子模型。

11、可选的，步骤101中，通过耦合flic和aspen plus的数值仿真构建多工况机理模型，获取虚拟机理数据，具体为：

12、通过flic模拟mswi中的固相燃烧，通过aspen plus模拟mswi中的气相燃烧，构建msw燃烧模型，由包含质量连续性方程、动量方程和能量方程的基本守恒方程和包含水分蒸发、挥发物释放、挥发物燃烧和焦炭燃烧四个过程的msw燃烧速率方程两部分组成；

13、其中，msw燃烧的质量连续性方程表示为：

14、

15、

16、式中，ρg为气体的密度，φ为床层空隙率，vg和vs为气体速度和固体颗粒速度，vb为移动边界处的速度，ss,g为固体转化为气体的速率，ρsb为多孔介质的密度，ss为质量源项，多孔介质密度ρsb为：

17、ρsb＝ρs(1-φ)                         (3)

18、式中，ρs为msw的固体密度；

19、燃烧时的动量方程为：

20、

21、

22、式中，pg为气体压力，f(v)为多孔介质中固体对流体流动的阻力，σ和τ分别为床层中的法向应力张量和切向应力张量，a为随机扰动；

23、能量方程为：

24、

25、

26、式中，hg和hs分别为气体焓和固体焓，λg为热扩散系数，tg和ts分别为气体温度和固体温度，sa为颗粒表面积，hs'为对流换热系数，qh表示气体的热损益，λs为有效导热系数，由材料的导热系数λs0与粒子随机运动引起的热传递λsm相加得到，qr为辐射热流密度，qsh为固相热源项，λg计算公式为：

27、λg＝λ0+0.5dpvgρgcpg                       (8)

28、式中，λ0为有效热扩散系数，dp为颗粒直径，cpg为混合气体的热容；

29、水分蒸发速率表示为：

30、

31、式中，revp为水分蒸发反应速率，hs为对流传质系数，cw,s和cw,g为固相和气相水浓度，hevp为固体水分蒸发热，qcr为对流和辐射传热固体吸收的热量，表示为：

32、

33、式中，sa为粒子表面积，εs为固体发射率/系统发射率，σb为玻尔兹曼辐射常数，为环境温度；

34、燃烧炉排上包括挥发物的释放和燃烧两个过程，假设释放的气态产物由碳氢化合物、co、co2、h2o和炭组成，为：

35、msw→volatile(cmhn,co,co2,h2o)+char             (11)

36、msw中的挥发物与周围空气混合后迅速燃烧，燃烧反应为：

37、

38、msw颗粒挥发释放后形成焦炭，焦炭气化的主要产物为co和co2，表示为：

39、c(s)+αo2→2(1-α)co+(2α-1)co2                 (13)

40、式中，α是0.5-1范围内的正常数；

41、得到msw床上方的烟气组分为碳氢化合物、co、co2、o2、h2、h2o和n2；

42、将碳氢化合物假定为ch4，将flic固相燃烧产生的气体和预热过的二次空气引入炉膛，进行气相燃烧反应，反应温度范围850-1150℃，反应过程为：

43、

44、在炉膛出口，采用选择性非催化还原处理烟气，反应过程为：

45、

46、换热阶段，烟气经过过热器、蒸发器、省煤器，温度降至200℃，烟气进入脱硫装置，脱除酸性化合物，具体反应过程为：

47、

48、将活性炭喷入烟气管道中吸附重金属和dxn，烟气进入袋式除尘器，净化后的烟气通过烟囱排放到大气中；

49、基于msw燃烧模型，采用正交实验设计，获取能够表征多运行工况的虚拟机理数据dmd，选取10个因素，包括fc、炉排转速、一次气流、二次气流、三次气流、四次气流、含水率、cho元素比、粒度、颗粒混合系数，每个因素设为5个水平，即10因素5水平的正交试验设计，得到49种工况，在49种工况的基础上，再进行6因素5水平的正交试验设计，共42种工况，共得到2058种工况。

50、可选的，步骤102中，基于虚拟机理数据，通过lrdt算法构建得到机理映射模型，具体为：

51、将原始多工况虚拟机理数据记为此处选择lhv、pa和fc作为co机理映射模型的输入，并将建模数据表示为dmd∈2058×(3×1)；

52、采用移动窗口qaf法去除异常数据点，数据的长度为固定采样时间窗设为twind，对于时间窗口twind内的数据，采用四分位数法去除异常值的规则为：

53、

54、式中，xab表示异常数据点，xub和xdb表示上下边界，q1/4(·)和q3/4(·)是x的第1个和第3个四分位数，若时间窗口内的数据点大于xub或小于xub，则认为该数据点为异常点，则将其删除；

55、将通过qaf处理后得到的数据记为采用多输入单输出的lrdt算法构建机理映射模型；

56、机理映射模型由特征选择和线性回归两部分组成，和表示第1、2和3个非叶节点，和是第1和第(t/2)个多输出叶节点，为(t/2)路由节点的特征集，将虚拟机理数据改写为其中，建模过程为：

57、根据特征每个非叶节点将数据集分成两个子节点，即左节点和右节点表示为：

58、

59、式中，和分别表示和中的样本个数，为第i个特征向量，为向量的值；

60、将mse的单次输出表示为：

61、

62、式中，表示mse的损失函数值，(n,i)表示第u次迭代的虚拟机理数据集第n个样本的第i个特征值；

63、将机理映射模型的第t个叶节点的输入数据记为第t个叶节点的线性回归表示为：

64、

65、将权重wlrdt赋值给lrdt模型以提高模型的性能，该权重表示为：

66、

67、式中，flrdt(·)为机理映射模型，wlrdt表示flrdt(·)的权重；

68、基于迭代tikhonov正则化对模型求解，得到：

69、

70、式中，为权向量，b为残差向量，得到：

71、

72、得到机理映射模型为：

73、

74、可选的，步骤103中，基于lstm算法构建真实历史数据驱动模型，具体为：

75、基于lstm算法构建真实历史数据驱动模型，其中，表示第n个样本输入，hn-1和cn-1分别表示第n-1个样本lstm隐含层输出和状态信息并作为下一个样本的输入，hn和cn分别表示第n个样本lstm输出和状态信息，在初始样本计算时，设置n＝1，hn-1＝0，建模过程为：

76、设定空集cn为记忆单元，遗忘门fn决定记忆单元cn上一个样本输出值被输出到本次输入的比例，遗忘门输出fn计算为：

77、

78、fn＝fn cn                         (26)

79、式中，uf和wf分别对应hn-1和的权重，bf为偏置，σ(·)表示sigmoid激活函数，表示hadamard积；

80、计算当前输入状态的候选值为：

81、

82、式中，uc和wc分别对应hn-1、的权重，bc为偏置，tanh(·)表示tanh激活函数；

83、计算输入门in，用于控制第n个样本输入存储到记忆单元cn的比例，输入门输出in如下：

84、

85、

86、式中，ui和wi分别对应hn-1和的权重，bi为偏置；

87、将所得值储存到记忆单元cn，为：

88、cn＝fn+in                         (30)

89、此处第一个样本输出cn的值为in，即cn＝in,fn＝0；

90、计算第n个样本的隐含层输出hn，计算输出门on控制记忆单元cn中存储的值可被输出比例，为：

91、

92、hn＝on tanh(cn)                       (32)

93、式中，uo和wo分别对应hn-1和的权重，bo为偏置；

94、计算第n个样本的输出值为：

95、

96、式中，wout为隐含层对应的权重；

97、剩余样本输入时，循环上述过程，输出为为：

98、

99、可选的，步骤104中，构建基于knn的样本选择子模型及基于cirwnn的融合子模型，将机理映射模型的输出输入基于knn的样本选择子模型，将真实历史数据驱动模型的输出及基于knn的样本选择子模型的输出输入基于cirwnn的融合子模型，具体为：

100、构建基于knn的样本选择子模型，随机选择i个集群作为初始质心

101、根据样本与质心之间的加权欧氏距离得到：

102、

103、式中，ci表示第i个质心，代表的第n个样本；

104、利用类间样本的均值修正ci的质心，得到：

105、

106、式中，表示该聚类中第i个样本数量；

107、对质心进行循环重置，最终得到全部质心，上述过程表示为：

108、

109、式中，δts为评价指标riter的阈值，iter表示迭代次数；

110、选择与上述质心最近邻的样本然后再求均值，得到：

111、

112、式中，k为超参数；

113、构建基于cirwnn的融合子模型，以机理映射模型的输出及真实历史数据驱动模型的输出为输入，其中，机理映射模型的输出需要经过基于knn的样本选择子模型进行选择，最终得到异构集成模型的输出，其中，在离线训练验证阶段中,异构集成模型由基于knn的样本选择子模型及基于cirwnn的融合子模型共同构成；

114、给定训练数据集为

115、输入权值ωin和偏置值b为均匀分布随机生成，设置为[-μ,μ]和μ＞0，系统输入为假设隐藏层神经元为l-1，则预测输出表示为：

116、

117、式中，为带有l-1个隐藏层神经元的基本rwnn模型，ψ(·)表示激活函数，ωout为l-1隐藏层神经元的权值；

118、使用最小二乘算法获得输出权值ωout，为：

119、

120、式中，φl-1(·)为隐藏层输出的矩阵；

121、在隐层神经元增量过程中，约束不等式为：

122、

123、式中，<·,·>表示标量积，r和γl为正常数；

124、当0＜r＜1和时，和φl的计算为：

125、

126、

127、隐藏层的新输出为[φl-1(·),φl(·)]，计算输出权值ωout；

128、基于上述约束，cirwnn进行增量学习，直到学习精度达到标准，最终共得到基于cirwnn的融合子模型为：

129、

130、可选的，步骤2中，进行在线测试验证，具体为：

131、在在线测试验证过程中，机理映射模型以lhv、pa和fc为输入，真实历史数据驱动模型以过程变量为输入，分别得到子模型预测值与将其输入基于cirwnn的融合子模型中，得到输出为：

132、

133、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的mswi过程co排放浓度异构集成预测模型构建方法，该方法包括进行离线训练验证及进行在线测试验证，其中，进行离线训练验证包括通过耦合flic和aspen plus的数值仿真构建多工况机理模型，获取虚拟机理数据，基于虚拟机理数据，通过lrdt算法构建得到机理映射模型，基于lstm算法构建真实历史数据驱动模型，构建基于knn的样本选择子模型及基于cirwnn的融合子模型，将机理映射模型的输出输入基于knn的样本选择子模型，将真实历史数据驱动模型的输出及基于knn的样本选择子模型的输出输入基于cirwnn的融合子模型，在在线测试验证阶段，通过集成基于lrdt的机理映射模型和基于lstm的数据驱动模型实现co排放浓度的在线预测，最终，通过某工厂的实用案例研究，验证本发明的有效性及合理性。