一种基于机器学习的多源城市固废配伍优化方法与流程

1.本发明属于多源城市固废焚烧处理领域，尤其涉及一种基于机器学习的多源城市固废配伍优化方法。


背景技术：

2.随着我国经济的发展，工业生产水平的提高，城市居民日常生活活动中产生的固体废物日益增多，如何安全有效处理处理大量城市多源固废应引起关注。在各种固废处理方法中，焚烧法由于减容快、可有效氧化分解固废中大部分有害物质以及可回收热能等优点，成为固废处理的首选方法。而随着人民环保意识的增强和国家环保标准的提高，对固废焚烧处理技术有了更高的要求。
3.多源城市固废产量大、种类多、成分杂、分布散、危害强，更需要对由固废处置造成的vocs、重金属等特征污染物进行有效控制。现有研究表明采用工业窑炉(回转窑、煤粉炉)协同处置固废不仅减少了化石能源的消耗，也降低了温室气体和其他污染物的排放。但是在固废处理过程中，对于工业窑炉内的温度稳定性有比较高的要求，温度过高会产生熔融灰渣，炉内结皮结圈，对工业窑炉使用寿命有很大影响；温度过低会使燃烧效率下降，固废不能得到充分燃烧，不能有效分解有害物质。而在实际操作过程中由于进料性质波动大，难以实现工业窑路的稳定长期经济运行。因此，在源头端必须根据固废的理化特性和污染物特征，采取合适的配伍方案以实现协同处置原料与窑炉工艺系统及热工过程的兼容匹配，并有效控制污染物释放，这就需要开发一种多源城市固废配伍优化方法，既保证工业窑炉协同处置配伍固废原料具有较好的运行稳定性，又减少污染物的产生。


技术实现要素：

4.本发明的目的在于提出一种基于机器学习的多源城市固废配伍优化方法，将机器学习算法应用于工业窑炉处理城市固废配伍中，为实际配伍操作提供指导依据，有效保障工业窑炉运行稳定性，减少污染物排放，提高经济效益。
5.为实现上述目的，本发明提供了一种基于机器学习的多源城市固废配伍优化方法，包括：
6.采集不同种类固体废物的样品，获取相关性质数据；
7.通过特征选择算法对所述相关性质数据进行筛选处理，得到特征变量，按照经济性优先和排放优先的方式对特征变量进行分类，对所述分类按照比例进行原料预配伍；
8.所述原料预配伍进行协同燃烧处理，得到燃烧后的数据，汇总成数据库，根据所述数据库构建原料组分、运行工况和污染物分布的矩阵，获得矩阵数据；
9.对所述矩阵数据进行主成分分析处理，构建信息处理模型，获得样本数据集；
10.根据样本数据集，进行训练处理构建关系模型，获得处理后的参数；
11.将所述参数进行训练处理，构建回归模块，获得最优参数，与所述矩阵数据进行回归计算，获得固废原料配伍优化方案。
12.可选的，所述相关性质数据包括：样品的元素构成、热失重特性、组分特性、热值。
13.可选的，获取相关性质数据的过程包括：通过热重分析仪、红外光谱仪获取相关性质数据。
14.可选的，所述特征变量的分类需要构建分类模块模型，所述分类模块模型的构建过程包括：按照经济性和排放筛选出的特征变量进行向量分类，获取分类参数进行优化处理，构建分类模模块模型。
15.可选的，原料预配伍的比例包括根据原料种类和国家企业行业已有标准限制进行匹配。
16.可选的，信息处理模块中包括对数据进行降维降噪处理，获得若干个包含原有数据信息且彼此互不相关的主成分，提取前百分之五用于后续分析与计算。
17.可选的，固废配伍优化的过程包括：根据so
x
、no
x
等污染物排放数据与不同的主成分个数用训练组的数据训练模型，之后用模型分析测试组中数据预测配伍样品污染物排放量，预测结果使用平均相对误差进行评价获得优化模型。
18.可选的，回归计算的过程包括：根据采集模块获得原料组分、运行工况和污染物分布的矩阵数据，进行信息处理模块提取处理后的数据，数据输入回归模块模型，进行回归计算，得到配伍样品的热值与污染物排放的结果。
19.本发明技术效果：
20.(1)提供了一种多源城市固废配伍优化方法，可以有效提高城市固废的能源回收，在实际固废处理中实现适应多种策略要求的配伍方案输出。
21.(2)在传统固废处理中应用本方法可以有效减少固废处理污染物的排放。
22.(3)可以应用于工业窑炉协同处置城市固废领域，能够有效提高城市固废的资源化利用率。
附图说明
23.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
24.图1为本发明实施例一的多源城市固废配伍优化方法流程示意图；
25.图2为本发明实施例二的多源城市固废配伍优化方法结构组成示意图。
具体实施方式
26.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
27.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
28.如图1-2所示，本实施例中提供一种基于机器学习的多源城市固废配伍优化方法，包括：
29.采集不同种类固体废物的样品，获取相关性质数据；
30.通过特征选择算法对所述相关性质数据进行筛选处理，得到特征变量，按照经济
性优先和排放优先的方式对特征变量进行分类，对所述分类按照比例进行原料预配伍；
31.所述原料预配伍进行协同燃烧处理，得到燃烧后的数据，汇总成数据库，根据所述数据库构建原料组分、运行工况和污染物分布的矩阵，获得矩阵数据；
32.对所述矩阵数据进行主成分分析处理，构建信息处理模型，获得样本数据集；
33.根据样本数据集，进行训练处理构建关系模型，获得处理后的参数；
34.将所述参数进行训练处理，构建回归模块，获得最优参数，与所述矩阵数据进行回归计算，获得固废原料配伍优化方案。
35.进一步优化方案，所述相关性质数据包括：样品的元素构成、热失重特性、组分特性、热值。
36.进一步优化方案，获取相关性质数据的过程包括：通过热重分析仪、红外光谱仪获取相关性质数据。
37.进一步优化方案，所述特征变量的分类需要构建分类模块模型，所述分类模块模型的构建过程包括：按照经济性和排放筛选出的特征变量进行向量分类，获取分类参数进行优化处理，构建分类模模块模型。
38.进一步优化方案，原料预配伍的比例包括根据原料种类和国家企业行业已有标准限制进行匹配。
39.进一步优化方案，信息处理模块中包括对数据进行降维降噪处理，获得若干个包含原有数据信息且彼此互不相关的主成分，提取前百分之五用于后续分析与计算。
40.进一步优化方案，固废配伍优化的过程包括：根据so
x
、no
x
等污染物排放数据与不同的主成分个数用训练组的数据训练模型，之后用模型分析测试组中数据预测配伍样品污染物排放量，预测结果使用平均相对误差进行评价获得优化模型。
41.进一步优化方案，回归计算的过程包括：根据采集模块获得原料组分、运行工况和污染物分布的矩阵数据，进行信息处理模块提取处理后的数据，数据输入回归模块模型，进行回归计算，得到配伍样品的热值与污染物排放的结果。
42.步骤一、从各个地区收集大量不同种类固体废弃物的样品分类标号，在特定条件下保存，同时根据实验数据组建固废基础特性数据库，主要包括固废的元素构成、热失重特性、组分特性、热值等特性。
43.步骤二、根据机器使用要求对固废样品做不同程度的处理，在由热重分析仪和红外光谱仪构成的数据采集模块获得样品的tg-ftir数据。
44.步骤三、在固废样品的基础特征数据中采用r语言中的boruta特征选择算法分别筛选出固废配伍经济性优先、不同排放优先的特征变量，基于筛选出的重要特征数据训练以支持向量分类、神经网络等为基础的分类模块模型，以准确率、召回率或其它参数指标来优化目标函数，得到该模块模型的最佳参数条件，生成最优的固废分类模块模型。根据分类结果将同类固废以不同比例掺混配伍。根据配伍预测开展协同燃烧实验，将实验数据进行汇总组成数据库，构建原料组分、运行工况和污染物分布的矩阵。
45.步骤四、在python 3.7.3编程环境使用scikit-learn v0.21.2包、采用主成分分析算法构建信息提取模块模型，将步骤三中的原料组分、运行工况和污染物分布的矩阵数据输入该模型，对数据进行降维降噪处理，获得若干个包含原有数据信息且彼此互不相关的主成分，提取前百分之五用于后续分析与计算。
46.步骤五、采用步骤四得到的处理后的样本数据训练以支持向量回归、随机森林等为基础的回归模块模型，以平均相对误差或其它参数指标为优化目标函数，得到该模块模型的最佳参数条件，生成最优的回归模块模型。每个回归模型只针对一项测试项目，如掺混原料的热值、污染物nox的释放、污染物sox的释放等。若要对不同项目进行分析，则要训练多个不同的回归模型。用步骤四得到的处理后的样本数据训练以支持向量回归，以平均相对误差为优化目标函数，得到该模块模型的最佳参数条件，生成最优的用于预测低位发热量的回归模块模型图，采用支持向量回归算法构建模型，采用支持向量机的3种核函数：线性核函数linear、径向基核函数rbf及多项式核函数poly。将每种掺混原料的四个不同掺混比例样品分成训练组和测试组。针对sox、nox等污染物排放数据与不同的主成分个数用训练组的数据训练模型，之后用模型分析测试组中数据预测配伍样品污染物排放量，预测结果使用平均相对误差进行评价获得优化模型。
47.步骤六、对于新的固废原料配伍，通过步骤三数据采集模块获得原料组分、运行工况和污染物分布的矩阵数据，再经过步骤四的信息提取模块得到处理后的数据，数据输入步骤五所得的回归模块模型，进行回归计算，得到配伍样品的热值与污染物排放等结果，根据结果得到固废原料配伍优化方案。
48.针对固体废物样品经济性配伍
49.s1、各个地区收集大量的固体废物分类标号，常温干燥条件下用密封袋保存。通过相关实验计算提前获得这些样品的元素构成、组分特性、热值等特性。
50.s2、根据机器使用要求对固废样品做不同程度的处理，在由热重分析仪和红外光谱仪构成的数据采集模块获得样品的tg-ftir数据。
51.本实施例中，热重红外实验采用的升温速率为20℃/min，温度设置为室温-1000℃，采用空气作为燃烧气体模拟燃烧过程，空气流量设置为80ml/min。热重分析仪和红外光谱仪之间的连接管和气体池在实验开始之前都预先加热到180℃。红外光谱的扫描波数范围为400～4000cm-1
，分辨率设置为0.482cm-1
。
52.s3、采用r语言中的boruta特征选择算法筛选出基于配伍经济性优先重要特征数据，经济型优先规定配伍固体废物的热值尽可能满足窑炉设计规定要求以减少辅助燃料的用量，热值控制在3000～5000kcal/kg左右，保证系统运行的经济可靠。特征数据训练以支持向量分类模型以准确率、召回率、预判成功率、f1评分参数指标来优化目标函数，对信息处理模块的主成分数、支持向量分类模型核函数等参数进行优化，得到该模块模型的最佳参数条件，生成最优的分类模块模型。根据预配伍的比例即根据原料种类和国家企业行业已有标准限制进行匹配，包括但不限于1:4/2:3/3:2/4:1，开展协同燃烧实验，将实验数据进行汇总组成数据库，构建原料组分、运行工况和污染物分布的矩阵。
53.所述原料预配伍进行协同燃烧处理，包括tg-ftir测试及小型恒温沉降炉实验测试，得到不同工况下的综合燃烧特性指数、硫氧化物排放浓度、一氧化碳排放浓度、氮氧化物排放浓度、二噁英排放浓度、重金属排放浓度，得到实验数据汇总组成数据库，构建原料组分、运行工况和污染物分布的矩阵，获得矩阵数据。
54.s4、使用相关软件利用主成分分析或局部线性嵌入等算法构建信息提取模块模型。将步骤3获得的原料组分、运行工况和污染物分布的矩阵数据输入该程序，对数据进行降噪和降维等处理，获得若干个包含原有数据信息且彼此互不相关的数据量。
55.本实施例中，在python 3.7.3编程环境使用scikit-learn v0.21.2包、采用主成分分析算法构建信息提取模块模型，将步骤2中获得的数据输入此模型，将数据进行降维及降噪处理，提取前百分之五用于后续分析与计算。
56.s5、采用步骤4得到的数据训练以支持向量回归模型，以平均相对误差为优化目标函数，得到该模块模型的最佳参数条件，生成最优的用于计算配伍热值的回归模块模型。
57.针对固体废物样品排放特性配伍
58.s1、各个地区收集大量的固体废物分类标号，常温干燥条件下用密封袋保存。通过相关实验计算提前获得这些样品的元素构成、组分特性、热值等特性。
59.s2、根据机器使用要求对固废样品做不同程度的处理，在由热重分析仪和红外光谱仪构成的数据采集模块获得样品的tg-ftir数据。
60.本实施例中，热重红外实验采用的升温速率为20℃/min，温度设置为室温-1000℃，采用空气作为燃烧气体模拟燃烧过程，空气流量设置为80ml/min。热重分析仪和红外光谱仪之间的连接管和气体池在实验开始之前都预先加热到180℃。红外光谱的扫描波数范围为400～4000cm-1
，分辨率设置为0.482cm-1
。
61.s3、采用r语言中的boruta特征选择算法筛选出基于配伍排放特性重要特征数据，排放优先应关注sox、nox等典型污染物的排放浓度，挥发性元素和物质(pb、cd、as、碱金属化物、碱金属硫酸盐等)排放浓度及重金属(cr、ni、mn等)排放浓度。特征数据训练以支持向量分类模型以准确率、召回率、预判成功率、f1评分参数指标来优化目标函数，对信息处理模块的主成分数、支持向量分类模型核函数等参数进行优化，得到该模块模型的最佳参数条件，生成最优的分类模块模型。根据预配伍的比例即根据原料种类和国家企业行业已有标准限制进行匹配，包括但不限于1:4/2:3/3:2/4:1，开展协同燃烧实验，将实验数据进行汇总组成数据库，构建原料组分、运行工况和污染物分布的矩阵。
62.s4、使用相关软件利用主成分分析或局部线性嵌入等算法构建信息提取模块模型。将步骤3获得的原料组分、运行工况和污染物分布的矩阵数据输入该程序，对数据进行降噪和降维等处理，获得若干个包含原有数据信息且彼此互不相关的数据量。
63.s5、采用步骤4得到的数据训练以支持向量回归、随机森林等为基础构建的回归模块模型，以平均相对误差或其它参数指标为优化目标函数，得到该模块模型的最佳参数条件，生成最优的回归模块模型。每个回归模型只针对一项测试项目，如nox、sox排放浓度，重金属pb排放浓度等。若要对不同项目进行分析，则要训练多个不同的回归模型。
64.本实施例的测试项目为nox排放浓度,采用支持向量回归算法构建模型，采用支持向量机的3种核函数：线性核函数linear、径向基核函数rbf及多项式核函数poly。将每种掺混原料的四个不同掺混比例样品分成训练组和测试组。针对nox排放数据与不同的主成分个数用训练组的数据训练模型，之后用模型分析测试组中数据预测配伍样品污染物排放量，预测结果使用平均相对误差进行评价获得优化模型。
65.本发明提供了一种多源城市固废配伍优化方法，可以有效提高城市固废的能源回收，在实际固废处理中实现适应多种策略要求的配伍方案输出；在传统固废处理中应用本方法可以有效减少固废处理污染物的排放；可以应用于工业窑炉协同处置城市固废领域，能够有效提高城市固废的资源化利用率。
66.以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，
任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。