本發(fā)明涉及能源工程領(lǐng)域，特別地，涉及一種循環(huán)流化床生活垃圾焚燒鍋爐co排放預(yù)測系統(tǒng)及方法。

背景技術(shù)：

垃圾焚燒由于能夠良好實現(xiàn)垃圾處理技術(shù)的減容化、減量化、無害化和資源化，近十幾年內(nèi)，在國家相關(guān)產(chǎn)業(yè)政策的引導(dǎo)下，國內(nèi)垃圾焚燒行業(yè)取得了蓬勃的發(fā)展。從上世紀(jì)90年代開始，國內(nèi)多家科研結(jié)構(gòu)對中國城市生活垃圾(municipalsolidwaste,msw)燃燒機理進(jìn)行了大量深入研究，掌握了混合收集、水分高、成分復(fù)雜的城市生活垃圾的燃燒特性，根據(jù)我國對煤、煤矸石等劣質(zhì)燃料循環(huán)流化床(circulatingfluidizedbed,cfb)燃燒技術(shù)的開發(fā)經(jīng)驗的基礎(chǔ)上，開發(fā)出了循環(huán)流化床垃圾焚燒鍋爐，從1998年浙江大學(xué)開發(fā)的第一臺流化床垃圾焚燒爐投入運行開始，表現(xiàn)出了適用于對國內(nèi)高水分、熱值偏低且波動性很大的生活垃圾進(jìn)行大規(guī)模的焚燒處理的特點。目前，cfb垃圾焚燒技術(shù)已經(jīng)在國內(nèi)的多個城市進(jìn)行了推廣應(yīng)用，截止2015年底，國內(nèi)已建成垃圾焚燒鍋爐70余臺，日處理垃圾量6.9萬噸，為我國的垃圾焚燒處理行業(yè)做出了重要的貢獻(xiàn)。

鍋爐尾部煙氣co排放量是衡量鍋爐是否經(jīng)濟(jì)環(huán)保運行的重要標(biāo)志之一，能夠直觀的反映出當(dāng)前鍋爐的運行狀態(tài)。co排放量越高表征鍋爐的氣體未完全燃燒熱損失q3越大，鍋爐的熱效率越低，使鍋爐運行的經(jīng)濟(jì)性下降。另一方面，《生活垃圾焚燒污染控制標(biāo)準(zhǔn)》(gb18485-2014)規(guī)定co排放濃度的1小時均值和24小時均值分別不得超過100mg/m³和80mg/m³，否則將面臨環(huán)保部門停產(chǎn)整頓的處罰。同時，生產(chǎn)人員和管理人員有可能需要某種運行工況下co的排放情況，以便于對鍋爐的運行進(jìn)行優(yōu)化調(diào)整。因此，構(gòu)建一個足夠精度的co排放預(yù)測模型具有十分重要的意義。

國內(nèi)外的研究人員對循環(huán)流化床鍋爐的co排放特性建模進(jìn)行了研究，主要有以下幾種方法。一種是根據(jù)cfb鍋爐燃燒動力學(xué)、流體力學(xué)、傳熱傳質(zhì)的特性，在經(jīng)過合理的簡化假設(shè)之后建立，通過數(shù)學(xué)描述的方式建立機理模型。這種方法能夠反映co排放量的變化趨勢，但由于假設(shè)模型和真實模型之間的偏差而無法達(dá)到足夠的精確度；另一種方法是在大量的試驗臺試驗或者現(xiàn)場試驗的基礎(chǔ)上，通過回歸分析的方法建立關(guān)于co排放變化特性的經(jīng)驗?zāi)Ｐ?。這種方法需要耗費大量的人力物力，時間成本高，同時無法保證試驗覆蓋所有的工況，具有一定局限性；第三種方法利用計算流體力學(xué)、計算傳熱學(xué)和化學(xué)反應(yīng)的簡化機理模擬爐內(nèi)燃燒過程，精確地求解co的生成情況，顯示了良好的效果具有很大的發(fā)展?jié)摿Α５@種方法主要受限于流體力學(xué)模型和化學(xué)反應(yīng)的簡化機理與實際情況的差距，需要高端的計算機配置和很長的計算時間，因此采用這種方法仍處于初步發(fā)展階段。此外，cfb垃圾焚燒鍋爐的給料系統(tǒng)均勻性較差，入爐垃圾的熱值波動性大、組分復(fù)雜、多邊性強，是co排放建模過程中的面臨的主要困難之一，它要求所建立的co排放特性模型具有良好的自適應(yīng)能力，上述三種建模方法在這方面仍有所欠缺。

隨著電子技術(shù)、計算機技術(shù)和信息技術(shù)的發(fā)展，集散控制系統(tǒng)(distributedcontrolsystem,dcs)廣泛的應(yīng)用于cfb生活焚燒鍋爐的運行過程，包含溫度、壓力、流量等參數(shù)在內(nèi)的過程數(shù)據(jù)都被完善得保存下來，這些歷史數(shù)據(jù)中包含豐富過程信息，是人們認(rèn)識和了解生產(chǎn)過程的重要途徑之一，具有很高的挖掘價值。利用神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork,ann)、支持向量機(supportvectormachine,svm)和隨機森林(randomforest,rf)等智能算法進(jìn)行數(shù)據(jù)挖掘建模是當(dāng)前非常受歡迎的一種建模思想，它的建模過程簡潔清晰，避免了對建模對象進(jìn)行深入的機理分析，尤其適用于那些過程十分復(fù)雜且為完全被認(rèn)識清楚的過程。隨機森林算法一種用于解決分類或者回歸等問題的集成學(xué)習(xí)方法，該方法綜合了bagging集成學(xué)習(xí)、cart決策樹算法和特征隨機選取思想，具有優(yōu)秀的自學(xué)習(xí)能力、非線性映射能力和泛化能力。相較于神經(jīng)網(wǎng)絡(luò)和支持向量機算法，隨機森林算法具有算法設(shè)置參數(shù)少、數(shù)據(jù)集適應(yīng)力高、抗噪聲能力強、訓(xùn)練速度快等優(yōu)點，同時，它能夠處理高維數(shù)據(jù)，并且能夠得到變量的重要性排序，因此在處理這種多變量耦合的復(fù)雜的工業(yè)過程時具有更好的表現(xiàn)。

另外，鍋爐運行過程是一個時變的過程，包括燃料特性和設(shè)備特性都是隨著時間變化的，因此要求co預(yù)測模型能夠不斷的更新。co排放預(yù)測系統(tǒng)不但要滿足要對模型進(jìn)行訓(xùn)練和更新，還要將模型的計算結(jié)果送往不同的場所，所以，需要合理設(shè)置系統(tǒng)的架構(gòu)。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種循環(huán)流化床生活垃圾焚燒鍋爐co排放的預(yù)測系統(tǒng)及方法。本發(fā)明在分析cfb生活垃圾焚燒鍋爐運行機理的基礎(chǔ)上，選擇co排放預(yù)測模型的輸入變量，采用gammatest算法確定訓(xùn)練樣本的個數(shù)，利用隨機森林算法對樣本集進(jìn)行訓(xùn)練建模，并自適應(yīng)地對co排放預(yù)測模型進(jìn)行更新，最終利用異構(gòu)計算環(huán)境構(gòu)建co排放預(yù)測系統(tǒng)。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種循環(huán)流化床生活垃圾焚燒鍋爐co排放的實時預(yù)測系統(tǒng)。該系統(tǒng)與循環(huán)流化床鍋爐的集散控制系統(tǒng)以及生產(chǎn)管理系統(tǒng)相連，包括數(shù)據(jù)通訊接口和上位機，在上位機中對co排放預(yù)測模型進(jìn)行訓(xùn)練和更新，然后將預(yù)測結(jié)果通過通訊接口送往集散控制系統(tǒng)和生產(chǎn)管理系統(tǒng)，所述上位機包括：

第一信號采集模塊。該模塊用于采集cfb生活垃圾焚燒鍋爐在焚燒指定生活垃圾時的運行工況狀態(tài)參數(shù)和操作變量，并組成垃圾熱值預(yù)測模型輸入變量的訓(xùn)練樣本矩陣x(m×n)，m表示樣本個數(shù)，n表示變量的個數(shù)；

數(shù)據(jù)預(yù)處理模塊。對x(m×n)進(jìn)行粗大誤差處理和隨機誤差處理，以摒除那些并不是反映鍋爐正常運行工況的虛假信息，將鍋爐停爐、壓火、給料機堵塞等異常工況排除掉，為了避免預(yù)測模型的參數(shù)之間量綱和數(shù)量級的不同對模型性能造成的不良影響，訓(xùn)練樣本輸入變量均經(jīng)過歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的訓(xùn)練樣本x^*(m×n)。預(yù)處理過程采用以下步驟進(jìn)行：

1.1)根據(jù)拉伊達(dá)準(zhǔn)則，剔除訓(xùn)練樣本x(m×n)中的野值；

1.2)剔除鍋爐停爐運行工況，鍋爐停爐時爐膛給煤機和給料機的開度為零，并且爐膛中溫度接近常溫；

1.3)剔除爐膛壓火運行狀況，鍋爐壓火時一次風(fēng)機、二次風(fēng)機引風(fēng)機爐膛給煤機和給料機的開度為零，但是爐膛密相區(qū)的溫度維持在350℃～450℃；

1.4)剔除給料機堵塞工況，給料機堵塞需要運行人員通過給料口的攝像頭拍攝的畫面對給料情況進(jìn)行判斷，給料機堵塞時，運行人員會顯著地調(diào)高給料機的開度，反映在運行數(shù)據(jù)上，即給料機的開度大于35％；

1.5)數(shù)據(jù)歸一化處理。按照式(1)將數(shù)據(jù)變量映射到[01]的區(qū)間內(nèi)。

式中xj表示第j變量所組成的向量，min()表示最小值，max()表示最大值。

模型更新模塊。該模塊對co排放預(yù)測模型的性能進(jìn)行判斷，并決定是否對預(yù)測模型進(jìn)行更新，當(dāng)co排放量與模型預(yù)測排放量的誤差超過±5％時，更新模型。

智能學(xué)習(xí)模塊。智能學(xué)習(xí)模塊是co排放預(yù)測系統(tǒng)的核心部分，該模塊先利用gammatest算法尋找最優(yōu)的訓(xùn)練樣本尺寸，然后利用隨機森林算法對樣本進(jìn)行訓(xùn)練學(xué)習(xí)，算法步驟如下：

1)利用gammatest算法尋找最優(yōu)的訓(xùn)練樣本尺寸。gammatest算法是對所有光滑函數(shù)均適用的非參數(shù)估計方法，該方法不關(guān)注輸入輸出數(shù)據(jù)之間的任何參數(shù)關(guān)系，只對輸入輸出數(shù)據(jù)進(jìn)行計算即可得到模型的噪聲方差，對于如下形式的數(shù)據(jù)集

{(xi,yi),1≤i≤m}(2)

式中，x∈rⁿ表示輸入，對應(yīng)的輸出標(biāo)量為y∈r。

gammatest假定的模型關(guān)系是：

y＝f(x1,…,xn)+r(3)

式中，f是一個光滑函數(shù)，r是一個表示數(shù)據(jù)噪聲的隨機量。不失一般性，可假定r的均值為0(否則可在f中加入常數(shù)項)，方差為var(y)。gammatest就是計算一個統(tǒng)計量γ，用它來評價輸出量的方差，顯然，如果數(shù)據(jù)的關(guān)系符合光滑模型，并且沒有噪聲，這個方差是0。γ的計算過程如下：

1.1)計算輸入數(shù)據(jù)的距離統(tǒng)計量。用xi表示第i個輸入數(shù)據(jù)，xn[i,k]表示輸入樣本的第k近鄰域點，計算如下統(tǒng)計量：

式中，|·|表示歐拉距離，p為最遠(yuǎn)鄰近距離(nearestneighbor)。

1.2)計算輸出數(shù)據(jù)的距離統(tǒng)計量。用yi表示第i個輸出數(shù)據(jù)，yn[i,k]表示輸出樣本的第k近鄰域點，計算如下統(tǒng)計量：

式中符號的意義同(4)式。

1.3)計算統(tǒng)計量γ。為了計算γ，分別計算鄰近距離從1到p的統(tǒng)計量(δm(1),γm(1))，(δm(2),γm(2))，…，(δm(p),γm(p))。對這p個統(tǒng)計量構(gòu)造一元線性回歸模型，用最小二乘法進(jìn)行擬合，得到的一次線性函數(shù)的截距就是gammatest統(tǒng)計量γ，γ值越小表示樣本中的噪聲越小。

定義另一個統(tǒng)計量vratio：

式中，δ²(y)表示輸出y的方差。vratio可以用來評價光滑模型對該數(shù)據(jù)的模擬能力，vratio越接近0，表示該模型的預(yù)測性能越好。

2)將gammatest算法尋優(yōu)得到最優(yōu)訓(xùn)練樣本用于構(gòu)建隨機森林模型，隨機森林是一個由一組決策樹分類器{h(x,θk),k＝1,2,…,k}組成的分類器，其中θk是服從獨立同分布的隨機向量，k表示隨機森林中決策樹的個數(shù)，在給定自變量x下，每個決策樹分類器通過投票來決定最優(yōu)的分類結(jié)果。如果把決策樹看成分類任務(wù)中的一個專家，隨機森林就是許多專家在一起對某種任務(wù)進(jìn)行分類。分類樹的實現(xiàn)按照自頂向下、遞歸分裂的原則進(jìn)行，在所有分類樹中，根結(jié)點擁有全部訓(xùn)練樣本數(shù)據(jù)，訓(xùn)練過程依據(jù)純度最小原則，將該節(jié)點分裂為左節(jié)點和右節(jié)點，兩個節(jié)點分別設(shè)定為訓(xùn)練數(shù)據(jù)的一個子集，按照相同的方式使節(jié)點繼續(xù)分裂下去，直到滿足分支終止條件而停止訓(xùn)練，若在某個節(jié)點上的所有分類數(shù)據(jù)來自同一個類別，則該節(jié)點的純度為0，又稱為gini值。假設(shè)集合t中包含n個類別的記錄，并分裂成r個部分n1，n2，……，nr，每個部分對應(yīng)的集合為t1，t2，……，tr，那么這個分裂的gini系數(shù)按照公式(7)和(8)計算：

式中，t指總的訓(xùn)練樣本集，pj代表類別j出現(xiàn)的頻率，ginisplit(t)指所有類別的gini值。

生成隨機森林的具體步驟如下：

2.1)從原始訓(xùn)練數(shù)據(jù)集t中，應(yīng)用bootstrap方法有放回地隨機抽取k個新的自助樣本集，并由此構(gòu)建k棵分類回歸樹，作為根結(jié)點開始訓(xùn)練。

2.2)設(shè)總共有n個特征，則在每一棵樹的每個節(jié)點處隨機抽取mtry個特征(mtry≤n)，通過計算每個特征蘊含的信息量，在mtry個特征中選擇一個最具有分類能力的特征進(jìn)行節(jié)點分裂。

2.3)每棵樹最大限度地生長，不做任何剪裁。

2.4)將生成的多棵樹組成隨機森林，對于回歸問題，預(yù)測輸出為所有樹輸出值的平均值，得到訓(xùn)練好的co排放預(yù)測模型。

3)利用訓(xùn)練好的co排放預(yù)測模型和測試樣本對模型進(jìn)行測試，如果模型的預(yù)測co排放量和實際co排放量的相對預(yù)測誤差超過±5％時，則重新選擇樣本進(jìn)行訓(xùn)練，直到滿足精度要求為止。

第二信號采集模塊。用于從數(shù)據(jù)庫中選擇需要預(yù)測co排放的運行工況，或者實時地采集當(dāng)前鍋爐的運行工況。

預(yù)測模塊。該模塊用于對指定的樣本進(jìn)行co排放預(yù)測，或者對當(dāng)前鍋爐運行工況下的co排放進(jìn)行實時預(yù)測。

結(jié)果顯示模塊。顯示co排放的預(yù)測結(jié)果，或者對co排放的預(yù)測結(jié)果進(jìn)行統(tǒng)計分析。

一種循環(huán)流化床生活垃圾焚燒鍋爐co排放預(yù)測方法，該方法包括以下步驟：

1)分析循環(huán)流化床生活垃圾焚燒鍋爐的運行機理和co生成機理，選擇垃圾的給料量、給煤量、一次風(fēng)量、二次風(fēng)量、煙氣含氧量、爐膛負(fù)壓、床層溫度、爐膛稀相區(qū)溫度作為co排放預(yù)測模型的輸入變量。

2)采集訓(xùn)練樣本。按設(shè)定的時間間隔從數(shù)據(jù)庫中采集輸入變量的歷史數(shù)據(jù)，或者采集指定工況下的運行參數(shù)，組成co排放預(yù)測模型輸入變量的訓(xùn)練樣本矩陣x(m×n)，m表示樣本個數(shù)，n表示變量的個數(shù)，同時采集與之對應(yīng)的co排放量作為模型的輸出訓(xùn)練樣本y(m×1)；

3)數(shù)據(jù)預(yù)處理。對x(m×n)進(jìn)行粗大誤差處理和隨機誤差處理，以摒除那些并不是反映鍋爐正常運行工況的虛假信息，將鍋爐停爐、壓火、給料機堵塞等異常工況排除掉，為了避免預(yù)測模型的參數(shù)之間量綱和數(shù)量級的不同對模型性能造成的不良影響，訓(xùn)練樣本輸入變量均經(jīng)過歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的輸入變量的訓(xùn)練樣本x^*(m×n)和輸出變量的訓(xùn)練樣本y^*(m×1)。

4)利用gammatest算法尋找最優(yōu)的訓(xùn)練樣本尺寸。gammatest算法是對所有光滑函數(shù)均適用的非參數(shù)估計方法，該方法不關(guān)注輸入輸出數(shù)據(jù)之間的任何參數(shù)關(guān)系，只對輸入輸出數(shù)據(jù)進(jìn)行計算即可得到模型的噪聲方差，對于如下形式的數(shù)據(jù)集：

{(xi,yi),1≤i≤m}(1)

式中，x∈rⁿ表示輸入，對應(yīng)的輸出標(biāo)量為y∈r。

gammatest假定的模型關(guān)系是：

y＝f(x1,…,xn)+r(2)

式中，f是一個光滑函數(shù)，r是一個表示數(shù)據(jù)噪聲的隨機量。不失一般性，可假定r的均值為0(否則可在f中加入常數(shù)項)，方差為var(y)。gammatest就是計算一個統(tǒng)計量γ，用它來評價輸出量的方差，顯然，如果數(shù)據(jù)的關(guān)系符合光滑模型，并且沒有噪聲，這個方差是0。γ的計算過程如下：

4.1)計算輸入數(shù)據(jù)的距離統(tǒng)計量。用xi表示第i個輸入數(shù)據(jù)，xn[i,k]表示輸入樣本的第k近鄰域點，計算如下統(tǒng)計量：

式中，|·|表示歐拉距離，p為最遠(yuǎn)鄰近距離(nearestneighbor)。

4.2)計算輸出數(shù)據(jù)的距離統(tǒng)計量。用yi表示第i個輸出數(shù)據(jù)，yn[i,k]表示輸出樣本的第k近鄰域點，計算如下統(tǒng)計量：

式中符號的意義同(3)式。

4.3)計算統(tǒng)計量γ。為了計算γ，分別計算鄰近距離從1到p的統(tǒng)計量(δm(1),γm(1))，(δm(2),γm(2))，…，(δm(p),γm(p))。對這p個統(tǒng)計量構(gòu)造一元線性回歸模型，用最小二乘法進(jìn)行擬合，得到的一次線性函數(shù)的截距就是gammatest統(tǒng)計量γ，γ值越小表示樣本中的噪聲越小。

定義另一個統(tǒng)計量vratio：

式中，δ²(y)表示輸出y的方差。vratio可以用來評價光滑模型對該數(shù)據(jù)的模擬能力，vratio越接近0，表示該模型的預(yù)測性能越好。

5)將gammatest算法尋優(yōu)得到最優(yōu)訓(xùn)練樣本用于構(gòu)建隨機森林模型，隨機森林是一個由一組決策樹分類器{h(x,θk),k＝1,2,…,k}組成的成分類器，其中θk是服從獨立同分布的隨機向量，k表示隨機森林中決策樹的個數(shù)，在給定自變量x下，每個決策樹分類器通過投票來決定最優(yōu)的分類結(jié)果。如果把決策樹看成分類任務(wù)中的一個專家，隨機森林就是許多專家在一起對某種任務(wù)進(jìn)行分類。分類樹的實現(xiàn)按照自頂向下、遞歸分裂的原則進(jìn)行，在所有分類樹中，根結(jié)點擁有全部訓(xùn)練樣本數(shù)據(jù)，訓(xùn)練過程依據(jù)純度最小原則，將該節(jié)點分裂為左節(jié)點和右節(jié)點，兩個節(jié)點分別設(shè)定為訓(xùn)練數(shù)據(jù)的一個子集，按照相同的方式使節(jié)點繼續(xù)分裂下去，直到滿足分支終止條件而停止訓(xùn)練，若在某個節(jié)點上的所有分類數(shù)據(jù)來自同一個類別，則該節(jié)點的純度為0，又稱為gini值。假設(shè)集合t中包含n個類別的記錄，并分裂成r個部分n1，n2，……，nr，每個部分對應(yīng)的集合為t1，t2，……，tr，那么這個分裂的gini系數(shù)按照公式(6)和(7)計算：

式中，t指總的訓(xùn)練樣本集，pj代表類別j出現(xiàn)的頻率，ginisplit(t)指所有類別的gini值。

生成隨機森林的具體步驟如下：

5.1)從原始訓(xùn)練數(shù)據(jù)集t中，應(yīng)用bootstrap方法有放回地隨機抽取k個新的自助樣本集，并由此構(gòu)建k棵分類回歸樹，作為根結(jié)點開始訓(xùn)練。

5.2)設(shè)總共有n個特征，則在每一棵樹的每個節(jié)點處隨機抽取mtry個特征(mtry≤n)，通過計算每個特征蘊含的信息量，在mtry個特征中選擇一個最具有分類能力的特征進(jìn)行節(jié)點分裂。

5.3)每棵樹最大限度地生長，不做任何剪裁。

5.4)將生成的多棵樹組成隨機森林，對于回歸問題，預(yù)測輸出為所有樹輸出值的平均值，得到訓(xùn)練好的co排放預(yù)測模型。

6)利用訓(xùn)練好的co排放預(yù)測模型和測試樣本對模型進(jìn)行測試，如果模型的預(yù)測co排放量和實際co排放量的相對預(yù)測誤差超過±5％時，則重新選擇樣本進(jìn)行訓(xùn)練，直到滿足精度要求為止。

7)模型自適應(yīng)更新。當(dāng)co排放量與模型預(yù)測排放量的誤差超過±5％時，立即更新模型。

本發(fā)明的有益效果是：在利用循環(huán)流化床生活垃圾焚燒鍋爐的運行機理和運行歷史數(shù)據(jù)中隱含的知識的基礎(chǔ)上，采用gammatest算法和隨機森林集成建模的方法，構(gòu)建了一種快速經(jīng)濟(jì)且自適應(yīng)更新的系統(tǒng)和方法對鍋爐尾部煙氣co排放進(jìn)行實時預(yù)測，避開了繁瑣復(fù)雜的機理建模工作。其中，利用隨機森林算法的非線性映射能力、泛化能力和實時預(yù)測能力來表征co排放的動態(tài)變化特性，為運行人員和設(shè)計人員掌握了解co排放的變化特性提供新的途徑；利用gammatest算法獲取最優(yōu)的訓(xùn)練樣本，避免了模型的在訓(xùn)練的時候出現(xiàn)過擬合和欠擬合的狀況。整個建模過程邏輯清晰，需要設(shè)置的參數(shù)較少，建模自動化程度高，易于掌握和推廣。訓(xùn)練良好的co排放預(yù)測模型可以服務(wù)那些基于模型的控制算法，或者作為軟測量儀表與co硬件測量系統(tǒng)相互補充校核。

附圖說明

圖1是本發(fā)明所提出的系統(tǒng)的結(jié)構(gòu)圖。

圖2是本發(fā)明所提出的上位機系統(tǒng)的結(jié)構(gòu)圖。

圖3是本發(fā)明所采用隨機森林模型的系統(tǒng)結(jié)構(gòu)圖。

圖4是本發(fā)明所提出的智能建模方法的流程圖。

具體實施方式

下面結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步詳細(xì)說明。

實施例1

參照圖1、圖2、圖3、圖4，本發(fā)明提供的一種循環(huán)流化床生活垃圾焚燒鍋爐co排放預(yù)測系統(tǒng)，包括循環(huán)流化床生活垃圾焚燒鍋爐，用于該鍋爐運行控制的集散控制系統(tǒng)，數(shù)據(jù)通訊接口，數(shù)據(jù)庫以及上位機。數(shù)據(jù)庫通過數(shù)據(jù)通訊接口從集散控制系統(tǒng)中讀取數(shù)據(jù)，并用于上位機的訓(xùn)練學(xué)習(xí)和測試，上位機通過數(shù)據(jù)通訊接口與集散控制系統(tǒng)進(jìn)行數(shù)據(jù)交換，所述的上位機包括在線學(xué)習(xí)、在線更新、驗證部分和在線預(yù)測部分。具體包括：

第一信號采集模塊。該模塊用于采集cfb生活垃圾焚燒鍋爐在焚燒指定生活垃圾時的運行工況狀態(tài)參數(shù)和操作變量，并組成垃圾熱值預(yù)測模型輸入變量的訓(xùn)練樣本矩陣x(m×n)，m表示樣本個數(shù)，n表示變量的個數(shù)；

數(shù)據(jù)預(yù)處理模塊。對x(m×n)進(jìn)行粗大誤差處理和隨機誤差處理，以摒除那些并不是反映鍋爐正常運行工況的虛假信息，將鍋爐停爐、壓火、給料機堵塞等異常工況排除掉，為了避免預(yù)測模型的參數(shù)之間量綱和數(shù)量級的不同對模型性能造成的不良影響，訓(xùn)練樣本輸入變量均經(jīng)過歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的訓(xùn)練樣本x^*(m×n)。預(yù)處理過程采用以下步驟進(jìn)行：

1.1)根據(jù)拉伊達(dá)準(zhǔn)則，剔除訓(xùn)練樣本x(m×n)中的野值；

1.2)剔除鍋爐停爐運行工況，鍋爐停爐時爐膛給煤機和給料機的開度為零，并且爐膛中溫度接近常溫；

1.3)剔除爐膛壓火運行狀況，鍋爐壓火時一次風(fēng)機、二次風(fēng)機引風(fēng)機爐膛給煤機和給料機的開度為零，但是爐膛密相區(qū)的溫度維持在350℃～450℃；

1.4)剔除給料機堵塞工況，給料機堵塞需要運行人員通過給料口的攝像頭拍攝的畫面對給料情況進(jìn)行判斷，給料機堵塞時，運行人員會顯著地調(diào)高給料機的開度，反映在運行數(shù)據(jù)上，即給料機的開度大于35％；

1.5)數(shù)據(jù)歸一化處理。按照式(1)將數(shù)據(jù)變量映射到[01]的區(qū)間內(nèi)。

式中xj表示第j變量所組成的向量，min()表示最小值，max()表示最大值。

模型更新模塊。該模塊對co的排放預(yù)測模型的性能進(jìn)行判斷，并決定是否對預(yù)測模型進(jìn)行更新，當(dāng)co排放量與模型預(yù)測排放量的誤差超過±5％時，更新模型。

智能學(xué)習(xí)模塊。智能學(xué)習(xí)模塊是co排放預(yù)測系統(tǒng)的核心部分，該模塊先利用gammatest算法尋找最優(yōu)的訓(xùn)練樣本尺寸，然后利用隨機森林算法對樣本進(jìn)行訓(xùn)練學(xué)習(xí)，算法步驟如下：

1)利用gammatest算法尋找最優(yōu)的訓(xùn)練樣本尺寸。gammatest算法是對所有光滑函數(shù)均適用的非參數(shù)估計方法，該方法不關(guān)注輸入輸出數(shù)據(jù)之間的任何參數(shù)關(guān)系，只對輸入輸出數(shù)據(jù)進(jìn)行計算即可得到模型的噪聲方差，對于如下形式的數(shù)據(jù)集

{(xi,yi),1≤i≤m}(2)

式中，x∈rⁿ表示輸入，對應(yīng)的輸出標(biāo)量為y∈r。

gammatest假定的模型關(guān)系是：

y＝f(x1,…,xn)+r(3)

式中，f是一個光滑函數(shù)，r是一個表示數(shù)據(jù)噪聲的隨機量。不失一般性，可假定r的均值為0(否則可在f中加入常數(shù)項)，方差為var(y)。gammatest就是計算一個統(tǒng)計量γ，用它來評價輸出量的方差，顯然，如果數(shù)據(jù)的關(guān)系符合光滑模型，并且沒有噪聲，這個方差是0。γ的計算過程如下：

1.1)計算輸入數(shù)據(jù)的距離統(tǒng)計量。用xi表示第i個輸入數(shù)據(jù)，xn[i,k]表示輸入樣本的第k近鄰域點，計算如下統(tǒng)計量：

式中，|·|表示歐拉距離，p為最遠(yuǎn)鄰近距離(nearestneighbor)。

1.2)計算輸出數(shù)據(jù)的距離統(tǒng)計量。用yi表示第i個輸出數(shù)據(jù)，yn[i,k]表示輸出樣本的第k近鄰域點，計算如下統(tǒng)計量：

式中符號的意義同(4)式。

1.3)計算統(tǒng)計量γ。為了計算γ，分別計算鄰近距離從1到p的統(tǒng)計量(δm(1),γm(1))，(δm(2),γm(2))，…，(δm(p),γm(p))。對這p個統(tǒng)計量構(gòu)造一元線性回歸模型，用最小二乘法進(jìn)行擬合，得到的一次線性函數(shù)的截距就是gammatest統(tǒng)計量γ，γ值越小表示樣本中的噪聲越小。

定義另一個統(tǒng)計量vratio：

式中，δ²(y)表示輸出y的方差。vratio可以用來評價光滑模型對該數(shù)據(jù)的模擬能力，vratio越接近0，表示該模型的預(yù)測性能越好。

2)將gammatest算法尋優(yōu)得到最優(yōu)訓(xùn)練樣本用于構(gòu)建隨機森林模型，隨機森林是一個由一組決策樹分類器{h(x,θk),k＝1,2,…,k}組成的成分類器，其中θk是服從獨立同分布的隨機向量，k表示隨機森林中決策樹的個數(shù)，在給定自變量x下，每個決策樹分類器通過投票來決定最優(yōu)的分類結(jié)果。如果把決策樹看成分類任務(wù)中的一個專家，隨機森林就是許多專家在一起對某種任務(wù)進(jìn)行分類。分類樹的實現(xiàn)按照自頂向下、遞歸分裂的原則進(jìn)行，在所有分類樹中，根結(jié)點擁有全部訓(xùn)練樣本數(shù)據(jù)，訓(xùn)練過程依據(jù)純度最小原則，將該節(jié)點分裂為左節(jié)點和右節(jié)點，兩個節(jié)點分別設(shè)定為訓(xùn)練數(shù)據(jù)的一個子集，按照相同的方式使節(jié)點繼續(xù)分裂下去，直到滿足分支終止條件而停止訓(xùn)練，若在某個節(jié)點上的所有分類數(shù)據(jù)來自同一個類別，則該節(jié)點的純度為0，又稱為gini值。假設(shè)集合t中包含n個類別的記錄，并分裂成r個部分n1，n2，……，nr，每個部分對應(yīng)的集合為t1，t2，……，tr，那么這個分裂的gini系數(shù)按照公式(7)和(8)計算：

式中，t指總的訓(xùn)練樣本集，pj代表類別j出現(xiàn)的頻率，ginisplit(t)指所有類別的gini值。

生成隨機森林的具體步驟如下：

2.1)從原始訓(xùn)練數(shù)據(jù)集t中，應(yīng)用bootstrap方法有放回地隨機抽取k個新的自助樣本集，并由此構(gòu)建k棵分類回歸樹，作為根結(jié)點開始訓(xùn)練。

2.2)設(shè)總共有n個特征，則在每一棵樹的每個節(jié)點處隨機抽取mtry個特征(mtry≤n)，通過計算每個特征蘊含的信息量，在mtry個特征中選擇一個最具有分類能力的特征進(jìn)行節(jié)點分裂。

2.3)每棵樹最大限度地生長，不做任何剪裁。

2.4)將生成的多棵樹組成隨機森林，對于回歸問題，預(yù)測輸出為所有樹輸出值的平均值，得到訓(xùn)練好的co排放預(yù)測模型。

3)利用訓(xùn)練好的co排放預(yù)測模型和測試樣本對模型進(jìn)行測試，如果模型的預(yù)測co排放量和實際co排放量的相對預(yù)測誤差超過±5％時，則重新選擇樣本進(jìn)行訓(xùn)練，直到滿足精度要求為止。

第二信號采集模塊。用于從數(shù)據(jù)庫中選擇需要預(yù)測co排放的運行工況，或者實時地采集當(dāng)前鍋爐的運行工況。

預(yù)測模塊。該模塊用于對指定的樣本進(jìn)行co排放預(yù)測，或者對當(dāng)前鍋爐運行工況下的co排放進(jìn)行實時預(yù)測。

結(jié)果顯示模塊。顯示co排放的預(yù)測結(jié)果，或者對co排放的預(yù)測結(jié)果進(jìn)行統(tǒng)計分析。

實施例2

參照圖1、圖2、圖3、圖4，本發(fā)明提供的一種循環(huán)流化床生活垃圾焚燒鍋爐co排放預(yù)測方法，該方法包括以下步驟：

1)分析循環(huán)流化床生活垃圾焚燒鍋爐的運行機理和co生成機理，選擇垃圾的給料量、給煤量、一次風(fēng)量、二次風(fēng)量、煙氣含氧量、爐膛負(fù)壓、床層溫度、爐膛稀相區(qū)溫度作為co排放預(yù)測模型的輸入變量。

國內(nèi)的城市生活垃圾多為混合收集，導(dǎo)致入廠、入爐垃圾成分較為復(fù)雜，一般主要包括廚余垃圾、紙、塑料、橡膠、織物、木頭、竹子以及無機物等主要成分，表現(xiàn)出低熱值、高水分和波動性較大的特征。為了保證循環(huán)流化床垃圾焚燒鍋爐的穩(wěn)定燃燒，通常會添加煤作為輔助燃料。垃圾在循環(huán)流化床中的燃燒是一個十分復(fù)雜的劇烈物理化學(xué)變化過程，垃圾在進(jìn)入爐膛之后會經(jīng)歷幾個過程：干燥加熱、揮發(fā)分析出及燃燒、焦炭燃燒。垃圾中質(zhì)輕易碎的組分如紙紙張、塑料以及細(xì)顆粒等會在流化風(fēng)的作用下進(jìn)入爐膛上部，經(jīng)歷干燥、揮發(fā)分的析出及燃燒以及殘?zhí)康娜紵纫幌盗羞^程；而密度較大、含水率高以及顆粒尺寸較大的組分如木頭、廚余垃圾等終端速度大于流化速度的組分會落入密相區(qū)，并在密相區(qū)中被床料加熱、燃燒，與煤的熱量釋放規(guī)律不同，垃圾中高水分低熱值的組分會在密相區(qū)中吸收大量的熱，而大量的揮發(fā)分在懸浮段燃燒。

cfb尾部煙氣中co排放量是由爐膛中的溫度場分布狀況、氧氣濃度分布狀況和有機揮發(fā)分濃度的分布狀況決定的。給煤量、給料量和一二次風(fēng)量共同決定了溫度場分布、氧氣濃度分布和有機揮發(fā)分濃度分布，他們通過床層溫度、爐膛稀相區(qū)溫度和煙氣含氧量反映出來。尤其需要注意的是，在實際運行過程中，會出現(xiàn)溫度場、組分場分布不均的情況，而通過煙氣氧量測點和爐膛溫度測點無法完全獲知，而爐膛負(fù)壓的波動情況可以在一定程度上反映它們的波動情況，因此也將它作為模型的輸入變量之一。

2)采集訓(xùn)練樣本。按設(shè)定的時間間隔從數(shù)據(jù)庫中采集輸入變量的歷史數(shù)據(jù)，或者采集指定工況下的運行參數(shù)，組成co排放預(yù)測模型輸入變量的訓(xùn)練樣本矩陣x(m×n)，m表示樣本個數(shù)，n表示變量的個數(shù)，同時采集與之對應(yīng)的co排放量作為模型的輸出訓(xùn)練樣本y(m×1)；

3)數(shù)據(jù)預(yù)處理。對x(m×n)進(jìn)行粗大誤差處理和隨機誤差處理，以摒除那些并不是反映鍋爐正常運行工況的虛假信息，將鍋爐停爐、壓火、給料機堵塞等異常工況排除掉，為了避免預(yù)測模型的參數(shù)之間量綱和數(shù)量級的不同對模型性能造成的不良影響，訓(xùn)練樣本輸入變量均經(jīng)過歸一化處理后映射到[0，1]區(qū)間內(nèi)，得到標(biāo)準(zhǔn)化后的輸入變量的訓(xùn)練樣本x^*(m×n)和輸出變量的訓(xùn)練樣本y^*(m×1)。

4)利用gammatest算法尋找最優(yōu)的訓(xùn)練樣本尺寸。gammatest算法是對所有光滑函數(shù)均適用的非參數(shù)估計方法，該方法不關(guān)注輸入輸出數(shù)據(jù)之間的任何參數(shù)關(guān)系，只對輸入輸出數(shù)據(jù)進(jìn)行計算即可得到模型的噪聲方差，對于如下形式的數(shù)據(jù)集：

{(xi,yi),1≤i≤m}(1)

式中，x∈rⁿ表示輸入，對應(yīng)的輸出標(biāo)量為y∈r。

gammatest假定的模型關(guān)系是：

y＝f(x1,…,xn)+r(2)

式中，f是一個光滑函數(shù)，r是一個表示數(shù)據(jù)噪聲的隨機量。不失一般性，可假定r的均值為0(否則可在f中加入常數(shù)項)，方差為var(y)。gammatest就是計算一個統(tǒng)計量γ，用它來評價輸出量的方差，顯然，如果數(shù)據(jù)的關(guān)系符合光滑模型，并且沒有噪聲，這個方差是0。γ的計算過程如下：

4.1)計算輸入數(shù)據(jù)的距離統(tǒng)計量。用xi表示第i個輸入數(shù)據(jù)，xn[i,k]表示輸入樣本的第k近鄰域點，計算如下統(tǒng)計量：

式中，|·|表示歐拉距離，p為最遠(yuǎn)鄰近距離(nearestneighbor)。

4.2)計算輸出數(shù)據(jù)的距離統(tǒng)計量。用yi表示第i個輸出數(shù)據(jù)，yn[i,k]表示輸出樣本的第k近鄰域點，計算如下統(tǒng)計量：

式中符號的意義同(3)式。

4.3)計算統(tǒng)計量γ。為了計算γ，分別計算鄰近距離從1到p的統(tǒng)計量(δm(1),γm(1))，(δm(2),γm(2))，…，(δm(p),γm(p))。對這p個統(tǒng)計量構(gòu)造一元線性回歸模型，用最小二乘法進(jìn)行擬合，得到的一次線性函數(shù)的截距就是gammatest統(tǒng)計量γ，γ值越小表示樣本中的噪聲越小。

定義另一個統(tǒng)計量vratio：

式中，δ²(y)表示輸出y的方差。vratio可以用來評價光滑模型對該數(shù)據(jù)的模擬能力，vratio越接近0，表示該模型的預(yù)測性能越好。

5)將gammatest算法尋優(yōu)得到最優(yōu)訓(xùn)練樣本用于構(gòu)建隨機森林模型，隨機森林是一個由一組決策樹分類器{h(x,θk),k＝1,2,…,k}組成的成分類器，其中θk是服從獨立同分布的隨機向量，k表示隨機森林中決策樹的個數(shù)，在給定自變量x下，每個決策樹分類器通過投票來決定最優(yōu)的分類結(jié)果。如果把決策樹看成分類任務(wù)中的一個專家，隨機森林就是許多專家在一起對某種任務(wù)進(jìn)行分類。分類樹的實現(xiàn)按照自頂向下、遞歸分裂的原則進(jìn)行，在所有分類樹中，根結(jié)點擁有全部訓(xùn)練樣本數(shù)據(jù)，訓(xùn)練過程依據(jù)純度最小原則，將該節(jié)點分裂為左節(jié)點和右節(jié)點，兩個節(jié)點分別設(shè)定為訓(xùn)練數(shù)據(jù)的一個子集，按照相同的方式使節(jié)點繼續(xù)分裂下去，直到滿足分支終止條件而停止訓(xùn)練，若在某個節(jié)點上的所有分類數(shù)據(jù)來自同一個類別，則該節(jié)點的純度為0，又稱為gini值。假設(shè)集合t中包含n個類別的記錄，并分裂成r個部分n1，n2，……，nr，每個部分對應(yīng)的集合為t1，t2，……，tr，那么這個分裂的gini系數(shù)按照公式(6)和(7)計算：

式中，t指總的訓(xùn)練樣本集，pj代表類別j出現(xiàn)的頻率，ginisplit(t)指所有類別的gini值。

生成隨機森林的具體步驟如下：

5.1)從原始訓(xùn)練數(shù)據(jù)集t中，應(yīng)用bootstrap方法有放回地隨機抽取k個新的自助樣本集，并由此構(gòu)建k棵分類回歸樹，作為根結(jié)點開始訓(xùn)練。

5.2)設(shè)總共有n個特征，則在每一棵樹的每個節(jié)點處隨機抽取mtry個特征(mtry≤n)，通過計算每個特征蘊含的信息量，在mtry個特征中選擇一個最具有分類能力的特征進(jìn)行節(jié)點分裂。

5.3)每棵樹最大限度地生長，不做任何剪裁。

5.4)將生成的多棵樹組成隨機森林，對于回歸問題，預(yù)測輸出為所有樹輸出值的平均值，得到訓(xùn)練好的co排放預(yù)測模型。

6)利用訓(xùn)練好的co排放預(yù)測模型和測試樣本對模型進(jìn)行測試，如果模型的預(yù)測co排放量和實際co排放量的相對預(yù)測誤差超過±5％時，則重新選擇樣本進(jìn)行訓(xùn)練，直到滿足精度要求為止。

7)模型自適應(yīng)更新。當(dāng)co排放量與模型預(yù)測排放量的誤差超過±5％時，立即更新模型。