[发明专利]基于多参数的氨法烟气脱硫效率预测方法

权利要求书

1.一种基于多参数的氨法烟气脱硫效率预测方法，其特征是，将PLS、PLS、SA-SVM和GALS-SVM四种人工智能计算模型融合在一起，自动对氨法烟气脱硫效率进行预测，其中，PLS为偏最小二乘回归，SA-SVM为退火优化的支持向量机，GALS-SVM为遗传优化的最小二乘支持向量机，PSO-B为自适应粒子群优化的BP神经网络，具体包括下述步骤：

1)对氨法脱硫系统的运行参数进行采集；

2)对运行参数进行归一化处理；

3)利用归一化处理后的数据，对上述四种模型进行建模；

4)将脱硫系统运行中监测到的实时参数数据输入计算机，利用已训练好的PLS、PLS、SA-SVM和GALS-SVM四种人工智能计算模型分别预测出各自预测值；

5)将四个预测结果中最大和最小的两个舍弃，用剩余的两个预测结果的的平均值作为最终预测值。

2.根据权利要求1所述的基于多参数的氨法烟气脱硫效率预测方法，其特征是：将步骤1)采集的参数数据按照脱硫系统处于不同性能等级分类，即高效率性能等级，效率在[1，0.95]之间；一般效率性能等级，效率在(0.95，0.85]之间；高效率性能等级，效率在0.85以下，在三个性能等级段中各取至少500组数据作为训练样本。

3.根据权利要求1所述的基于多参数的氨法烟气脱硫效率预测方法，其特征是：步骤2)所述的归一化处理，设脱硫效率的论域为d_i＝[m_i，M_i]，设r_i＝ud_i(x_i)，(i＝1，2，3，…，n)是模型对属值x_i的无量纲值，且r_i∈[0，1].

其中，为的标准函数，经过归一化处理，个数据取值范围为[-1，1]。

4.根据权利要求1所述的基于多参数的氨法烟气脱硫效率预测方法，其特征是：所述步骤3)的PLS、SA-SVM、GALS-SVM和PSO-BP四种人工智能计算模型的建模过程为：

(a)PLS的建模

首先，分别提取脱硫效率和脱硫运行指标的第一个成分t₁和u₁.从Y₀中提取第一个成分u₁，因为只有一个因变量，所以u₁就是标准化后的脱硫效率，从X₀中提取第一个成分t₁，t₁是各脱硫运行指标变量的线性组合，是对原始变量解释力最强的综合变量，满足t₁＝X₀ω₁且||ω₁||＝1，ω₁是X₀的第一个轴，取进而分别建立X₀对t₁和Y₀对t₁的回归方程：

X0=t1α1T+X1Y0=t1β1T+Y1---(2)]]>

其中，α₁和β₁是回归方程系数X₁与Y₁分别是脱硫运行指标与脱硫效率的残差矩阵，

然后，计算脱硫运行指标中的第h个成分，以脱硫运行指标和脱硫效率的残差矩阵X₁和Y₁分别取代X₀与Y₀，使用上面的方法(批注：应该使用上面的方法的具体内容)求出第2个轴ω₂以及第2个成分t₂，则t₂＝X₁ω₂，再分别建立X₁，Y₁对t₂的回归方程：

X1=t2α2T+X2Y1=t2β2T+Y2---(3)]]>

以此方法可以类推得到第h个成分t_h；

最后，建立PLS模型求出m个成分t₁，t₂，t₃，…，t_m后，得因为t_h都是X₀的线性组合，所以把t_h代入方程，可得脱硫效率偏最小二乘回归方程式：

Y*=a1x1*+a2x2*+···+ajxj*---(4)]]>

式中a_j是变量的系数，是的第j个分量，

(b)SA-SVM的建模

首先，假定一个样本集A＝{(X_i，y_i)，i＝1，2，3，…，n，x_i∈R^d,y_i∈R)，然后选取非线性映射之后把原空间的向量x映射到高维特征空间得到最后在该空间内做线性回归，可得线性回归方程：

因为会有部分样本游离于目标函数式(5)的精度之外，所以利用风险最小化原则，引入松弛变量ξ_i，ξ_i^*ε0构建最优决策函数，即最小化结构风险函数；

式中，常数C＞0为惩罚系数，能对样本超出误差ε的惩罚度起到控制作用；

由式(6)运用拉格朗日乘子法建立方程：

(7)

对式3分别求w，b，ξ_i，ξ_i^*对L的偏微分并使之为0：

把式(8)代人式(7)，可得非线性回归方程：

f(x)=Σi=1m(αi-αi*)K(xi,xj)+b---(9)]]>

其中，(α_i-α_i^*)为拉格朗日乘子；K(x_i，x_j)称作核函数；b是常数；

然后，选择适当的核函数，核函数的形式决定SVM的形式，能否将线性不可分问题转化成线性可分问题的关键，选用RBF函数作为SVM模型的核函数，

K(xi,xj)=exp(-||xi-xj||22δ2)---(10)]]>

其中，RBF为径向基，||x_i-x_j||为二范数，δ为核系数；

最后，利用模拟退火算法SA对SVM的惩罚系数C与核系数δ进行寻优，

Step1：参数初始化，设置模型参数的范围，在此范围内随机生成x₀作为初始解，并算出目标值E(x₀)；分别设置初始温度T₀与终止温度T_f，设定T(t+1)＝T(t)为降温函数，式中，t是迭代次数，γ称作退火系数(0＜γ＜1)；

Step2：生成新解，当前解x的基础上加上增量Δx生成新解x＝x＇+Δx，并利用x＇算出目标值增量ΔE(x)＝E(x′)-E(x)；

Step3：当AE(x)＜0时，令x＝x＇；当AE(x)＞0时，按概率p＝exp[-ΔE/(kT)]生成1个判定值，式中：k是常数，通常k＝1；T为温度，当p＞ε时，令x＝x＇；当p＜ε时，x保留不变；

Step4：持续在邻近区域内生成新解并重复Step3；

Step5：按Step1中的降温规律降低T；

Step6：重复Step2—Step5，直到满足收敛条件；

经过寻优，得到最优的惩罚系数C与核系数δ的组合(C，δ)，作为SVM模型的参数；

(c)GALS-SVM的建模

因为LS-SVM是在SVM的基础上衍生出的一种人工智能模型，所以建立GALS-SVM的第一步与步骤(3)所述的(b)中第一、二段基本一致，只是式(6)的约束条件变为：

式(11)对偶问题的Lagrange多项式为：

其中，α_i(i＝1，2，…，m)称为Lagrange乘子，式(12)的最优解条件为式(13)所示方程组：

将式(13)的各等式联立得：

把代入式(14)，消去w和ξ,根据最优化条件得到关于α和b的线性方程组：

0lTlZZT+τ1bα=0y---(15)]]>

其中，y＝[y₁，…，y_m]^T，l＝[1，…，1]^T，α＝[α₁，…，α_m]^T，

设核相关矩阵B＝ZZ^T+τ¹，由于B为对称正定矩阵，所以存在B^-1，计算B^-1是求解线性方程组的关键，是方阵ZZ^T的第i行l列的元素，定义为核函数，利用样本集(X_l，x_l)解方程组(15)获得模型参数[b，α₁，α₂…，α_m]，再用式(13)中的第一个等式代入式(6)得：

f(x)=Σi=1mαi·Ω(xi,xl)+b---(16)]]>

式中不等于零的支持向量系数α_i所对应的训练样本(x_i，x_l)称作支持向量；

GALS-SVM步依然是选择向基(RBF)函数[式(10)]作为核函数；

最后，利用遗传算法GA对LS-SVM的正规化参数τ与核参数δ²进行寻优，找出最优组合(τ，δ²)作为LS-SVM模型的参数，其步骤如下：

Step1染色体编码：因为考虑到只有正规化参数τ和核参数δ²两个需要优化的参数，所以选用比较简单的二进制编码；

Step2选择策略：根据每个个体的适应度值，将其按照数值由大到小排列，把父代种群中适应度高的个体保留下来，进行交叉或变异，剩余个体进行随机遍历抽样；

Step3控制参数选择：自适应GA的交叉方式选用均匀交叉。交叉概率为

Pc=0.9-0.3×(f′-favg)fmax-favg,f′≥favg0.9,f′<favg---(17)]]>

其中f_max，f_avg和f＇分别为群体最大适应度值，群体平均适应度值和两个交叉个体中较大的适应度值；

变异方式选用多点变异，即针对所有个体的每位编码随机生成d∈(0，1)，当d大于自身变异率时，此编码由1变0，或者由0变1，否则编码不产生变异，变异概率为

Pm0.2-0.099-(fmax-f)fmax-favg,f≥favg0.2,f<favg---(18)]]>

其中f为变异个体适应度值；

Step4个体保留：选出子代种群中适应度值在前50％的较优个体，替换掉父代种群中适应度值在后50％的较差个体，提高寻优效率；

(d)PSO-BP的建模

首先，选用Sigmoid函数作隐含层与输出层的变换函数，典型的Sigmoid函数为：

f(y)＝1/(1+e^-y)                (19)

式中y为神经元的加权函数；

然后，确定BP神经网络的拓扑结构，其隐含层神经元个数的公式如下：

α＝2×i+1                     (20)

b=x×[k(m-1)i+k-1]---(21)]]>

其中x＝2；输出层神经元个数k；输入层神经元个数i；m是训练样本数；隐含层神经元个数的搜索区间[a，b]，利用穷举法对模型进行试算，最终隐含层神经元个数确定为n(a＜n＜b)，获得的BP神经网络拓扑结构为i-n-k；

最后，利用粒子群算法(PSO)对BP神经网络的权值和阀值进行优化，过程如下：

Step1：对PSO模块的惯性权重与种群规模进行初始化，随机给全部粒子分配位置和速度组合(X_i，0，V_i，0)；

Step2：构造以粒子位置X_i，0为参数的BP神经网络，根据公式在测试集上算出适应度值，并将个体最优位置P_i定义为X_i，0，通过对所有P_i对应适应度值的比较获得全局最优位置P_g；

Step3：根据速度更新方程[式(22)]和位置更新方程[式(23)]，对全部粒子的位置X_i和速度V_i进行更新；

vi,dk+1=w×vi,dk+c1×r1k×(pi,dk-xi,dk)+c2×r2k×(gi,dk-xi,dk)---(22)]]>

xi,dk+1=xi,dk+vi,dk+1---(23)]]>

Step4：构造以粒子位置X_i为参数的BP神经网络，根据公式在测试集上算出适应度值，将min[f(X_i)，f(P_i)]的对应位置作为新的个体最优位置P_i；

Step5：把min[minf(P_i)，f(P_g)]的对应位置作为新的全局最优位置P_g；

Step6：判断是否满足结束条件，若满足，则结束，否则继续Step3。