面向无害化垃圾焚烧发电的二噁英软测量精简化建模研究

目前,垃圾焚烧发电仅以负荷和能耗指标确定其燃烧工况，而不是以二噁英为控制目标来设定工况。若建立以二噁英减排为目标的无害化垃圾焚烧系统，则需在线测量二噁英，但尚未解决。为此，在我校垃圾焚烧发电中试基地，通过数据挖掘探求二噁英排放量与其工艺过程参数之间的关系，建立二噁英在线软测量模型。首先，结合核方法的非线性映射和PCA、CCA等子空间降维性质，在KPCA、KCCA等特征空间作辅助变量剔除前后的相关性分析，研究辅助变量对二噁英排量的解释能力，剔除不相关的第一类冗余辅助变量。其次，在上述特征空间内对剩余的辅助变量作聚类分析，并设计软测量模型的稳健性准则，以该准则作为剩余辅助变量的选择依据，再用遗传算法作变量选择，剔除彼此关联的第二类冗余辅助变量。最后，研究模型算法的稳定性。本项目拟在核函数建模方法基础上，建立一种非线性二噁英软测量模型的维度约简方法。该研究将为非线性模型的变量选择提供一种新方法。

复杂工业过程的某些重要参量无法直接测量，软测量是实现其间接测量的重要方法。非线性软测量模型涉及的辅助变量较多，冗余辅助变量的引入会导致模型泛化能力急剧下降，同时模型的复杂度随着变量增多呈指数增长，通过变量选择和降维是实现软测量模型精简的主要方法。本项目以垃圾焚烧过程中的二次排放问题（如二噁英等）为研究对象，研究非线性系统的变量选择方法和软测量建模技术。主要包括三个方面：（1）非线性系统变量选择方法方面：针对传统的成分分析法（PCA、ICA、CCA和PLS等）无法对非线性建模进行变量筛选的问题，借助于虚假最近邻点技术（FNN），通过核函数的设计，提出了一类基于单核函数的非线性系统变量选择方法，包括KPCA-FNN、KICA-FNN和KPLS-FNN，消除了冗余辅助变量之间的多重共线性，实现了非线性冗余变量的剔除；为了解决核函数映射后，维度远远高于原有输入变量的维数和计算复杂等问题，拓展单核函数为多核函数的线性加权组合，提出了一类基于多核函数的非线性系统变量选择方法，包括MKPCA和MKFDA，有效地降低特征空间的维数，改善了约简后模型的精度及泛化能力。（2）软测量技术方面：提出了强跟踪无迹卡尔曼神经网络建模方法，通过改进无迹卡尔曼神经网络（UKFNN）的协方差矩阵，利用误差协方差矩阵的平方根代替原有的协方差阵，提高了模型收敛速度和突变状态的跟踪能力；针对二次排放中二噁英实验数据有限的小样本建模问题，通过将熵函数引入能量函数的方法，提出一种熵神经网络建模方法，提升了小样本软测量建模的精度；另外，将遗传算法和卡尔曼滤波器分别引入神经网络和支持向量机，提出了改进的神经网络训练方法和改进型支持向量机。（3）将上述变量选择和建模方法用于垃圾焚烧过程SO2和二噁英等二次排放的软测量实验，为在线测量垃圾焚烧过程的排放问题提供了一种参考方法。分别对垃圾焚烧过程的SO2和二噁英进行软测量，实现了对辅助过程变量的重要性排序，获得了影响二次排放的可能原因。同时，通过对二噁英的实验研究，获得一些定性结果，如后处理工艺对降低二噁英排放具有重要作用。研究成果对推动垃圾焚烧发电的可持续发展和环境的改善具有重要的意义。