[發明專利]一種二噁英排放濃度預測方法

有效

• 申請號: 202010083784.4
• 申請日: 2020-02-10
• 公開（公告）號: CN111260149B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 湯健;夏恒;喬俊飛;郭子豪
• 申請（專利權）人: 北京工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G01N33/00;G06F18/214
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 吳蔭芳

本發明公開一種基于隨機森林和梯度提升樹混合集成的二噁英排放濃度預測方法，首先，針對具有小樣本高維特性的DXN建模數據進行訓練樣本和輸入特征的隨機采樣以生成訓練子集；接著，基于訓練子集建立J個基于RF的DXN子模型；然后，對每個基于RF的DXN子模型進行I次迭代，構建J×I個基于GBDT的DXN子模型；最后，對基于RF和GBDT的DXN子模型的預測輸出采用簡單平均加權方式進行合并，獲得最終輸出。采用集成RF和GBDT的DXN預測模型構建方法能夠提高DXN在線預測精度，輔助進行MSWI過程操作參數的運行優化，提高企業經濟效益。

技術領域

本發明屬于城市固廢焚燒技術領域，尤其涉及一種基于隨機森林和梯度提升樹混合集成的二噁英排放濃度預測方法。

背景技術

經濟的迅速發展和城市化建設的不斷升級使得我國城市固體廢物(MSW)的產生量迅速增加，特別是在經濟發達和人口密集的地區，某些城市正面臨著垃圾圍城危機[1]。城市固體廢物焚燒(MSWI)發電是實現垃圾減量化、資源化、無害化的典型處理方式[2]。目前國內MSWI發電廠數量已超過300座，爐排爐式焚燒爐占比超過了2/3[3]。由于我國垃圾組分的特殊性，導致引進的焚燒設備多處于人工手動控制運行狀態，常出現“水土不服”的現象，同時造成了MSWI排放不合標等問題[4]。針對這種現象，最為緊要的問題是：如何在滿足經濟效益的情況下控制MSWI過程的污染排放[5]。二噁英(DXN)作為MSWI排放的一種具有極強化學性和熱穩定性的劇毒持久性有機污染物，是造成焚燒建廠出現“鄰避效應”的主要原因之一[6]。

在實際工業過程中，主要通過在線采樣與離線實驗分析相結合的方法按照一定的周期進行DXN排放濃度檢測[3]，但該方式成本昂貴且周期比較長，主要問題是：難以支撐MSWI運行參數的實時優化控制以達到使DXN排放濃度最小化的目的[7]。因此，實現DXN排放濃度的在線預測非常必要。MSWI過程具有復雜的物理和化學特性，難以建立DXN排放濃度的精確機理模型[8]。DXN排放濃度的在線預測是實現MSWI過程優化控制必不可少的重要環節[9]。針對DXN的在線檢測研究，目前多是先進行相關關聯物的測量再通過映射關系實現DXN的在線預測[10,11,12]；但存在設備昂貴、適應性弱和預測精度有待提升等問題[3]。軟測量方法具有比直接離線分析和關聯物檢測更快、更經濟地預測難測參數的能力，其在工業領域中已得到廣泛應用[13]。針對MSWI過程，已存在采用特征選擇結合神經網絡構建DXN預測建模的研究[14,15,16]；由于DXN建模數據具有的樣本少、維數高、共線性等特性，使得這些方法存在易落入局部最小值、過擬合和模型泛化性能差等問題。

針對傳統單一預測模型存在的局限性，基于集成學習的預測模型成為當前研究熱點。隨機森林(RF)算法具有較強的噪聲處理和非線性數據建模能力[17,18]，但較少用于非線性回歸[19]。文獻[20]面向靜電傳感器陣列，采用基于RF的集成模型預測硫化床中生物質的水分含量。文獻[21]提出基于主成分分析和RF的軟測量模型，用于在線預測雙螺桿擠出過程中聚丙交酯的拉伸性能。文獻[22]提出了具有自我監測的RF模型在線估算磨機中的P₈₀粒徑。相對于基于建模數據采樣進行并行集成的RF算法，梯度提升決策樹(GBDT)是另外一種比較流行的機器學習算法[23]，但在樣本特征維數較高且樣本數量較大時，其效率和可伸縮性仍有待提高[24]。文獻[25]集邏輯回歸(LR)、GBDT和投票特征間隔(VFI)等方法于一體對滑坡敏感性進行評估。文獻[26]采用GBDT進行建筑能耗預測。文獻[27]構建基于GBDT的自動判斷電力系統負荷周期的預測模型。文獻[28]提出了一種基于GBDT的光伏功率預測模型，主要思想是通過梯度提升對二叉樹進行集成融合。文獻[29]采用基于實例的遷移學習方法結合GBDT建立風力發電分位數回歸模型。文獻[30]結合GBDT提出了基于Bagging集成學習框架的預測模型。以上研究多采用單一的RF或GBDT算法建模，難以有效構建具有小樣本、高維特性的DXN排放濃度預測模型。

發明內容