Soft Sensing Method of Dioxin Emission in Municipal Solid Waste Incineration Process Based on Broad Hybrid Forest Regression
-
摘要: 二噁英是城市固废焚烧过程排放的痕量有机污染物. 受限于相关技术的复杂度和高成本, 二噁英排放浓度检测的大时滞已成为制约城市固废焚烧过程优化控制的关键因素之一. 虽然具有低成本、快响应、高精度等特点的数据驱动软测量模型能够有效解决上述问题, 但二噁英建模方法必须要契合数据的小样本、高维度特性. 对此, 提出了由特征映射层、潜在特征提取层、特征增强层和增量学习层组成的宽度混合森林回归软测量方法. 首先, 构建由随机森林和完全随机森林构成的混合森林组进行高维特征映射; 其次, 依据贡献率对全联接混合矩阵进行潜在特征提取, 采用信息度量准则保证潜在有价值信息的最大化传递和最小化冗余, 降低模型的复杂度和计算消耗; 然后, 基于所提取潜在信息训练特征增强层以增强特征表征能力; 最后, 通过增量式学习策略构建增量学习层后采用Moore-Penrose伪逆获得权重矩阵. 在基准数据集和城市固废焚烧过程二噁英数据集上的实验结果表明了方法的有效性和优越性.Abstract: Dioxin is a trace organic pollutant emitted from municipal solid waste incineration process. Limited by the complexity and high cost of relative technology, the big time delay of dioxin emission concentration detection has become one of the key factors restricting the optimize control of municipal solid waste incineration process. Although the data-driven soft sensing model with the characteristics of low cost, fast response and high precision can effectively solve the above problems, the dioxin modeling method must fit the small sample and high-dimensional characteristics of the modeling data. In this paper, a broad hybrid forest regression soft sensing method is proposed, which consists of feature mapping layer, latent feature extraction layer, feature enhancement layer and incremental learning layer. Firstly, a hybrid forest group composed of random forest and completely random forest is constructed for high-dimensional feature mapping. Secondly, the latent features extraction of the fully connected mixed matrix is carried out according to the contribution rate, and the information measurement criterion is used to ensure the maximum transmission and minimize redundancy of potential valuable information. Thus, the model complexity and computational consumption are reduced. Then, the feature enhancement layer is trained based on the extracted potential information to enhance the feature representation ability. Finally, the incremental learning layer is constructed by using incremental learning strategy, and the weight matrix is obtained by using the Moore-Penrose pseudo inverse. The experimental results on high-dimensional benchmark and dioxin datasets of municipal solid waste incineration process show the effectiveness and superiority of the proposed method.
-
近年来, 随着互联网、云计算等信息科技的蓬勃发展, 2006年美国国家科学基金会提出了信息技术的发展方向 — 信息物理系统(Cyber-physical system, CPS)[1], CPS是计算资源和物理资源的紧密耦合与协同, 使得系统的适应性、自治力、可靠性、安全性和可用性远超当前的系统[2]. 能源是人类赖以生存和发展的基础, 能源的可持续和清洁化始终是人类孜孜以求的目标[3]. 近年来, 随着风、光等新能源利用技术的高速发展, 以风、光等永续清洁能源为主要供能形式, 建设清洁低碳安全高效的信息能源系统, 实现绿色可再生能源高效利用, 破解当前化石能源困局成为业界重要共识[4]. 尽管信息物理系统的稳定性已经得到了广泛的研究, 但大部分的学者皆关注于通信网络延时或攻击下的信息物理系统的稳定性问题[5-6], 无网络通信的信息物理系统的信−物融合稳定性分析策略亟待提出. 其中, 内嵌数字控制系统的并网逆变器系统可以被认为是最简单和最典型的信息能源系统之一. 基于此, 本文聚焦于无通信网络的内嵌数字控制的并网逆变器系统, 提出信息能源系统的信−物融合稳定性分析技术.
信息能源/信息电力系统稳定性已经被广泛研究, 其可以被区分为网络攻击下的系统稳定性问题和无网络攻击下的系统稳定性问题[7-11]. 从攻击角度出发, 当前研究已经从网络攻击[7]、攻击级联反应[8]、主动预防[9]等多角度构建了相对完整的研究体系. 从无攻击角度出发, 当前研究多集中于分布式/集中式通信网络的延时. Xu等[10]和张一媚等[11]分别对信息电力系统和信息能源系统信−物融合导致的通信延时设计了延时阈值条件. 两者都是针对二级控制中存在的通信延时展开研究, 给出了二级控制中致使控制器失效的极限延时时间. 无通信网络的底层信息能源网络稳定性评估尚属空白, 而隶属于无通信网络的底层信息能源网络的内嵌数字控制系统的并网逆变器系统可以被认为最简单而典型的信息物理系统之一, 其包含数字控制系统和电力变换器件而无通信网络. 从效率的角度出发, 逆变器的开关/采样频率总是选择尽可能低的频率, 其势必产生系统固有延迟时间[12], 此固有延时时间由信息/物理层的采样延迟时间、信息层的计算延迟时间和物理层的脉宽调制(Pulse-width modulation, PWM)延迟时间三部分组成, 其有效反映了信息−物理相互融合作用的影响. 因此, 确保系统稳定情况下的信息−物理相互融合而导致的等效延时的阈值亟待提出, 该阈值可以进一步指导实际微电网开关/采样频率的选取, 避免系统出现信息−物理融合影响而导致的失稳现象. 同时, 在2020年, 功率−信号混合传递策略在Nature Communications上被提出, 本文方法不需要传统的通信网络, 而是通过物理层的脉宽调制的开关频率和相位偏差两个自由度传递信息, 该方法将信息−物理耦合成了一个整体[13]. 然而该方法需要一系列正交的开关频率传递信息, 随着开关频率的降低也会导致信息−物理融合的低频/次同步振荡问题.
由采样−计算−脉宽调制造成的固有延时隶属于纳秒级延时, 同时隶属于系统最底层且基础的电磁时间尺度的稳定性问题和电力系统中的静态小扰动稳定性问题[14]. 目前, 电磁时间尺度稳定性分析技术已经取得了诸多研究成果[15-23]. 相关成果可以被分为基于状态方程的稳定性分析技术[14-17]、基于闭环传递函数的稳定性分析技术[18-19]和基于阻抗方法的稳定性分析技术[20-26] 3个大类. 其中基于状态方程的稳定性分析技术首先从电能变换器件及其连接线路的角度出发构建整个系统的状态方程, 其主要热点及难点问题在于构建整个状态方程时考虑延时、锁相环耦合等问题. 文献[14]提出通过柏德近似等方法对上述问题进行化简. 此外, 当电力变换器的数量增多时, 整体的状态方程将变得十分复杂, 目前有效的解决方法是对整体的状态方程进行降阶, 如奇异值摄动法[15]、Schur变换法[16]和Kron降阶法[17]等. 基于闭环传递函数的稳定性分析方法是建立整个系统模型并利用波特图和根轨迹等方法判别系统的稳定性[18]. 然而基于闭环传递函数的波特图和根轨迹法也存在复杂的计算量, 因此, 该稳定性分析方法也需要降阶处理, 其常见的降阶方法有奇异值摄动法等[19]. 然而, 状态方程法和闭环传递函数法随着变换器数量增加而导致模型维数灾问题, 并且随着可再生能源的渗透率不断地提高, 整个网络的状态方程或传递函数难以构建[20].
因此, 基于阻抗方法的电磁时间尺度稳定性分析技术越来越得到学者的关注. 阻抗方法通过构建整个系统的阻抗模型并利用广义奈奎斯特曲线[21]以判别系统稳定性. 鉴于双向能流的交/直流混合微电网的急速发展, 文献[21]首先提出了Z
$+ $ Z型阻抗评估判据. 鉴于现存广义奈奎斯特判据高复杂性, 相关学者提出了简化稳定判据, 如范数阻抗判据和禁止区域阻抗判据[22-24]. 其中, 根据不同范数类别和判据区间范围, 将基于范数的阻抗判据分为G范数判据、Infinity范数判据和Infinity-one范数判据[22] 3类. 另外一系列的稳定判据则基于禁止区域, 如Middlebrook判据、增益和相位裕度判据、对立的观点判据等[23-24]. 然而上述阻抗稳定性分析方法多关注于稳定运行点的辨识和所构建的回比矩阵的稳定裕度, 而无法提供确保系统稳定运行时, 等效延时的变化区域或系统采样/开关频率阈值. 为了提供在信息−物理融合影响的情况下确保系统稳定的采样/开关频率阈值, 本文提出了一种基于自适应步长搜索算法的采样/开关频率阈值辨识技术. 本文的主要特点和优点如下:1)本文构建了内嵌等效时延的广义阻抗回比矩阵, 该等效延迟时间由信息/物理层的采样延迟时间、信息层的计算延迟时间和物理层的脉宽调制延迟时间3部分组成. 其有效反映了信息−物理相互融合作用的影响和为后续系统采样/开关频率阈值辨识提供模型基础.
2)本文利用柏德逼近技术将延时的指数型函数转化为频率分数函数, 进而将系统采样/开关频率阈值的求解问题转化为等效回比矩阵为Hurwitz的辨识问题. 其消除了传统阻抗技术中所涉及的广义奈奎斯特判据复杂度高的问题, 进而可以获得工程可用的稳定性判据.
3)本文提出了基于自适应步长搜索算法的采样/开关频率阈值辨识技术, 其能够获得信息能源系统采样/开关频率阈值, 有效指导微电网开关/采样频率的选取, 避免系统出现信息−物理融合影响而导致失稳现象.
1. 广义阻抗回比矩阵
常见的内嵌数字控制系统的并网逆变器系统如图1所示[23-27], 图1中, DG代表分布式电源. 在弱电网当中, 相较于传统的P&Q控制型并网逆变器, 下垂控制型并网逆变器具备更好的系统稳定性. 基于此, 下垂控制型并网逆变器已经被广泛应用于当前的交流微电网当中[22], 具体控制策略见文献[23]. 在此类分散式控制系统当中, 信息物理网络间存在固有延时时间, 包括信息/物理层的采样延迟时间、信息层的计算延迟时间和物理层的脉宽调制延迟时间三部分组成, 其有效反映了信息−物理相互融合作用的影响[24]. 在本文中, 由于此信息−物理相互融合作用而产生的等效延时定义为
$ G\left( \tau \right) $ . 从稳定性分析判据出发, 本文所研究的微电网系统可以等效为如图2所示的同步旋转坐标系下(dq轴)的戴维南等效电路[2]. 值得注意的是, 本文将多个分布式电源和逆变器系统等效为图2的单电源系统, 该等效是阻抗辨识技术相较于其他方法的最大优势, 通过网络拓扑等效可以降低计算负担, 本方法保留了精细划分不同电源/逆变器分别对系统稳定性的影响/贡献量, 可以利用参与因子法对某个或某几个电源/逆变器的影响进行精细化区分.相关电源/负载阻抗可以通过如下过程获得: 在dq轴下, 下垂控制器的电压/电流动态特性如下所示[27]:
$$ {V_{invd}} = {I_{invd}}({R_{inv}} + s{L_{inv}}) - \omega {L_{inv}}{I_{invq}} + {V_{cd}} $$ (1) $$ {V_{invq}} = {I_{invq}}({R_{inv}} + s{L_{inv}}) + \omega {L_{inv}}{I_{invd}} + {V_{cq}} $$ (2) $$ {I_{invd}} = {C_{inv}}{V_{cd}}s - \omega {C_{inv}}{V_{cq}} + {I_{cd}} $$ (3) $$ {I_{invq}} = {C_{inv}}{V_{cq}}s + \omega {C_{inv}}{V_{cd}} + {I_{cq}} $$ (4) 式中,
$ {V_{invd}} $ 、$ {V_{invq}} $ 、$ {I_{invd}} $ 和$ {I_{invq}} $ 分别表示在dq轴下并网逆变器的输出电压和电流;$ {V_{cd}} $ 、$ {V_{cq}} $ 、$ {I_{cd}} $ 和$ {I_{cq}} $ 分别表示在dq轴下并网逆变器的电压和电流;$ {R_{inv}} $ 、$ {L_{inv}} $ 和$ {C_{inv}} $ 分别表示电阻−电感−电容(Resistance-inductance-capacitance, RLC)电路中的电阻、电感和电容. 进一步, 电压−电流双闭环控制器如下所示[27]:$$ I_{invd}^\# = G_v^{inv}(V_{cd}^\# - {V_{cd}}) - \omega {C_{inv}}{V_{cq}} + K{I_{cd}} $$ (5) $$ I_{invq}^\# = G_v^{inv}(V_{cq}^\# - {V_{cq}}) + \omega {C_{inv}}{V_{cd}} + K{I_{cq}} $$ (6) $$ V_{invd}^\# = G_i^{inv}(I_{cd}^\# - {I_{cd}}) - \omega {L_{inv}}{I_{cq}} + {V_{cd}} $$ (7) $$ V_{invq}^\# = G_i^{inv}(I_{cq}^\# - {I_{cq}}) + \omega {L_{inv}}{I_{cd}} + {V_{cq}} $$ (8) 式中,
$ I_{cd}^\# $ 、$ I_{cq}^\# $ 、$ V_{cd}^\# $ 和$ V_{cq}^\# $ 分别表示在dq轴下并网逆变器电流和电压信号,$ G_v^{inv} $ 和$ G_i^{inv} $ 表示电压/电流双闭环比例积分(Proportional integral, PI)控制器$(G_v^{inv} = k_{vp}^{inv} + k_{vi}^{inv}/s$ 和$G_i^{inv} = k_{ip}^{inv} + k_{ii}^{inv}/s),$ $ K $ 表示反馈系数. 此外, 瞬时有功功率$ {p_{inv}} $ 和无功功率$ {q_{inv}} $ 通过式(9) 、式 (10)提供, 低通滤波器被应用至逆变器当中以获取平抑波动的有功功率$ {P_{inv}} $ 和无功功率$ {Q_{inv}} $ , 基于此, 逆变器的输出有功功率和无功功率如下所示:$$ {p_{{{inv}}}} = {\text{1}}{\text{.5}}\left( {{V_{cd}}{I_{cd}} + {V_{cq}}{I_{cq}}} \right) $$ (9) $$ {q_{{{inv}}}} = {\text{1}}{\text{.5}}\left( {{V_{cd}}{I_{cq}} - {V_{cq}}{I_{cd}}} \right) $$ (10) $$ {P_{inv}} = \frac{{{\omega _f}}}{{s + {\omega _f}}}{p_{inv}} $$ (11) $$ {Q_{inv}} = \frac{{{\omega _f}}}{{s + {\omega _f}}}{q_{inv}} $$ (12) 式中,
$ {\omega _f} $ 表示低通滤波器的截止频率. 如图3所示, 在内嵌数字控制系统的并网逆变器系统, 系统等效延时由3部分组成, 即, 信息/物理层的采样延迟时间和信息层的计算延迟时间可以表征为$ G\left( {{\tau _1}} \right) $ , 其中$ {\tau _1} = {T_s} $ ,$ {T_s} $ 表示采样周期, 即采样频率的倒数,$ {T_s} = 1/{f_s} $ , 物理层的脉宽调制延迟时间可以表征为$ G\left( {{\tau _2}} \right) $ , 其中$ {\tau _2} = 0.5{T_w} $ ,$ {T_w} $ 表示脉宽调制周期, 即开关频率的倒数,$ {T_w} = 1/{f_w} $ . 传统上, 采样周期和脉宽调制周期往往取值相同[24]. 基于此, 系统等效延时可以表示为$G\left( \tau \right) = {{\rm{e}}^{ - \tau s}} = {{\rm{e}}^{ - 1.5{T_s}s}} = {{\rm{e}}^{ - 1.5{T_w}s}} = {{\rm{e}}^{ - 1.5Ts}}$ , 其中,$ T $ 表示系统采样或开关周期. 因此, 式(11) 、式 (12)可以表示为:$$ {P_{inv}} = \frac{{{\omega _f}}}{{s + {\omega _f}}}{{\rm{e}}^{ - 1.5Ts}}{p_{inv}} $$ (13) $$ {Q_{inv}} = \frac{{{\omega _f}}}{{s + {\omega _f}}}{{\rm{e}}^{ - 1.5Ts}}{q_{inv}} $$ (14) 式中,
$ s $ 表示拉普拉斯因子, 根据文献[13]可知,${{\rm{e}}^{ - 1.5Ts}} = 4f - 3s/4f + 3s$ , 其中$ f $ 表示系统采样或开关频率. 下垂控制器可以表示为$$ \omega = {\omega ^\# } - m{P_{inv}} $$ (15) $$ V_{cd}^\# = {V^\# } - n{Q_{inv}} $$ (16) 式中,
$ {\omega ^\# } $ 和$ {V^\# } $ 分别表示额定角频率和电压, 依据动态矢量技术[27], 式(1) 、 式(2)和式(7) 、式 (8)进行偏差分析, 其中主要利用的原理:$x = y = {x^\# } + \Delta x = {y^\# } + \Delta y \to \Delta x = \Delta y$ , 因此,$ \Delta I_{inv}^\# $ 的小信号模型为:$$ \left[ {\begin{array}{*{20}{l}} {\Delta I_{invd}^\# } \\ {\Delta I_{invq}^\# } \end{array}} \right] = {\left[ {B1} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{l}} {\Delta I_{invd}^{}} \\ {\Delta I_{invq}^{}} \end{array}} \right] + {\left[ {B2} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{c}} {\Delta \omega } \\ {\Delta V_{cd}^\# } \end{array}} \right] $$ (17) 其中
$$\begin{split} &{\left[ {B1} \right]_{2 \times 2}} = {\rm{diag}}\left\{ \frac{{{R_{inv}} + s{L_{inv}} + G_i^{inv}\left( s \right)}}{{G_i^{inv}\left( s \right)}},\right. \\ & \qquad\qquad\quad\left.\frac{{{R_{inv}} + s{L_{inv}} + G_i^{inv}\left( s \right)}}{{G_i^{inv}\left( s \right)}} \right\} \\ &{\left[ {B2} \right]_{2 \times 2}} = \left[ {\begin{aligned} &{ - \frac{{I_{invq}^\# {L_{inv}}}}{{G_i^{inv}\left( s \right)}}}&0 \\ & {\frac{{I_{invd}^\# {L_{inv}}}}{{G_i^{inv}\left( s \right)}}}&0 \end{aligned}} \right]\end{split} $$ 建立式(3) ~ 式(6)的小信号模型:
$$ \begin{split} \left[ {\begin{array}{*{20}{l}} {\Delta I_{invd}^{}} \\ {\Delta I_{invq}^{}} \end{array}} \right] =\;& \left[ {\begin{array}{*{20}{l}} {\Delta I_{cd}^{}} \\ {\Delta I_{cq}^{}} \end{array}} \right] + {\left[ {B3} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{l}} {\Delta V_{cd}^{}} \\ {\Delta V_{cq}^{}} \end{array}} \right] + \\ & {\left[ {B4} \right]_{2\times 2}}\left[ {\begin{array}{*{20}{c}} {\Delta \omega } \\ {\Delta V_{cd}^\# } \end{array}} \right] \\[-20pt] \end{split} $$ (18) $$ \begin{split} \left[ {\begin{array}{*{20}{l}} {\Delta I_{invd}^\# } \\ {\Delta I_{invq}^\# } \end{array}} \right] = \;&{\left[ {B5} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{l}} {\Delta V_{cd}^{}} \\ {\Delta V_{cq}^{}} \end{array}} \right] + \\ & {\left[ {B6} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{l}} {\Delta I_{cd}^{}} \\ {\Delta I_{cq}^{}} \end{array}} \right] + {\left[ {B7} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{c}} {\Delta \omega } \\ {\Delta V_{cd}^\# } \end{array}} \right] \end{split} $$ (19) 其中
$$ \begin{split} &{\left[ {B3} \right]_{2 \times 2}}=\left[ {\begin{array}{*{20}{c}} {s{C_{inv}}}&{ - {\omega ^\# }{C_{inv}}} \\ {{\omega ^\# }{C_{inv}}}&{s{C_{inv}}} \end{array}} \right] \\ &{\left[ {B4} \right]_{2 \times 2}} = \left[ {\begin{array}{*{20}{c}} 0&0 \\ {V_{cd}^\# {C_{inv}}}&0 \end{array}} \right] \\ &{\left[ {B5} \right]_{2\times 2}} = \left[ {\begin{array}{*{20}{c}} { - G_v^{inv}\left( s \right)}&{ - {\omega ^\# }{C_{inv}}} \\ {{\omega ^\# }{C_{inv}}}&{ - G_v^{inv}\left( s \right)} \end{array}} \right] \\ &{\left[ {B6} \right]_{2 \times 2}} = \left[ {\begin{array}{*{20}{c}} K&0 \\ 0&K \end{array}} \right]\\ &{\left[ {B7} \right]_{2 \times 2}} = \left[ {\begin{array}{*{20}{c}} 0&{G_v^{inv}\left( s \right)} \\ 0&0 \end{array}} \right]\end{split}$$ 式(11) ~ 式 (16)的小信号模型为:
$$\begin{split} \Delta {p_{inv}} = \;&1.5( {V_{cd}}\Delta {I_{cd}} + \Delta {V_{cd}}{I_{cd}} +\\ &{V_{cq}}\Delta {I_{cq}} + \Delta {V_{cq}}{I_{cq}}) \end{split}$$ (20) $$ \begin{split} \Delta {q_{inv}} =\;& 1.5( {V_{cd}}\Delta {I_{cq}} + \Delta {V_{cd}}{I_{cq}}-\\ & {V_{cq}}\Delta {I_{cd}} - \Delta {V_{cq}}{I_{cd}})\end{split} $$ (21) $$ \Delta \omega = - \frac{{m{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}\Delta {p_{inv}} $$ (22) $$ \Delta V_{cd}^\# = - \frac{{n{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}\Delta {q_{inv}} $$ (23) 相似地, 以矩阵形式表征式(20) ~ 式(23):
$$ \left[ {\begin{array}{*{20}{c}} {\Delta \omega } \\ {\Delta V_{cd}^\# } \end{array}} \right] = {[B8]_{2\times2}}\left[ {\begin{array}{*{20}{c}} {\Delta {V_{cd}}} \\ {\Delta {V_{cq}}} \end{array}} \right] + {[B9]_{2\times2}}\left[ {\begin{array}{*{20}{c}} {\Delta {I_{cd}}} \\ {\Delta {I_{cq}}} \end{array}} \right] $$ (24) 其中
$$ {[B8]_{2\times2}} = \left[ {\begin{array}{*{20}{c}} {B811}&{B812} \\ {B821}&{B822} \end{array}} \right] $$ $$ \begin{split} &B811 = \frac{{1.5m{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}I_{cd}^\# \\ & B812 = - \frac{{1.5m{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}I_{cq}^\# \\ &B821 = - \frac{{1.5n{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}I_{cq}^\# \\ & B822 = - \frac{{1.5n{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}I_{cd}^\# \\ &{[B9]_{2\times2}} = {\rm{diag}}\left\{ - \frac{{1.5m{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}V_{cd}^\# ,\right. \\ &\qquad\qquad\quad\left. - \frac{{1.5n{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}V_{cd}^\# \right\} \end{split} $$ 由于下垂逆变器的输出阻抗矩阵
${{\boldsymbol{Z}}_{{{inv}}}} = \left[ {\begin{aligned} {{Z_{dd}}}\;\;{{Z_{dq}}} \\ {{Z_{qd}}}\;\;{{Z_{qq}}} \end{aligned}} \right]$ , 满足如下的等式关系$\left[ {\begin{aligned} {\Delta {V_{cd}}} \\ {\Delta {V_{cq}}} \end{aligned}} \right] = \left[ {\begin{aligned} {{Z_{dd}}}\;{{Z_{dq}}} \\ {{Z_{qd}}}\;{{Z_{qq}}} \end{aligned}} \right]\times \left[ {\begin{aligned} {\Delta {I_{cd}}} \\ {\Delta {I_{cq}}} \end{aligned}} \right]$ . 因此, 将式(18)、式(19)和式(24)代入式(17),可以得到逆变器的输出阻抗矩阵:$$ \begin{split} {{\boldsymbol{Z}}_{{{inv}}}} =\;& \left[ {\begin{array}{*{20}{c}} {{Z_{dd}}}&{{Z_{dq}}} \\ {{Z_{qd}}}&{{Z_{qq}}} \end{array}} \right] =\\ & \{ {\left[ {B5} \right] + \left[ {B7} \right]\left[ {B8} \right] - \left[ {B1} \right]\left[ {B3} \right]}- \\ & { \left[ {B1} \right]\left[ {B4} \right]\left[ {B8} \right] - \left[ {B2} \right]\left[ {B8} \right]} \}^{ - 1} \cdot \\ &\{ {\left[ {B1} \right]\left[ {B4} \right]\left[ {B9} \right] + \left[ {B1} \right] + } \\ &{\left[ {B2} \right]\left[ {B9} \right] - \left[ {B6} \right] - \left[ {B7} \right]\left[ {B9} \right]} \} \end{split} $$ (25) 最后, 弱电网的输入导纳矩阵如下[26]:
$$ {{\boldsymbol{Y}}_{{g}}} = {{\boldsymbol{Z}}_{{g}}^{ - 1}} = {\left[ {\begin{array}{*{20}{c}} {{Z_{dd}}}&{{Z_{dq}}} \\ {{Z_{qd}}}&{{Z_{qq}}} \end{array}} \right]^{ - 1}} $$ (26) $$ \begin{split} &{Z_{dd}} = {Z_{qq}} = \frac{{\left[ {C1} \right]{s^2} + \left[ {C2} \right]s + \left[ {C3} \right]}}{{\left[ {C4} \right]{s^2} + \left[ {C5} \right]s + \left[ {C6} \right]}}\\ &{Z_{dq}} = - {Z_{qd}} = \frac{{\left[ {C7} \right]}}{{\left[ {C4} \right]{s^2} + \left[ {C5} \right]s + \left[ {C6} \right]}}\\ &{\left[ {C1} \right]} = \left( {{L_g}{C_g} + {R_g}{C_g}} \right){L_g} \\ & {\left[ {C2} \right]} = {L_g}{R_g}{C_g} + R_s^2{C_g} + {L_g} \\ & {\left[ {C3} \right]} = \left( {{L_g}{C_g} + {R_g}{C_g}} \right){L_g}\omega _{}^{\# 2} + {R_g} \\ &{\left[ {C4} \right]} = {\left( {{L_g}{C_g} + {R_g}{C_g}} \right)^2} \\ & {\left[ {C5} \right]} = 2\left( {{L_g}{C_g} + {R_g}{C_g}} \right) \\ & {\left[ {C6} \right]} = {\left( {{L_g}{C_g} + {R_g}{C_g}} \right)^2}\omega _{}^{\# 2} + 1\\ & {\left[ {C7} \right]} = \left( {{L_g}{C_g} + {R_g}{C_g}} \right){R_g}{\omega ^\# } - {L_g}{\omega ^\# }\end{split} $$ 式中,
$ {R_g} $ 、$ {L_g} $ 和$ {C_g} $ 分别表示等效交流母线的电阻、电感和电容;$ {\omega ^\# } $ 表示系统额定频率. 因此, 内嵌等效延时的微电网系统的等效回比矩阵如下:$$ {{\boldsymbol{R}}_{{0}}} = {{\boldsymbol{Z}}_{{{inv}}}}{{\boldsymbol{Y}}_{{g}}} $$ (27) 同时, 微电网系统的等效回比矩阵是等效延时时间的函数, 即,
${{\boldsymbol{R}}_{{0}}} = h(T)$ . 根据阻抗稳定判据[23], 当等效回比矩阵的广义奈奎斯特曲线不包含(−1, 0)点时, 系统稳定性可以得到保证.2. 自适应步长搜索算法
由于复杂的奈奎斯特曲线簇绘制过程不利于参数的设计, 相关学者相继提出了如图4所示的稳定禁止区域判据, Middlebrook判据、对立的观点判据、GMPM判据和NSFR判据[28], 其中
${\rm{Re}}(\cdot)$ 代表实部,${\rm{Im}}(\cdot)$ 代表虚部. 相较于前三种禁止区域判据, NSFR判据具备更低的保守性. 当$ {\varepsilon _{GM}} $ 趋向于1且$ {\theta _{PM}} $ 趋向于0时, NSFR判据可以转化为近似充要条件. 因此本文选用NSFR判据以分析延时依赖的等效回比矩阵的稳定性.引理1[23]. 如果微电网系统等效回比矩阵的相反数
$(- {{\boldsymbol{R}}_{{0}}})$ 不包围(1, 0)点, 则微电网系统的电磁时间尺度稳定性可以得到保证.因此, 互联系统电磁时间尺度稳定运行区域可以通过
$- {{\boldsymbol{R}}_{{0}}}$ 得到(如图5中深色区域所示). 进而, 稳定运行区域可以由三个子区域的并集得到(如图6中深色区域所示), 即$ A = {A_1} \cup {A_2} \cup {A_3} $ . 其中$ {A_1} $ 可以通过平移映射将原矩阵转化为Hurwitz矩阵${{\boldsymbol{R}}_{{1}}}$ 所构成的空间平面,$ {A_2} $ 和$ {A_3} $ 可以分别通过转映射将原矩阵转化为Hurwitz矩阵${{\boldsymbol{R}}_{{2}}}$ 和${{\boldsymbol{R}}_{{3}}}$ , 进而可以将${{\boldsymbol{R}}_{{1}}}$ 、${{\boldsymbol{R}}_{{2}}}$ 和${{\boldsymbol{R}}_{{3}}}$ 定义为等效回比矩阵:$$ {A}_{1}: {\boldsymbol{R}}_{{1}}=-{\boldsymbol{R}}_{{0}}-{\varepsilon }_{GM}{\boldsymbol{E}} $$ (28) $$ {A}_{2}: {\boldsymbol{R}}_{{2}}=-{\boldsymbol{R}}_{{0}}\times {{\rm{e}}}^{{\rm{j}}{\theta }_{PM}} $$ (29) $$ {A_3}: {{\boldsymbol{R}}_{{3}}} = - {{\boldsymbol{R}}_{{0}}} \times {{\rm{e}}^{ - {\rm{j}}{\theta _{PM}}}} $$ (30) 式中,
${{\boldsymbol{R}}_{{1}}}$ 、${{\boldsymbol{R}}_{{2}}}$ 和${{\boldsymbol{R}}_{{3}}}$ 是Hurwitz矩阵. E表示单位矩阵.注1. 文献[25]所采用的方法是奈奎斯特稳定判据, 该方法更适用于已知系统的稳定性判别, 而难以给出稳定运行区间的范围. 奈奎斯特法求取稳定区间的极限需要成千上万次绘制奈奎斯特曲线或波特图, 随着可再生能源数量的递增, 该方法将极大地耗费人力资源, 因此, 文献[29]明确指出“奈奎斯特判据复杂, 难以适用于交流网络的系统设计”. 基于此, 本文将采样/开关频率阈值辨识问题转化为矩阵Hurwitz辨识问题, 从而消除了奈奎斯特曲线或波特图, 降低了计算负担. 同时相较于文献[29]提出的范数判据方法, 本文方法的保守性更低.
接着, 将提供逆变器的极限开关/采样频率阈值. 通过上述分析可知, 当
${{\boldsymbol{R}}_{{1}}}$ 、${{\boldsymbol{R}}_{{2}}}$ 和${{\boldsymbol{R}}_{{3}}}$ 是Hurwitz矩阵时, 系统的稳定性可以得到保证, 基于此, 等效回比矩阵是采样/开关频率依赖的非线性时不变矩阵. 因此, 本文提出基于等效回比矩阵的自适应步长搜索算法以获取微电网稳定下的采样/开关频率极限阈值. 为了增强算法的适应性, 本文采用最小均方(Least mean square, LMS)作为生长因子:$$ r\left(m+1\right)=r\left(m\right)+{\rm{sign}}({L}_{\mathrm{min}})\times \Delta r\left(0\right)\times {\left|{L}_{\mathrm{min}}\right|}^{\lambda \left(m\right)}\text{ } $$ (31) $$ \lambda \left(m\right)=\alpha \times \left(1+{{\rm{e}}}^{-\beta {\left|s\left(m\right)\right|}^{2}}\right)\text{ } $$ (32) $$ s\left(m\right)=\gamma s\left(m-1\right)+\left(1-\gamma \right){L}_{\mathrm{min}}\text{ } $$ (33) 式中,
${\rm{sign}}(\cdot)$ 表示符号函数,$ {L_{\min }} $ 表示等效回比矩阵的最小特征根的实部,$ {\left| {{L_{\min }}} \right|^{\lambda \left( m \right)}} $ 和$ \lambda \left( m \right) $ 表示可变步长因子和步长增长因子,$ \alpha $ 和$ \beta $ 表示调整因子,$ \gamma $ 表示遗忘因子, 详细的计算步骤如下所示:算法1. 自适应步长搜索算法
初始化. 全局变量
$ r(0) = 0 $ ,$ m = 0 $ 和$ \Delta r(0) = 0 $ .迭代.
1)初始化局部变量, 如
${L_{{\rm{max}}1}} = \emptyset$ ,${L_{{\rm{max}}2}} = \emptyset$ ,${L_{{\rm{max}}3}} = \emptyset$ 和$ i = 1 $ ;2)计算微电网的等效回比矩阵
${\boldsymbol{R}} (s)$ , 其中$s = - {\rm{j}}2\cdot \pi {f_i}$ . 在此频率下, 分别计算等效回比矩阵${{\boldsymbol{R}}_{{1}}}$ 、${{\boldsymbol{R}}_{{2}}}$ 和${{\boldsymbol{R}}_{{3}}}$ ;3)计算三个等效回比矩阵的最大实部, 即
${L_1} = {\rm{max}}({\rm{real}}({\rm{eig}}({{\boldsymbol{R}}_{{1}}})))$ 、${L_2} = {\rm{max}}({\rm{real}}({\rm{eig}}({{\boldsymbol{R}}_{{2}}})))$ 和${L_3} = {\rm{max}}({\rm{real}}({\rm{eig}}({{\boldsymbol{R}}_{{3}}})))$ ;4)扩展矩阵,
${L_{{\rm{max}}1}} = [{L_{{\rm{max}}1}},{L_1}]$ 、${L_{{\rm{max}}2}} = [{L_{{\rm{max}}2}}, {L_2}]$ 和${L_{{\rm{max}}3}} = [{L_{{\rm{max}}3}},{L_3}]$ . 如果$i < 20\,000$ ,$ i = i + 1 $ , 然后返回第2)步, 否则进行第5)步;5)选取
${L_{{\rm{max}}1}}$ 、${L_{{\rm{max}}2}}$ 和${L_{{\rm{max}}3}}$ 中的最大值, 即${L_{{\rm{max}} - 1}} = {\rm{max}}({L_{{\rm{max}}1}})$ 、${L_{{\rm{max}} - 2}} = {\rm{max}}({L_{{\rm{max}}2}})$ 和${L_{{\rm{max}} - 3}} = {\rm{max}}({L_{{\rm{max}}3}})$ . 定义${L_{{\rm{min}}}}$ 是${L_{{\rm{max}} - 1}}$ 、${L_{{\rm{max}} - 2}}$ 和${L_{{\rm{max}} - 3}}$ 中的最小值, 即${L_{{\rm{min}}}} = {\rm{min}} ({L_{{\rm{max}} - 1}},{L_{{\rm{max}} - 2}},{L_{{\rm{max}} - 3}})$ ;6)判断
$ r(m) $ 下${L_{{\rm{min}}}}$ 是否等于0. 若判别结果为是, 则存储开区间$ (0,r(m)) $ 的记录, 然后进入第7)步. 反之$r(m + 1)=r\left(m\right)+{\rm{sign}}({L}_{\mathrm{min}})\times \Delta r\left(0\right)\times {\left|{L}_{\mathrm{min}}\right|}^{\lambda \left(m\right)},$ 然后返回第1)步;7)计算第6)步中的所有开集合的集合, 记录的结果为等效延时的最大值
$ {T_{\max }} $ .注2. 算法中i的上限取值为20000, 即验证频率从[0, 20000] Hz情况下系统的极限开关频率. 选取20000的原因在于, 本文研究的动机是探究随着开关频率降低所导致的低频和次/超同步振荡等宽频振荡现象的诱发条件. 而宽频振荡的范围是[0, 3000] Hz左右, 为保证极端条件下 本文方法的有效性而提高了频率的验证范围. 如果工程师希望快速计算结果, 可以将其上限降低至3000. 上述自适应步长搜索算法可以获得在等效回比矩阵Hurwitz情况下的最大等效延时时间. 因此, 采样/开关频率阈值为
$ {f_{\min }} = 1/{T_{\max }} $ . 同时上述所提出的自适应步长搜索算法属于二分法的一类变型, 同时$ {L_{\min }} $ 和$ r\left( m \right) $ 的关系如图7所示, 其存在单调递增特性[14]. 因此, 系统的收敛性可以得到很好保证, 并且不受初始值选取的影响.
图 7$ {L_{\min }} $ 和$ {T_{\max }} $ 的关系曲线Fig. 7 Relationship curve between$ {L_{\min }} $ and$ {T_{\max }} $ 注3. 本文所指的适应性主要针对算法的收敛速度, 确保本方法适用于对计算时间要求较高的系统. 由于传统的固定步长的搜索方法的收敛较慢, 因此, 本文利用指数函数的特性, 在收敛点处(0值处)变化率低和远离收敛点处变化率高的特点. 换而言之, 确保在收敛点附近, 按照小步长搜索, 在远离收敛点处, 按照大步长搜索. 其中通过设定最小均方作为指数项, 利用指数函数的性质可以提高本算法的收敛速度, 从而提高本算法的适用性, 应对高计算速度要求的系统.
3. 仿真验证
为了验证本文所提出的信息能源系统信−物融合的稳定性分析方法的有效性, 本文选取文献[30]所表征的系统和控制器参数. 相关的控制参数如表1所示, 并网逆变器数量选取为3个, 弱电网的电路阻抗为
${R_g} = 0.25\;\Omega ,{L_g} = 10\;{\rm{mH}},\;{C_g} = 100$ μF. 本文基于等效回比矩阵的自适应步长搜索算法而获取微电网稳定下的采样/开关频率极限阈值为3.662 kHz. 本文将分别验证系统不同开关/采样频率下系统的稳定性, 基于实际的Matlab/Simulink仿真软件所搭建仿真测试平台, 利用弱电网和并网逆变器之间的交流母线电压的波形情况, 来验证本文基于等效回比矩阵的自适应步长搜索算法的有效性. 具体的4组仿真验证案例如下所示:表 1 仿真系统参数表Table 1 Simulation system parameters参数 数值 电压控制器 $G_v^{inv} = 1 + 8/{ {s} }$ 电流控制器 $G_c^{inv} = 4 + 150/{ {s} }$ 母线电压 700 V 额定电压 220 V 额定频率 50 Hz 截止频率 5 Hz 滤波器电容 600 μF 滤波器电感 6 mH 1)首先, 微电网系统的开关/采样频率选取为4 kHz, 很明显, 此开关/采样频率大于提出的自适应步长搜索算法所求解得到的阈值频率, 因此, 系统可以保持稳定. 但基于文献[29], 如图8所示, 系统的回比矩阵的无穷范数在[126 Hz, 212 Hz]的范围内大于1, 因此系统可能发生失稳现象. 系统实际的电压波形图如图9所示, 通过观察图9所示的波形图可知, 弱电网和并网逆变器之间的交流母线电压恒定保持在220 V/50 Hz, 由此可见系统保持了良好的稳定性. 相较于现存范数方法, 本文所提方法的保守性较低.
图 9 绝缘栅双极型晶体管开关频率4 kHz下电压波形Fig. 9 Voltage waveform under 4 kHz of insulated gate bipolar transistor2)微电网系统的开关/采样频率选取3.5 kHz, 很明显, 此开关/采样频率略小于提出的辨识策略求解得到的阈值频率, 因此, 系统难以保持系统的绝对稳定. 系统实际的电压波形图如图10所示, 系统发生轻度的低频振荡.
图 10 绝缘栅双极型晶体管开关频率3.5 kHz下电压波形Fig. 10 Voltage waveform under 3.5 kHz of insulated gate bipolar transistor3)微电网系统的开关/采样频率选取3 kHz, 很明显, 此开关/采样频率明显小于提出的辨识策略求解得到的阈值频率, 因此, 系统极易发生失稳现象. 系统实际的电压波形图如图11所示, 系统发生大幅的低频振荡.
图 11 绝缘栅双极型晶体管开关频率3 kHz下电压波形Fig. 11 Voltage waveform under 3 kHz of insulated gate bipolar transistor4)微电网系统的开关/采样频率选取2 kHz, 很明显, 此开关/采样频率远远小于提出的辨识策略求解得到的阈值频率, 因此, 系统必然发生失稳现象. 系统实际的电压波形图如图12所示, 系统大幅度的发散振荡, 如果不采用有效抑制措施, 系统将会诱发过流/过压保护而发生解列等极端现象.
图 12 绝缘栅双极型晶体管开关频率2 kHz下电压波形Fig. 12 Voltage waveform under 2 kHz of insulated gate bipolar transistor综上所述, 本文提出的基于等效回比矩阵的自适应步长搜索算法的有效性得到了很好验证, 其可以有效指导实际微电网开关/采样频率的选取, 避免系统出现信息−物理融合影响而导致的失稳现象.
4. 硬件在环实验验证
为更好地验证本文提出的基于等效回比矩阵的自适应步长搜索算法的有效性, 本文在如图13所示的微电网系统的实验平台进行验证, 相关控制和物理拓扑参数与仿真验证平台相同, 同时3台逆变器由TMS320F28335DSP控制, 硬件拓扑内嵌于OPAL-RT OP5600.
在此情境下, 基于所提出的基于等效回比矩阵的自适应步长搜索算法而获取微电网稳定下的采样/开关频率极限阈值依旧是3.662 kHz. 相似于第3部分的仿真验证模块, 分别选取微电网系统的开关/采样频率为4 kHz、3.5 kHz和3 kHz. 当微电网的开关/采样频率为4 kHz时, 此场景中系统的开关/采样频率大于提出的辨识策略求解得到的阈值频率, 因此, 系统可以保持稳定. 系统实际的电压波形如图14所示, 系统保持了良好的稳定性.
图 14 绝缘栅双极型晶体管开关频率4 kHz下实验电压波形Fig. 14 Experimental voltage waveform under4 kHz of insulated gate bipolar transistor当微电网的开关/采样频率为3.5 kHz 时, 此场景中系统的开关/采样频率小于提出的辨识策略求解得到的阈值频率, 因此, 系统难以保持绝对稳定. 系统实际的电压波形图如图15所示, 系统发生轻微低频振荡.
图 15 绝缘栅双极型晶体管开关频率3.5 kHz下实验电压波形Fig. 15 Experimental voltage waveform under3.5 kHz of insulated gate bipolar transistor当微电网的开关/采样频率为3 kHz 时, 此场景中系统的开关/采样频率小于提出的辨识策略求解得到的阈值频率, 因此, 系统的稳定性将得不到保证. 系统实际的电压波形图如图16所示, 系统发生失稳现象. 综上所述, 本文提出的基于等效回比矩阵的自适应步长搜索算法的有效性得到验证.
图 16 绝缘栅双极型晶体管开关频率3 kHz下实验电压波形Fig. 16 Experimental voltage waveform under3 kHz of insulated gate bipolar transistor5. 结束语
内嵌数字控制系统的并网逆变器系统是一种最简单和典型的信息能源系统, 同时从效率的角度出发, 逆变器的开关/采样频率总是选择尽可能低的频率, 势必产生系统固有延迟时间. 基于此, 本文提出了一种基于稳定性的开关/采样频率阈值辨识方法. 本文具有3个主要的创新点/贡献点: 1)构建了内嵌等效时延的广义阻抗回比矩阵, 该等效延迟时间由信息/物理层的采样延迟时间、信息层的计算延迟时间和物理层的脉宽调制延迟时间3部分组成. 其有效反映了信息−物理相互融合作用的影响和为后续系统采样/开关频率阈值辨识提供模型基础. 2)利用柏德逼近技术将延时转化为频率分数函数, 进而将系统采样/开关频率阈值的求解问题转化为等效回比矩阵为Hurwitz的辨识问题. 其消除了传统阻抗技术中所涉及的广义奈奎斯特判据复杂度高的问题, 进而可以获得工程可用的稳定性判据. 3)提出了基于自适应步长搜索算法的采样/开关频率阈值辨识技术, 其能够获得信息能源系统采样/开关频率阈值, 指导实际微电网开关/采样频率的选取, 避免系统出现信息−物理融合影响而导致的失稳现象, 最后, 仿真和实验结果验证了该方法的有效性. 未来并网逆变器类系统三级控制体系的整体信息−物理稳定性分析技术势必成为研究的重点领域. 同时, 随着高比例的可再生能源和高占比的电力变化设备接入能源系统, 稳定机理分析及其抑制技术也将成为待研究的重点内容.
-
图 1 城市固废焚烧工艺流程图
Fig. 1 Process flow chart of municipal solid waste incineration process
图 4 基准数据集中潜在特征的贡献率曲线
Fig. 4 Contribution rate curves of latent features of benchmark datasets
图 5 基准数据集潜在特征与真值的互信息值
Fig. 5 Mutual information values of latent features and true values of benchmark datasets
图 11 DXN数据潜在特征与真值的互信息值
Fig. 11 Mutual information value of latent feature and true value of DXN dataset
表 1 符号说明
Table 1 Symbol description
缩写词 中文全称 英文全称 MSWI 城市固废焚烧 Municipal solid waste incineration DXN 二噁英 Dioxin HRGC/HRMS 高分辨色谱质谱联用 High-resolution chromatography combined with high-resolution mass spectrometry NN 神经网络 Neural network PCDDs/PCDFs 多氯二苯并二噁英/多氯二苯并呋喃 Polychlorinated dibenzo-p-dioxins/Polychlorinated dibenzofurans BPNN 反向传播神经网络 Back-propagation neural network SVR 支持向量回归 Support vector regression SEN 选择性集成 Selective ensemble RF 随机森林 Random forest DFR 深度森林回归 Deep forest regression BLS 宽度学习系统 Broad learning system BLS-NN 神经网络宽度学习系统 Broad learning system neural network BHFR 宽度混合森林回归 Broad hybrid forest regression CRF 完全随机森林 Completely random forest MSW 城市固废 Municipal solid waste TEQ 毒性当量 Toxic equivalent quangtity G 1 烟气 1 Gas 1 NOx 氮氧化物 Nitrogen oxides HCL 氯化氢 Hydrogen chloride HF 氟化氢 Hydrogen fluoride SO2 二氧化硫 Sulfur dioxide Pb 铅 Plumbum Hg 汞 Mercury Cd 镉 Cadmium G 2 烟气 2 Gas 2 G 3 烟气 3 Gas 3 RSM 随机子空间法 Random subspace method PCA 主成分分析 Principal components analysis MI 互信息 Mutual information CT CT 切片在轴轴数据上的相对位置 The relative location of CT slices on the axial axis data RB 住宅建筑数据 Residential building data NIR 橙汁近红外光谱数据 The orange juice near infrared spectra data RMSE 均方根误差 Root mean square error MAE 平均绝对误差 Mean absolute error R2 决定系数 Coefficient of determination DFR-clfc 基于跨层全连接的深度森林回归 Deep forest regression based on cross-layer full connection 
下载: 导出CSV
表 2 实验数据统计结果
Table 2 Statistical results of experimental datasets
数据集 实际样本量 实际样本量 特征维数 总数 训练集 验证集 测试集 NIR 218 109 55 27 27 700 CT 583 117 59 29 29 291 RB 372 124 62 31 31 106 DXN 141 141 71 35 35 116
下载: 导出CSV
表 3 NIR数据集实验结果
Table 3 Experimental results of NIR dataset
方法 数据集 RMSE MAE ${ {{R} } }^{2}$ 平均值 方差 平均值 方差 平均值 方差 RF 训练集 5.7142$\times {10} ^{0}$ 2.1347$\times {10} ^{-2}$ 3.8799$\times {10} ^{0}$ 9.4469$\times {10} ^{-3}$ 8.1131$\times {10} ^{-1}$ 9.2887$\times {10} ^{-5}$ 验证集 1.3522$\times {10} ^{1}$ 1.3660$\times {10} ^{-2}$ 8.3125$\times {10} ^{0}$ 7.2473$\times {10} ^{-3}$ 2.6715$\times {10} ^{-1}$ 1.6048$\times {10} ^{-4}$ 测试集 1.0925$\times {10} ^{1}$ 3.2313$\times {10} ^{-2}$ 8.1093$\times {10} ^{0}$ 1.7493$\times {10} ^{-2}$ 3.0986$\times {10} ^{-1}$ 5.1625$\times {10} ^{-4}$ DFR 训练集 5.8836$\times {10} ^{0}$ 1.4331$\times {10} ^{-3}$ 4.1004$\times \text{10}^{0}$ 6.1766$\times {10} ^{-4}$ 8.0007$\times \text{10}^{-1}$ 6.5971$\times {10} ^{-6}$ 验证集 1.3585$\times {10} ^{1}$ 3.7257$\times {10} ^{-3}$ 8.3057$\times {10} ^{0}$ 1.5854$\times {10} ^{-3}$ 2.6036$\times {10} ^{-1}$ 4.4251$\times {10} ^{-5}$ 测试集 1.0842$\times {10} ^{1}$ 1.4742$\times {10} ^{-3}$ 8.0306$\times {10} ^{0}$ 1.8258$\times {10} ^{-3}$ 3.2046$\times {10} ^{-1}$ 2.3176$\times {10} ^{-5}$ DFR-clfc 训练集 5.7742$\times {10} ^{0}$ 1.7160$\times {10} ^{-2}$ 4.0139$\times {10} ^{0}$ 9.6271$\times {10} ^{-3}$ 8.0735$\times {10} ^{-1}$ 7.6485$\times {10} ^{-5}$ 验证集 1.3569$\times {10} ^{1}$ 3.1520$\times {10} ^{-3}$ 8.3265$\times {10} ^{0}$ 1.3592$\times {10} ^{-3}$ 2.6219$\times {10} ^{-1}$ 3.7318$\times {10} ^{-5}$ 测试集 1.0793$\times {10} ^{1}$ 2.5668$\times {10} ^{-3}$ 7.9746$\times {10} ^{0}$ 3.3925$\times {10} ^{-3}$ 3.2664$\times {10} ^{-1}$ 3.9879$\times {10} ^{-5}$ BLS-NN 训练集 7.4226$\times {10} ^{-1}$ 3.7588$\times {10} ^{-1}$ 4.6530$\times {10} ^{-1}$ 1.5602$\times {10} ^{-1}$ 9.9476$\times {10} ^{-1}$ 3.2486$\times {10} ^{-5}$ 验证集 7.8288$\times {10} ^{3}$ 4.9487$\times {10} ^{7}$ 2.5450$\times {10} ^{3}$ 4.6180$\times {10} ^{6}$ −4.3402$\times {10} ^{5}$ 7.2220$\times {10} ^{11}$ 测试集 6.4945$\times {10} ^{3}$ 1.4866$\times {10} ^{7}$ 2.1689$\times {10} ^{3}$ 1.5496$\times {10} ^{6}$ −3.2544$\times {10} ^{5}$ 8.9669$\times {10} ^{10}$ BHFR 训练集 2.8931$\times {10} ^{0}$ 5.5126$\times {10} ^{-1}$ 2.1335$\times {10} ^{0}$ 3.3004$\times {10} ^{-1}$ 9.4864$\times {10} ^{-1}$ 6.0585$\times {10} ^{-4}$ 验证集 1.3782$\times {10} ^{1}$ 1.7263$\times {10} ^{0}$ 9.2584$\times {10} ^{0}$ 6.5031$\times {10} ^{-1}$ 2.3224$\times {10} ^{-1}$ 2.1525$\times {10} ^{-2}$ 测试集 9.9505$\times {10} ^{0}$ 5.6804$\times {10} ^{-1}$ 7.3675$\times {10} ^{0}$ 2.4515$\times {10} ^{-1}$ 4.2455$\times {10} ^{-1}$ 7.3749$\times {10} ^{-3}$
下载: 导出CSV
表 4 CT数据集实验结果
Table 4 Experimental results of CT dataset
方法 数据集 RMSE MAE ${ {{R} } }^{2}$ 平均值 方差 平均值 方差 平均值 方差 RF 训练集 1.5839$\times {10} ^{0}$ 1.2389$\times {10} ^{-2}$ 1.2676$\times {10} ^{0}$ 6.1900$\times {10} ^{-3}$ 9.7215$\times {10} ^{-1}$ 1.4862$\times {10} ^{-5}$ 验证集 1.8907$\times {10} ^{0}$ 2.2323$\times {10} ^{-2}$ 1.4978$\times {10} ^{0}$ 1.4923$\times {10} ^{-2}$ 9.5761$\times {10} ^{-1}$ 4.2488$\times {10} ^{-5}$ 测试集 2.2138$\times {10} ^{0}$ 3.6173$\times {10} ^{-2}$ 1.8254$\times {10} ^{0}$ 2.1898$\times {10} ^{-2}$ 9.5706$\times {10} ^{-1}$ 5.3991$\times {10} ^{-5}$ DFR 训练集 4.1046$\times {10} ^{0}$ 1.3520$\times {10} ^{-3}$ 3.4579$\times {10} ^{0}$ 9.5891$\times {10} ^{-4}$ 8.1383$\times {10} ^{-1}$ 1.1086$\times {10} ^{-5}$ 验证集 4.1864$\times {10} ^{0}$ 1.2940$\times {10} ^{-3}$ 3.5658$\times {10} ^{0}$ 1.4003$\times {10} ^{-3}$ 7.9338$\times {10} ^{-1}$ 1.2646$\times {10} ^{-5}$ 测试集 4.8124$\times {10} ^{0}$ 2.1197$\times {10} ^{-3}$ 4.2219$\times {10} ^{0}$ 1.4647$\times {10} ^{-3}$ 7.9851$\times {10} ^{-1}$ 1.4815$\times {10} ^{-5}$ DFR-clfc 训练集 3.7411$\times {10} ^{0}$ 4.1351$\times {10} ^{-2}$ 3.1392$\times {10} ^{0}$ 3.2494$\times {10} ^{-2}$ 8.4491$\times {10} ^{-1}$ 2.8032$\times {10} ^{-4}$ 验证集 3.8251$\times {10} ^{0}$ 3.9698$\times {10} ^{-2}$ 3.2193$\times {10} ^{0}$ 3.5889$\times {10} ^{-2}$ 8.2708$\times {10} ^{-1}$ 3.1969$\times {10} ^{-4}$ 测试集 4.3811$\times {10} ^{0}$ 4.9342$\times {10} ^{-2}$ 3.8122$\times {10} ^{0}$ 4.5453$\times {10} ^{-2}$ 8.3262$\times {10} ^{-1}$ 2.8693$\times {10} ^{-4}$ BLS-NN 训练集 1.0447$\times {10} ^{-7}$ 4.7677$\times {10} ^{-15}$ 4.1145$\times {10} ^{-8}$ 5.7001$\times {10} ^{-16}$ $1.0000\times {10} ^{0}$ 7.4604$\times {10} ^{-32}$ 验证集 2.5527$\times {10} ^{0}$ 6.9348$\times {10} ^{-1}$ 1.7606$\times {10} ^{0}$ 2.0416$\times {10} ^{-1}$ 9.1542$\times {10} ^{-1}$ 3.2479$\times {10} ^{-3}$ 测试集 2.9466$\times {10} ^{0}$ 1.3019$\times {10} ^{0}$ 1.8882$\times {10} ^{0}$ 4.4686$\times {10} ^{-1}$ 9.1371$\times {10} ^{-1}$ 3.5944$\times {10} ^{-3}$ BHFR 训练集 4.4458$\times {10} ^{-1}$ 8.4237$\times {10} ^{-3}$ 3.7023$\times {10} ^{-1}$ 4.5597$\times {10} ^{-3}$ 9.9773$\times {10} ^{-1}$ 1.6195$\times {10} ^{-6}$ 验证集 9.5728$\times {10} ^{-1}$ 1.3354$\times {10} ^{-2}$ 7.4450$\times {10} ^{-1}$ 6.1644$\times {10} ^{-3}$ 9.8905$\times {10} ^{-1}$ 1.0451$\times {10} ^{-5}$ 测试集 9.3108$\times {10} ^{-1}$ 1.2802$\times {10} ^{-2}$ 6.7034$\times {10} ^{-1}$ 1.2237$\times {10} ^{-2}$ 9.9235$\times {10} ^{-1}$ 5.1917$\times {10} ^{-6}$
下载: 导出CSV
表 5 RB数据集实验结果
Table 5 Experimental results of RB dataset
方法 数据集 RMSE MAE ${ {{R} } }^{2}$ 平均值 方差 平均值 方差 平均值 方差 RF 训练集 5.3243$\times {10} ^{1}$ 3.7463$\times {10} ^{0}$ 4.2919$\times {10} ^{1}$ 2.4224$\times {10} ^{0}$ 8.4698$\times {10} ^{-1}$ 1.2156$\times {10} ^{-4}$ 验证集 1.3211$\times {10} ^{2}$ 6.6035$\times {10} ^{0}$ 8.1855$\times {10} ^{1}$ 2.9950$\times {10} ^{0}$ 5.3824$\times {10} ^{-1}$ 3.2140$\times {10} ^{-4}$ 测试集 7.5697$\times {10} ^{1}$ 4.3622$\times {10} ^{0}$ 6.0986$\times {10} ^{1}$ 2.7466$\times {10} ^{0}$ 7.0126$\times {10} ^{-1}$ 2.7457$\times {10} ^{-4}$ DFR 训练集 4.8752$\times {10} ^{1}$ 1.4944$\times {10} ^{-1}$ 3.9200$\times {10} ^{1}$ 8.4396$\times {10} ^{-2}$ 8.7185$\times {10} ^{-1}$ 4.1370$\times {10} ^{-6}$ 验证集 1.2600$\times {10} ^{2}$ 1.6487$\times {10} ^{-1}$ 7.8890$\times {10} ^{1}$ 1.1939$\times {10} ^{-1}$ 5.8012$\times {10} ^{-1}$ 7.3315$\times {10} ^{-6}$ 测试集 7.4221$\times {10} ^{1}$ 3.1170$\times {10} ^{-1}$ 6.0387$\times {10} ^{1}$ 2.4493$\times {10} ^{-1}$ 7.1299$\times {10} ^{-1}$ 1.8723$\times {10} ^{-5}$ DFR-clfc 训练集 3.0978$\times {10} ^{1}$ 2.6657$\times {10} ^{1}$ 2.4856$\times {10} ^{1}$ 1.7056$\times {10} ^{1}$ 9.4690$\times {10} ^{-1}$ 3.4386$\times {10} ^{-4}$ 验证集 1.1830$\times {10} ^{2}$ 4.9405$\times {10} ^{0}$ 7.2901$\times {10} ^{1}$ 2.7676$\times {10} ^{0}$ 6.2977$\times {10} ^{-1}$ 1.9820$\times {10} ^{-4}$ 测试集 6.9427$\times {10} ^{1}$ 1.7460$\times {10} ^{0}$ 5.5570$\times {10} ^{1}$ 2.1741$\times {10} ^{0}$ 7.4879$\times {10} ^{-1}$ 9.2839$\times {10} ^{-5}$ BLS-NN 训练集 9.4877$\times {10} ^{-4}$ 4.8003$\times {10} ^{-6}$ 4.3563$\times {10} ^{-4}$ 7.7161$\times {10} ^{-7}$ 1.0000$\times {10} ^{0}$ 1.1561$\times {10} ^{-18}$ 验证集 5.0098$\times {10} ^{2}$ 1.3099$\times {10} ^{5}$ 2.6163$\times {10} ^{2}$ 2.6950$\times {10} ^{4}$ −8.9285$\times {10} ^{0}$ 1.6631$\times {10} ^{2}$ 测试集 5.2093$\times {10} ^{2}$ 1.5354$\times {10} ^{5}$ 2.8934$\times {10} ^{2}$ 3.2539$\times {10} ^{4}$ −2.0737$\times {10} ^{1}$ 9.3226$\times {10} ^{2}$ BHFR 训练集 8.4893$\times {10} ^{0}$ 6.4125$\times {10} ^{-1}$ 6.4970$\times {10} ^{0}$ 3.1874$\times {10} ^{-1}$ 9.9608$\times {10} ^{-1}$ 5.6404$\times {10} ^{-7}$ 验证集 9.9275$\times {10} ^{1}$ 2.2922$\times {10} ^{0}$ 5.4880$\times {10} ^{1}$ 1.0407$\times {10} ^{0}$ 7.3930$\times {10} ^{-1}$ 6.3926$\times {10} ^{-5}$ 测试集 4.5645$\times {10} ^{1}$ 1.7188$\times {10} ^{0}$ 3.2284$\times {10} ^{1}$ 9.0105$\times {10} ^{-1}$ 8.9137$\times {10} ^{-1}$ 3.8975$\times {10} ^{-5}$
下载: 导出CSV
表 6 DXN数据集实验结果
Table 6 Experimental results of DXN dataset
方法 数据集 RMSE MAE ${ {{R} } }^{2}$ 平均值 方差 平均值 方差 平均值 方差 RF 训练集 1.1159$\times {10} ^{-2}$ 5.7497$\times {10} ^{-8}$ 9.0221$\times {10} ^{-3}$ 4.0684$\times {10} ^{-8}$ 8.5346$\times {10} ^{-1}$ 3.9360$\times {10} ^{-5}$ 验证集 2.0051$\times {10} ^{-2}$ 1.8026$\times {10} ^{-7}$ 1.4677$\times {10} ^{-2}$ 8.2255$\times {10} ^{-8}$ 5.0196$\times {10} ^{-1}$ 4.3515$\times {10} ^{-4}$ 测试集 1.6922$\times {10} ^{-2}$ 1.6150$\times {10} ^{-7}$ 1.3548$\times {10} ^{-2}$ 8.9520$\times {10} ^{-8}$ 5.9001$\times {10} ^{-1}$ 3.7817$\times {10} ^{-4}$ DFR 训练集 1.1493$\times {10} ^{-2}$ 8.7413$\times {10} ^{-9}$ 9.4568$\times {10} ^{-3}$ 4.6626$\times {10} ^{-9}$ 8.4463$\times {10} ^{-1}$ 6.3663$\times {10} ^{-6}$ 验证集 2.0735$\times {10} ^{-2}$ 9.7835$\times {10} ^{-9}$ 1.5780$\times {10} ^{-2}$ 1.1121$\times {10} ^{-8}$ 4.6759$\times {10} ^{-1}$ 2.5813$\times {10} ^{-5}$ 测试集 1.7791$\times {10} ^{-2}$ 1.7308$\times {10} ^{-8}$ 1.4608$\times {10} ^{-2}$ 1.5235$\times {10} ^{-8}$ 5.4701$\times {10} ^{-1}$ 4.5066$\times {10} ^{-5}$ DFR-clfc 训练集 8.0852$\times {10} ^{-3}$ 2.9078$\times {10} ^{-6}$ 6.6040$\times {10} ^{-3}$ 2.0819$\times {10} ^{-6}$ 9.1986$\times {10} ^{-1}$ 1.1887$\times {10} ^{-3}$ 验证集 2.0187$\times {10} ^{-2}$ 1.4562$\times {10} ^{-7}$ 1.5626$\times {10} ^{-2}$ 2.3355$\times {10} ^{-8}$ 4.9520$\times {10} ^{-1}$ 3.6404$\times {10} ^{-4}$ 测试集 1.7025$\times {10} ^{-2}$ 1.5755$\times {10} ^{-7}$ 1.4068$\times {10} ^{-2}$ 6.0233$\times {10} ^{-8}$ 5.8501$\times {10} ^{-1}$ 3.7843$\times {10} ^{-4}$ BLS-NN 训练集 1.2924$\times {10} ^{-9}$ 1.5756$\times {10} ^{-18}$ 9.5358$\times {10} ^{-10}$ 7.2150$\times {10} ^{-19}$ 1.0000$\times {10} ^{0}$ 8.2358$\times {10} ^{-29}$ 验证集 6.8845$\times {10} ^{-2}$ 7.0040$\times {10} ^{-4}$ 5.3153$\times {10} ^{-2}$ 3.3474$\times {10} ^{-4}$ −5.6928$\times {10} ^{0}$ 3.7799$\times {10} ^{1}$ 测试集 7.8396$\times {10} ^{-2}$ 6.7692$\times {10} ^{-4}$ 6.0922$\times {10} ^{-2}$ 4.1785$\times {10} ^{-4}$ −8.7153$\times {10} ^{0}$ 4.7630$\times {10} ^{1}$ BHFR 训练集 6.0665$\times {10} ^{-3}$ 1.6330$\times {10} ^{-8}$ 3.9665$\times {10} ^{-3}$ 8.4708$\times {10} ^{-9}$ 9.5669$\times {10} ^{-1}$ 3.3481$\times {10} ^{-6}$ 验证集 2.1551$\times {10} ^{-2}$ 3.5181$\times {10} ^{-8}$ 1.2384$\times {10} ^{-2}$ 3.5083$\times {10} ^{-8}$ 4.2484$\times {10} ^{-1}$ 9.8731$\times {10} ^{-5}$ 测试集 1.6189$\times {10} ^{-2}$ 2.2474$\times {10} ^{-8}$ 1.1226$\times {10} ^{-2}$ 1.0102$\times {10} ^{-8}$ 6.2491$\times {10} ^{-1}$ 4.8607$\times {10} ^{-5}$
下载: 导出CSV
表 7 BHFR超参数及其区间设置
Table 7 Super parameters and interval setting of BHFR
模型超参数 符号 NIR CT RB DXN 决策树叶
节点最小
样本数Nsamples [1, 55] [1, 59] [1, 62] [1, 71] RSM特征
选择数量MRSM [1, 700] [1, 291] [1, 103] [1, 116] 决策树数量 Mtree [5, 100] [5, 100] [5, 100] [5, 100] 混合森林组
数量NForest [5, 100] [5, 100] [5, 100] [5, 100] 潜在特征
贡献率阈值$\eta $ [0.7, 1] [0.4, 1] [0.71, 1] [0.3, 1] 互信息阈值 $\zeta $ [0.65, 0.75] [0.75, 0.85] [0.72, 0.8] [0.68, 0.76] 正则化参数 $\lambda$ [0.1−10, 1] [0.1−10, 1] [0.1−10, 1] [0.1−10, 1]
下载: 导出CSV
A1 DXN数据集的过程变量信息
A1 The process variable information for DXN datasets
序号 过程变量 单位 1 燃烧室左侧温度 1 ℃ 2 燃烧室左侧温度 2 ℃ 3 燃烧室右侧温度 3 ℃ 4 燃烧室左侧温度4 ℃ 5 燃烧室右侧温度 5 ℃ 6 燃烧室右侧温度 6 ℃ 7 燃烬段炉排顶端气温左 ℃ 8 燃烬段炉排顶端气温右 ℃ 9 干燥炉排温度左入口 ℃ 10 干燥炉排温度左出口 ℃ 11 干燥炉排温度右入口 ℃ 12 干燥炉排温度右出口 ℃ 13 干燥段与燃烧段炉排的炉墙左侧内温度 ℃ 14 干燥段与燃烧段炉排的炉墙左侧外温度 ℃ 15 干燥段与燃烧段炉排的炉墙右侧内温度 ℃ 16 干燥段与燃烧段炉排的炉墙右侧外温度 ℃ 17 燃烧炉排 1-1 左内侧温度 ℃ 18 燃烧炉排 1-1左外侧温度 ℃ 19 燃烧炉排 1-1 右内侧温度 ℃ 20 燃烧炉排 1-1 右外侧温度 ℃ 21 燃烧炉排 1-2 左内侧温度 ℃ 22 燃烧炉排 1-2 左外侧温度 ℃ 23 燃烧炉排1-2右内侧温度 ℃ 24 燃烧炉排1-2右外侧温度 ℃ 25 燃烧炉排 2-1 左内侧温度 ℃ 26 燃烧炉排 2-1 左外侧温度 ℃ 27 燃烧炉排 2-1 右内侧温度 ℃ 28 燃烧炉排 2-1 右外侧温度 ℃ 29 燃烧炉排 2-2 左内侧温度 ℃ 30 燃烧炉排 2-2 左外侧温度 ℃ 31 燃烧炉排 2-2 右内侧温度 ℃ 32 燃烧炉排 2-2 右外侧温度 ℃ 33 二次燃烧室出口温度左 ℃ 34 二次燃烧室出口温度右 ℃ 35 一次空预器出口空气温度 ℃ 36 燃烧炉排入口空气温度 ℃ 37 干燥炉排入口空气温度 ℃ 38 二次空预器出口空气温度 ℃ 39 炉墙左侧冷却风出口温度 ℃ 40 炉墙右侧冷却风出口温度 ℃ 41 炉排左侧冷却风出口温度 ℃ 42 炉排右侧冷却风出口温度 ℃ 43 一级过热器出口蒸汽温度 ℃ 44 二级过热器出口蒸汽温度 ℃ 45 三级过热器出口蒸汽温度 ℃ 46 省煤器出口给水温度 ℃ 47 反应器入口温度 ℃ 48 布袋 A 入口温度 ℃ 49 布袋 B 入口温度 ℃ 50 流化风机出口温度 ℃ 51 FGD 出口烟气温度 A ℃ 52 FGD 出口烟气温度 B ℃ 53 烟道入口烟气温度 ℃ 54 干燥炉排左 1 空气流量 km3N/h 55 干燥炉排右 1 空气流量 km3N/h 56 干燥炉排左 2 空气流量 km3N/h 57 干燥炉排右 2 空气流量 km3N/h 58 燃烧炉排左 1-1 空气流量 km3N/h 59 燃烧炉排右 1-1空气流量 km3N/h 60 燃烧炉排左 1-2 空气流量 km3N/h 61 燃烧炉排右 1-2 空气流量 km3N/h 62 燃烧炉排左 2-1 空气流量 km3N/h 63 燃烧炉排右 2-1 空气流量 km3N/h 64 燃烧炉排左 2-2 空气流量 km3N/h 65 燃烧炉排右 2-2 空气流量 km3N/h 66 燃烬炉排左空气流量 km3N/h 67 燃烬炉排右空气流量 km3N/h 68 二次风流量 km3N/h 69 省煤器 No.2 给水流量 t/h 70 省煤器 No.1 给水流量 t/h 71 一级过热器冷却水流量 t/h 72 二级过热器冷却水流量 t/h 73 锅炉出口主蒸汽流量 t/h 74 烟道入口烟气流量 km3N/h 75 混合器水流量 A kg/h 76 混合器水流量 B kg/h 77 尿素溶剂供应流量 L/h 78 石灰储仓给料量 kg/h 79 活性炭储仓给料量 kg/h 80 一次风机出口空气压力 kPa 81 二次风机出口空气压力 kPa 82 省煤器出口压力 kPa 83 烟道入口烟气压力 Pa 84 汽包压力 MPa 85 三级过热器出口蒸汽压力 MPa 86 FGD 出口烟气压力 Pa 87 布袋压差 A kPa 88 布袋压差 B kPa 89 进料器左内侧速度 % 90 进料器左外侧速度 % 91 进料器右内侧速度 % 92 进料器右外侧速度 % 93 干燥炉排左内侧速度 % 94 干燥炉排左外侧速度 % 95 干燥炉排右内侧速度 % 96 干燥炉排右外侧速度 % 97 燃烧炉排 1 左内侧速度 % 98 燃烧炉排 1 左外侧速度 % 99 燃烧炉排 1 右内侧速度 % 100 燃烧炉排 1 右外侧速度 % 101 燃烧炉排 2 左内侧速度 % 102 燃烧炉排 2 左外侧速度 % 103 燃烧炉排 2 右内侧速度 % 104 燃烧炉排 2 右外侧速度 % 105 燃烬炉排左侧速度 % 106 燃烬炉排右侧速度 % 107 汽包水位 mm 108 FGD 出口烟气压力-O2 % 109 出口烟气分析-O2 % 110 出口烟气分析−灰尘 mg/m3N 111 出口烟气分析-NO mg/m3N 112 出口烟气分析-SO2 mg/m3N 113 出口烟气分析-HCL mg/m3N 114 出口烟气分析-CO mg/m3N 115 出口烟气分析-CO2 % 116 出口烟气分析-HF mg/m3N
下载: 导出CSV
-
[1] Kammen D M, Sunter D A. City-integrated renewable energy for urban sustainability. Science, 2016, 352(6288): 922-928 doi: 10.1126/science.aad9302 [2] Tobias W, Ludwig K L, Robert B, Esther E, Luca F, Bodo H, et al. Persistence of engineered nanoparticles in a municipal solid-waste incineration plant. Nature Nanotechnology, 2012, 7(8): 520-524 doi: 10.1038/nnano.2012.64 [3] 乔俊飞, 郭子豪, 汤健. 面向城市固废焚烧过程的二噁英排放浓度检测方法综述. 自动化学报, 2020, 46(6): 1063-1089 doi: 10.16383/j.aas.c190005Qiao Jun-Fei, Guo Zi-Hao, Tang Jian. Dioxin emission concentration measurement approaches for municipal solid wastes incineration process: A survey. Acta Automatica Sinica, 2020, 46(6): 1063-1089 doi: 10.16383/j.aas.c190005 [4] Bin Wang, Peilong Wang, Xie Lin-Hua, Lin Rui-Biao, Lv Jie, Li Jian-Rong, et al. A stable zirconium based metal-organic framework for specific recognition of representative polychlorinated dibenzo-p-dioxin molecules. Nature Communications, 2019, 10(1): 1-8 doi: 10.1038/s41467-018-07882-8 [5] Wei J X, Li H, Liu J G. Fate of dioxins in a municipal solid waste incinerator with state-of-the-art air pollution control devices in China. Environmental Pollution, 2021, 289: 1-10 doi: 10.1016/j.envpol.2021.117798 [6] 代伟, 陆文捷, 付俊, 马小平. 工业过程多速率分层运行优化控制. 自动化学报, 2019, 45(10): 1946-1959Dai Wei, Lu Wen-Jie, Fu Jun, Ma Xiao-Ping. Multi-rate layered optimal operational control of industrial processes. Acta Automatica Sinica, 2019, 45(10): 1946-1959 [7] Xue W Q, Fan J L, Victor G L, Li J N, Jiang Y, Chai T Y, et al. New methods for optimal operational control of industrial processes using reinforcement learning on two time scales. IEEE Transactions on Industrial Informatics, 2020, 16(5): 3085-3099 doi: 10.1109/TII.2019.2912018 [8] 国家标准. HJ 77.2-2008. 环境空气和废气. 二噁英类的测定. 同位素稀释高分辨气相色谱−高分辨质谱法. 2008National standard. HJ 77.2-2008. Ambient air and flue gas. Determination of polychlorinated dibenzo-p-dioxions (PCDDs) and ploychlorinated dibenzofurans (PCDFs) Isotope dilution HRCC-HRMS. 2008 [9] 李阿丹, 洪伟, 王晶. 激光解吸 /激光电离-质谱法二恶英及其关联物的在线检测. 燕山大学学报, 2015, 39(6): 511-515 doi: 10.3969/j.issn.1007-791X.2015.06.007Li A-Dan, Hong Wei, Wang Jing. Online detection of dioxins and their related substances by laser desorption/laser ionization mass spectrometry. Journal of Yanshan University, 2015, 39(6): 511-515 doi: 10.3969/j.issn.1007-791X.2015.06.007 [10] Nakui H, Koyama H, Takakura A, Watanabe N. Online measurements of low-volatile organic chlorine for dioxin monitoring at municipal waste incinerators. Chemosphere, 2011, 85(2): 151-155 doi: 10.1016/j.chemosphere.2011.06.042 [11] Zhang H J, Ni Y W, Chen J P, Zhang Q. Influence of variation in the operating conditions on pcdd/f distribution in a full-scale msw incinerator. Chemosphere, 2008, 70(4): 721-730 doi: 10.1016/j.chemosphere.2007.06.054 [12] 王通, 段泽文. 基于模糊评估自适应更新的油井动液面软测量建模. 化工学报, 2019, 70(12): 4760-4769Wang Tong, Duan Ze-Wen. Soft sensor modeling for dynamic liquid level of oil well based on fuzzy inference adaptive updating. Ciesc Journal, 2019, 70(12): 4760-4769 [13] 秦美华, 朱红求, 李勇刚, 陈俊名, 张凤雪, 李文婷, 等. 基于STA-K均值聚类的电化学废水处理过程离子浓度软测量. 化工学报, 2019, 70(9): 3458-3464Qin Mei-Hua, Zhu Hong-Qiu, Li Yong-Gang, Chen Jun-Ming, Zhang Feng-Xue, Li Wen-ting, et al. Soft-sensor method for ion concentration of electrochemical wastewater treatment based on sta-k-means clustering. Ciesc Journal, 2019, 70(9): 3458-3464 [14] 刘卓, 汤健, 柴天佑, 余文. 基于多模态特征子集选择性集成建模的磨机负荷参数预测方法. 自动化学报, 2021, 47(8): 1921-1931Liu Zhuo, Tang Jian, Chai Tian-You, Yu Wen. Selective ensemble modeling approach for mill load parameter forecasting based on multi-modal feature sub-sets. Acta Automatica Sinica, 2021, 47(8): 1921-1931 [15] 乔景慧, 柴天佑. 数据与模型驱动的水泥生料分解率软测量模型. 自动化学报, 2019, 45(8): 1564-1578 doi: 10.16383/j.aas.c180734Qiao Jing-Hui, Chai Tian-You. Data and model-based soft measurement model of cement raw meal decomposition ratio. Acta Automatica Sinica, 2019, 45(8): 1564-1578 doi: 10.16383/j.aas.c180734 [16] Chang N B, Chen W C. Prediction of pcdds/pcdfs emissions from municipal incinerators by genetic programming and neural network modeling. Waste Management & Research, 2000, 18(4): 341-351 [17] Bunsan S, Chen W Y, Chen H W, Chuang Y H, Grisdanurak N. Modeling the dioxin emission of a municipal solid waste incinerator using neural networks. Chemosphere, 2013, 92(3): 258-264 doi: 10.1016/j.chemosphere.2013.01.083 [18] 肖晓东, 卢加伟, 海景, 廖利. 垃圾焚烧烟气中二噁英类浓度的支持向量回归预测. 可再生能源, 2017, 35(8): 1107-1114Xiao Xiao-Dong, Lu Jia-Wei, Hai Jing, Liao Li. Prediction of dioxin emissions in flue gas from waste incineration based on support vector regression. Renewable Energy Resources, 2017, 35(8): 1107-1114 [19] Wu J, Yang H. Linear regression-based efficient svm learning for large-scale classification. IEEE Transactions on Neural Networks and Learning Systems, 2015, 26(10): 2357-2369 doi: 10.1109/TNNLS.2014.2382123 [20] 乔俊飞, 郭子豪, 汤健. 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量. 信息与控制, 2021, 50(1): 75-87 doi: 10.13976/j.cnki.xk.2021.9663Qiao Jun-Fei, Guo Zi-Hao, Tang Jian. Soft sensing of dioxin emission concentration in solid waste incineration process based on multi-layer feature selection. Information and Control, 2021, 50(1): 75-87 doi: 10.13976/j.cnki.xk.2021.9663 [21] 汤健, 乔俊飞. 基于选择性集成核学习算法的固废焚烧过程二噁英排放浓度软测量. 化工学报, 2019, 70(2): 696-706 doi: 10.11949/j.issn.0438-1157.20181354Tang Jian, Qiao Jun-Fei. Dioxin emission concentration soft measuring approach of municipal solid waste incineration based on selective ensemble kernel learning algorithm. Ciesc Journal, 2019, 70(2): 696-706 doi: 10.11949/j.issn.0438-1157.20181354 [22] Chang N B, Huang S H. Statistical modelling for the prediction and control of pcdds and pcdfs emissions from municipal solid waste incinerators. Waste Management & Research, 1995, 13(4): 379-400. [23] 汤健, 乔俊飞, 徐喆, 郭子豪. 基于特征约简与选择性集成算法的城市固废焚烧过程二噁英排放浓度软测量. 控制理论与应用, 2021, 38(1): 110-120 doi: 10.7641/CTA.2020.90874Tang Jian, Qiao Jun-Fei, Xu Zhe, Guo Zi-Hao. Soft measuring approach of dioxin emission concentration in municipal solid waste incineration process based on feature reduction and selective ensemble algorithm. Control Theory & Applications, 2021, 38(1): 110-120 doi: 10.7641/CTA.2020.90874 [24] Xia H, Tang J, Qiao J F, Yan A J, Guo Z H. Soft measuring method of dioxin emission concentration for mswi process based on rf and gbdt. In: Proceedings of the Chinese Control and Decision Conference. Hefei, China: IEEE, 2020. 2173−2178 [25] 段艳杰, 吕宜生, 张杰, 赵学亮, 王飞跃. 深度学习在控制领域的研究现状与展望. 自动化学报, 2016, 42(5): 643-654Duan Yan-Jie, Lv Yi-Sheng, Zhang Jie, Zhao Xue-Liang, Wang Fei-Yue. Deep learning for control: The state of the art and prospects. Acta Automatica Sinica, 2016, 42(5): 643-654 [26] Zhou Z H, Ji F. Deep forest. National Science Review, 2019, 6: 74-86. doi: 10.1093/nsr/nwy108 [27] 汤健, 夏恒, 乔俊飞, 郭子豪. 深度集成森林回归建模方法及应用. 北京工业大学学报, 2021, 47(11): 1219-1229Tang Jian, Xia Heng, Qiao Jun-Fei, Guo Zi-Hao. Modeling method of deep ensemble forest regression with its application. Journal of Beijing University of Technology, 2021, 47(11): 1219-1229 [28] Tang J, Xia H, Zhang J, Qiao J F, Yu W. Deep forest regression based on cross-layer full connection. Neural Computing and Applications, 2021, 33(15): 9307-9328 doi: 10.1007/s00521-021-05691-7 [29] Xu W, Tang J, Xia H, Sun Z J. Prediction method of dioxin emission concentration based on PCA and deep forest regression. In: Proceedings of the 40th Chinese Control Conference. Shanghai, China: IEEE, 2021. 1212−1217 [30] Graybill F A, Meyer C D, Painter R J. Note on the computation of the generalized inverse of a matrix. Siam Review, 1966, 8(4): 522-524 doi: 10.1137/1008108 [31] Chen C L P, Liu Z. Broad learning system: An effective and efficient incremental learning system without the need for deep architecture. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(1): 10−24 [32] Chen C L P, Liu Z, Feng S. Universal approximation capability of broad learning system and its structural variations. IEEE Transactions on Neural Networks and Learning Systems, 2019, 30(4): 1191-1204 doi: 10.1109/TNNLS.2018.2866622 [33] Fan J C, Wang X, Wang X X, Zhao J H, Liu X. Incremental wishart broad learning system for fast polsar image classification. IEEE Geoscience and Remote Sensing Letters, 2019, 16(12): 1854-1858 doi: 10.1109/LGRS.2019.2913999 [34] Ye H L, Li H, Chen C L P. Adaptive deep cascade broad learning system and its application in image denoising. IEEE Transactions on Cybernetics, 2021, 51(9): 4450-4463 doi: 10.1109/TCYB.2020.2978500 [35] Chu Y H, Lin H F, Liang Y, Zhang D Y, Diao Y F, Fan X C, et al. Hyperspectral image classification based on discriminative locality preserving broad learning system. Knowledge-Based Systems, 2020, 206: 1-17 [36] Cheng C, Wang W J, Chen H T, Zhang B C, Shao J J, Teng W X. Enhanced fault diagnosis using broad learning for traction systems in high-speed trains. IEEE Transactions on Power Electronics, 2020, 36(7): 7461-7469 [37] Pu X K, Li C G. Online semisupervised broad learning system for industrial fault diagnosis. IEEE Transactions on Industrial Informatics, 2021, 17(10): 6644-6654 doi: 10.1109/TII.2020.3048990 [38] Yu W K, Zhao C H. Broad convolutional neural network based industrial process fault diagnosis with incremental learning capability. IEEE Transactions on Industrial Electronics, 2020, 67(6): 5081-5091 doi: 10.1109/TIE.2019.2931255 [39] Sui S, Chen P L C, Tong S C, Feng S. Finite-time adaptive quantized control of stochastic nonlinear systems with input quantization: A broad learning system based identification method. IEEE Transactions on Industrial Electronics, 2020, 67(10): 8555-8565 doi: 10.1109/TIE.2019.2947844 [40] Feng J, Yao Y, S, Lu S X, Liu Y. Domain knowledge-based deep-broad learning framework for fault diagnosis. IEEE Transactions on Industrial Electronics, 2021, 68(4): 3454-3464 doi: 10.1109/TIE.2020.2982085 [41] Han H G, Yang F F, Yang Y H, Wu X L. Type-2 fuzzy broad learning controller for wastewater treatment process. Neurocomputing, 2021, 459(4): 188-200 [42] Tang H, Dong P, Shi Y. A construction of robust representations for small data sets using broad learning system. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2021, 51(10): 6074-6084 doi: 10.1109/TSMC.2019.2957818 [43] Qi G J, Luo J. Small data challenges in big data era: A survey of recent progress on unsupervised and semi-supervised methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022, 44(4): 2168-2187 doi: 10.1109/TPAMI.2020.3031898 [44] 应雨轩, 林晓青, 吴昂键, 李晓东. 生活垃圾智慧焚烧的研究现状及展望. 化工学报, 2021, 72(2): 886-900Ying Yu-Xuan, Lin Xiao-Qing, Wu Ang-Jian, Li Xiao-Dong. Review and outlook on municipal solid waste smart incineration. CIESC Journal, 2021, 72(2): 886-900 [45] Xia H, Tang J, Aljerf L, Wang T Z, Qiao J F, Xu Q D, Wang Q, Ukaogo P. Investigation on Dioxins Emission Characteristic during Complete Maintenance Operating Period of Municipal Solid Waste Incineration, Environmental Pollution, 2023, 318: 120949 [46] Deng D Y, Qiao J Q, Liu M Q, Dorota K, Zhang M W, Dionysios D D F, et al. Detoxification of municipal solid waste incinerator fly ash by single-mode microwave irradiation: Addition of urea on the degradation of dioxin and mechanism. Journal of Hazardous Materials, 2019, 369: 279-289 doi: 10.1016/j.jhazmat.2019.01.001 [47] Stanmore B R. The formation of dioxins in combustion systems. Combustion and Flame, 2004, 136(3): 398-427 doi: 10.1016/j.combustflame.2003.11.004 [48] Zhang S, Chen Z L, Lin X Q, Wang F, Yan J H. Kinetics and fusion characteristics of municipal solid waste incineration fly ash during thermal treatment. Fuel, 2020, 279: 1-13 [49] Zhang M M, Alfons G B. De novo synthesis of dioxins: A review. International Journal of Environment and Pollution, 2016, 60: 63-110 doi: 10.1504/IJEP.2016.082115 [50] Zhou H, Meng A H, Long Y Q, Li Q H, Zhang Y G. A review of dioxin-related substances during municipal solid waste incineration. Waste Management, 2015, 36: 106-118 doi: 10.1016/j.wasman.2014.11.011 [51] Peng Y Q, Lu S Y, Li X D, Yan J H, Cen K F. Formation, measurement, and control of dioxins from the incineration of municipal solid wastes: Recent advances and perspectives. Energy & Fuels, 2020, 34: 13247-13267 [52] , Influence factors and mass balance of memory effect on PCDD/F emissions from the full-scale municipal solid waste incineration in China. Chemosphere, 2020, 239: 1-8Chemosphere, 2001, 45(8): 1151-1157 [53] Breiman L. Bagging predictors. Mach Learn, 1996, 24: 123-140 [54] Ho T K. The random subspace method for constructing decision forests. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1998, 20(8): 832-844 [55] Blake C L, Merz C J. UCI repository of machine learning databases [Online], available: http://www.archive.ics.uci.edu/ml/k datasets.html, January 1, 2022 期刊类型引用(5)
1. 汤健，崔璨麟，夏恒，乔俊飞. 面向复杂工业过程的虚拟样本生成综述. 自动化学报. 2024(04): 688-718 . 
本站查看2. 白星振，康家豪，尚继伟，郝春蕾，王雪梅. 基于级联宽度学习与麻雀算法的非侵入式负荷分解方法. 山东科技大学学报(自然科学版). 2024(02): 102-111 . 百度学术3. 夏恒，汤健，余文，乔俊飞. 基于仿真机理和改进回归决策树的二噁英排放建模. 自动化学报. 2024(08): 1601-1619 . 本站查看4. 汤健，夏恒，余文，乔俊飞. 城市固废焚烧过程智能优化控制研究现状与展望. 自动化学报. 2023(10): 2019-2059 . 本站查看5. 张瑛. 配电网对地泄漏电阻回归测量技术研究. 光源与照明. 2023(12): 62-64 . 百度学术其他类型引用(6)
-
下载:
计量
- 文章访问数: 895
- HTML全文浏览量: 209
- PDF下载量: 243
- 被引次数: 11
