基于近红外光谱的烟气成分定量分析方法

摘要

一种基于近红外光谱的烟气成分定量分析方法，采集火力发电厂烟气信号构成现场历史数据库，数据库包括火电厂烟气在近红外光的各个波长的吸收率和各成分浓度，采用异常点检测将异常样本从数据库中剔除，得到新数据库，利用猫群聚类方法将新数据库进行聚类划分，建立烟气成分定量分析的预测模型并对模型参数进行训练，最终通过所得到的预测模型实现基于近红外光谱的烟气成分定量分析；本发明实现了对于火力发电厂排放烟气成分的定量分析，从而对火力发电厂排放烟气进行浓度检测与分析，为治理大气污染提供理论依据，并且以此为基础了解和调节煤炭的燃烧状况，对于节能减排具有十分重要的意义。

主权项

1.一种基于近红外光谱的烟气成分定量分析方法，其特征在于：步骤如下：步骤1：首先采集火力发电厂烟气信号构成现场历史数据库D，该数据库D的测量光谱为近红外光谱，在所测量的烟气样本中，主要包含二氧化硫(SO₂)、一氧化氮(NO)和二氧化氮(NO₂)；步骤2：采用异常点检测将异常样本从数据库D中剔除，具体如下：首先计算数据库D中所有对象两两之间的距离并确定出每个对象的k-距离邻域，其次计算数据库D中所有对象的k-密度，对象p的k-密度表达式为：$\mathrm{kden}\left(p\right)=\frac{\left|N_k\left(p\right)\right|}{\mathrm{median}\left\{\mathrm{dist}(p,o)\right|o\in N_k\left(p\right)\}}$式中：N_k(p)表示对象p的k-距离邻域，|N_k(p)|表示N_k(p)中对象的个数，dist是求两对象间距离的运算符，median为取中值运算符；构建数据库D中所有对象的密度相似序列SDS，对象p的密度相似序列为：SDS(p)={p,c₁,c₂,…,c_r}式中：c_i∈N_k(p)，i=1,2,…,r，并且r是N_k(p)中对象的个数；基于密度相似序列，计算数据库D中所有对象的平均连接代价ASC，对象p的平均连接代价ASC的具体计算如下：$\mathrm{ASC}\left(p\right)=\underset{i=1}{\overset{r}{\Sigma }}\frac{\mathrm{dist}\left({\mathrm{ao}}_i\right)}{i}$式中：r是N_k(p)中对象的个数；dist(ao_i)是指SDS(p)中相邻对象间的距离；计算数据库D中所有对象的密度相似近邻孤立因子DSNOF，对象p的密度相似近邻孤立因子DSNOF的值为：$\mathrm{DSNOF}\left(p\right)=\frac{\left|N_k\left(p\right)\right|·\mathrm{ASC}\left(p\right)}{{\Sigma }_{o\in N_k\left(p\right)}\mathrm{ASC}\left(o\right)}$表征出对象p的孤立程度，根据设定的孤立程度阈值ε，将数据库D中孤立程度大于阈值的对象标记为孤立点，将数据库D中的孤立点剔除，得到新数据库D'；步骤3：火力发电厂烟气成分定量分析方法初始化新数据库D'，随机选取CatNum只猫，每只猫即一个数据对象，代表每个簇的簇心，CatNum为猫群大小,将新数据库D'中剩余的数据对象随机划分到每一簇中，分别计算每只猫的聚类紧凑度和聚类连接度这两个目标函数，然后找出猫群的Pareto非劣解存放入外部档案；对象c的聚类紧凑度表达式为：$\mathrm{SSE}=\underset{x_i\in \omega }{\Sigma }d(x_i,c)$式中：ω为以c为簇心的簇，d(x_i,c)为簇内数据对象x_i与簇中心c的欧几里得距离；对象c的聚类连接度表达式为：$\mathrm{Conn}\left(c\right)=\underset{x_i\in \omega }{\Sigma }\underset{j=1}{\overset{L}{\Sigma }}{d}_{x_i,n_{\mathrm{ij}}}$ω为以c为簇心的簇，L是所考察的邻近点的个数；步骤4：按分组率MR将猫群划分为跟踪模式与搜寻模式；步骤5：若猫处于搜寻模式，则对其初始位置x_ij按下列公式进行变异，n=change∪(1-change)|change|=CDC×n${\hat{x}}_{\mathrm{ij}}=\left\{\begin{array}{cc}{x}_{\mathrm{ij}},& j\notin \mathrm{change}\\ (1+\mathrm{rand}\times \mathrm{SRD})\times x_{\mathrm{ij}},& j\in \mathrm{change}\end{array}\right.|\begin{array}{c}j=\mathrm{1,2}...n\\ i\in N\end{array}$其中：n为猫的位置向量的维数，change代表那些将要改变的维的集合，CDC为需要改变的维的个数，SRD为自身位置标识位，rand是一个[0,1]之间的随机数，N为新数据库D'中的数据对象的总个数，这样得到猫的新位置步骤6：计算新位置的猫的聚类紧凑度以及聚类连接度，若新解支配当前解，则跳转到新位置，否则以公式的概率跳转到新位置，其中f_d(xi_j)和为猫的初始位置x_ij和新位置所对应的第d个目标函数的值；M个目标函数；T_d自适应下降，即T_d=f_d(x_ij)=f_i(x_jd)；将步骤5～步骤6重复SMP次；步骤7：当猫处于跟踪状态时，按照公式计算参数β的值，若β>0.5，则按公式对猫的位置进行更新;若参数β<0.5，则按公式对猫的位置进行更新；其中m、n为常数，IterTimes为最大迭代次数，t为当前迭代次数；为个体最优位置，为全局最优位置，是一个[0,1]的随机数；mbest^t为第t次迭代时所有个体的历史最好位置的平均；是一个[0,1]的随机数；步骤8：根据每一只猫的聚类中心编码，按最邻近原则对数据集进行聚类，计算每一只猫的聚类紧凑度以及聚类连接度，然后选出其中Pareto非劣解并加入外部档案，然后对外部档案进行修改，删除其中被支配的解，若删除后外部档案仍超编，则按拥挤度排序，删除排在后面的超出部分；从档案中选取拥挤度最大的那个解作为当前的全局最优解；步骤9：将步骤4～步骤9重复IterTimes次，最后输出外部档案，将外部档案进行整理，按照最近邻原则对新数据库D'进行聚类，得到C个簇，定义每个簇的质心为该簇的簇心；步骤10：假设{x₁,x₂,x₃,...,x_n}为烟气定量分析方法的输入变量集合，{y}是烟气定量分析方法的输出变量集合；则线性系数k_ij和b_i可表示为：$\left\{\begin{array}{c}{k}_{\mathrm{ij}}=\frac{y}{x_j}·\frac{\underset{i=1}{\overset{C}{\Sigma }}{\mu }_i}{{\mu }_i}\\ b_i=y·\frac{\underset{i=1}{\overset{C}{\Sigma }}{\mu }_i}{{\mu }_i}\end{array}\right.$,i∈{1,2,...,C},j∈{1,2,3,...,n}其中：μ_i为第i条规隶属度值，c_ij是第i个簇心的第j维数据值，σ_ij是隶属度宽度，隶属度宽度σ_ij的表达式为：步骤11：得到建立模型所需要的隶属度值μ_i和线性系数k_ij和b_i，并建立初始模糊规则模型；由此，模型的预测输出即火电厂烟气中各成分浓度可表示为：$\hat{y}=\frac{\underset{i=1}{\overset{C}{\Sigma }}{\mu }_i{y}_i^{*}}{\underset{i=1}{\overset{C}{\Sigma }}{\mu }_i}$式中，$y_i^{*}=k_{i1}{x}_1+k_{i2}{x}_2+···+k_{\mathrm{in}}{x}_n+b_i;$步骤12：为了使模型的预测出力更接近实际烟气的各成分浓度，采用迭代优化算法将预测模型各个参数进行训练优化；设过程变量矩阵P和S如下：式中，N=(n+1)·C，C为簇的个数,n是数据样本中输入变量的维数；；步骤13：火力发电厂烟气成分定量分析方法根据一组训练数据为训练数据的输入，为训练数据的输出，设定参数矩阵$a={[{\mu }_1{x}_1^l,{\mu }_1{x}_2^l,...,{\mu }_1,{\mu }_2{x}_1^l,{\mu }_2{x}_2^l,...,{\mu }_2,...,{\mu }_C{x}_1^l,{\mu }_C{x}_2^l,...,{\mu }_C]}^T,$T表示矩阵转置变换，参数b=y^l，其中μ_i为第i条规隶属度值，i∈{1,2,3,...,C}，C为簇的个数；l∈{1,2,...,Nt}，Nt是训练数据的组数；则过程变量矩阵P和S可由以下方法进行优化：$\left\{\begin{array}{c}P\leftarrow P+S·[a·(b^T-a^{T}P)]\\ S\leftarrow S-\frac{(S·a)(a^T·S)}{1+a^T·(S·a)}\end{array}\right.$式中，P初始值设定为零矩阵，T表示矩阵转置变换，经过Nt次迭代，最终得到优化后的线性系数ki_j和b_i；至此，预测模型的线性系数ki_j和b_i得到优化；步骤14：继续优化预测模型的参数c_ij和σ_ij，根据训练数据l∈{1,2,...,Nt}，得到中间变量：${\mathrm{de}}_l=-(n+1)·C·\underset{i=1}{\overset{C}{\Sigma }}\frac{-2{\mu }_i{y}_i^{*}·(y^l-{\hat{y}}^l)}{\underset{i=1}{\overset{C}{\Sigma }}{\mu }_i}$式中，是输入为的模型输出，n是训练数据中输入变量的维数；步骤15：火力发电厂烟气成分定量分析方法假设初始矩阵T_c和T_σ都为(n+1)×C矩阵，并且矩阵元素的初始值均为零；则有下式：$\left\{\begin{array}{c}{T}_c(i,j)=T_c(i,j)+\underset{l=1}{\overset{\mathrm{Nt}}{\Sigma }}{\mathrm{de}}_l·\frac{({x^l}_j-c_{\mathrm{ij}})}{{{\sigma }_{\mathrm{ij}}}^2}·e^{-\frac{{({x^l}_j-c_{\mathrm{ij}})}^2}{2{{\sigma }_{\mathrm{ij}}}^2}}\\ T_{\sigma }(i,j)=T_{\sigma }(i,j)+\underset{l=1}{\overset{\mathrm{Nt}}{\Sigma }}{\mathrm{de}}_l·\frac{{({x^l}_j-c_{\mathrm{ij}})}^2}{{{\sigma }_{\mathrm{ij}}}^3}·e^{-\frac{{({x^l}_j-c_{\mathrm{ij}})}^2}{2{{\sigma }_{\mathrm{ij}}}^2}}\end{array}\right.$式中，c_ij是第i个簇心的第j维数据值，σ_ij是隶属度宽度；步骤16：最终得到优化的预测模型参数c_ij和σ_ij；$\left\{\begin{array}{c}{c}_{\mathrm{ij}}=c_{\mathrm{ij}}-\frac{\mathrm{ss}·T_c(i,j)}{\sqrt{\underset{q=1}{\overset{(n+1)·C}{\Sigma }}(T_c{(i,j)}^2+T_{\sigma }{(i,j)}^2)}}\\ {\sigma }_{\mathrm{ij}}={\sigma }_{\mathrm{ij}}-\frac{\mathrm{ss}·T_{\sigma }(i,j)}{\sqrt{\underset{q=1}{\overset{(n+1)·C}{\Sigma }}(T_c{(i,j)}^2+T_{\sigma }{(i,j)}^2)}}\end{array}\right.$式中，ss是训练步长；步骤17：火力发电厂烟气成分定量分析方法将重复迭代训练步骤12～步骤16，一直到训练步数达到设定值；至此，最终得到参数优化后的预测模型；步骤18：通过测量模块得到火电厂烟气样本在近红外光的各个波长的吸收率，然后在此基础上根据所得预测模型，能够实现对火力发电厂烟气成分的准确预测。