申请/专利权人：北京工业大学

申请日：2019-12-09

公开（公告）日：2024-04-23

公开（公告）号：CN110991756B

主分类号：G06Q10/04

分类号：G06Q10/04;G06N3/043;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2020.05.05#实质审查的生效;2020.04.10#公开

摘要：本发明提供基于TS模糊神经网络的MSWI炉膛温度预测方法。针对炉膛温度难以预测的问题，从数据驱动角度出发提出了基于TS模糊神经网络的炉膛温度预测方法。首先，通过机理分析和现场操作人员的经验总结，选取出影响炉膛温度的相关的特征变量，同时根据相关变量的数据标签提取出现场运行历史数据；其次，利用TS模糊神经网络建立相关变量与炉膛温度之间的非线性模型。最后，对训练得到的TS模糊神经网络模型进行测试，实验结果显示该方法能够对炉膛温度进有效预测，所建立的预测模型能够表征该工况下系统的动态特性，为后续以炉膛温度为主控手段的焚烧系统控制器的设计建立了基础。

主权项：1.一种基于TS模糊神经网络的MSWI炉膛温度预测方法，其特征在于，步骤如下：步骤1：特征变量的选取预测模型特征变量的选取分为主要变量的选取和辅助变量的选取，以炉膛温度为主要变量，确定一次风加热温度、二次风加热温度、蒸汽量和干燥段炉排左外侧温度来控制炉膛温度为特征变量；步骤2：设计用于预测炉膛温度的网络模型对从固废焚烧厂的变量数据进行归一化处理，方法如下： 式中，y为原始数据值，y*为归一化之后的值，ymax为原始数据所在行的最大值，ymin为原始数据所在行的最小值；对数据进行归一化处理后，所有的数据都被归一化到[-1,1]之间，使得数据标准统一化，提高了数据可比性；用于炉膛温度预测的TSFNN网络结构分为三层：输入层、隐含层、输出层；输入为一次风加热温度，二次风加热温度，蒸汽量和干燥段炉排左外侧温度，输出为炉膛温度；步骤2.1：初始化神经网络初始化神经网络的结构为4-10-1的连接方式，输入层有4个节点，隐含层有10个节点，输出层有1个节点，神经网络的输入向量表示为x＝x1,x2,x3,x4T；输出层输出的是炉膛温度的值，输出层的节点数为1；步骤3：TSFNN神经网络结构步骤3.3.1：前件网络输入层：该层的作用是将输入向量直接输入到TSFNN的前件网络中，即网络输入x：x＝x1,x2,x3,x4T2式中，x1,x2,x3,x4分别表示前件网络输入层4个数据维度；隶属度层：主要作用是对输入量进行模糊化处理，隶属度函数采用高斯函数进行激活； 式中，μij是隶属度层的输出，表示输入层第i个输入量在隶属度层第j个隶属度的函数值；cij和σij分别表示输入层第i个输入量在隶属度层第j个隶属度函数中的中心值和宽度值；其中，i＝1,2,3,4；j＝1,2,…,10；规则层：输入量经过模糊化后得到不同的模糊规则，并以此为基础进行模糊推理； 式中，wj表示规则层的第j个模糊规则；其中，j＝1,2,…,10；输出层：该层的主要作用是将上层的模糊规则进行归一化处理，并输入到后件网络中； 式中，wj表示对规则层第j个模糊规则归一化后的结果；其中，j＝1,2,…,10；步骤3.3.2：后件网络输入层：该层的作用是将输入向量直接引入TSFNN后件网络中的隐含层，其中第0个结点x0的输入值为1；其余输入为x，即：x＝x1,x2,x3,x4T6式中，x1,x2,x3,x4分别表示前件网络输入层4个数据维度；隐含层：将输入直接传输到TSFNN后向网络的隐含层，并根据模糊规则求得隐含层各节点的输出； 式中，yj为隐含层第j个节点的输出；pij是后件网络第i个输入到第j个规则的权值；其中i＝1,2,3,4；j＝1,2,…,10；由pi1-pi10组成的矩阵pi为10×1的权值矩阵；总输出层：计算TSFNN的总输出，即： 式中，yk是网络的实际输出；yj为隐含层第j个节点的输出，表示对规则层第j个模糊规则归一化后的结果；步骤4：神经网络训练步骤4.1：对神经网络进行训练，选取均方误差函数作为性能指标，计算如下： 式中，E表示每次迭代后的瞬时平方差；yd和yk分别表示为网络的的期望输出和实际输出；e为期望输出和实际输出的误差；通过公式推导得到以下结论；步骤4.2：采用梯度训练法对神经网络进行训练，对高斯函数的中心值和宽度值训练，方法如下： 式中，cijk+1,cijk,cijk-1分别表示第k+1时刻，第k时刻，第k-1时刻的高斯函数中心值；σijk+1,σijk,σijk-1分别表示第k+1时刻，第k时刻，第k-1时刻的高斯函数宽度值；ek表示第k时网络刻期望输出和实际输出的误差；η为学习速率，α为动量因子，η∈[0,1]，α∈[0,1]；步骤4.3：输入层与中间层的连接权值pij的权值训练，方法如下： 式中pijk+1,pijk,pijk-1分别表示第k+1时刻，第k时刻，第k-1时刻的后件网络第i个输入到第j个规则的权值；ek表示第k时网络刻期望输出和实际输出的误差；η为学习速率，α为动量因子，η∈[0,1]，α∈[0,1]；wj表示规则层的第j个模糊规则；步骤5：用训练好的样本对测试样本进行预测；将测试样本数据作为训练好的神经网络的输入，TSFNN神经网络的输出即为炉膛温度的预测结果。

全文数据：

权利要求：

百度查询： 北京工业大学 基于TS模糊神经网络的MSWI炉膛温度预测方法

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