一种MSWI过程CO排放预测方法

一种mswi过程co排放预测方法
技术领域
1.本发明涉及城市固废焚烧技术领域，特别是涉及一种mswi过程co排放预测方法。


背景技术：

2.一氧化碳(co)作为mswi过程中产生的有毒气体之一，难以被感官感知，但当其与血红蛋白结合后将阻碍血液输氧，严重时甚至会造成人体心肌梗塞，因此必须要严格控制。此外，其与造成焚烧建厂具有“邻避效应”的二噁英(dxn)直接相关，后者是国际上严格限制排放的“世纪之毒”，具有累积性和剧毒性。目前，以实时、准确和低成本的方式实现dxn排放的检测是业界亟待解决的难题。相对而言，co可采用烟气自动监控系统(cems)系统实时检测。由于co排放浓度存在明显的尖峰脉冲现象，国际上的通用准则是以半小时均值为主。研究表明，实现复杂工业过程的智能优化控制和绿色生产需要对产品质量、能耗物耗、污染排放等参数进行实时检测。针对mswi过程而言，可通过对co排放的预测而间接服务于dxn排放的长周期、高成本检测，进而辅助实现mswi过程的优化控制。
3.从产生机理的视角，co排放浓度与mswi过程的众多过程变量间均具有相关性，且在不同工况下也存在差异性，这使得建模数据的高维特性成为co预测建模所面临的首要问题。处理高维特征需要大量计算，特征选择是降低维度、删除不相关数据和提高学习准确性的有效策略。针对复杂工业过程，只有具有长期运行经验的领域专家才能基于自身丰富的先验知识选择出较相关的过程变量，但也存在一定的主观性和随意性。目前研究并未解决如何依据数据特点确定进行特征选择的阈值，也未考虑特征间的深层次关联性。因此，设计一种mswi过程co排放预测方法是十分有必要的。


技术实现要素：

4.本发明的目的是提供一种mswi过程co排放预测方法，能够基于约简深度特征和lstm优化实现mswi过程中的co排放预测。
5.为实现上述目的，本发明提供了如下方案：
6.一种mswi过程co排放预测方法，包括如下步骤：
7.步骤1：搭建基于约简深度特征和lstm优化的co排放预测的优化问题；
8.步骤2：针对优化问题，进行面向约简深度特征和lstm优化的粒子设计；
9.步骤3：针对优化问题，进行面向约简深度特征和lstm优化的适应度函数设计；
10.步骤4：针对优化问题，进行基于pso的优化过程。
11.可选的，步骤1中，搭建基于约简深度特征和lstm优化的co排放预测的优化问题，具体为：
12.[0013][0014]
式中，f(x)为模型的性能指标，将其作为优化求解的适应度函数，f
1dcnn-lstm
(
·
)为基于1dcnn和lstm的模型，为原始样本输入数据集，为x
ori
归一化后的数据集，x
sel
为经mi特征选择f
mi
(
·
)的特征数据集，f为测试集在f
1dcnn-lstm
(
·
)上的泛化性能，将其作为适应度f(x)，x
exa
为经1dcnn特征提取后的特征数据集，n为样本数，共n个，m为卷积层数，共m层，m
ori
为x
ori
的维数，m
sel
为x
sel
的维数，m
exa
为x
exa
的维数，θ
numfilters
和θ
convlayers
分别为卷积核数量和卷积层数。
[0015]
可选的，步骤2中，针对优化问题，进行面向约简深度特征和lstm优化的粒子设计，具体为：
[0016]
设计粒子对应的决策变量，记为θ
p
，即：
[0017]
θ
p
＝{θ
mi
,θ
numfilters
,θ
convlayers
,θ
epochs
,θ
leamingrate
,θ
dropout
}
ꢀꢀꢀ
(2)
[0018]
式中，θ
mi
为基于mi的特征选择阈，θ
epochs
、θ
learningrate
和θ
dropout
为lstm模型的迭代次数、学习率和dropout率，根据建模数据计算mi值，及如下所示：
[0019][0020][0021]
式中，和分别为mi的最大值和平均值，为中的第i个特征，y
nom
为co浓度的归一化，各特征与y
nom
间的mi值记为i
mi
，根据数据的特征获得适合建模数据的阈值范围，即基于设定的θ
mi
获得m
sel
个特征，后续1dcnn特征提取超参数应满足关系：m
sel
≥θ
numfilters
≥θ
convlayers
，依据经验项确定lstm超参数θ
epochs
、θ
learningrate
和θ
dropout
的上下限范围。
[0022]
可选的，步骤3中，针对优化问题，进行面向约简深度特征和lstm优化的适应度函数设计，具体包括如下步骤：
[0023]
步骤301：对原始数据集{x
ori
,y}进行归一化处理获得标准数据集
[0024]
步骤302：进行基于mi的特征选择，计算过程变量中单个特征与co浓度y
nom
间的mi值，再基于θ
mi
得到中的m
sel
个特征向量，获得特征数据集x
sel
；
[0025]
步骤303：进行1dcnn的特征提取，通过参数θ
numfilters
和θ
convlayers
进行卷积得到约简特征数据集x
exa
并输入到lstm模型中；
[0026]
步骤304：以参数θ
epochs
、θ
learningrate
和θ
dropout
构建预测模型，建模过程中根据损失函数更新网络参数。
[0027]
可选的，步骤301中，对原始数据集{x
ori
,y}进行归一化处理获得标准数据集具体为：
[0028]
将x
ori
归一化后为其中，的计算如下式所示：
[0029][0030]
式中，为x
ori
的第i个特征，x
i,min
和x
i,max
分别为第i个特征的最小值和最大值，将数据归一化到[0，1]，即存在
[0031][0032]
同理，将y归一化为y
nom
。
[0033]
可选的，步骤302中，进行基于mi的特征选择，计算过程变量中单个特征与co浓度y
nom
间的mi值，再基于θ
mi
得到中的m
sel
个特征向量，获得特征数据集x
sel
，具体为：
[0034]
计算过程变量中单个特征与co浓度y
nom
间的mi值，首先，设定空集x
sel
，按下式计算中第n个样本的第i个特征值与y
nom
之间的mi值为：
[0035][0036]
式中，为第n个样本的第i个特征值，为第n个样本的值，为联合概率分布，为边缘概率分布，计算i
mi
为：
[0037][0038]
基于设定的θ
mi
得到中的m
sel
个特征向量，约简特征后的数据集为：
[0039][0040]
可选的，步骤303中，进行1dcnn的特征提取，通过参数θ
numfilters
和θ
convlayers
进行卷积得到约简特征数据集x
exa
并输入到lstm模型中，具体为：
[0041]
1dcnn包含m＝1,
…
,m个卷积层，其输入为x
1sel
，存在x
1sel
＝x
sel
，其中，第1层的卷积过程为：
[0042]
首先，确定卷积核大小为m
sel
×
θ
numfilters
；
[0043]
接着，设定步长为s，将样本与卷积核进行卷积，卷积过程为：
[0044][0045]
式中，w
k,1
、b
k,1
分别为第1层的卷积核和偏置，为第1层卷积时的输入x
sel
的第n个样本，为第1层卷积第n个样本的输出，第1层卷积完所有样本后输出为：
[0046][0047]
类似的，第m层的输出x
exa
为：
[0048][0049]
可选的，步骤304中，以参数θ
epochs
、θ
learningrate
和θ
dropout
构建预测模型，建模过程中根据损失函数更新网络参数，具体为：
[0050]
将约简特征数据集x
exa
并输入到lstm预测模型中。其中，表示第n个样本输入，h
n-1
和c
n-1
分别为第n-1个样本lstm隐含层输出和状态信息，并作为下一个样本的输入，hn和cn分别为第n个样本lstm输出和状态信息，在初始样本计算时，具体过程为：
[0051]
设定空集cn为记忆单元，遗忘门fn输出fn计算为：
[0052][0053]fn
＝fn⊙cn
ꢀꢀꢀ
(14)
[0054]
式中，uf和wf分别对应h
n-1
和的权重，bf为偏置，σ(
·
)表示sigmoid激活函数，
⊙
表示hadamard积，计算当前输入状态的候选值为：
[0055][0056]
式中，uc和wc分别对应h
n-1
、的权重，bc为偏置，tanh(
·
)表示tanh激活函数；
[0057]
计算输入门in输出in为：
[0058][0059][0060]
式中，ui和wi分别对应h
n-1
和的权重，bi为偏置，将所得值储存到记忆单元cn，得到：
[0061]cn
＝fn+inꢀꢀꢀ
(18)
[0062]
其中，第一个样本输出cn的值为in，即cn＝in,fn＝0，计算第n个样本的隐含层输出hn，计算输出门on为：
[0063][0064]hn
＝on⊙
tanh(cn)
ꢀꢀꢀ
(20)
[0065]
式中，uo和wo分别对应h
n-1
和的权重，bo为偏置，计算第n个样本的输出值为：
[0066][0067]
其中，w
out
为隐含层对应的权重，类似的，剩余样本输入时，循环上述过程，输出为为：
[0068][0069]
损失函数e
′
为：
[0070][0071]
式中，e
′
表示与实际数据y反馈的误差，yn是第n个样本的实际值，是基于f
1dcnn-lstm
(
·
)的第n个样本输出的预测值，首先，进行卷积层参数更新，为：
[0072][0073][0074]
其中，分别为更新后的卷积核和偏置，其次，进行lstm参数更新，存在隐藏状态cn和hn，定义和计算如下：
[0075][0076][0077]
计算遗忘门、输入门和输出门的权重和偏置，其中，输出门权重学习公式为：
[0078][0079]
权值更新为：
[0080][0081]
式中，为更新后的输出门权重。
[0082]
可选的，步骤4中，针对优化问题，进行基于pso的优化过程，具体为：
[0083]
基于pso算法对建模过程进行优化，其中包括种群初始化，更新粒子速度和选择决策变量，计算适应度，更新粒子个体最优、档案和样例池，在达到迭代次数后获得全局最优和模型超参数；
[0084]
种群初始化为：首先，对粒子数量p
num
、迭代次数n
iter
、更新阈值n
refresh
、参数决策变量的上下限等相关参数进行设定，然后，生成由p
num
个粒子构成的种群，随机初始化粒子的θ
p
、v
p
和计算粒子的f(x)，接着，初始化粒子的d
p
与a，最后，计算粒子的与e
p
；
[0085]
更新粒子速度和选择决策变量，以f(x)最大化为目标函数，其速度v
p
的更新公式为：
[0086][0087]
式中，w
inertia
为影响粒子搜索步长的惯性权重，c为学习因子，服从[0,1]间的均匀分布，为粒子p第n维的学习样例，粒子位置θ
p
的更新公式为：
[0088][0089]
计算适应度为：计算测试集的r2作为粒子适应度，具体过程为：
[0090]
[0091]
更新粒子个体最优、档案和样例池，粒子更新公式为：
[0092][0093]
式中，表示粒子的个体最优式中，pop表示粒子的信息，popmin(site)和popmax(site)表示第site位置粒子范围的最小阈值和最大阈值，若粒子个体在最优迭代n
refresh
次后仍未能进行更新，则更新学习样例池，策略为：设定粒子各维度学习样例的更新概率为更新时首先任意选择种群中的两个粒子，然后对比两个粒子的个体最优，竞争后选择较好的个体最优作为新学习样例，为：
[0094][0095]
粒子p的学习概率的更新为：
[0096][0097]
随着粒子排序rank
p
的递增，其学习概率随之平滑增大，即学习样例的更新概率随之在5％～50％范围内逐渐增大；
[0098]
计算全局最优：初始化种群后，进入迭代寻优阶段，首先，更新粒子的速度v
p
，更新粒子的参数决策变量的位置θ
p
，获取超参数值后进行特征约简、模型构建和计算评价指标r2以作为粒子适应度值f(x)，基于适应度值，更新粒子个体最优，并将种群搜索到的非支配解存入档案中，并更新档案a，计算粒子的个体最优排序rank
p
，并更新其学习概率pc，进而对迭代n
refresh
次后个体最优仍未更新的粒子进行学习样例的更新，将档案中f(x)值最大的粒子作为全局最优，解码后获得最优超参数。
[0099]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的mswi过程co排放预测方法，该方法首先，进行面向约简深度特征和lstm优化的粒子设计，能够依据建模数据特点自适应确定特征选择阈值范围；其次，将采用超一维卷积进行非线性特征提取后的深度特征输入至lstm以构建预测模型，基于损失函数对卷积层和lstm超参数进行更新，以模型的泛化性能作为优化算法的适应度函数；最后，采用粒子群优化(pso)算法依据数据特性进行自适应的特征和超参数选择。在mswi过程co数据集上验证了方法的合理性和有效性，能够基于约简深度特征和lstm优化实现mswi过程中的co排放预测。
附图说明
[0100]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0101]
图1为城市固废焚烧过程流程示意图；
[0102]
图2为本发明实施例mswi过程co排放预测方法策略流程示意图；
[0103]
图3a为mi值变化示意图；
[0104]
图3b为numfilters值变化示意图；
[0105]
图3c为convlayers值变化示意图；
[0106]
图3d为epochs值变化示意图；
[0107]
图3e为learningrate值变化示意图；
[0108]
图3f为dropout值变化示意图；
[0109]
图4为co数据集迭代次数和r2关系图；
[0110]
图5a为训练集的co浓度预测曲线图；
[0111]
图5b为验证集的co浓度预测曲线图；
[0112]
图5c为测试集的co浓度预测曲线图。
具体实施方式
[0113]
本发明的目的是提供一种mswi过程co排放预测方法，能够基于约简深度特征和lstm优化实现mswi过程中的co排放预测。
[0114]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0115]
城市固废焚烧过程如图1所示，研究表明，g3烟气中的co与dxn排放浓度直接相关。hasberg等给出的dxn与co间的映射关系如下：
[0116][0117]
其中，ρ
dxn
表示dxn浓度，ρ
co
表示co浓度，k
co
为常数，co浓度增加说明产生不完全燃烧的程度大，可能会造成dxn排放浓度升高。从工程实践视角而言，工业现场应严格控制co的排放浓度。因此，进行co排放浓度的预测对通过优化控制降低mswi过程的污染排放非常必要。
[0118]
如图2所示，本发明实施例提供的mswi过程co排放预测方法，包括如下步骤：
[0119]
步骤1：搭建基于约简深度特征和lstm优化的co排放预测的优化问题；
[0120]
步骤2：针对优化问题，进行面向约简深度特征和lstm优化的粒子设计；
[0121]
步骤3：针对优化问题，进行面向约简深度特征和lstm优化的适应度函数设计；
[0122]
步骤4：针对优化问题，进行基于pso的优化过程。
[0123]
步骤1中，搭建基于约简深度特征和lstm优化的co排放预测的优化问题，具体为：
[0124]
搭建基于约简深度特征和lstm优化的co排放预测的优化问题为：
[0125][0126][0127]
式中，f(x)为模型的性能指标，将其作为优化求解的适应度函数，f
1dcnn-lstm
(
·
)为
基于1dcnn和lstm的模型，为原始样本输入数据集，为x
ori
归一化后的数据集，x
sel
为经mi特征选择f
mi
(
·
)的特征数据集，f为测试集在f
1dcnn-lstm
(
·
)上的泛化性能，将其作为适应度f(x)，x
exa
为经1dcnn特征提取后的特征数据集，n为样本数，共n个，m为卷积层数，共m层，m
ori
为x
ori
的维数，m
sel
为x
sel
的维数，m
exa
为x
exa
的维数，θ
numfilters
和θ
convlayers
分别为卷积核数量和卷积层数。
[0128]
步骤2、3及4具体策略图如图2所示，图2中，θ
p
表示粒子决策变量，同时也是pso中的粒子位置；θ
mi
表示基于mi的特征选择阈值，和分别表示mi的最大值和平均值；表示经1dcnn特征提取后输入lstm模型的预测结果；θ
epochs
、θ
learningrate
和θ
dropout
表示lstm模型的迭代次数、学习率和dropout率；表示f
mi
(
·
)后输入f
1dcnn-lstm
(
·
)的预测值；v
p
表示pso中的粒子速度；d
p
表示粒子个体最优，a表示档案；n
iter
表示pso寻优的迭代次数，由图2可知，所提策略的步骤为：首先，依据数据特点选择mi阈值范围，进而获得mi选择的特征；接着，优化提取1dcnn的特征；进一步，优化lstm超参数，实现模型构建。具体的步骤过程如下所示。
[0129]
步骤2中，针对优化问题，进行面向约简深度特征和lstm优化的粒子设计，具体为：
[0130]
依据建模数据计算和并将其作为θ
mi
的上下限，基于所得θ
mi
得出特征选择后的特征数m
sel
，使得θ
numfilters
与m
sel
满足m
sel
≥θ
numfilters
，进而θ
numfilters
≥θ
convlayers
，进一步确定lstm的超参数θ
epochs
、θ
learningrate
和θ
dropout
范围，详细过程如下：
[0131]
设计粒子对应的决策变量，记为θ
p
，即：
[0132]
θ
p
＝{θ
mi
,θ
numfilters
,θ
convlayers
,θ
epochs
,θ
leamingrate
,θ
dropout
}
ꢀꢀ
(3)
[0133]
式中，一共6个变量，对应建模过程的超参数，θ
mi
为基于mi的特征选择阈，θ
epochs
、θ
learningrate
和θ
dropout
为lstm模型的迭代次数、学习率和dropout率，根据建模数据计算mi值，及如下所示：
[0134][0135][0136]
式中，和分别为mi的最大值和平均值，为中的第i个特征，y
nom
为co浓度的归一化，各特征与y
nom
间的mi值记为i
mi
，根据数据的特征获得适合建模数据的阈值范围，即基于设定的θ
mi
获得m
sel
个特征，后续1dcnn特征提取超参数应满足关系：m
sel
≥θ
numfilters
≥θ
convlayers
，依据经验项确定lstm超参数θ
epochs
、θ
learningrate
和θ
dropout
的上下限范围；
[0137]
每个粒子中均包含θ
p
、v
p
、f(x)、学习样例e
p
、个体最优排序rank
p
和学习概率等属性，其中：粒子的rank
p
确定了影响e
p
的更新；e
p
指导粒子v
p
的搜索方向和步长，决定粒子θ
p
的更新；根据θ
p
计算f(x)，通过f(x)值更新粒子的个体最优及其排序。
[0138]
步骤3中，针对优化问题，进行面向约简深度特征和lstm优化的适应度函数设计，具体包括如下步骤：
[0139]
适应度函数值的变化过程是根据粒子的位置θ
p
计算公式(2)所定义的优化目标的过程，本发明将测试集的评价性能指标r2作为粒子的适应度；
[0140]
步骤301：对原始数据集{x
ori
,y}进行归一化处理获得标准数据集
[0141]
步骤302：进行基于mi的特征选择，计算过程变量中单个特征与co浓度y
nom
间的mi值，再基于θ
mi
得到中的m
sel
个特征向量，获得特征数据集x
sel
；
[0142]
步骤303：进行1dcnn的特征提取，通过参数θ
numfilters
和θ
convlayers
进行卷积得到约简特征数据集x
exa
并输入到lstm模型中；
[0143]
步骤304：以参数θ
epochs
、θ
learningrate
和θ
dropout
构建预测模型，建模过程中根据损失函数更新网络参数。
[0144]
步骤301中，对原始数据集{x
ori
,y}进行归一化处理获得标准数据集具体为：将x
ori
归一化后为其中，的计算如下式所示：
[0145][0146]
式中，为x
ori
的第i个特征，x
i,min
和x
i,max
分别为第i个特征的最小值和最大值，将数据归一化到[0，1]，即存在
[0147]
同理，将y归一化为y
nom
；
[0148]
步骤302中，进行基于mi的特征选择，计算过程变量中单个特征与co浓度y
nom
间的mi值，再基于θ
mi
得到中的m
sel
个特征向量，获得特征数据集x
sel
，具体为：
[0149]
计算过程变量中单个特征与co浓度y
nom
间的mi值，首先，设定空集x
sel
，按下式计算中第n个样本的第i个特征值与y
nom
之间的mi值为：
[0150][0151]
式中，为第n个样本的第i个特征值，为第n个样本的值，为联合概率分布，为边缘概率分布，计算i
mi
为：
[0152][0153]
基于设定的θ
mi
得到中的m
sel
个特征向量，约简特征后的数据集为：
[0154][0155]
步骤303中，进行1dcnn的特征提取，通过参数θ
numfilters
和θ
convlayers
进行卷积得到约简特征数据集x
exa
并输入到lstm模型中，具体为：
[0156]
1dcnn包含m＝1,
…
,m个卷积层，其输入为x
1sel
，存在x
1sel
＝x
sel
，具体过程为：
[0157]
首先，确定卷积核大小为m
sel
×
θ
numfilters
；
[0158]
接着，设定步长为s，将样本与卷积核进行卷积，其中，第n个样本每次卷积后将特征数m
sel
降维到θ
numfilters
，卷积过程为：
[0159][0160]
式中，w
k,1
、b
k,1
分别为第1层的卷积核和偏置，为第1层卷积时的输入x
sel
的第n个样本，为第1层卷积第n个样本的输出，第1层卷积完所有样本后输出为：
[0161][0162]
类似的，第m层卷积的输入为第m-1层后的输出则卷积过程为：
[0163][0164]
式中，为第m层卷积时的输入x
exa
的第n个样本，w
k,m
为第m层的卷积核，b
k,m
为第m层的卷积偏置，为第m层卷积第n个样本的输出，第m层卷积后的输出为：
[0165][0166]
第m层的输出x
exa
为：
[0167][0168]
步骤304中，以参数θ
epochs
、θ
learningrate
和θ
dropout
构建预测模型，建模过程中根据损失函数更新网络参数，具体为：
[0169]
以参数θ
epochs
、θ
learningrate
和θ
dropout
构建lstm预测模型，将约简特征数据集x
exa
并输入到lstm预测模型中，表示第n个样本输入，h
n-1
和c
n-1
分别为第n-1个样本lstm隐含层输出和状态信息，并作为下一个样本的输入，hn和cn分别为第n个样本lstm输出和状态信息，在初始样本计算时，具体过程为：
[0170]
设定空集cn为记忆单元，遗忘门fn决定记忆单元cn上一个样本输出值被输出到本次输入的比例，遗忘门输出fn计算为：
[0171][0172]fn
＝fn⊙cn
ꢀꢀ
(16)
[0173]
式中，uf和wf分别对应h
n-1
和的权重，bf为偏置，σ(
·
)表示sigmoid激活函数，
⊙
表示hadamard积，计算当前输入状态的候选值为：
[0174]
[0175]
式中，uc和wc分别对应h
n-1
、的权重，bc为偏置，tanh(
·
)表示tanh激活函数，计算输入门in，用于控制第n个样本输入存储到记忆单元cn的比例，输入门输出in为
[0176][0177][0178]
式中，ui和wi分别对应h
n-1
和的权重，bi为偏置，将所得值储存到记忆单元cn，得到：
[0179]cn
＝fn+inꢀꢀꢀ
(20)
[0180]
其中，第一个样本输出cn的值为in，即cn＝in,fn＝0，计算第n个样本的隐含层输出hn，计算输出门on为：
[0181][0182]hn
＝on⊙
tanh(cn)
ꢀꢀꢀꢀ
(22)
[0183]
式中，uo和wo分别对应h
n-1
和的权重，bo为偏置，计算第n个样本的输出值为：
[0184][0185]
其中，w
out
为隐含层对应的权重，类似的，剩余样本输入时，循环上述过程，输出为为：
[0186][0187]
损失函数e
′
为：
[0188][0189]
式中，e
′
表示与实际数据y反馈的误差，yn是第n个样本的实际值，是基于f
1dcnn-lstm
(
·
)的第n个样本输出的预测值，首先，进行卷积层参数更新，为：
[0190][0191][0192]
其中，分别为更新后的卷积核和偏置，其次，进行lstm参数更新，存在隐藏状态cn和hn，定义和相应的计算为：
[0193][0194][0195]
计算遗忘门、输入门和输出门的权重和偏置，其中，输出门权重学习公式为：
[0196]
[0197]
权值更新为：
[0198][0199]
式中，为更新后的输出门权重；
[0200]
测试性能指标计算，计算测试集的r2作为粒子适应度，具体计算过程为：
[0201][0202]
由上式可知，涉及6个超参数，其相互之间存在着影响，有必要对其进行同时优化。
[0203]
步骤4中，针对优化问题，进行基于pso的优化过程，具体为：
[0204]
基于pso算法对建模过程进行优化，其中包括种群初始化，更新粒子速度和选择决策变量，计算适应度，更新粒子个体最优、档案和样例池，在达到迭代次数后获得全局最优和模型超参数；种群初始化为：首先，对粒子数量p
num
、迭代次数n
iter
、更新阈值n
refresh
、参数决策变量的上下限等相关参数进行设定，然后，生成由p
num
个粒子构成的种群，随机初始化粒子的θ
p
、v
p
和计算粒子的f(x)，接着，初始化粒子的d
p
与a，最后，计算粒子的与e
p
；
[0205]
更新粒子速度和选择决策变量为：以f(x)最大化为目标函数，粒子的当前最好位置由下式确定：其速度v
p
的更新公式为：
[0206][0207]
式中，w
inertia
为影响粒子搜索步长的惯性权重，c为学习因子，服从[0,1]间的均匀分布，为粒子p第n维的学习样例，粒子位置θ
p
的更新公式为：
[0208][0209]
计算适应度为：计算测试集的r2作为粒子适应度，具体过程为：
[0210][0211]
更新粒子个体最优、档案和样例池为。粒子更新公式为：
[0212][0213]
式中，表示粒子的个体最优，此外，粒子更新不应超过原设定的范围，即：
[0214][0215]
式中，pop表示粒子的信息，popmin(site)和popmax(site)表示第site位置粒子范围的最小阈值和最大阈值，若粒子个体在最优迭代n
refresh
次后仍未能进行更新，则更新学习样例池，策略为：设定粒子各维度学习样例的更新概率为更新时首先任意选择种群中的两个粒子，然后对比两个粒子的个体最优，竞争后选择较好的个体最优作为新学习样例，为：
[0216]
[0217]
粒子p的学习概率的更新为：
[0218][0219]
随着粒子排序rank
p
的递增，其学习概率随之平滑增大，即学习样例的更新概率随之在5％～50％范围内逐渐增大；
[0220]
计算全局最优：初始化种群后，进入迭代寻优阶段，首先，更新粒子的速度v
p
，更新粒子的参数决策变量的位置θ
p
，获取超参数值后进行特征约简、模型构建和计算评价指标r2以作为粒子适应度值f(x)，基于适应度值，更新粒子个体最优，并将种群搜索到的非支配解存入档案中，并更新档案a，计算粒子的个体最优排序rank
p
，并更新其学习概率pc，进而对迭代n
refresh
次后个体最优仍未更新的粒子进行学习样例的更新，将档案中f(x)值最大的粒子作为全局最优，解码后获得最优超参数；
[0221]
对本发明记载的方法进行工业验证，进行仿真验证的计算机软硬件配置为：windows 11操作系统，matlab 2022；intel i7 cpu，16g ram，其中，本发明选取r2、rmse和mae三个评价指标进行评估，公式如下：
[0222][0223][0224][0225]
式中，n
test
表示第n
test
个样本，n
test
表示总测试集样本数，表示测试集第n
test
个样本的实际值，表示测试集第n
test
个样本的预测值，表示的平均值；本发明的一个实施例的数据集源自北京某mswi电厂，将每分钟内的数据作均值处理，共有720组，其包含185个过程变量和一个输出变量(co浓度)。将样本等间隔划分为4份，取第1份和第2份作为训练样本，第3份为验证样本，第4份为测试样本，根据数据特点设置的pso算法参数和模型超参数如表1所示；
[0226]
表1 co数据集的pso算法和超参数设置
[0227][0228]
在pso迭代过程中，各超参数值的变化如图3a-图3f所示；
[0229]
最优解来自第24个粒子。co数据集的寻优迭代次数与适应度函数值的关系如图4所示；
[0230]
由图4可知，pso在第17次迭代后趋于平稳r2值为0.8193。
[0231]
经pso优化后的mi-1dcnn-lstm模型的参数设置为：θ
mi
为0.6371，在1dcnn中为s＝1、θ
numfilters
＝9和θ
convlayers
＝7，在lstm中为θ
epochs
＝371、θ
learningrate
＝0.0075和θ
dropout
＝0.1。对比方法采用bp、rf和lstm，对应参数设置为：bp迭代次数为3000、收敛率为0.0001、学习率为0.01和隐含层神经元个数为371；rf的叶节点最小样本数为5和决策树个数为40；lstm的训练次数为371、学习率为0.0075和dropout率为0.1。上述方法的实验均重复运行30次，评价指标的统计结果如表2所示，测试曲线如图5a-图5c所示；
[0232]
表2 co数据集实验结果对比
[0233][0234]
由表2和图5可知：1)rf和lstm在训练、验证和测试中的r2、rmse和mae指标统计结果中均优于bp，表明bp难以适用于co数据集；2)lstm的训练集和验证集优于rf，但测试集略低于rf，lstm模型测试集方差为1.57e-04，而rf模型测试集方差为8.89e-04，表示其波动性大，说明lstm的预测性能更优；3)mi-1dcnn-lstm在训练、验证和测试集均有最佳的r2、rmse和mae指标统计结果，表明mi-1dcnn-lstm具有良好的泛化性能和稳定性，模型预测效果最佳。
[0235]
实验表明本发明所提mi-1dcnn-lstm模型在构建co预测模型中的明显优势。因不同的超参数针对的不同数据集具有差异性，本发明利用pso进行超参数的全局优化是合理的。
[0236]
表3本发明所采用的符号的含义
[0237]
[0238]
[0239]
[0240]
[0241]
[0242][0243]
本发明提供的mswi过程co排放预测方法，该方法首先，进行面向约简深度特征和lstm优化的粒子设计，能够依据建模数据特点自适应确定特征选择阈值范围；其次，将采用超一维卷积进行非线性特征提取后的深度特征输入至lstm以构建预测模型，基于损失函数对卷积层和lstm超参数进行更新，以模型的泛化性能作为优化算法的适应度函数；最后，采用粒子群优化(pso)算法依据数据特性进行自适应的特征和超参数选择。在mswi过程co数据集上验证了方法的合理性和有效性，能够基于约简深度特征和lstm优化实现mswi过程中的co排放预测。
[0244]
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种mswi过程co排放预测方法，其特征在于，包括如下步骤：步骤1：搭建基于约简深度特征和lstm优化的co排放预测的优化问题；步骤2：针对优化问题，进行面向约简深度特征和lstm优化的粒子设计；步骤3：针对优化问题，进行面向约简深度特征和lstm优化的适应度函数设计；步骤4：针对优化问题，进行基于pso的优化过程。2.根据权利要求1所述的mswi过程co排放预测方法，其特征在于，步骤1中，搭建基于约简深度特征和lstm优化的co排放预测的优化问题，具体为：简深度特征和lstm优化的co排放预测的优化问题，具体为：式中，f(x)为模型的性能指标，将其作为优化求解的适应度函数，f
1dcnn-lstm
(
·
)为基于1dcnn和lstm的模型，为原始样本输入数据集，为x
ori
归一化后的数据集，x
sel
为经mi特征选择f
mi
(
·
)的特征数据集，f为测试集在f
1dcnn-lstm
(
·
)上的泛化性能，将其作为适应度f(x)，x
exa
为经1dcnn特征提取后的特征数据集，n为样本数，共n个，m为卷积层数，共m层，m
ori
为x
ori
的维数，m
sel
为x
sel
的维数，m
exa
为x
exa
的维数，θ
numfilters
和θ
convlayers
分别为卷积核数量和卷积层数。3.根据权利要求3所述的mswi过程co排放预测方法，其特征在于，步骤2中，针对优化问题，进行面向约简深度特征和lstm优化的粒子设计，具体为：设计粒子对应的决策变量，记为θ
p
，即：θ
p
＝{θ
mi
,θ
numfilters
,θ
convlayers
,θ
epochs
,θ
leamingrate
,θ
dropout
}
ꢀꢀ
(2)式中，θ
mi
为基于mi的特征选择阈，θ
epochs
、θ
learningrate
和θ
dropout
为lstm模型的迭代次数、学习率和dropout率，根据建模数据计算mi值，及如下所示：如下所示：式中，和分别为mi的最大值和平均值，为中的第i个特征，y
nom
为co浓度的归一化，各特征与y
nom
间的mi值记为i
mi
，根据数据的特征获得适合建模数据的阈值范围，即基于设定的θ
mi
获得m
sel
个特征，后续1dcnn特征提取超参数应满足关系：m
sel
≥θ
numfilters
≥θ
convlayers
，依据经验项确定lstm超参数θ
epochs
、θ
learningrate
和θ
dropout
的上下限范围。4.根据权利要求3所述的mswi过程co排放预测方法，其特征在于，步骤3中，针对优化问题，进行面向约简深度特征和lstm优化的适应度函数设计，具体包括如下步骤：
步骤301：对原始数据集{x
ori
,y}进行归一化处理获得标准数据集步骤302：进行基于mi的特征选择，计算过程变量中单个特征与co浓度y
nom
间的mi值，再基于θ
mi
得到中的m
sel
个特征向量，获得特征数据集x
sel
；步骤303：进行1dcnn的特征提取，通过参数θ
numfilters
和θ
convlayers
进行卷积得到约简特征数据集x
exa
并输入到lstm模型中；步骤304：以参数θ
epochs
、θ
learningrate
和θ
dropout
构建预测模型，建模过程中根据损失函数更新网络参数。5.根据权利要求4所述的mswi过程co排放预测方法，其特征在于，步骤301中，对原始数据集{x
ori
,y}进行归一化处理获得标准数据集具体为：将x
ori
归一化后为其中，的计算如下式所示：式中，为x
ori
的第i个特征，x
i,min
和x
i,max
分别为第i个特征的最小值和最大值，将数据归一化到[0，1]，即存在同理，将y归一化为y
nom
。6.根据权利要求5所述的mswi过程co排放预测方法，其特征在于，步骤302中，进行基于mi的特征选择，计算过程变量中单个特征与co浓度y
nom
间的mi值，再基于θ
mi
得到中的m
sel
个特征向量，获得特征数据集x
sel
，具体为：计算过程变量中单个特征与co浓度y
nom
间的mi值，首先，设定空集x
sel
，按下式计算中第n个样本的第i个特征值与y
nom
之间的mi值为：式中，为第n个样本的第i个特征值，为第n个样本的值，为联合概率分布，为边缘概率分布，计算i
mi
为：基于设定的θ
mi
得到中的m
sel
个特征向量，约简特征后的数据集为：7.根据权利要求6所述的mswi过程co排放预测方法，其特征在于，步骤303中，进行
1dcnn的特征提取，通过参数θ
numfilters
和θ
convlayers
进行卷积得到约简特征数据集x
exa
并输入到lstm模型中，具体为：1dcnn包含m＝1,
…
,m个卷积层，其输入为存在其中，第1层的卷积过程为：首先，确定卷积核大小为m
sel
×
θ
numfilters
；接着，设定步长为s，将样本与卷积核进行卷积，卷积过程为：式中，w
k,1
、b
k,1
分别为第1层的卷积核和偏置，为第1层卷积时的输入x
sel
的第n个样本，为第1层卷积第n个样本的输出，第1层卷积完所有样本后输出为：类似的，第m层的输出x
exa
为：8.根据权利要求7所述的mswi过程co排放预测方法，其特征在于，步骤304中，以参数θ
epochs
、θ
learningrate
和θ
dropout
构建预测模型，建模过程中根据损失函数更新网络参数，具体为：将约简特征数据集x
exa
并输入到lstm预测模型中，其中，表示第n个样本输入，h
n-1
和c
n-1
分别为第n-1个样本lstm隐含层输出和状态信息，并作为下一个样本的输入，h
n
和c
n
分别为第n个样本lstm输出和状态信息，在初始样本计算时，具体过程为：设定空集c
n
为记忆单元，遗忘门f
n
输出f
n
计算为：f
n
＝f
n
⊙
c
n
ꢀꢀꢀ
(14)式中，u
f
和w
f
分别对应h
n-1
和的权重，b
f
为偏置，σ(
·
)表示sigmoid激活函数，
⊙
表示hadamard积，计算当前输入状态的候选值为：式中，u
c
和w
c
分别对应h
n-1
、的权重，b
c
为偏置，tanh(
·
)表示tanh激活函数；计算输入门i
n
输出i
n
为：为：式中，u
i
和w
i
分别对应h
n-1
和的权重，b
i
为偏置，将所得值储存到记忆单元c
n
，得到：c
n
＝f
n
+i
n
ꢀꢀꢀ
(18)其中，第一个样本输出c
n
的值为i
n
，即c
n
＝i
n
,f
n
＝0，计算第n个样本的隐含层输出h
n
，计算输出门o
n
为：
h
n
＝o
n
⊙
tanh(c
n
)
ꢀꢀꢀ
(20)式中，u
o
和w
o
分别对应h
n-1
和的权重，b
o
为偏置，计算第n个样本的输出值为：其中，w
out
为隐含层对应的权重，类似的，剩余样本输入时，循环上述过程，输出为为：损失函数e
′
为：式中，e
′
表示与实际数据y反馈的误差，y
n
是第n个样本的实际值，是基于f
1dcnn-lstm
(
·
)的第n个样本输出的预测值，首先，进行卷积层参数更新，为：)的第n个样本输出的预测值，首先，进行卷积层参数更新，为：其中，分别为更新后的卷积核和偏置，其次，进行lstm参数更新，存在隐藏状态c
n
和h
n
，定义和计算如下：计算如下：计算遗忘门、输入门和输出门的权重和偏置，其中，输出门权重学习公式为：权值更新为：式中，w
on+1
为更新后的输出门权重。9.根据权利要求8所述的mswi过程co排放预测方法，其特征在于，步骤4中，针对优化问题，进行基于pso的优化过程，具体为：基于pso算法对建模过程进行优化，其中包括种群初始化，更新粒子速度和选择决策变量，计算适应度，更新粒子个体最优、档案和样例池，在达到迭代次数后获得全局最优和模型超参数；种群初始化为：首先，对粒子数量p
num
、迭代次数n
iter
、更新阈值n
refresh
、参数决策变量的上下限等相关参数进行设定，然后，生成由p
num
个粒子构成的种群，随机初始化粒子的θ
p
、v
p
和计算粒子的f(x)，接着，初始化粒子的d
p
与a，最后，计算粒子的与e
p
；更新粒子速度和选择决策变量，以f(x)最大化为目标函数，其速度v
p
的更新公式为：式中，w
inertia
为影响粒子搜索步长的惯性权重，c为学习因子，服从[0,1]间的均匀分布，为粒子p第n维的学习样例，粒子位置θ
p
的更新公式为：计算适应度为：计算测试集的r2作为粒子适应度，具体过程为：更新粒子个体最优、档案和样例池，粒子更新公式为：式中，表示粒子的个体最优式中，pop表示粒子的信息，popmin(site)和popmax(site)表示第site位置粒子范围的最小阈值和最大阈值，若粒子个体在最优迭代n
refresh
次后仍未能进行更新，则更新学习样例池，策略为：设定粒子各维度学习样例的更新概率为更新时首先任意选择种群中的两个粒子，然后对比两个粒子的个体最优，竞争后选择较好的个体最优作为新学习样例，为：粒子p的学习概率的更新为：随着粒子排序rank
p
的递增，其学习概率随之平滑增大，即学习样例的更新概率随之在5％～50％范围内逐渐增大；计算全局最优：初始化种群后，进入迭代寻优阶段，首先，更新粒子的速度v
p
，更新粒子的参数决策变量的位置θ
p
，获取超参数值后进行特征约简、模型构建和计算评价指标r2以作为粒子适应度值f(x)，基于适应度值，更新粒子个体最优，并将种群搜索到的非支配解存入档案中，并更新档案a，计算粒子的个体最优排序rank
p
，并更新其学习概率p
c
，进而对迭代n
refresh
次后个体最优仍未更新的粒子进行学习样例的更新，将档案中f(x)值最大的粒子作为全局最优，解码后获得最优超参数。

技术总结
本发明提供了一种MSWI过程CO排放预测方法，该方法首先进行面向约简深度特征和LSTM优化的粒子设计，能够依据建模数据特点自适应确定特征选择阈值范围，其次将采用超一维卷积进行非线性特征提取后的深度特征输入至LSTM以构建预测模型，基于损失函数对卷积层和LSTM超参数进行更新，以模型的泛化性能作为优化算法的适应度函数，最后采用粒子群优化(PSO)算法依据数据特性进行自适应的特征和超参数选择。本发明提供的MSWI过程CO排放预测方法，能够基于约简深度特征和LSTM优化实现MSWI过程中的CO排放预测。CO排放预测。CO排放预测。


技术研发人员：汤健 张润雨 夏恒 杜胜利 乔俊飞
受保护的技术使用者：北京工业大学
技术研发日：2023.05.29
技术公布日：2023/8/14