一种基于机器学习的多源城市固废配伍优化方法与流程

技术特征：
1.一种基于机器学习的多源城市固废配伍优化方法，其特征在于，包括：采集不同种类固体废物的样品，获取相关性质数据；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；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；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；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；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。2.如权利要求1所述的基于机器学习的多源城市固废配伍优化方法，其特征在于，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。3.如权利要求2所述的基于机器学习的多源城市固废配伍优化方法，其特征在于，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。4.如权利要求1所述的基于机器学习的多源城市固废配伍优化方法，其特征在于，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。5.如权利要求4所述的基于机器学习的多源城市固废配伍优化方法，其特征在于，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。6.如权利要求1所述的基于机器学习的多源城市固废配伍优化方法，其特征在于，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。7.如权利要求1所述的基于机器学习的多源城市固废配伍优化方法，其特征在于，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。8.如权利要求1所述的基于机器学习的多源城市固废配伍优化方法，其特征在于，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。

技术总结
本发明公开一种基于机器学习的多源城市固废配伍优化方法,包括：获取相关性质数据；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；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；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；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；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。方案。方案。


技术研发人员：陈冠益 杜承明 孙昱楠 陶俊宇 刘馨仪 穆兰 王晓华 王振宇 郑燕妮
受保护的技术使用者：天津商业大学
技术研发日：2021.12.10
技术公布日：2022/3/8