[发明专利]一种城市固废焚烧过程二噁英排放浓度软测量方法

说明书

本发明公开一种基于多源潜在特征选择性集成(SEN)建模的DXN排放浓度软测量方法。首先，将MSWI过程数据依据工业流程划分为不同来源的子系统，采用主元分析(PCA)分别提取其潜在特征，并依据经验预设的主元贡献率阈值进行多源潜在特征初选；接着，采用互信息(MI)度量初选的潜在特征与DXN间的相关性，自适应确定潜在特征再选的上下限及阈值；最后，基于再选潜在特征，采用具有超参数自适应选择机制的最小二乘‑支撑向量机(LS‑SVM)算法，建立针对不同子系统的DXN排放浓度子模型，采用基于分支定界(BB)和预测误差信息熵加权算法的策略优化选择子模型和计算权系数，构建DXN排放浓度SEN软测量模型。

本发明由科学技术部国家重点研发计划(No:2018YFC1900801)和国家自然科学基金(No:61573364，61873009)资助。

技术领域

本发明属于固废焚烧技术领域，尤其涉及一种城市固废焚烧过程二噁英排放浓度软测量方法。

背景技术

基于运行优化控制策略降低复杂工业过程的能源消耗和污染排放，是国内外众多流程工业企业所面临的急需解决的难题[1,2,3]。焚烧是进行城市固废(MSW)处理的主要技术手段[4]。对于发展中国家的MSW焚烧(MSWI)企业，最为紧迫的问题是如何控制焚烧造成的污染排放[5,6]，其中急需控制得是：造成焚烧建厂“邻避效应”、具有生物累积效应等特点的剧毒物质二噁英(DXN)的排放浓度[7,8,9]。MSWI企业最主要关注如何基于优化的运行参数实现最小化的DXN排放[10]。目前，除采用先进的尾气处理装置外，工业过程普遍采用如下间接策略控制DXN排放，即“3T1E”准则[11]，即：焚烧炉内高于850℃的温度(T)、超过2秒(T)的烟气停留时间、较大的湍流程度(T)和合适的过量空气系数(E)。当前MSWI企业不能进行以降低DXN排放为直接目标的运行优化和反馈控制，其主要原因：一是DXN排放浓度的机理模型难以构建[12]，二是以月或季为周期的离线直接检测不能提供实时反馈的DXN排放浓度[13]。近年来的研究热点是基于指示物/关联物对DXN排放进行在线间接检测[14,15]，但这些方法固有的设备复杂、造价昂贵、检测滞后等原因导致其仍难以用于MSWI过程的运行优化和反馈控制。

数据驱动软测量技术可用于需要离线化验的难以检测参数(如本发明中的二噁英)的在线估计[16,17]。针对MSWI过程，文献[18,19]通过采用多年前欧美研究机构针对不同类型的焚烧炉采集的小样本数据，基于线性回归、人工神经网络(ANN)等算法构建DXN排放浓度软测量模型。近年来，文献[20]结合相关性分析、主元分析(PCA)和ANN等算法，基于MSWI过程数据构建DXN排放预测模型；但是，ANN并不适用于构建DXN浓度排放模型，主要原因在于其固有的易陷入局部最小、易过拟合和对小样本数据建模泛化性能差等缺点。采用具有合适超参数的支撑向量机(SVM)算法可有效地用于小样本数据建模[21]。针对SVM需求解二次规划的问题，最小二乘-支撑向量机(LS-SVM)通过求解线性等式予以克服；模型超参数可以通过单目标或多目标优化求解算法获得[22,23,24]，但这些方法耗时且只能得到次优解[25]。因此，目前研究缺少对超参数进行有效选择的自适应机制。

通常，MSWI过程包括固废储运、固废焚烧、蒸汽发电和烟气处理等阶段组成的多个子系统，所涉及的过程变量达到数百维，与DXN的产生、吸收和再合成等机理过程在不同程度上具有相关性。文献[26]指出，模型输入维数的增加和低价值训练样本的增加使得完备数量的训练样本难以获得。在模式识别领域，通常认为训练样本的数量与特征之比应该为2、5或10。文献[27]定义了维数约简后的训练样本与约简特征之比，认为该值应满足构建鲁棒预测学习模型的要求。因此，针对具有小样本高维特性的DXN排放浓度建模数据，进行维数约简是非常必要的。基于非监督特征提取的方法获得的特征，虽蕴含原始高维变量中的主要变化却可能导致所提取特征与被预测参数无关。能够提取高维数据蕴含变化的主元分析(PCA)，是目前工业过程在难以检测参数软测量中最为常用的潜在特征提取方法[28]，但贡献率低的主元会导致预测稳定性差[²⁹]。