申请/专利权人：北京工业大学

申请日：2021-08-29

公开（公告）日：2024-04-02

公开（公告）号：CN113780639B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/26;G06F30/27;G06N3/0499;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.12.28#实质审查的生效;2021.12.10#公开

摘要：基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法涉及人工智能领域。本发明利用基于多任务学习框架的NOx排放预测模型，实现了对NOx浓度的两步预测。首先，结合城市固废焚烧的机理，确定与NOx浓度预测相关的输入变量；然后，利用多任务学习基本思想，建立多任务学习模型的整体框架；接着，使用自组织RBF神经网络构建多任务学习模型的子模块。最后，对所建立的预测模型进行测试，实现城市固废焚烧NOx排放两步预测。本发明在城市固废焚烧NOx浓度预测中取得较好的性能。

主权项：1.一种基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法，其特征在于，包括如下步骤：步骤1：数据预处理；通过城市固废焚烧NOx生成与去除的机理分析，确定6个与NOx预测相关的输入变量，包括：t时刻的NOx浓度、一次燃烧室右侧温度、炉一次风量、炉二次风量、炉尿素溶液累计量、尿素溶剂供应流量，按照公式1归一化至[0，1]；输出变量为t+1、t+2时刻的NOx浓度，按照公式2归一化至[0，1]： 其中，Ii表示第i个输入变量，Om表示第m个输出变量，xi和ym分别表示归一化后的第i个输入变量和第m个输出变量；minIi和maxIi分别表示第i个输入变量中的最小值和最大值；minOm和maxOm分别表示第m个输出变量中的最小值和最大值；步骤2：基于训练样本构建基于多任务学习框架的城市固废焚烧氮氧化物NOx预测模型；利用基于RBF神经网络的多任务学习框架，建立NOx预测模型，实现对NOx浓度的两步预测；多任务学习模型由两个子模块组成，不同模块实现对不同时刻NOx浓度的预测，模块间进行知识共享；第一个子模块作为基本模块，基本模块将作为共享知识迁移至第二个子模块；第二个子模块的构建是在基本模块的基础上添加任务特定模块实现的；两个子模块基于RBF神经网络建立，包括：输入层、隐含层、输出层；初始时刻，第一个子模块的拓扑结构为6-K-1，即输入层有6个神经元，分别对应步骤1中归一化后的6个输入变量，隐含层K个神经元，输出层有1个神经元，对应t+1时刻的NOx浓度；第二个子模块的拓扑结构为6-J-1，即输入层有6个神经元，分别对应步骤1中归一化后的6个输入变量，隐含层J个神经元，输出层有1个神经元，对应t+2时刻的NOx浓度；第二个子模块的拓扑结构是在第一个模块的基础上添加N个隐含层神经元，作为任务特定模块，从而实现模块间知识共享；步骤3、基于训练样本，设计RBF神经网络，实现多任务学习框架子模块的构建；步骤4、将测试样本数据作为训练后的预测模型的输入，对未来两个时刻的NOx浓度进行预测，并对预测模型的性能进行评估；步骤2中，t+1、t+2时刻的NOx浓度预测由两个子模块实现，具体体现在：设共有S个训练样本，两个子模块采用相同的输入向量x＝[x1,x2,...,x6]T，x1,x2,x3,x4,x5,x6分别对应归一化后的输入变量：t时刻的NOx浓度、一次燃烧室右侧温度、炉一次风量、炉二次风量、炉尿素溶液累计量、尿素溶剂供应流量；输出y1,y2为的t+1、t+2时刻的NOx浓度；在第一个子模块中，t+1时刻NOx浓度的计算方法如下：①第一个子模块的输入层：该层由6个神经元组成，每个输入神经元的输出为：ui＝xi3其中，ui是第i个输入神经元的输出，xi为输入向量的第i个元素，i＝1,2,…,6；②第一个子模块的隐含层：隐含层由K个神经元组成，每个神经元的输出为： 其中，φkxs表示第s个输入向量xs在进入第一个子模块时，第k个隐层神经元的输出，ck为第k个隐层神经元的中心，b为第k个隐层神经元的宽度；③第一个子模块的输出层：第一个子模块的输出为： 其中，y1,s为第s个输入向量xs进入第一个子模块时，对应t+1时刻的预测值，wk,1为第一个子模块的第k个隐层神经元到输出层的连接权值，φkxs为第k个隐层神经元的输出；在第二个子模块中t+2时刻NOx浓度的计算方法如下：①第二个子模块的输入层：该层由6个神经元组成，每个神经元的输出为：vi＝xi6其中，vi是第i个输入神经元的输出，xi为输入向量的第i个元素，i＝1,2,…,6；②第二个子模块的隐含层：隐含层由J个神经元组成，第二个子模块每个隐层神经元的输出为： 其中，φjxs表示第s个输入向量xs在进入第二个子模块时，第j个隐层神经元的输出，cj为第j个隐层神经元的中心，b为第j个隐层神经元的宽度；③第二个子模块的输出层：第二个子模块的输出为： 其中，y2,s为第s个输入向量xs在进入第二个子模块时，对应t+2时刻的预测值，wj,1为第二个子模块第j个隐层神经元到输出层的连接权值；φjxs为第二个子模块的第j个隐层神经元的输出；第二个子模块是通过迁移第一个子模块和添加任务特定模块共同实现，因此第二个子模块的前K个神经元与第一个子模块相同；第二个子模块的输出的计算是： wn,1为任务特定模块中第n个隐层神经元到输出层的连接权值，φnxs为第n个隐层神经元的输出；wk,1为第一个子模块的第k个隐层神经元到输出层的连接权值，φkxs为第k个隐层神经元的输出；y1,s为第s个输入向量xs进入第一个子模块时，对应t+1时刻的预测值；多任务学习子模块的构建是基于RBF神经网络实现的，步骤3具体为：两个子模块的RBF神经网络的隐层神经元均按自组织方式添加，每次添加一个神经元后，计算当前隐层神经元与输出神经元之间的连接权值，并根据公式10和11求出当前网络结构下的的误差，如果没有达到期望误差，则继续添加神经元，直到低于期望误差或是达到最大神经元的个数；本发明中第一个子模块隐层神经元最大个数为K个；第二个子模块隐层神经元最大个数为J个定义两个预测任务的均方误差分别为： 其中，分别为t+1、t+2时刻的期望值，y1,s、y2,s为t+1、t+2时刻的预测值，S为训练样本个数；1确定第一个子模块的网络结构和参数；①第一个子模块的隐层神经元中心和宽度的确定；将S个输入样本作为拟选隐层神经元中心的集合，从样本中选择作为中心；增添神经元的原则：在拟选中心中寻找使综合误差最大的，作为要添加神经元的中心；综合误差最大位置为：d＝argmax[e1,1,e1,2,...,e1,i,...,e1,S]12其中e1,i表示在进行t+1时刻预测时，第i个样本作为隐层神经元中心时，所有样本的综合误差，综合误差越高，说明需要将该样本作为隐层神经元的中心对综合误差进行补偿，对于综合误差的计算如下： 其中ps,i为选择第i个样本作为中心时，第s个输入样本在隐含层的输出；为第s个样本的t+1时刻期望值；初始时，第s个输入样在经过第i个拟选神经元时的隐层输出为：ps,i0＝φixs14每添加一个中心后，需要将该中心从拟选中心集合内删除，确保同一个中心不会被多次使用；故在确定k个神经元后，拟选中心的个数变为S-k；在添加隐含层神经元时，需要对径向基输出进行更新，以保证径向基函数的输出响应范围足够大，从而提高模型的拟合能力，故进行如下更新： ps,ik,ps,ik-1为选择第i个样本作为中心时，当前迭代和上一次迭代时的径向基输出；ps,k-1为上一个选择的样本作为中心时，第s个样本的径向基输出；迭代次数即添加神经元的个数，对于所有的隐层神经元，采用相同的宽度并且在迭代过程中保持不变；每添加一个神经元，计算当前结构下隐层到输出层的最佳连接权值；②隐层神经元与输出神经元之间的连接权值的确定；在每次添加神经元后，中心和宽度在训练过程中便固定不变，只需要计算隐层到输出层的最优连接权值；由于隐层输出与网络输出值为线性关系，输出权值可采用最小二乘法计算得到： 其中WT＝[w1,1,w2,1,...wk,1]，wk,1为第k个隐层神经元与输出神经元之间的连接权值，隐层输出期望输出每次添加神经元后，计算出输出权值后，在当前网络结构和参数下，根据公式5和10计算t+1时刻的预测误差，如果没有达到期望误差，则继续添加神经元，直到低于期望误差为止，停止添加神经元的条件也可以时达到最大神经元的个数K；训练完成后，第一个子模块的中心、宽度和输出权值即可确定；2第二个子模块网络的结构和参数的确定由于以相同数据作为输入，t+2的预测需要更多的神经元，以从输入中学习更多的知识，保证预测的精度；本发明中，第二个子模块的隐层神经元个数为J个,其中J＝K+N,K为第一个子模块隐层神经元的个数，N为第二个子模块任务特定模块的神经元个数；由于多任务学习信息共享的特点，本发明将第一个子模块迁移，作为第二个子模块的一部分，只需要添加神经元作为任务特定模块完成第二个子模块的构建；即第二个子模块的前K个隐层神经元的中心、宽度和输出权重同第一个子模块相同，并在任务特定模块添加神经元时，共享模块的参数保持不变；任务二的特定模块增添神经元的机制同第一个子模块相同；为了保证添加神经元时只更新任务二特定模块对应的输出权值，结合公式9，任务特定模块的输出权值计算如下： 其中 w1,K+n为任务特定模块添加的第n个神经元与输出神经元之间的连接权值,φK+nxs为第s个样本在任务特定模块的隐层第n个神经元的输出；为第s个样本t+2时刻输出的期望值，y1,s为第s个样本t+1时刻的预测值；任务特定模块每次添加神经元之后，计算当前结构下任务特定模块的输出权值，并于子模块一的参数组合，得到子模块二的所有参数；在当前结构和参数下，根据公式6和11，计算t+2时刻的预测误差，如果没有达到期望误差，则继续添加神经元，直到低于期望误差为止，停止添加神经元的条件也可以时达到最大神经元的个数J；训练完成后，第二个子模块的中心、宽度和输出权值即可确定。

全文数据：

权利要求：

百度查询： 北京工业大学 基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD