CN107356710A - 一种垃圾焚烧烟气中二噁英类浓度预测方法及*** - Google Patents
一种垃圾焚烧烟气中二噁英类浓度预测方法及*** Download PDFInfo
- Publication number
- CN107356710A CN107356710A CN201710544474.6A CN201710544474A CN107356710A CN 107356710 A CN107356710 A CN 107356710A CN 201710544474 A CN201710544474 A CN 201710544474A CN 107356710 A CN107356710 A CN 107356710A
- Authority
- CN
- China
- Prior art keywords
- concentration
- flue gas
- dioxin
- waste incineration
- characteristic vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Computation (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明公开了一种垃圾焚烧烟气中二噁英类浓度预测方法及***。所述方法包括:(1)获取垃圾焚烧炉稳定运行时的工况参数和常规污染物浓度,作为特征向量;(2)将特征向量输入支持向量机模型,进行回归预测;(3)根据支持向量机回归预测结果,标定垃圾焚烧烟气中二噁英类浓度。所述***包括:特征向量获取装置、回归预测装置、以及浓度标定装置。本发明提供的方法实时性好、成本低;本发明提供的***,无需增加检测设备,实现低成本实时监测垃圾焚烧烟气中二噁英类浓度。
Description
技术领域
本发明属于垃圾处理技术领域,更具体地,涉及一种垃圾焚烧烟气中二噁英类浓度预测方法及***。
背景技术
为了应对日趋严重的垃圾污染问题,缓解能源压力,垃圾焚烧发电作为能够实现垃圾无害化、减量化、资源化的处理方式受到全世界的普遍关注与应用。各焚烧厂污染防治水平参差不齐,污染物超标排放造成的邻避矛盾突出,亟需以长期实时监测为手段,对焚烧厂污染防治能力进行动态评估预测和分类管理。
垃圾焚烧产生的二噁英类含量低、但是危害大,是焚烧厂邻避矛盾的主要诱因,也是环境监测和管理的难点。当前,垃圾焚烧二噁英类难以像工况参数和常规污染物一样实现在线连续监测,标准方法是使用高分辨气相色谱-高分辨质谱联用法进行检测分析,成本高、周期长、实时性差。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种垃圾焚烧烟气中二噁英类浓度预测方法及***,其目的在于通过实时监控易获得的工况参数和常规污染物浓度,采用支持向量机回归预测,实时标定圾焚烧烟气中二噁英类浓度,由此解决现有的圾焚烧烟气中二噁英类浓度监测成本高、周期长、实时性差的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种垃圾焚烧烟气中二噁英类浓度预测方法,包括以下步骤:
(1)获取垃圾焚烧炉稳定运行时的工况参数和常规污染物浓度,作为特征向量;
(2)将步骤(1)中获取的特征向量输入支持向量机模型,进行回归预测;
(3)根据步骤(2)中支持向量机回归预测结果,标定垃圾焚烧烟气中二噁英类浓度。
优选地,所述垃圾焚烧烟气中二噁英类浓度预测方法,其所述工况参数包括:炉膛内焚烧温度;所述常规污染物浓度包括:HCl浓度。
优选地,所述垃圾焚烧烟气中二噁英类浓度预测方法,其所述工况参数还包括:锅炉出口烟温、以及烟气流量;所述常规污染物浓度还包括: SO2浓度、以及颗粒物浓度。
优选地,所述垃圾焚烧烟气中二噁英类浓度预测方法,其步骤(2)所述支持向量机模型核函数为:d阶多项式核函数、径向基核函数、sigmoid 核函数。
优选地,所述垃圾焚烧烟气中二噁英类浓度预测方法,其步骤(2)所述支持向量机模型采用ε不敏感损失函数支持向量回归(ε-SVR)工具。
优选地,所述垃圾焚烧烟气中二噁英类浓度预测方法,其步骤(2)所述ε不敏感损失函数支持向量回归(ε-SVR)工具的不敏感损失系数ε取值在0.01~0.1之间。
优选地,所述垃圾焚烧烟气中二噁英类浓度预测方法,其步骤(2)所述ε不敏感损失函数支持向量回归(ε-SVR)工具的不敏感损失系数ε取值为0.04。
优选地,所述垃圾焚烧烟气中二噁英类浓度预测方法,其步骤(2)包括:
将步骤(1)中获取的特征向量进行标准化预处理,使得处理后的特征向量值在[0,1]之间。具体地,标准化值可按照如下公式计算:
其中,xs为所述特征向量值的标准化值,xi为所述特征向量的值,xmin为所述特征向量在训练样本中的最小值,xmax为所述特征向量在训练样本中的最大值。
优选地,所述垃圾焚烧烟气中二噁英类浓度预测方法,其步骤(3)所述二噁英类浓度为二噁英类总浓度和/或总毒性当量。
按照本发明的另一方面,提供了一种垃圾焚烧烟气中二噁英类浓度预测***,包括:
特征向量获取装置,用于获取垃圾焚烧炉稳定运行时的工况参数和常规污染物浓度,作为特征向量,提交给回归预测装置;
所述回归预测装置,存储有经训练的支持向量机模型,用于根据特征向量获取装置提交的特征向量,计算回归预测结果,并提交给浓度标定装置;
所述支持向量机模型为ε不敏感损失函数支持向量回归(ε-SVR);ε的取值在0.01~0.1之间,优选ε=0.04;其核函数为d阶多项式核函数、径向基核函数、或sigmoid核函数;
所述浓度标定装置,用于根据回归预测装置提交的回归预测结果,标定垃圾焚烧烟气中二噁英类浓度;所述二噁英类浓度为二噁英类总浓度和/ 或总毒性当量。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明提供的垃圾焚烧烟气中二噁英类浓度预测方法及***通过选择支持向量机作为数学模型,以工况参数和常规污染物浓度为特征,进行机器学习回归预测,从而实时检测垃圾焚烧烟气中二噁英类浓度。本发明提供的方法实时性好,成本低。本发明提供的***,无需增加检测设备,即可实现低成本实时监测垃圾焚烧烟气中二噁英类浓度。对于垃圾处理,有着重要的应用价值和研究价值。
附图说明
图1是本发明实施例提供的垃圾焚烧烟气中二噁英类浓度预测方法预测结果对比图;其中图1a为二噁英类总浓度预测结果对比;图1b为二噁英类总毒性当量预测结果对比;
图2是本发明实施例1至3预测绝对百分比误差分布图;图2a为二噁英类总浓度预测结果绝对百分比误差分布图;图2b为二噁英类总毒性当量测结果绝对百分比误差分布图;
图3是本发明采用的特征向量效果测试结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的垃圾焚烧烟气中二噁英类浓度预测方法,包括以下步骤:
(1)获取垃圾焚烧炉稳定运行时的对工况参数和常规污染物浓度,作为特征向量;
所述工况参数,包括:炉膛内焚烧温度,优选还包括:锅炉出口烟温、以及烟气流量;所述常规污染物浓度,包括:HCl浓度,优选还包括:SO2浓度、以及颗粒物浓度。
就工况参数而言,一方面,燃烧段的炉膛内焚烧温度和氧气浓度影响二噁英类产生,如在后燃段650~900℃区间,温度与二噁英类含量线性回归的拟合优度R2高达0.80;另一方面,焚烧工况稳定的焚烧厂排放的二噁英类主要来自低温异相催化反应,与锅炉出口烟温关系密切,线性回归拟合优度R2达0.83,也受除尘器温度影响,当除尘器温度为180~270℃时,线性回归拟合优度R2高达0.85,二噁英类在200~400℃之间可以进行从头合成(de novo)反应,因此缩短烟气在此温度范围间的停留时间,进行烟气急冷,能够有效减少二噁英类生成。
由于常规污染物能实现在线连续监测,更希望利用常规污染物数据来实现二噁英类的实时监测。研究发现烟气中的二噁英类含量与烟尘浓度、 HCl浓度和SO2浓度均存在较强的相关性。但是,与工况参数或者含氯前体物相比,这种相关性偏弱。
输入变量过多会导致模型过于复杂,尤其是引入无关变量或是多重共线性变量而导致模型泛化能力降低。根据文献对烟气二噁英类与焚烧工况及常规污染物的相关性分析,本发明选取炉膛内焚烧温度、锅炉出口烟温、烟气流量、SO2浓度、HCl浓度及颗粒物浓度等6个变量作为特征向量。
优选按照如下方法获取:
对于生活垃圾焚烧厂配备的垃圾焚烧炉,进行烟气样品采集,采样点分别设在脱酸塔后、活性炭喷射及布袋除尘器前,以及布袋除尘器后,每个点采集2~3次。为了保证数据的匹配性,每条焚烧***在烟气净化前后同时进行烟气样品采集。在不同工况条件下采集烟气样品,每次采样过程持续4小时,分别为工况稳定时间2小时,烟气二噁英类样品采集2小时。样品采集期间,采用手工监测、便携式仪器监测、或在线监测设备监测等方式,对工况参数(炉膛内焚烧温度、锅炉出口烟温、布袋出口烟温、烟气流量、O2与H2O含量)与常规污染物浓度(CO2、SO2、NOx、HCl、CO、颗粒物、HF与NH3)进行同步监测,每10分钟汇总1次监测数据,共12 次,最后结果取其平均值。
(2)将步骤(1)中获取的特征向量输入支持向量机模型,进行回归预测;
所述支持向量机模型,对于训练样本集{xi,yi},xi∈Rn,yi∈R(i=1,2,…,l),获取回归函数f(x)=w·x+b的参数w、b;优化目标为:
其中,为松弛变量,C是惩罚因子,控制模型对于样本超出误差的惩罚程度,C越大对训练样本的拟合程度越高。
引入Lagrange方程转化为对偶优化问题,如下:
其中,为Lagrange乘子,且
利用最优化的充要条件(KKT条件),可以得到目标回归估计函数:
由于只涉及训练样本之间的内积运算,计算的复杂程度取决于样本数而不取决于空间的维数,从而能有效处理高维问题。对于非线性训练样本,支持向量机的思想是通过非线性映射Φ,将训练样本输入数据x映射到高维空间中,从而将非线性函数估计问题转化为高维空间中的线性函数估计问题,具体如下:
f(x)=w·Φ(x)+b
与前面类似,可以得到此条件下的目标回归估计函数:
其中,K(xi·x)=Φ(xi)·Φ(xj)是支持向量机的核函数,是支持向量机克服高维数计算和解决非线性的关键因素。常用的核函数有d阶多项式核函数、径向基核函数(Radial Basis Function,RBF)、sigmoid核函数,函数形式分别如下:
d阶多项式核函数:K(x,xi)=[γ(x·xi)+1]d
RBF核函数:K(x,xi)=exp(-γ||x-xi||2)
sigmoid核函数:K(x,xi)=tanh[γ(x·xi)+c]
多项式核函数的参数比较多,当其阶数d比较高的时候,计算复杂度会大大增加;RBF核函数参数少,对于大样本及小样本都有较好的性能,因此应用最广;采用sigmoid核函数的支持向量机实现的是包含一个隐层的多层感知器且不存在神经网络中的局部极小点问题,但是其只有满足某些特定条件才能满足Mercer条件(任何半正定的函数都可以作为核函数),因此在应用中受到一些限制。
优选采用ε不敏感损失函数支持向量回归(ε-SVR)工具。支持向量机参数的选取对预测结果有重要影响,对于ε不敏感损失函数支持向量回归 (ε-SVR)工具,需要确定的参数有不敏感损失系数ε、惩罚因子C以及核函数的参数γ,这些参数的选择控制着模型的学习能力和泛化能力,需要综合考虑3个因素的相互影响,确定稳定、快速的参数。
本发明ε的取值在0.01~0.1之间,优选ε=0.04,此时建模效果最好。同时利用K-折交叉验证结合网格搜索法确定核函数的参数γ以及惩罚因子C。由于样本数较少,采用10-折以及5-折交叉验证,参数γ及C的搜索范围都为[2-10,210],搜索步长为0.4(即2-10,2-9.6,2-9.2…),参数搜索时间及拟合性能都比较好。
优选,将步骤(1)中获取的特征向量进行标准化预处理,使得处理后的特征向量值在[0,1]之间。具体地,标准化值可按照如下公式计算:
其中,xs为所述特征向量值的标准化值,xi为所述特征向量的值,xmin为所述特征向量在训练样本中的最小值,xmax为所述特征向量在训练样本中的最大值。
(3)根据步骤(2)中支持向量机回归预测结果,标定垃圾焚烧烟气中二噁英类浓度。
所述二噁英类浓度为二噁英类总浓度和/或总毒性当量。
本发明提供的垃圾焚烧烟气中二噁英类浓度预测***,包括:
特征向量获取装置,用于获取垃圾焚烧炉稳定运行时的对工况参数和常规污染物浓度,作为特征向量,提交给回归预测装置;
所述回归预测装置,存储有经训练的支持向量机模型,用于根据特征向量获取装置提交的特征向量,计算回归预测结果,并提交给浓度标定装置;
所述支持向量机模型为ε不敏感损失函数支持向量回归(ε-SVR);ε的取值在0.01~0.1之间,优选ε=0.04;其核函数为d阶多项式核函数、径向基核函数、或sigmoid核函数。
所述浓度标定装置,用于根据回归预测装置提交的回归预测结果,标定垃圾焚烧烟气中二噁英类浓度;所述二噁英类浓度为二噁英类总浓度和/ 或总毒性当量。
与直接检测相比,本发明充分利用现有监测条件和数据,通过分析二噁英类含量与工况参数与常规污染物浓度的相关关系,建立回归预测模型,以间接对二噁英类进行实时监测,能够以最低的代价满足二噁英类精细化监管的要求。
垃圾焚烧产生二噁英类的机理复杂,影响因素较多,回归预测需要建立多元模型。但供建模训练的二噁英类数据往往不多,常使多元回归预测遭遇小样本数据问题,而传统的统计学方法是基于样本数目趋于无穷大的渐进理论,难以达到预测的要求。而机器学习方法中,决策树法受人为主观影响较大,人工神经网络法虽应用较广,但是基于经验风险最小化原则为基础,易陷入局部最优、过学习状态导致预测精度下降,而支持向量回归(Support Vector Regression,SVR)以统计学习理论及结构风险最小化原理为基础,有效规避上述风险,可以取得良好的预测效果。
以下为实施例:
本发明实施例基于3种不同核函数的支持向量回归建立二噁英类排放浓度及毒性当量(I-TEQ)回归预测模型,并与多元线性回归(Multiple Linear Regression,MLR)从拟合能力及预测精度两方面进行比较,以期获得学习及泛化能力强的预测模型,从而间接实现垃圾焚烧烟气中二噁英类的实时监测。
本发明实施例采用拟合优度R2评价实施例中提供方法的学***均绝对误差(MAE)、平均绝对百分比误差(MAPE)和最大绝对百分比误差(MaxAPE)。
以下实施例中模型数据按照以下方法获取:
训练样本的特征向量参数获取同步骤(1);二噁英类总浓度和总毒性当量按照如下方法获取:对各组样本的二噁英类进行检测分析,得到总浓度及总毒性当量。二噁英类的总浓度为17种有毒同类物的浓度之和,二噁英类的总毒性当量是根据17种有毒同类物的浓度和《生活垃圾焚烧污染控制标准》(GB 18485-2014)提供的毒性当量因子(I-TEF)进行加权计算而得到的毒性当量之和。
实施例1
一种垃圾焚烧烟气中二噁英类浓度预测方法,包括以下步骤:
(1)获取垃圾焚烧炉稳定运行时的对工况参数和常规污染物浓度,作为特征向量;
所述工况参数,包括:炉膛内焚烧温度、锅炉出口烟温、以及烟气流量;所述常规污染物浓度,包括:SO2浓度、HCl浓度、以及颗粒物浓度。
按照如下方法获取:
对于生活垃圾焚烧厂配备的垃圾焚烧炉,进行烟气样品采集,采用样点分别设在脱酸塔后、活性炭喷射及布袋除尘器前,以及布袋除尘器后,每个点采集2~3次。为了保证数据的匹配性,每条焚烧***在烟气净化前后同时进行烟气样品采集。在不同工况条件下采集烟气样品,每次采样过程持续4小时,分别为工况稳定时间2小时,二噁英类样品采用样2小时。样品采集期间,采用手工监测、便携式仪器监测、或在线监测设备监测等方式,对工况参数(炉膛内焚烧温度、锅炉出口烟温、布袋出口烟温、烟气流量、O2与H2O含量)与常规污染物浓度(CO2、SO2、NOx、HCl、CO、颗粒物、HF与NH3)进行同步监测,每10分钟汇总1次监测数据,共12 次,最后结果取其平均值。
(2)将步骤(1)中获取的特征向量输入支持向量机模型,进行回归预测;
所述支持向量机模型,对于训练样本集{xi,yi},xi∈Rn,yi∈R(i=1,2,…,l),获取回归函数f(x)=w·x+b的参数w、b;目标回归估计函数为:
其中,K(xi·x)=Φ(xi)·Φ(xj)是支持向量机的核函数,具体采用:
d阶多项式核函数:K(x,xi)=[γ(x·xi)+1]d
采用ε不敏感损失函数支持向量回归(ε-SVR)工具。不敏感损失系数ε为0.04、阶数d=1,惩罚因子C,以及核函数的参数γ取值见表1。
将步骤(1)中获取的特征向量进行标准化预处理,使得处理后的特征向量值在[0,1]之间。具体地,标准化值可按照如下公式计算:
其中,xs为所述特征向量值的标准化值,xi为所述特征向量的值,xmin为所述特征向量在训练样本中的最小值,xmax为所述特征向量在训练样本中的最大值。
表1d阶多项式核函数参数取值
(3)根据步骤(2)中支持向量机回归预测结果,标定垃圾焚烧烟气中二噁英类浓度。
所述二噁英类浓度为二噁英类总浓度和/或总毒性当量。结果如表1所示。
实施例2
一种垃圾焚烧烟气中二噁英类浓度预测方法,包括以下步骤:
(1)获取垃圾焚烧炉稳定运行时的对工况参数和常规污染物浓度,作为特征向量;
所述工况参数,包括:炉膛内焚烧温度、锅炉出口烟温、以及烟气流量;所述常规污染物浓度,包括:SO2浓度、HCl浓度、以及颗粒物浓度。
按照如下方法获取:
对于生活垃圾焚烧厂配备的垃圾焚烧炉,进行烟气样品采集,采用样点分别设在脱酸塔后、活性炭喷射及布袋除尘器前,以及布袋除尘器后,每个点采集2~3次。为了保证数据的匹配性,每条焚烧***在烟气净化前后同时进行烟气样品采集。在不同工况条件下采集烟气样品,每次采用样过程持续4小时,分别为工况稳定时间2小时,二噁英类样品采用样2小时。样品采集期间,采用手工监测、便携式仪器监测、或在线监测设备监测等方式,对工况参数(炉膛内焚烧温度、锅炉出口烟温、布袋出口烟温、烟气流量、O2与H2O含量)与常规污染物浓度(CO2、SO2、NOx、HCl、 CO、颗粒物、HF与NH3)进行同步监测,每10分钟汇总1次监测数据,共12次,最后结果取其平均值。
(2)将步骤(1)中获取的特征向量输入支持向量机模型,进行回归预测;
所述支持向量机模型,对于训练样本集{xi,yi},xi∈Rn,yi∈R(i=1,2,…,l),获取回归函数f(x)=w·x+b的参数w、b;优化目标为:
其中,K(xi·x)=Φ(xi)·Φ(xj)是支持向量机的核函数,具体采用:
RBF核函数:K(x,xi)=exp(-γ||x-xi||2)
采用ε不敏感损失函数支持向量回归(ε-SVR)工具。不敏感损失系数ε为0.04、惩罚因子C以及核函数的参数γ取值见表2。
表2RBF核函数参数取值
将步骤(1)中获取的特征向量进行标准化预处理,使得处理后的特征向量值在[0,1]之间。具体地,标准化值可按照如下公式计算:
其中,xs为所述特征向量值的标准化值,xi为所述特征向量的值,xmin为所述特征向量在训练样本中的最小值,xmax为所述特征向量在训练样本中的最大值。
(3)根据步骤(2)中支持向量机回归预测结果,标定垃圾焚烧烟气中二噁英类浓度。
所述二噁英类浓度为二噁英类总浓度和/或总毒性当量。结果如表1所示。
实施例3
一种垃圾焚烧烟气中二噁英类浓度预测方法,包括以下步骤:
(1)获取垃圾焚烧炉稳定运行时的对工况参数和常规污染物浓度,作为特征向量;
所述工况参数,包括:炉膛内焚烧温度、锅炉出口烟温、以及烟气流量;所述常规污染物浓度,包括:SO2浓度、HCl浓度、以及颗粒物浓度。
按照如下方法获取:
对于生活垃圾焚烧厂配备的垃圾焚烧炉,进行烟气样品采集,采用样点分别设在脱酸塔后、活性炭喷射及布袋除尘器前,以及布袋除尘器后,每个点采集2~3次。为了保证数据的匹配性,每条焚烧***在烟气净化前后同时进行烟气样品采集。在不同工况条件下采集烟气样品,每次采用样过程持续4小时,分别为工况稳定时间2小时,二噁英类样品采用样2小时。样品采集期间,采用手工监测、便携式仪器监测、或在线监测设备监测等方式,对工况参数(炉膛内焚烧温度、锅炉出口烟温、布袋出口烟温、烟气流量、O2与H2O含量)与常规污染物浓度(CO2、SO2、NOx、HCl、 CO、颗粒物、HF与NH3)进行同步监测,每10分钟汇总1次监测数据,共12次,最后结果取其平均值。
(2)将步骤(1)中获取的特征向量输入支持向量机模型,进行回归预测;
所述支持向量机模型,对于训练样本集{xi,yi},xi∈Rn,yi∈R(i=1,2,…,l),获取回归函数f(x)=w·x+b的参数w、b;优化目标为:
其中,K(xi·x)=Φ(xi)·Φ(xj)是支持向量机的核函数,具体采用:
sigmoid核函数:K(x,xi)=tanh[γ(x·xi)+c]
采用ε不敏感损失函数支持向量回归(ε-SVR)工具。不敏感损失系数ε为0.04、惩罚因子C以及核函数的参数γ见表3。
表3sigmoid核函数参数取值
将步骤(1)中获取的特征向量进行标准化预处理,使得处理后的特征向量值在[0,1]之间。具体地,标准化值可按照如下公式计算:
其中,xs为所述特征向量值的标准化值,xi为所述特征向量的值,xmin为所述特征向量在训练样本中的最小值,xmax为所述特征向量在训练样本中的最大值。
(3)根据步骤(2)中支持向量机回归预测结果,标定垃圾焚烧烟气中二噁英类浓度。
所述二噁英类浓度为二噁英类总浓度和/或总毒性当量。结果如表1所示。
对比例:
一种垃圾焚烧烟气中二噁英类浓度预测方法,包括以下步骤:
(1)获取垃圾焚烧炉稳定运行时的对工况参数和常规污染物浓度,作为特征向量;
所述工况参数,包括:炉膛内焚烧温度、锅炉出口烟温、以及烟气流量;所述常规污染物浓度,包括:SO2浓度、HCl浓度、以及颗粒物浓度。
按照如下方法获取:
对于生活垃圾焚烧厂配备的垃圾焚烧炉,进行烟气样品采集,采用样点分别设在脱酸塔后、活性炭喷射及布袋除尘器前,以及布袋除尘器后,每个点采集2~3次。为了保证数据的匹配性,每条焚烧***在烟气净化前后同时进行烟气样品采集。在不同工况条件下采集烟气样品,每次采用样过程持续4小时,分别为工况稳定时间2小时,二噁英类样品采用样2小时。样品采集期间,采用手工监测、便携式仪器监测、或在线监测设备监测等方式,对工况参数(炉膛内焚烧温度、锅炉出口烟温、布袋出口烟温、烟气流量、O2与H2O含量)与常规污染物浓度(CO2、SO2、NOx、HCl、 CO、颗粒物、HF与NH3)进行同步监测,每10分钟汇总1次监测数据,共12次,最后结果取其平均值。
(2)将步骤(1)中获取的特征向量输入MLR机模型,进行回归预测;
(3)根据步骤(2)中支持向量机回归预测结果,标定垃圾焚烧烟气中二噁英类浓度。
所述二噁英类浓度为二噁英类总浓度和/或总毒性当量。结果如表4所示。
从表4来看,两者对于样本的学***均值均大于0.95,说明样本本身存在较好的线性关系。但是,SVR模型对于小样本数据的泛化能力优于MLR,尤其是对二噁英类总浓度的预测误差较小,70%以上的测试样本的绝对百分比误差及平均绝对百分比误差都在10%以内,但最大百分比误差较大,且3种核函数对二噁英类总浓度预测的最大绝对百分比误差都出现在2号样本。MLR预测结果绝对百分比误差超过20%的大误差样本比例较高,尤其对二噁英类总毒性当量的预测结果中达到60%。
表4实施例1至3预测效果
实施例1至3的比较分析:
建模预测时发现,实施例1的d阶多项式核函数的阶数取1时有较好的学***均值均在0.96以上。实施例1 对于二噁英类总浓度预测平均误差最小,而实施例3对二噁英类总浓度及总毒性当量整体泛化能力最强,预测结果中绝对百分比误差小于10%的比例分别达到80%及60%,均高于实施例1和实施例2,但是其最大百分比误差最大。实施例2对二噁英类总毒性当量的预测模型泛化能力表现出较好的均衡性,平均绝对百分比误差稍高于实施例3,但其最大绝对百分比误差为22.38%,低于实施例1和实施例3。
为进一步比较3种不同的核函数对于小样本问题预测的优劣,本发明考率训练样本减少时不同核函数的预测性能。采用5折交叉验证的方式,每8组数据作为训练集、其余2组数据作为测试集,分别采用3种核函数进行建模计算,共进行90次交叉验证计算。如表5所示,表5统计了各组实验结果的R2平均值、R2最大值、R2最小值、平均绝对误差、平均绝对百分比误差、最大绝对百分比误差及置信水平95%下平均绝对百分比误差的置信区间。图2是实施例1至3核函数下模型预测绝对百分比误差分布图,以10%为间隔进行统计。
表5实施例1至3预测结果统计
从表3中可以看出,在训练样本减少到8组时,实施例1与实施例2 能力明显好于实施例3,后者对二噁英类总浓度及总毒性当量的部分训练样本学***均绝对百分比误差可以收敛到更小的区间,稍优于后者。
特征向量影响分析:
为了分析6个特征变量对模型的影响程度大小,在实施例2基础上依次除去1个变量,以其他5个变量作为特征变量进行建模,建模的方法及参数与原有模型一致。将原有模型用M0表示,将依次除去炉膛内焚烧温度、锅炉出口烟温、烟气流量、SO2浓度、HCl浓度及颗粒物浓度的模型分别用M1~M6表示。以模型预测结果的平均绝对百分比误差作为评价指标,结果如图3所示。
由图3的结果看出,HCl浓度及炉膛内焚烧温度对模型的影响最大,去除变量后对二噁英类总浓度及总毒性当量的预测平均绝对百分比误差均有明显增加,其中去除HCl浓度(M5)后增加了25%以上,去除炉膛内焚烧温度(M1)后增加了10%左右;分别去除变量锅炉出口烟温(M2)、烟气流量(M3)、SO2浓度(M4)后,二噁英类总浓度的预测误差均有小幅下降,而总毒性当量的预测误差除了M3上升了约8%外另2组基本没变化;去除变量颗粒物浓度(M6)后对二噁英类总毒性当量预测误差也基本无影响,但总浓度预测误差增加了9%。
经分析可知,HCl浓度、炉膛内焚烧温度、颗粒物浓度3个变量对二噁英类总浓度预测模型影响较大,HCl浓度、炉膛内焚烧温度、烟气流量3 个变量对二噁英类总毒性当量预测模型影响较大。后续研究可以加深对特征变量的研究,优化变量组合。
本发明实施例基于10组实际监测数据,采用K-折交叉验证的方式,对比了基于3种核函数的支持向量回归和多元线性回归的预测性能,结果表明支持向量回归在泛化能力方面具有明显的优势,绝大部分预测结果的绝对百分比误差在10%以内。但是无论哪种模型,预测二噁英类总毒性当量的泛化能力都低于预测二噁英类总浓度。
训练样本数对支持向量回归的泛化能力影响较大,在训练样本数为9 时,使用sigmoid核函数的实施例3表现出整体较小的相对误差,但当训练样本数减至8时,使用1阶多项式的实施例1及RBF核函数的实施例2比使用sigmoid核函的实施例3数获得了更小的相对误差。
通过依次剔除某变量后模型预测误差变化大小的方式分析该变量对模型的影响,结果发现HCl浓度、炉膛内焚烧温度、烟气流量及颗粒物浓度对模型预测误差的影响较大。
本文对于垃圾焚烧厂烟气二噁英类总浓度及总毒性当量的小样本数据建模预测,整体表现出较好的性能,有助于实现垃圾焚烧厂烟气二噁英类浓度的间接实时监测,相关方法可供环境监测领域中所遇到的其他小样本问题参考。但本文涉及的样本数较少,模型的使用还需要收集更多的监测数据以进一步优化,同时可以加深研究模型的特征变量组合以获取更好的使用性能。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种垃圾焚烧烟气中二噁英类浓度预测方法,其特征在于,包括以下步骤:
(1)获取垃圾焚烧炉稳定运行时的工况参数和常规污染物浓度,作为特征向量;
(2)将步骤(1)中获取的特征向量输入支持向量机模型,进行回归预测;
(3)根据步骤(2)中支持向量机回归预测结果,标定垃圾焚烧烟气中二噁英类浓度。
2.如权利要求1所述的垃圾焚烧烟气中二噁英类浓度预测方法,其特征在于,所述工况参数包括:炉膛内焚烧温度;所述常规污染物浓度包括:HCl浓度。
3.如权利要求2所述的垃圾焚烧烟气中二噁英类浓度预测方法,其特征在于,所述工况参数还包括:锅炉出口烟温、以及烟气流量;所述常规污染物浓度还包括:SO2浓度、以及颗粒物浓度。
4.如权利要求1所述的垃圾焚烧烟气中二噁英类浓度预测方法,其特征在于,步骤(2)所述支持向量机模型核函数为:d阶多项式核函数、径向基核函数、sigmoid核函数。
5.如权利要求1所述的垃圾焚烧烟气中二噁英类浓度预测方法,其特征在于,步骤(2)所述支持向量机模型采用ε不敏感损失函数支持向量回归工具。
6.如权利要求5所述的垃圾焚烧烟气中二噁英类浓度预测方法,其特征在于,步骤(2)所述ε不敏感损失函数支持向量回归(ε-SVR)工具的不敏感损失系数ε取值在0.01~0.1之间。
7.如权利要求6所述的垃圾焚烧烟气中二噁英类浓度预测方法,其特征在于,步骤(2)所述ε不敏感损失函数支持向量回归(ε-SVR)工具的不敏感损失系数ε取值为0.04。
8.如权利要求6所述的垃圾焚烧烟气中二噁英类浓度预测方法,其特征在于,步骤(2)包括:
将步骤(1)中获取的特征向量进行标准化预处理,使得处理后的特征向量值在[0,1]之间。具体地,标准化值可按照如下公式计算:
<mrow>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中,xs为所述特征向量值的标准化值,xi为所述特征向量的值,xmin为所述特征向量在训练样本中的最小值,xmax为所述特征向量在训练样本中的最大值。
9.如权利要求1所述的垃圾焚烧烟气中二噁英类浓度预测方法,其特征在于,步骤(3)所述二噁英类浓度为二噁英类总浓度和/或总毒性当量。
10.一种垃圾焚烧烟气中二噁英类浓度预测***,其特征在于,包括:
特征向量获取装置,用于获取垃圾焚烧炉稳定运行时的工况参数和常规污染物浓度,作为特征向量,提交给回归预测装置;
所述回归预测装置,存储有经训练的支持向量机模型,用于根据特征向量获取装置提交的特征向量,计算回归预测结果,并提交给浓度标定装置;
所述支持向量机模型为ε不敏感损失函数支持向量回归;ε的取值在0.01~0.1之间,优选ε=0.04;其核函数为d阶多项式核函数、径向基核函数、或sigmoid核函数;
所述浓度标定装置,用于根据回归预测装置提交的回归预测结果,标定垃圾焚烧烟气中二噁英类浓度;所述二噁英类浓度为二噁英类总浓度和/或总毒性当量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710544474.6A CN107356710A (zh) | 2017-07-06 | 2017-07-06 | 一种垃圾焚烧烟气中二噁英类浓度预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710544474.6A CN107356710A (zh) | 2017-07-06 | 2017-07-06 | 一种垃圾焚烧烟气中二噁英类浓度预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107356710A true CN107356710A (zh) | 2017-11-17 |
Family
ID=60293288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710544474.6A Pending CN107356710A (zh) | 2017-07-06 | 2017-07-06 | 一种垃圾焚烧烟气中二噁英类浓度预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107356710A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613130A (zh) * | 2018-11-22 | 2019-04-12 | 环境保护部华南环境科学研究所 | 基于生物法检测二恶英样品的转移溶解方法及移液组件 |
CN110081440A (zh) * | 2019-05-05 | 2019-08-02 | 绿色动力环保集团股份有限公司 | 生活垃圾焚烧中二噁英的在线预测方法及预警和控制*** |
CN110135057A (zh) * | 2019-05-14 | 2019-08-16 | 北京工业大学 | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 |
JP2020067980A (ja) * | 2018-10-26 | 2020-04-30 | 富士通株式会社 | 予測プログラム、予測方法及び予測装置 |
CN111308966A (zh) * | 2019-11-05 | 2020-06-19 | 光大环保技术研究院(南京)有限公司 | 垃圾焚烧发电应急排放监管***,分析***、用户终端设备 |
CN111882230A (zh) * | 2020-07-31 | 2020-11-03 | 浙江大学 | 一种基于神经网络的二噁英排放在线监测方法 |
CN111882130A (zh) * | 2020-07-30 | 2020-11-03 | 浙江大学 | 一种基于生成路径聚类与Box-Cox变换的二噁英排放在线预测方法 |
CN112102890A (zh) * | 2020-07-28 | 2020-12-18 | 浙江中控技术股份有限公司 | 一种基于机器学习模型的mcs合成装置反应温度预测方法 |
CN112884203A (zh) * | 2021-01-22 | 2021-06-01 | 浙江大学 | 一种基于贝叶斯支持向量回归的二噁英排放在线预测方法 |
CN113094986A (zh) * | 2021-04-01 | 2021-07-09 | 瀚蓝绿电固废处理(佛山)有限公司 | 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 |
CN113804838A (zh) * | 2021-09-28 | 2021-12-17 | 浙江富春江环保科技研究有限公司 | 一种用于二噁英在线检测的边界报警方法 |
CN113947142A (zh) * | 2021-10-14 | 2022-01-18 | 天津大学 | 一种酸性气体排放浓度预测方法、***及存储介质 |
CN114216128A (zh) * | 2021-12-06 | 2022-03-22 | 生态环境部华南环境科学研究所 | 一种生活垃圾焚烧厂二噁英类的风险防控方法及*** |
CN116153425A (zh) * | 2023-02-24 | 2023-05-23 | 北京和利时工业软件有限公司 | 一种氨碳比软测量方法、装置、设备及介质 |
-
2017
- 2017-07-06 CN CN201710544474.6A patent/CN107356710A/zh active Pending
Non-Patent Citations (2)
Title |
---|
李大中 等: "垃圾焚烧发电污染物排放过程建模与优化", 《可再生能源》 * |
杨俊燕 等: "ε不敏感损失函数支持向量机分类性能研究", 《西安交通大学学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020067980A (ja) * | 2018-10-26 | 2020-04-30 | 富士通株式会社 | 予測プログラム、予測方法及び予測装置 |
JP7215077B2 (ja) | 2018-10-26 | 2023-01-31 | 富士通株式会社 | 予測プログラム、予測方法及び予測装置 |
CN109613130A (zh) * | 2018-11-22 | 2019-04-12 | 环境保护部华南环境科学研究所 | 基于生物法检测二恶英样品的转移溶解方法及移液组件 |
CN110081440A (zh) * | 2019-05-05 | 2019-08-02 | 绿色动力环保集团股份有限公司 | 生活垃圾焚烧中二噁英的在线预测方法及预警和控制*** |
CN110081440B (zh) * | 2019-05-05 | 2020-06-09 | 绿色动力环保集团股份有限公司 | 生活垃圾焚烧中二噁英的在线预测方法及预警和控制*** |
WO2020228215A1 (zh) * | 2019-05-14 | 2020-11-19 | 北京工业大学 | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 |
CN110135057A (zh) * | 2019-05-14 | 2019-08-16 | 北京工业大学 | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 |
CN111308966A (zh) * | 2019-11-05 | 2020-06-19 | 光大环保技术研究院(南京)有限公司 | 垃圾焚烧发电应急排放监管***,分析***、用户终端设备 |
CN112102890A (zh) * | 2020-07-28 | 2020-12-18 | 浙江中控技术股份有限公司 | 一种基于机器学习模型的mcs合成装置反应温度预测方法 |
CN112102890B (zh) * | 2020-07-28 | 2023-12-15 | 浙江中控技术股份有限公司 | 一种基于机器学习模型的mcs合成装置反应温度预测方法 |
CN111882130B (zh) * | 2020-07-30 | 2022-01-11 | 浙江大学 | 一种基于生成路径聚类与Box-Cox变换的二噁英排放在线预测方法 |
CN111882130A (zh) * | 2020-07-30 | 2020-11-03 | 浙江大学 | 一种基于生成路径聚类与Box-Cox变换的二噁英排放在线预测方法 |
CN111882230B (zh) * | 2020-07-31 | 2021-10-01 | 浙江大学 | 一种基于神经网络的二噁英排放在线监测方法 |
CN111882230A (zh) * | 2020-07-31 | 2020-11-03 | 浙江大学 | 一种基于神经网络的二噁英排放在线监测方法 |
CN112884203A (zh) * | 2021-01-22 | 2021-06-01 | 浙江大学 | 一种基于贝叶斯支持向量回归的二噁英排放在线预测方法 |
CN113094986A (zh) * | 2021-04-01 | 2021-07-09 | 瀚蓝绿电固废处理(佛山)有限公司 | 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 |
CN113804838B (zh) * | 2021-09-28 | 2022-07-26 | 浙江富春江环保科技研究有限公司 | 一种用于二噁英在线检测的边界报警方法 |
CN113804838A (zh) * | 2021-09-28 | 2021-12-17 | 浙江富春江环保科技研究有限公司 | 一种用于二噁英在线检测的边界报警方法 |
CN113947142A (zh) * | 2021-10-14 | 2022-01-18 | 天津大学 | 一种酸性气体排放浓度预测方法、***及存储介质 |
CN114216128A (zh) * | 2021-12-06 | 2022-03-22 | 生态环境部华南环境科学研究所 | 一种生活垃圾焚烧厂二噁英类的风险防控方法及*** |
CN116153425A (zh) * | 2023-02-24 | 2023-05-23 | 北京和利时工业软件有限公司 | 一种氨碳比软测量方法、装置、设备及介质 |
CN116153425B (zh) * | 2023-02-24 | 2024-04-02 | 北京和利时工业软件有限公司 | 一种氨碳比软测量方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107356710A (zh) | 一种垃圾焚烧烟气中二噁英类浓度预测方法及*** | |
Lin et al. | Toward smarter management and recovery of municipal solid waste: A critical review on deep learning approaches | |
CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
Xia et al. | Dioxin emission prediction based on improved deep forest regression for municipal solid waste incineration process | |
CN111461355B (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
Dai et al. | A two-stage support-vector-regression optimization model for municipal solid waste management–a case study of Beijing, China | |
CN110135057B (zh) | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 | |
WO2021159585A1 (zh) | 一种二噁英排放浓度预测方法 | |
CN107944173B (zh) | 一种基于选择性集成最小二乘支撑向量机的二噁英软测量*** | |
Sun et al. | Prediction of oxygen content using weighted PCA and improved LSTM network in MSWI process | |
Elbaz et al. | Spatiotemporal air quality forecasting and health risk assessment over smart city of NEOM | |
CN110782067A (zh) | 一种基于模糊信息粒化的烧结终点波动范围预测方法 | |
Ticknor et al. | A robust framework to predict mercury speciation in combustion flue gases | |
Xia et al. | Dioxin emission modeling using feature selection and simplified DFR with residual error fitting for the grate-based MSWI process | |
Wu et al. | Gasoline octane number prediction from near-infrared spectroscopy with an ANN-based model | |
CN114881470A (zh) | 基于数据的垃圾焚烧发电污染物排放风险诊断预警方法 | |
Livingston et al. | An ensembled method for air quality monitoring and control using machine learning | |
CN1327376C (zh) | 基于支持向量机的软测量仪表建模方法 | |
Liu et al. | Time series prediction of the chemical components of PM2. 5 based on a deep learning model | |
CN112241800A (zh) | 一种焦炉VOCs污染物排放量的计算方法 | |
CN115017980A (zh) | 基于随机森林算法的垃圾焚烧过程重金属迁移的预测方法 | |
Wu et al. | Design and analysis of an data-driven intelligent model for persistent organic pollutants in the internet of things environments | |
Kyritsakas et al. | A data-driven model for the prediction of chlorine losses in water distribution trunk mains | |
Tang et al. | Dioxin Emission Concentration Soft Measuring Method Based on Selective Ensemble Least Square Support Vector Machine Algorithm | |
Tang et al. | Dioxin soft measuring method in municipal solid waste incineration based on virtual sample generation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171117 |
|
RJ01 | Rejection of invention patent application after publication |