(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111557324.1 (22)申请日 2021.12.18 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 严爱军　郭京承　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 代理人 刘萍 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/06(2006.01) G06N 3/08(2006.01) F23G 5/50(2006.01) (54)发明名称 城市生活垃圾焚烧炉 炉温预报方法 (57)摘要 城市生活垃圾焚烧炉炉温预报方法， 涉及城 市生活垃圾焚烧 过程关键参数预报技术领域， 通 过各段炉排速度、 一次风流量、 二次风流量、 风机 压力等输入变量预报垃圾焚烧炉炉温， 指导现场 操作人员及时准确判断炉温的变化趋势， 主要包 括如下步骤： (1)设计用于建立城市生活垃圾焚 烧炉炉温预报模型的异构特征集； (2)数据预处 理； (3)基于步骤1的异构特征集划分炉排温度基 模型的训练集； (4)基于步骤1确定炉温二次学习 模型的训练集； (5)参数初始化； (6)采用正则化 随机配置网络算法构建炉排温度基模型和炉温 的二次训练模型； (7)对炉温二次训练模型的输 出进行反标准 化处理。 权利要求书3页 说明书7页 附图1页 CN 114297916 A 2022.04.08 CN 114297916 A 1.城市生活垃圾焚烧炉 炉温预报方法， 其特 征在于， 具体包括如下步骤： (1)设计用于建立城市生活垃圾焚烧炉 炉温预报模型的异构特 征集： 针对田熊SN型机械炉排炉， 影响炉温的输入变量主要包括以下四类输入变量： 炉排速 度x1‑x18、 一次风流量x19‑x32、 二次风量x33、 风机压力x34‑x35， 具体变量明细如表1所示； 此 外， 各段炉排温度x36‑x47是影响炉温的中间变量， 共计12个； 依据焚烧过程运行机理， 此处 将x1‑x35的输入变量划分为12组异构特 征， 具体划分形式如下式所示： 其中， X1‑X12分别表示12组输入异构特征变量， 以此作 为后续炉 排温度基模型的输入变 量， 对应的12个输出变量分别为x36‑x47； 另外， 根据焚烧过程 运行机理， 炉排温度和炉温的输入输出对应关系如下式所示： x48(t+1)＝f(x36(t),x37(t),x38(t),x39(t),x40(t),x41(t),x42(t),x43(t),x44(t),x45 (t),x46(t),x47(t),x48(t))         (2) 其中， 变量明细 见表1， f(·)表示炉排温度与炉温的映射关系， 将采用正则化随机配置 网络对其进行二次训练获得， t 表示当前时刻， t+1表示下一时刻； (2)数据预处 理： 对所有焚烧过程历史数据进行Z ‑SCORE标准 化处理， 如下式所示： 其中， xn,q历史数据中第n条样本的第q个特征变量， n＝1,2, …,N， N表示样本数量； q＝ 1,2,…,Q， Q表示训练集集中 的特征变量数量， 此处Q为48； 表示标准化处理后第n条样本 的第q个特征变 量； mean(xq)表示第q个特征变 量的样本平均值， std(xq)表示第q个特征变 量 的样本标准差； 标准 化处理后， 焚烧过程历史数据组成的训练集用D表示； (3)基于步骤1的异构特 征集划分炉排温度基模型的训练集： 根据步骤1中式(1)的异构特征划分城市垃圾焚烧过程历史数据划分为12组训练子集， 如下式所示： 其中， D表示由N条焚烧过程历史数据组成的训练集； Dp表示第p个基模型的训练集； Xp表 示第p个基模型训练集的输入变量； yp表示第p个基模型训练集的输出变量， N表示每个训练 集的样本容 量；权　利　要　求　书 1/3 页 2 CN 114297916 A 2(4)基于步骤1确定炉温二次学习模型的训练集： 根据步骤1中 式(2)确定炉温二次训练模型的训练集， 如下式所示： D2nd＝{(X2nd(n),y2nd(n))},n＝1,...,N                   (5) 其中， D2nd表示炉温二次训练模型的训练集， X2nd表示训练集的输入变量， y2nd表示训练 集的输出变量， 此处输出为炉温； (5)参数初始化： 令随机配置网络算法的最大隐含层神经元个数为Lmax＝10， 最大配置 次数为Tmax＝100， 训练预期误差为ε＝0.001， 隐含层神经元的输入权重和偏置的参数配置 范围为[‑λ,+λ ]， 此处为 λ＝1； 正则化 惩罚因子为α ＝0.1； (6)采用正则化随机配置网络算法构建炉排温度基模型和炉温的二次训练模型： 正则 化随机配置网络学习过程主要分为两个阶段： 隐含层神经元参数的随机配置和输出权重的 评估； 对于目标函数f:Rd(p)→R， d(p)表示第p个 基模型的输入变量数量； 模型的输出表达可以表示 为下式所示： 其中， Xp表示第p个炉排温度基模型训练集的输入； H表示模型隐含层输 出矩阵； T表示矩 阵转置操作； β ＝{β1, β2,…, βL}表示隐含层神经元的输出权重； wj和bj分别表示第j个隐含层 神经元的输入权重和偏置， 表示第j个隐含层神经元的激活函数， 此处为Sigmoid函数， j＝1,…,L， L为隐含层神经元数量； 式(6)中的输入权重和偏置可根据式(7)的监督机制在 [‑λ,+λ ]随机生成， 并利用式(8)重新确定模型的输出权 重β*； 其中， φL表示第L个隐含层神经元的输出； 表示隐含层神经元数量为L ‑1时的网络残 差， { μL}是非负实数序列， μL＝(1‑r)/L且常数r的取值为r＝{0.9,0.99,0.999}； bg表示隐含 层神经元激活函 数的上界， 此处bg＝1； HL表示隐含层神经元数量为L时模型的隐含层输出矩 阵； Y为训练集的输出； I表示单位矩阵； α 表示 正则化惩罚因子， 此处为0.1； 基于上述正则化随机配置网络训练过程， 分别利用步骤3的12个训练子集和步骤4中的 训练集建立12个炉排温度基模型和1个炉温二次训练模型； (7)对炉温二次训练模型的输出进行反标准 化处理： 由于炉温的二次训练模型的输出为标准化后的值， 因此， 采用下式将模型输出反标准 化， 从而得到最终的炉温预测值； 其中， 表示炉温二次训练模型输出的输出值， std(y2nd)表示训练集中炉温的标准差， mean(y2nd)表示训练集中炉温的均值， 表示最终模型输出的炉温预测值； 表1变量明细 序号变量名 序号变量名 x1进料器左内侧速度(％) x25燃烧1段右1炉排空气流 量(Nm3/h) x2进料器左外侧速度(％) x26燃烧1段右 2炉排空气流 量(Nm3/h)权　利　要　求　书 2/3 页 3 CN 114297916 A 3