[发明专利]基于半监督随机森林和深度森林回归集成的二噁英排放浓度预测方法

说明书

本发明提供基于半监督随机森林和深度森林回归集成的二噁英排放浓度预测方法。城市固废焚烧(MSWI)过程排放的二噁英(DXN)是浓度的实时检测是实现MSWI过程运行优化控制的关键因素之一。然而，受限于DXN浓度获取的时间和经济成本，仅可获得少量的建模数据。因此，传统的有监督建模方法难以满足实际需求。为了充分利用工业现场分布式控制系统实时获取的过程数据，首先，随机采样有标记数据生成多个训练子集。接着，利用训练子集构建多个RF模型，并对未标记的过程数据进行伪标记。最后，利用由伪标记数据和原始有标记数据组成的混合样本训练用于预测二噁英排放浓度的深度森林回归模型。在基准数据集和实际DXN数据上的实验结果验证了所提方法的有效性。

技术领域

城市固废焚烧(MSWI)技术具有无害化、减量化、资源化等显著优势。然而，MSWI过程中排放出的被称为“世纪毒药”的持久性污染物二噁英(DXN)在生物体内具有明显的积累和放大作用，对生态环境和人类健康有着极大的危害。实时检测其排放浓度对于MSWI过程运行优化和控制污染排放具有重要意义。目前，MSWI过程中DXN排放浓度的检测针对尾部烟囱排放的烟气进行。一般有以下三种DXN的检测方法：1)离线直接检测法，该方法周期长、成本高、滞后时间大；2)指示物/关联物在线间接检测法，该方法需要复杂度高和昂贵的检测设备，滞后时间居中，此外，映射模型依赖于DXN离线化验；3)软测量法，以相关的易检测过程变量和常规污染物浓度为输入构建数据驱动模型，具有检测设备复杂度低、滞后时间小、在线测量等特点。综上所述，前两种方法难以支撑MSWI过程的实时运行优化。此外，由于获得DXN排放浓度的高经济和时间成本，用于构建预测模型的样本非常少。通过分布式控制系统实时获取的MSWI过程变量和常规污染物浓度数据在已有的DXN建模方法中并未得到有效利用。

背景技术

基于上述分析，本文提出了一种基于半监督RF和深度森林回归(DFR)集成的DXN浓度预测模型(SSEn-RFDFR)。首先，随机采样有标记数据后得到多个训练子集，用于构建RF模型。接着，利用RF模型对未标记的过程数据进行伪标记以增加建模数据。最后，利用原始有标记和伪标记的数据训练DFR模型进行DXN排放浓度的预测。在基准和实际DXN数据集上验证了所提出方法的有效性。

MSWI过程中的DXN排放问题在1977年首次引起了研究人员的注意。如图1所示为MSWI的工艺流程，包含固废储运、固废焚烧、余热锅炉、烟气处理和烟气排放五个部分。

MSWI的过程包括DXN的产生、吸收和排放三个阶段。在固废焚烧和余热锅炉阶段，为保证有机物的有效分解，通常要求焚烧炉内的烟气温度达到850℃并至少保持2秒。如图1所示，在烟气处理阶段，石灰和活性炭被喷射进入反应器中以去除酸性气体、吸附DXN和一些重金属物，使得烟气G1中的DXN被分为两部分：一部分被吸附进入飞灰储仓，另一部分经袋式过滤器后保留在烟气G2中，通过引风机排入烟囱后作为烟气G3排入大气。

附图说明

图1基于炉排炉的MSWI工艺流程；

图2SSEn-RFDFR建模策略图；

图3一个RF模型选择伪标记样本流程图；

图4CCS数据上的预测拟合曲线；

图5基于CCS数据集的RMSE随超参数变化曲线图；

图6基于DXN数据集的RMSE随超参数变化曲线图。

发明内容