一种预测固废焚烧过程氮氧化物浓度的方法和系统

1.本技术涉及固体废物焚烧技术领域，特别是涉及一种预测固废焚烧过程氮氧化物浓度的方法和系统。


背景技术：

2.随着城市化的快速发展和人口的不断增长，大量的城市固体废物也随之产生，导致了严峻的环境问题。焚烧由于其资源化、无害化、减量化的特点而被广泛应用于城市固废处理。然而，在焚烧过程中产生的氮氧化物(nitrogen oxides，no
x
)是酸雨、光化学烟雾等污染的主要来源，严重威胁了社会环境和公众健康。实时准确预测no
x
浓度对于稳定控制城市固废焚烧过程中的no
x
排放十分重要，同时也能够为焚烧过程的稳定控制提供指导。
3.目前，固废处理厂通常采用连续排放监测系统对no
x
排放浓度进行测量，然而，该系统不具备预测功能。此外，该设备采购及维护成本较高，并且当出现故障时，排查难度大，耗费时间长，难以满足焚烧过程优化控制的快速性、准确性需求。因此，提出一种能够预测no
x
排放浓度的方法对于固废处理厂安全高效的运行十分重要。
4.随着人工智能技术的发展，基于机理模型或数据驱动模型的软测量技术被广泛应用于工业过程建模及复杂参数估计。由于城市固废焚烧过程中包含大量复杂的物理和化学反应，no
x
的生成和消除涉及焚烧过程多个子系统，与众多过程变量相关，因此难以建立准确的机理模型。固废处理厂中获取的大量历史数据能够为建立基于数据的预测模型提供有力保障，然而，焚烧过程工况多变，单一的模型难以满足准确预测no
x
浓度的实际需求。
5.当前模块化神经网络能够将复杂任务分解为若干个具有相似特征的子任务，并针对每个子任务建立相应的子模型，从而提高对复杂任务的处理能力。该方法的重点是设计一种合适的子模型。但是目前，针对子模型设计的研究主要集中在径向基函数神经网络，然而这类基于前馈的神经网络容易陷入局部最优的问题，导致不能准确预测焚烧过程no
x
排放浓度，不能为焚烧过程的优化控制提供保证，且还增加成本，降低工作效率。


技术实现要素：

6.本技术提供了一种预测固废焚烧过程氮氧化物浓度的方法和系统，针对目前不能准确预测焚烧过程no
x
排放浓度，不能为焚烧过程的优化控制提供保证的问题，提出了一种预测固废焚烧过程氮氧化物浓度的方法，尽可能提高焚烧过程中预测no
x
排放浓度的准确率，为焚烧过程的优化控制提供保证，提高工作效率。
7.第一方面，本技术提供了一种预测固废焚烧过程氮氧化物浓度的方法，该方法包括：采集影响氮氧化物产生的特征变量的历史数据，得到训练集；对所述训练集进行数据预处理，获得统一化的训练集；对所述训练集进行任务分解，以将所述训练集划分为多个具有相似特征的子集；根据scn算法建立与所述子集相应的子模型；基于所述子集对相应的所述子模型分别进行训练；获取测试集，根据计算欧氏距离与对应的所述子模型进行匹配，并激活相应子模型；根据所述测试集基于对应的所述子模型计算得到预测的氮氧化物浓度。
8.可选的是，所述采集影响氮氧化物产生的特征变量的历史数据，得到训练集，包括：采集包括如下特征变量的历史数据：采集活性炭储仓给料量累计、一次风量累计、二次风量累计、省煤器第一位给水流量、锅炉给水量累计、石灰给料器累积量、锅炉主蒸汽流量累计、尿素溶剂供应量累计、尿素溶液量累计、入口烟气氧气浓度、锅炉出口主蒸汽流量、一次燃烧室右侧温度、一次燃烧室左侧温度、一次燃烧室右侧烟气温度、干燥炉排左1空气流量、燃烧炉排左1-1空气流量、炉膛平均温度、锅炉汽包水位；将所述历史数据作为训练集的输入值，no
x
浓度作为训练集的输出值，构成一组样本容量为n的训练集，通过公式(1)进行描述，式中，d是样本容量为n的训练集，x表示训练集的输入值，y是no
x
浓度作为训练集的输出值，m是特征变量的数目。
9.可选的是，所述对所述训练集进行数据预处理，获得统一化的训练集，包括：将所述训练集中所有特征变量进行归一化处理，通过公式(2)进行描述，
10.式中，m＝1,2,
…
,m+1；n＝1,2,
…
,n；x
n,m
表示经过归一化处理后第n个样本的第m个特征变量值；归一化后的训练集通过公式(3)进行描述，
[0011][0012]
可选的是，所述对所述训练集进行任务分解，将所述训练集划分为多个具有相似特征的子集，包括：根据所述训练集采用模糊c均值聚类算法对所述训练集进行聚类分析，将所述训练集分为具有相似特征的多个类别；分别计算各个类别的聚类质心；根据每个类别的所述聚类质心，计算每个样本与所述聚类质心之间的欧氏距离，得到每个样本值与每个类别之间的隶属度；其中，隶属度表示样本与类别之间的相似程度，隶属度越高则相似度越高；根据所述隶属度值，将所述训练集分为多个具有相似特征的子集，通过公式(4)描述，
[0013][0014][0015]
其中，u为u
ig
构成的隶属度矩阵，为第g个样本对第i类类别的隶属度值，v是每一种类别的聚类质心，k表示聚类数目，m(m》1)为模糊加权指数，m取值越大，则表示类别之间重叠的程度越高；d
ig
表示第g个对象和第i个聚类质心之间的欧氏距离。
[0016]
可选的是，所述根据所述训练集采用模糊c均值聚类算法对所述训练集进行聚类分析，将所述训练集分为具有相似特征的多个类别，还包括：根据类内类间距离的评估函数获得评估聚类结果，获得最佳聚类数目，将所述训练集分为多个子集的数量，通过公式(5)描述，
[0017][0018]
式中，l(k)为类间距离之和与类内距离之和的比值，为整体数据的中心向量，l(k)的值越大，则表示聚类结果越可靠，当到达最大时，聚类数目k为最佳，即可确定将所述训练集分为k个子集。
[0019]
可选的是，根据scn算法建立与所述子集相应的子模型，包括：基于scn结构，对scn进行参数配置，设置scn算法的最大隐含层神经元个数l
max
，最大配置次数t
max
，期望误差ε2，隐含层神经元的输入权重和偏置的参数配置范围[-λ,+λ]；基于所述训练集d＝{x,y}，设scn已配置完成l-1的隐含层神经元，此时scn的输出通过公式(6)描述，
[0020][0021]
式中，βj表示第j个隐含层节点的输出权重，gj(x,ωj,bj)表示第j个隐含层节点的激活函数，ωj和bj分别为第j个节点的输入权重和偏置，f
l-1
为当前模型输出；根据scn的输出残差为e
l－1
＝y－f
l－1
，如果||e
l－1
||大于所述期望误差ε2，则根据公式(9)中的监督机制继续生成一个新的隐含层神经元节点参数，并根据公式(9)中的重新确定隐含层输出权重β，直到满足期望误差ε2，生成一个新的隐含层神经元节点参数通过公式(9)描述，重新确定隐含层输出权重β通过公式(10)描述，
[0022][0023][0024]
式中，g
l
表示隐含层第l个神经元的激活函数，且0＜||g||＜bg；r∈(0,1)；{μ
l
}表示非负实数序列。
[0025]
可选的是，所述获取测试集，根据计算欧氏距离判断所述测试集与之对应的所述子模型，激活所述子模型，包括：获取测试集，计算所述测试集样本与所有所述聚类质心向量间的欧氏距离；所述测试集根据距离最小的所述欧氏距离与对应的所述子模型匹配，激活相应子模型；
[0026]
若在t时刻，存在新的样本x
t
，根据样本x
t
与所有聚类质心向量间的欧氏距离，选择相应的子模型，通过公式(11)描述：
[0027]
其中，k
act
表示第k个激活的子模型，vi为第i类的聚类质心，i∈(1,2,
…
,k)。
[0028]
可选的是，所述根据所述测试集基于对应的所述子模型计算得到预测的氮氧化物浓度，包括：将所述测试集根据对应的所述子模型进行分类，得到所述测试集的子集；将分类的所述测试集的子集分别输入对应的所述子模型进行训练，则所述子模型的输出结果为
预测的氮氧化物浓度。
[0029]
可选的是，所述根据所述测试集基于对应的所述子模型计算得到预测的氮氧化物浓度还包括：根据所述子模型采用均方根误差rmse以及平均绝对百分比误差mape评估整体模型的预测性能。
[0030]
第二方面，本技术提供了一种预测固废焚烧过程氮氧化物浓度的系统，该系统包括：采集模块，用于采集影响氮氧化物产生的特征变量的历史数据，得到训练集；数据预处理模块，用于对所述训练集进行数据预处理，获得统一化的训练集；任务分解模块，用于对所述训练集进行任务分解，以将所述训练集划分为多个具有相似特征的子集；构建模型模块，用于根据scn算法建立与所述子集相应的子模型；训练模块，用于基于所述子集对相应的所述子模型分别进行训练；激活模块，获取测试集，根据计算欧氏距离与对应的所述子模型进行匹配，并激活相应子模型；预测模块，用于根据所述测试集基于对应的所述子模型计算得到预测的氮氧化物浓度。
[0031]
第三方面，本技术还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
[0032]
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述所述方法的步骤。
[0033]
本技术至少具有以下优点：
[0034]
根据本技术实施例所提供的技术内容，通过采集影响氮氧化物产生的特征变量的历史数据，得到训练集，对所述训练集进行数据预处理，获得统一化的训练集，统一数据标准以便于进行后续任务分解等处理，对所述训练集进行任务分解，以将所述训练集划分为多个具有相似特征的子集；根据scn算法建立与所述子集相应的子模型；基于所述子集对相应的所述子模型分别进行训练,以提高预测氮氧化物精度；获取测试集，根据计算欧氏距离与对应的所述子模型匹配，激活相应子模型；根据所述测试集基于对应的所述子模型计算得到预测的氮氧化物浓度，尽可能提高预测焚烧过程no
x
排放浓度准确率，进而为焚烧过程的优化控制提供保证，提高工作效率。
附图说明
[0035]
图1为一个实施例中显示预测固废焚烧过程氮氧化物浓度的方法的应用环境图；
[0036]
图2为一个实施例中显示预测固废焚烧过程氮氧化物浓度的方法的流程示意图；
[0037]
图3为一个实施例中显示对训练集任务分解的流程示意图；
[0038]
图4为一个实施例中显示基于scn算法建立训练模型的流程示意图；
[0039]
图5为一个实施例中显示激活训练模型的流程示意图；
[0040]
图6为一个实施例中显示预测固废焚烧过程氮氧化物浓度的流程示意图；
[0041]
图7为一个实施例中显示预测固废焚烧过程氮氧化物浓度的系统的结构框图；
[0042]
图8为一个实施例中计算机设备的示意性结构图。
具体实施方式
[0043]
以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具
体实施例仅仅用以解释本技术，并不用于限定本技术。
[0044]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0045]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本技术的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本技术各实施例中，为了使读者更好地理解本技术而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本技术所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本技术的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合，相互引用。
[0046]
为了方便理解，首先对本技术所适用的系统进行描述。本技术提供的一种预测固废焚烧过程氮氧化物浓度的方法，可以应用于如图1所示的系统架构中。该系统包括：用户空间文件服务器103和终端设备101，终端设备101通过网络与用户空间文件服务器103通过网络进行通信。其中，用户空间文件服务器103可以是一个基于nfsv3\v4协议的文件服务器，运行在linux坏境下，而nfs(网络文件系统)是文件系统之上的一个网络抽象，可允许运行于终端设备101的远程客户端以与本地文件系统相类似的方式，通过网络进行访问。终端设备101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等，用户空间文件服务器103可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0047]
图2为本技术实施例提供的一种预测固废焚烧过程氮氧化物浓度的方法的流程示意图，该方法可以由如图1所示系统中的用户空间文件服务器执行。如图2所示，该方法可以包括以下步骤：
[0048]
s201、采集影响氮氧化物产生的特征变量的历史数据，得到训练集；
[0049]
s202、对训练集进行数据预处理，获得统一化的训练集；
[0050]
s203、对训练集进行任务分解，以将训练集划分为多个具有相似特征的子集；
[0051]
s204、根据scn算法建立与子集相应的子模型；
[0052]
s205、基于子集对相应的子模型分别进行训练；
[0053]
s206、获取测试集，根据计算欧氏距离与对应的子模型进行匹配，并激活相应子模型；
[0054]
s207、根据测试集基于对应的子模型计算得到预测的氮氧化物浓度。
[0055]
下面对每个步骤具体展开详细说明：
[0056]
s201、采集影响氮氧化物产生的特征变量的历史数据，得到训练集；
[0057]
在本实施例中，需要说明的是，采集影响氮氧化物产生的特征变量的历史数据，采集的历史数据为固废焚烧和烟气脱硝中的过程变量，这些特征变量是预测氮氧化物必要条件，通过采集这些特征变量从而便于后续操作分析。
[0058]
s202、对训练集进行数据预处理，获得统一化的训练集；
[0059]
在本实施例中，需要说明的是，对采集的历史数据进行数据预处理，统一所有历史数据，以便后续可直接进行分析处理。
[0060]
s203、对训练集进行任务分解，以将训练集划分为多个具有相似特征的子集；
[0061]
在本实施例中，需要说明的是，任务分解是根据待分解集合的特征空间分布进行分类。对采集的历史数据进行分类，根据具有相似特征的分为一类，将历史数据分成多个子集，以便于后期分类进行分析处理，提高预测精度。
[0062]
s204、根据scn算法建立与子集相应的子模型；
[0063]
在本实施例中，需要说明的是，scn算法是一种多层结构的神经网络，它由输入层、隐藏层和输出层组成，而不是单隐含层结构。具有训练速度快、通用逼近性质等优点，针对焚烧过程no
x
排放浓度预测模型准确性的角度出发，基于模块化神经网络和scn技术建立的预测模型，可实现no
x
浓度的准确预测。
[0064]
s205、基于子集对相应的子模型分别进行训练；
[0065]
在本实施例中，需要说明的是，通过将采集的历史数据按照相似的特征进行分类后，分别与对应的子模型进行训练，提高模型预测精度，进一步提高氮氧化物预测精度。
[0066]
s206、获取测试集，根据计算欧氏距离与对应的子模型进行匹配，并激活相应子模型；
[0067]
在本实施例中，需要说明的是，基于建立好的子模型，将采集的测试数据通过计算欧氏距离来判断采集的测试数据与哪个子模型对应，从而激活相应的子模型，以便后续将测试集作为其输入值。
[0068]
s207、根据测试集基于对应的子模型计算得到预测的氮氧化物浓度；
[0069]
在本实施例中，需要说明的是，确定好测试数据对应的子模型后，将对应的测试数据作为对应的子模型的输入值，通过将测试数据分类到对应的子模型进行训练，进一步提高测试精度。
[0070]
参照图2所示，在一些实施例中，在s201中，采集影响氮氧化物产生的特征变量的历史数据，得到训练集，包括采集如表格1中所示的数据：采集活性炭储仓给料量累计、一次风量累计、二次风量累计、省煤器第一位给水流量、锅炉给水量累计、石灰给料器累积量、锅炉主蒸汽流量累计、尿素溶剂供应量累计、尿素溶液量累计、入口烟气氧气浓度、锅炉出口主蒸汽流量、一次燃烧室右侧温度、一次燃烧室左侧温度、一次燃烧室右侧烟气温度、干燥炉排左1空气流量、燃烧炉排左1-1空气流量、炉膛平均温度、锅炉汽包水位等18个特征变量历史数据；将历史数据作为训练集的输入值，no
x
浓度作为训练集的输出值，构成一组样本容量为n的训练集，并通过如下的公式(1)进行描述：
[0071][0072]
式中，d是样本容量为n的训练集，x表示训练集的输入值，y是no
x
浓度作为训练集的输出值。
[0073]
表1为采集历史数据特征的数据表；
[0074]
序号特征(单位)序号特征(单位)1活性炭储仓给料量累计(kg)10入口烟气o2浓度(mg/m3n)2-次风量累计(km3n)11锅炉出口主蒸汽流量(t)3二次风量累计(km3n)12一次燃烧室右侧温度(℃)4省煤器no.1给水流量(t/h)13一次燃烧室左侧温度(℃)5锅炉给水量累计(t/h)14一次燃烧室右侧烟气温度1(℃)
6石灰给料器累积量(kg)15干燥炉排左1空气流量(km3nh)7锅炉主蒸汽流量累计(t)16燃烧炉排左1-1空气流量(km3nh)8尿素溶剂供应量累计(l)17炉膛平均温度(℃)9尿素溶液量累计(l)18锅炉汽包水位(mm)
[0075]
在本实施例中，还需要说明的是，上述18个变量均是固废焚烧和烟气脱硝中的过程变量，也是预测氮氧化物浓度的必要条件，通过采集这18个特征变量的历史数据，以便于对预测模型进行训练。
[0076]
参照图2所示，在一些实施例中，在s202中，对训练集进行数据预处理，获得统一化的训练集，包括：
[0077]
将训练集中所有特征变量进行归一化处理，通过公式(2)进行描述，
[0078][0079]
式中，m＝1,2,
…
,m+1；n＝1,2,
…
,n；x
n,m
表示经过归一化处理后第n个样本的第m个特征变量值；归一化后的训练集通过公式(3)进行描述，
[0080][0081]
在本实施例中，需要说明的是，通过归一化处理，从而消除不同变量之间的量纲影响，这里将训练集d中所有特征变量进行归一化处理。
[0082]
参照图2、图3所示，在一些实施例中，s203中，对训练集进行任务分解，将训练集划分为多个具有相似特征的子集，包括：
[0083]
s2031、根据训练集采用模糊c均值聚类算法对训练集进行聚类分析，将训练集分为具有相似特征的多个类别；
[0084]
s2032、分别计算各个类别的聚类质心；
[0085]
s2033、根据每个类别的聚类质心，计算每个样本与聚类质心之间的欧氏距离，得到每个样本值与每个类别之间的隶属度，其中，隶属度表示样本与类别之间的相似程度，隶属度越高则相似度越高；
[0086]
s2034、根据隶属度值，将训练集分为多个具有相似特征的子集，通过公式(4)描述，
[0087][0088][0089]
其中，u为u
ig
构成的隶属度矩阵，为第g个样本对第i类类别的隶属度值，v是每一种类别的聚类质心，k表示聚类数目，m(m》1)为模糊加权指数，m取值越大，则表示类别之间重叠的程度越高，d
ig
表示第g个对象和第i个聚类质心之间的欧氏距离。
[0090]
在本实施例中，需要说明的是，fcm算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊c均值算法是普通c均值算法的改进，普通c均值算法对于数据的划分是硬性的，而fcm则是一种柔性
的模糊划分。模糊c均值算法则依据隶属度，即更接近于哪一方，隶属度越高，其相似度越高。
[0091]
在聚类过程中，事先并不知道给定的一个训练数据集到底具有哪些类别，需要根据设置指定个数类标签的数量，然后将具有相同特征，或者基于一定规则认为某一些对象相似，与其它一些组明显的不同的数据聚集到一起，自然形成分组。之后，根据每一组的数据的特点，给定一个合适的类标签。其中质心(centroid)就是一个样本点，或者可以认为是数据集中的一个数据点p，它是具有相似性的一组数据的中心，即该组中每个数据点到p的距离都比到其他质心的距离近。故k个初始类聚类质心(centroid)的选取对聚类结果具有较大的影响
[0092]
具体的，首先进行参数初始化。初始聚类数k
ori
和l(1)，初始聚类数之后，根据公式(5)更新隶属度值u
ig
和公式(6)更新聚类质心vi：
[0093][0094][0095]
另外，聚类过程中，隶属度矩阵u表示了每一个样本与类别之间的相似程度，相似程度越高，则隶属度值u
ig
越大，根据隶属度值大小可以判断样本属于哪一类。将样本聚类是将所有数据划分为具有相似特征的k个类别，实现复杂任务的简单处理，根据每个样本对每个类别的隶属度值大小进行聚类。
[0096]
具体的，在一个例子中，将样本容量为n的训练集分为三类，其中样本容量n中第一个样本对三个类别的隶属度值分别为0.6,0.2，0.2，且根据分成的三个类别的隶属度值和为1，则根据隶属度越高则相似度越高的原则，判定第一个样本属于第一类，实现聚类。
[0097]
聚类后的每个子集包含所有18个特征变量，以及训练集中的部分样本。比如训练集为一个18x10000的组合，则分类后的3个子集分别为：18x3162、18x3221、18x3617。
[0098]
在一些实施例中，参照图4所示，s2031中，根据训练集采用模糊c均值聚类算法对训练集进行聚类分析，将训练集分为具有相似特征的多个类别，还包括：根据类内类间距离的评估函数评估聚类结果，获得最佳聚类数目，将训练集分为多个子集的数量，通过公式(7)描述，
[0099][0100]
式中，l(k)为类间距离之和与类内距离之和的比值，x为整体数据的中心向量，l(k)的值越大，则表示聚类结果越可靠，当到达最大时，聚类数目k为最佳，即可确定将训练集分为k个子集最佳。
[0101]
在本实施例中，需要说明的是，首先设置终止条件为ε1，进行参数初始化，初始聚类数k
ori
和初始l(k)，即初始化为l(1)，之后根据终止条件以及更新的隶属度值u
ig
和聚类质
心vi采用有效性函数得到最佳聚类数目。
[0102]
在一些实施例中，参照图2、图4所示，s204中，根据scn算法建立与子集相应的子模型，包括：
[0103]
s2041、基于scn结构，对scn进行参数配置，设置scn算法的最大隐含层神经元个数l
max
，最大配置次数t
max
，期望误差ε2，隐含层神经元的输入权重和偏置的参数配置范围为[-λ,+λ]；
[0104]
s2042、基于训练集d＝{x,y}，设scn已配置完成l-1的隐含层神经元，此时scn的输出通过公式(8)描述，
[0105][0106]
式中，βj表示第j个隐含层节点的输出权重，gj(x,ωj,bj)表示第j个隐含层节点的激活函数，ωj和bj分别为第j个节点的输入权重和偏置，f
l-1
为当前模型输出。
[0107]
s2043、根据scn的输出残差为e
l－1
＝y－f
l－1
，如果||e
l－1
||大于期望误差ε2，则根据公式(9)中的监督机制继续生成一个新的隐含层神经元节点参数，并根据公式(10)重新确定隐含层输出权重β，直到满足期望误差ε2，其中生成新的隐含层神经元节点参数通过公式(9)描述，
[0108][0109]
重新确定隐含层输出权重β通过公式(10)描述，
[0110][0111]
式中，g
l
表示隐含层第l个神经元的激活函数，且0＜||g||＜bg；r∈(0,1)；{μ
l
}表示非负实数序列。
[0112]
在本实施例中，需要说明的是，scn结构包含输入层、隐含层和输出层，首先配置好参数，将训练集数据作为scn算法输入，对scn进行训练，输出结果与预设条件进行比较，不断学习处理，直至满足预设条件，得到基于scn算法的预测子模型。
[0113]
在一些实施例中，参照图2、图5所示，s206中，获取测试集，根据计算欧氏距离判断测试集与之对应的子模型，激活子模型，包括：
[0114]
s2061、获取测试集，计算测试集样本与所有聚类质心向量间的欧氏距离；
[0115]
s2062、所述测试集根据距离最小的欧氏距离与对应的子模型匹配，激活相应子模型。
[0116]
在本实施例中，需要说明的是，在测试阶段，根据新样本与已有聚类质心之间的欧氏距离判断该样本属于第i类，从而激活相应的子模型。
[0117]
具体的，在一个例子中，假设在t时刻，存在新的样本x
t
，根据样本x
t
与所有聚类质心向量间的欧氏距离，选择得出最小的欧氏距离所对应的子模型进行匹配，并激活相应子模型，通过公式(11)描述：
[0118]
[0119]
其中，k
act
表示第k个激活的子模型，vi为第i类的聚类质心，i∈(1,2,
…
,k)。
[0120]
举例说明，若训练集被划分为3类，聚类质心分别为k1，k2，k3，分别计算新样本x
t
与k1，k2，k3的欧氏距离，距离最小则说明该样本属于该类。
[0121]
在一些实施例中，参照图2、图6所示，s207中，根据测试集基于对应的子模型计算得到预测的氮氧化物浓度，包括：
[0122]
s2071、将测试集根据对应的子模型进行分类，得到测试集的子集；
[0123]
s2072、将分类的测试集的子集分别输入对应的子模型进行训练，则子模型的输出结果为预测的氮氧化物浓度。
[0124]
在本实施例中，需要说明的是，激活已经训练好的对应子模型，将对应的子集作为输入，使该子模型单独处理该子集数据，提高模型的精度。
[0125]
具体的，在一个例子中，新样本包括2000条测试数据，将2000条测试数据作为输入，然后分别计算每一条样本与子模型的欧氏距离，判断每一条样本属于第几类，实现将新样本分为与子模型对应的多类，将分好的新样本的子集输入到对应的子模型中，得到输出值，即获得最终预测结果。
[0126]
在一些实施例中，参照图2、图6所示，s2072中，根据测试集基于对应的子模型计算得到预测的氮氧化物浓度，还包括：根据子模型采用均方根误差rmse以及平均绝对百分比误差mape评估整体模型的预测性能。
[0127]
在本实施例中，需要说明的是，根据子模型输出的no
x
浓度的预测值，将其归一化得到多个时刻no
x
浓度的预测值；通过计算均方根误差rmse、平均绝对百分比误差mape，对预测模型的精度进行评估；rmse、mape越小，说明预测精度越高。由上述的2000条测试数据进行测试，测试结果表明，均方根误差rmse为3.6055，平均绝对百分比误差mape为2.0560，表明该方法能够实现城市固废焚烧过程no
x
浓度的精确估计；因此本技术本的实施有利于no
x
排放浓度的实时监控，能够为固废处理厂污染物排放控制和焚烧过程运行优化控制的实现提供保障。
[0128]
本实施例的实施原理：以上各个步骤流程主要是在工控网络环境中，采集影响氮氧化物产生的特征变量的历史数据，得到训练集，对训练集进行数据预处理，通过归一化处理，从而消除不同变量之间的量纲影响，获得统一化的训练集，统一数据标准以便于进行后续任务分解等处理。对训练集进行任务分解即对采集的历史数据进行分类，将具有的相似特征的分一类，将历史数据分成多个子集，以便于后期分类进行分析处理，提高预测精度；根据scn算法建立与子集相应的子模型，形成模块化神经网络和scn技术结合的预测模型，通过子集对相应的子模型分别进行训练,提高预测氮氧化物精度；获取测试集，根据计算欧氏距离与对应的子模型匹配，激活相应子模型，以便于将分类对应子模型的子集输入对应的子模型计算得到预测的氮氧化物浓度。通过将影响生成氮氧化物的历史数据进行分类训练对应模型，将大量数据分别计算处理，最终得到高精度的预测的氮氧化物的浓度。
[0129]
参照图7所示，本技术实施了还提供了一种预测固废焚烧过程氮氧化物浓度的系统，该系统可以包括：采集模块、预处理模块、处理模块、共享模块、接收模块。其中各组成模块的主要功能如下：
[0130]
采集模块301，用于采集影响氮氧化物产生的特征变量的历史数据，得到训练集；
[0131]
数据预处理模块302，用于对训练集进行数据预处理，获得统一化的训练集；
[0132]
任务分解模块303，用于对训练集进行任务分解，以将训练集划分为多个具有相似特征的子集；
[0133]
构建模型模块304，用于根据scn算法建立与子集相应的子模型；
[0134]
训练模块305，用于基于子集对相应的子模型分别进行训练；
[0135]
激活模块306，获取测试集，根据计算欧氏距离与对应的子模型进行匹配，并激活相应子模型。
[0136]
预测模块307，用于根据测试集基于对应的子模型计算得到预测的氮氧化物浓度。
[0137]
根据本技术的实施例，本技术还提供了一种计算机设备、一种计算机可读存储介质。
[0138]
如图8所示，是根据本技术实施例的计算机设备的框图。计算机设备旨在表示各种形式的数字计算机或移动装置。其中数字计算机可以包括台式计算机、便携式计算机、工作台、个人数字助理、服务器、大型计算机和其它适合的计算机。移动装置可以包括平板电脑、智能电话、可穿戴式设备等。
[0139]
如图8所示，设备600包括计算单元601、rom 602、ram 603、总线604以及输入/输出(i/o)接口605，计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0140]
计算单元601可以根据存储在只读存储器(rom)602中的计算机指令或者从存储单元608加载到随机访问存储器(ram)603中的计算机指令，来执行本技术方法实施例中的各种处理。计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601可以包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。在一些实施例中，本技术实施例提供的方法可被实现为计算机软件程序，其被有形地包含于计算机可读存储介质，例如存储单元608。
[0141]
ram 603还可存储设备600操作所需的各种程序和数据。计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。
[0142]
设备600中的输入单元606、输出单元607、存储单元608和通信单元609可以连接至i/o接口605。其中，输入单元606可以是诸如键盘、鼠标、触摸屏、麦克风等；输出单元607可以是诸如显示器、扬声器、指示灯等。设备600能够通过通信单元609与其他设备进行信息、数据等的交换。
[0143]
需要说明的是，该设备还可以包括实现正常运行所必需的其他组件。也可以仅包含实现本技术方案所必需的组件，而不必包含图中所示的全部组件。
[0144]
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件和/或它们的组合中实现。
[0145]
用于实施本技术的方法的计算机指令可以采用一个或多个编程语言的任何组合来编写。这些计算机指令可以提供给计算单元601，使得计算机指令当由诸如处理器等计算单元601执行时使执行本技术方法实施例中涉及的各步骤。
[0146]
本技术提供的计算机可读存储介质可以是有形的介质，其可以包含或存储计算机指令，用以执行本技术方法实施例中涉及的各步骤。计算机可读存储介质可以包括但不限
于电子的、磁性的、光学的、电磁的等形式的存储介质。
[0147]
上述具体实施方式，并不构成对本技术保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本技术的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。

技术特征：
1.一种预测固废焚烧过程氮氧化物浓度的方法，其特征在于，包括以下步骤：采集影响氮氧化物产生的特征变量的历史数据，得到训练集；对所述训练集进行数据预处理，获得统一化的训练集；对所述训练集进行任务分解，以将所述训练集划分为多个具有相似特征的子集；根据scn算法建立与所述子集相应的子模型；基于所述子集对相应的所述子模型分别进行训练；获取测试集，根据计算欧氏距离与对应的所述子模型进行匹配，并激活相应子模型；根据所述测试集基于对应的所述子模型计算得到预测的氮氧化物浓度。2.根据权利要求1所述的预测固废焚烧过程氮氧化物浓度的方法，其特征在于，所述采集影响氮氧化物产生的特征变量的历史数据，得到训练集，包括：采集包括如下特征变量的历史数据：活性炭储仓给料量累计、一次风量累计、二次风量累计、省煤器第一位给水流量、锅炉给水量累计、石灰给料器累积量、锅炉主蒸汽流量累计、尿素溶剂供应量累计、尿素溶液量累计、入口烟气氧气浓度、锅炉出口主蒸汽流量、一次燃烧室右侧温度、一次燃烧室左侧温度、一次燃烧室右侧烟气温度、干燥炉排左1空气流量、燃烧炉排左1-1空气流量、炉膛平均温度、锅炉汽包水位；将所述历史数据作为训练集的输入值，no
x
浓度作为训练集的输出值，构成一组样本容量为n的训练集，通过公式(1)进行描述，式中，d是样本容量为n的训练集，x表示训练集的输入值，y是no
x
浓度作为训练集的输出值，m是特征变量的数目。3.根据权利要求2所述的预测固废焚烧过程氮氧化物浓度的方法，其特征在于，所述对所述训练集进行数据预处理，获得统一化的训练集，包括：将所述训练集中所有特征变量进行归一化处理，通过公式(2)进行描述，式中，m＝1,2,
…
,m+1；n＝1,2,
…
,n；x
n,m
表示经过归一化处理后第n个样本的第m个特征变量值；归一化后的训练集通过公式(3)进行描述，4.根据权利要求3所述的预测固废焚烧过程氮氧化物浓度的方法，其特征在于，所述对所述训练集进行任务分解，将所述训练集划分为多个具有相似特征的子集，包括：根据所述训练集采用模糊c均值聚类算法对所述训练集进行聚类分析，将所述训练集分为具有相似特征的多个类别；分别计算各个类别的聚类质心；根据每个类别的所述聚类质心，计算每个样本与所述聚类质心之间的欧氏距离，得到每个样本值与每个类别之间的隶属度；其中，隶属度表示样本与类别之间的相似程度，隶属度越高则相似度越高；
根据所述隶属度值，将所述训练集分为多个具有相似特征的子集，通过公式(4)描述，根据所述隶属度值，将所述训练集分为多个具有相似特征的子集，通过公式(4)描述，其中，u为u
ig
构成的隶属度矩阵，为第g个样本对第i类类别的隶属度值，v是每一种类别的聚类质心，k表示聚类数目，m(m>1)为模糊加权指数，m取值越大，则表示类别之间重叠的程度越高；d
ig
表示第g个对象和第i个聚类质心之间的欧氏距离。5.根据权利要求4所述的预测固废焚烧过程氮氧化物浓度的方法，其特征在于，所述根据所述训练集采用模糊c均值聚类算法对所述训练集进行聚类分析，将所述训练集分为具有相似特征的多个类别，还包括：根据类内类间距离的评估函数评估聚类结果，获得最佳聚类数目，将所述训练集分为多个子集的数量，通过公式(5)描述，式中，l(k)为类间距离之和与类内距离之和的比值，为整体数据的中心向量，l(k)的值越大，则表示聚类结果越可靠，当到达最大时，聚类数目k为最佳，即可确定将所述训练集分为k个子集。6.根据权利要求3所述的预测固废焚烧过程氮氧化物浓度的方法，其特征在于，所述根据scn算法建立与所述子集相应的子模型，包括：基于scn结构，对scn进行参数配置，设置scn算法的最大隐含层神经元个数l
max
，最大配置次数t
max
，期望误差ε2，隐含层神经元的输入权重和偏置的参数配置范围[-λ,+λ]；基于所述训练集d＝{x,y}，设scn已配置完成l-1的隐含层神经元，此时scn的输出通过公式(6)描述，式中，β
j
表示第j个隐含层节点的输出权重，g
j
(x,ω
j
,b
j
)表示第j个隐含层节点的激活函数，ω
j
和b
j
分别为第j个节点的输入权重和偏置，f
l-1
为当前模型输出；根据scn的输出残差为e
l－1
＝y－f
l－1
，如果||e
l－1
||大于所述期望误差ε2，则根据公式(9)中的监督机制继续生成一个新的隐含层神经元节点参数，并根据公式(10)重新确定隐含层输出权重β，直到满足期望误差ε2；生成一个新的隐含层神经元节点参数通过公式(9)描述，重新确定隐含层输出权重β通过公式(10)描述，
式中，g
l
表示隐含层第l个神经元的激活函数，且0＜||g||＜b
g
；r∈(0,1)；{μ
l
}表示非负实数序列。7.根据权利要求5所述的预测固废焚烧过程氮氧化物浓度的方法，其特征在于，所述获取测试集，根据计算欧氏距离判断所述测试集与之对应的所述子模型，激活所述子模型，包括：获取测试集，计算所述测试集样本与所有所述聚类质心向量间的欧氏距离；所述测试集根据距离最小的所述欧氏距离与对应的所述子模型匹配，激活相应子模型；若在t时刻，存在新的样本x
t
，根据样本x
t
与所有聚类质心向量间的欧氏距离，选择相应的子模型，通过公式(11)描述：其中，k
act
表示第k个激活的子模型，v
i
为第i类的聚类质心，i∈(1,2,
…
,k)。8.根据权利要求7所述的预测固废焚烧过程氮氧化物浓度的方法，其特征在于，所述根据所述测试集基于对应的所述子模型计算得到预测的氮氧化物浓度，包括：将所述测试集根据对应的所述子模型进行分类，得到所述测试集的子集；将分类的所述测试集的子集分别输入对应的所述子模型进行训练，则所述子模型的输出结果为预测的氮氧化物浓度。9.根据权利要求8所述的预测固废焚烧过程氮氧化物浓度的方法，其特征在于，所述根据所述测试集基于对应的所述子模型计算得到预测的氮氧化物浓度还包括：根据所述子模型采用均方根误差rmse以及平均绝对百分比误差mape评估整体模型的预测性能。10.一种预测固废焚烧过程氮氧化物浓度的系统，其特征在于，所述系统包括：采集模块，用于采集影响氮氧化物产生的特征变量的历史数据，得到训练集；数据预处理模块，用于对所述训练集进行数据预处理，获得统一化的训练集；任务分解模块，用于对所述训练集进行任务分解，以将所述训练集划分为多个具有相似特征的子集；构建模型模块，用于根据scn算法建立与所述子集相应的子模型；训练模块，用于基于所述子集对相应的所述子模型分别进行训练；激活模块，获取测试集，根据计算欧氏距离与对应的所述子模型进行匹配，并激活相应子模型。预测模块，用于根据所述测试集基于对应的所述子模型计算得到预测的氮氧化物浓度。

技术总结
本申请涉及一种预测固废焚烧过程氮氧化物浓度的方法和系统，包括采集影响氮氧化物产生的特征变量的历史数据，得到训练集；对训练集进行数据预处理，对训练集进行任务分解，以将训练集划分为多个具有相似特征的子集；根据SCN算法建立与子集相应的子模型；基于子集对相应的子模型分别进行训练，获取测试集，根据计算欧氏距离与对应的子模型进行匹配，并激活相应子模型；根据测试集基于对应的子模型计算得到预测的氮氧化物浓度，最终提高预测焚烧过程NO


技术研发人员：严爱军 王冉冉 和世潇
受保护的技术使用者：北京工业大学
技术研发日：2023.04.06
技术公布日：2023/8/14