摘 要：本文對浙江寧波某電廠3號焚燒爐的排爐運行參數(shù)進(jìn)行了預(yù)測，采用支持向量機（SVM）算法對垃圾焚燒爐排爐速度進(jìn)行建模與分析。對原始DCS數(shù)據(jù)進(jìn)行清洗和標(biāo)準(zhǔn)化處理，以消除噪聲和異常值，提高了模型的收斂速度和性能。通過ReliefF算法評估特征與分類標(biāo)簽間的相關(guān)性，篩選出59個與燃燒爐排速度相關(guān)的特征，構(gòu)建新的特征集，從而降低模型復(fù)雜性，并提高可解釋性。結(jié)果表明，本文構(gòu)建的模型在垃圾焚燒爐排爐參數(shù)預(yù)測中表現(xiàn)出色，具備良好的學(xué)習(xí)能力和泛化能力，為實際操作提供了重要的決策支持。本文研究為垃圾焚燒爐的優(yōu)化運行和管理提供了理論依據(jù)和實踐參考。

關(guān)鍵詞：支持向量機；垃圾焚燒爐；排爐參數(shù)預(yù)測

中圖分類號：TK 16 " " " 文獻(xiàn)標(biāo)志碼：A

隨著城市化進(jìn)程加快，垃圾處理問題日益凸顯。垃圾焚燒是一種有效的垃圾處理方式，已被廣泛應(yīng)用于各地的垃圾管理中。垃圾焚燒爐的運行效率和排放控制直接影響環(huán)境保護和資源利用，因此，優(yōu)化焚燒爐的運行參數(shù)、提高其處理能力和安全性成為研究的重點[1]。在垃圾焚燒過程中，排爐參數(shù)的準(zhǔn)確預(yù)測對提高焚燒效率、降低能耗并減少有害氣體排放至關(guān)重要。傳統(tǒng)的排爐參數(shù)預(yù)測方法基于經(jīng)驗和規(guī)則，難以適應(yīng)復(fù)雜的運行環(huán)境和多變的垃圾成分。隨著數(shù)據(jù)采集技術(shù)進(jìn)步，焚燒爐運行中產(chǎn)生的大量實時數(shù)據(jù)為應(yīng)用現(xiàn)代數(shù)據(jù)分析技術(shù)提供了基礎(chǔ)[2]。支持向量機（SVM）是一種強大的機器學(xué)習(xí)算法，具有優(yōu)秀的分類和回歸能力，已被廣泛應(yīng)用于各類工程領(lǐng)域。SVM能夠有效處理高維數(shù)據(jù)，具備良好的泛化能力，能夠解決復(fù)雜的非線性問題[3]。因此，將SVM應(yīng)用于垃圾焚燒爐排爐參數(shù)預(yù)測，不僅可以提高預(yù)測的準(zhǔn)確性，而且能夠為焚燒爐的智能化管理提供有力支持。

1 研究對象

本文研究對象見表1。浙江寧波某電廠3號焚燒爐每天能夠處理750t垃圾，設(shè)計垃圾熱值為7953kJ/kg，主蒸汽溫度為450℃，主蒸汽壓力為4MPa，主蒸汽流量為73t/h，數(shù)據(jù)采集頻率為每10秒1次。數(shù)據(jù)采集持續(xù)一周，在一周內(nèi)共采集60470條數(shù)據(jù)，每條數(shù)據(jù)包括63個參數(shù)，進(jìn)行預(yù)處理后，保留了59112條有效數(shù)據(jù)。

2 研究方法

對原始分布式控制系統(tǒng)（DCS）數(shù)據(jù)進(jìn)行清洗和標(biāo)準(zhǔn)化，去除噪聲和異常值，并提高模型的收斂速度和性能（尤其是使用基于距離的支持向量機（SVM）算法時）。應(yīng)用ReliefF算法評估特征與分類標(biāo)簽間的相關(guān)性，篩選出權(quán)值大于設(shè)定閾值的特征，從而構(gòu)建新的特征集，該過程能夠減少模型復(fù)雜性、降低過擬合風(fēng)險并提高可解釋性。進(jìn)而使用選定的特征集訓(xùn)練SVM模型，選擇合適的核函數(shù)（例如RBF核或多項式核）進(jìn)行參數(shù)調(diào)優(yōu)，以應(yīng)對非線性關(guān)系。采用交叉驗證等方法評估模型性能，保證模型在未見數(shù)據(jù)上的泛化能力[4]。最后利用訓(xùn)練好的SVM模型預(yù)測新輸入數(shù)據(jù)，為實際操作提供重要的決策支持。需要注意的是，原始數(shù)據(jù)包括63個參數(shù)，每個目標(biāo)參數(shù)可供選擇的特征有62個，高維數(shù)據(jù)會造成維度災(zāi)難，因此有效的特征選擇和降維方法尤為重要。本文選擇的是徑向基（radial basis function，RBF）核函數(shù)，如公式（1）所示。

K（u，v）=exp（-g||u-v|2） （1）

式中：g將輸入數(shù)據(jù)映射到高維空間，從而使原始空間中線性不可分的數(shù)據(jù)在高維空間中線性可分；u為樣本的多個特征值；v為訓(xùn)練過程中位于決策邊界附近的樣本。

在超參數(shù)選擇階段，需要確定超參數(shù)（懲罰因子）C和核函數(shù)參數(shù)＼gamma對支持向量機（SVM）分類性能的影響。超參數(shù)的合理設(shè)置對模型性能至關(guān)重要，其中C控制分類器對誤分類的容忍度，＼gamma影響決策邊界的復(fù)雜性。合理的設(shè)置能夠提高模型的泛化能力和分類準(zhǔn)確性。進(jìn)而采用網(wǎng)格搜索法，在C和＼gamma的常用取值范圍內(nèi)，按照一定間隔獲取數(shù)值，并組合成參數(shù)對，用于模型驗證。雖然網(wǎng)格搜索法計算量較大，但是它是一種系統(tǒng)的超參數(shù)優(yōu)化方法，能夠保證找到最優(yōu)或接近最優(yōu)的參數(shù)組合。采用k折交叉驗證，將訓(xùn)練樣本隨機均分成k個互不相交的子集，以有效評估模型的泛化能力，保證每個樣本都用于訓(xùn)練和驗證，從而減少模型對特定數(shù)據(jù)集的依賴。在此基礎(chǔ)上，對每一對懲罰因子C和＼gamma進(jìn)行k次驗證，并計算平均準(zhǔn)確率，以綜合評估模型在不同數(shù)據(jù)劃分下的表現(xiàn)，驗證模型的穩(wěn)定性和可靠性[5]。此外，還需要將準(zhǔn)確率和查準(zhǔn)率作為主要評價指標(biāo)，其中準(zhǔn)確率能夠衡量分類器整體性能，查準(zhǔn)率能夠反映正類預(yù)測的準(zhǔn)確性，綜合使用這2個指標(biāo)能夠更全面地評估模型性能（尤其是在類別不平衡的情況下）。綜上所述，網(wǎng)格搜索法的優(yōu)勢在于能夠遍歷大部分超參數(shù)取值，增加找到最佳參數(shù)組合的可能性，而交叉驗證則通利用多次驗證減少偶然性，提升模型評估的可靠性。

3 垃圾焚燒爐排爐運行參數(shù)預(yù)測

3.1 燃燒爐排速度預(yù)測

各特征按照權(quán)值大小的排列如圖1所示。在垃圾焚燒爐排爐運行參數(shù)預(yù)測中，燃燒爐排速度的預(yù)測過程是一個系統(tǒng)而復(fù)雜的任務(wù)，涉及多個關(guān)鍵步驟，每一步都會影響模型最終的性能。在模型構(gòu)建的初始階段，本文進(jìn)行了特征變量識別，確定59個與燃燒爐排速度分類相關(guān)的特征。設(shè)定特征選擇閾值為0.08，最終選定20個重要特征。該操作能夠有效減少特征數(shù)量，降低模型的復(fù)雜性，并保證所選特征充分代表數(shù)據(jù)的特征，滿足閾值條件的特征見表2。進(jìn)而將選定的8個特征組合成特征向量，并進(jìn)行歸一化處理。

型評估結(jié)果見表3。模型在訓(xùn)練集上的準(zhǔn)確率為99.24%，在測試集上的準(zhǔn)確率為95.64%，表明模型在數(shù)據(jù)擬合和泛化能力方面均表現(xiàn)良好，能夠有效學(xué)習(xí)訓(xùn)練數(shù)據(jù)的特征，并對未見數(shù)據(jù)進(jìn)行準(zhǔn)確預(yù)測。然而，查準(zhǔn)率分析結(jié)果也揭示了一些潛在問題。除類別3和類別4的查準(zhǔn)率為0.00%外，其余所有類別的查準(zhǔn)率均在80%以上，并且絕大多數(shù)類別的查準(zhǔn)率均超過90%，表明需要對類別3和類別4的查準(zhǔn)率進(jìn)行進(jìn)一步優(yōu)化，原因是這2個類別的樣本數(shù)量較少，或是模型在這些類別上的查準(zhǔn)率不佳。

綜上所述，該預(yù)測過程利用一系列精心設(shè)計的步驟實現(xiàn)了高準(zhǔn)確率的模型訓(xùn)練，但是仍需關(guān)注特定類別的預(yù)測問題，以便進(jìn)一步提升模型的整體性能和適用性。

3.2 燃盡爐排速度預(yù)測

在超參數(shù)優(yōu)化過程中，本文選擇懲罰因子（C=200）和核函數(shù)參數(shù)（＼gamma=128）。較高的C值能夠增強模型對錯誤分類的懲罰，提升模型預(yù)測的準(zhǔn)確性，并促使模型尋找更精確的決策邊界。＼gamma則直接影響模型的復(fù)雜度和擬合能力，合適的＼gamma值能夠幫助模型在復(fù)雜數(shù)據(jù)結(jié)構(gòu)中找到更好的決策邊界，避免出現(xiàn)欠擬合或過擬合問題。

燃盡爐排速度各類別查準(zhǔn)率和各類別樣本數(shù)如圖2所示。經(jīng)過特征選擇和超參數(shù)優(yōu)化后，模型的訓(xùn)練結(jié)果表明模型具有卓越的性能，訓(xùn)練集準(zhǔn)確率為99.94%，測試集準(zhǔn)確率為99.61%。該結(jié)果表明模型在數(shù)據(jù)學(xué)習(xí)和模式識別方面表現(xiàn)出色，能夠有效捕捉訓(xùn)練數(shù)據(jù)中的重要特征和規(guī)律。在訓(xùn)練過程中，模型擬合度較高，表明模型能夠準(zhǔn)確預(yù)測訓(xùn)練數(shù)據(jù)中的每一個樣本。這種高度的擬合能力不僅反映了模型的學(xué)習(xí)能力，而且為后續(xù)的應(yīng)用奠定了堅實基礎(chǔ)。在測試數(shù)據(jù)上，模型同樣保持了極高的準(zhǔn)確性，顯示出其具有良好的泛化能力和對新數(shù)據(jù)的適應(yīng)性。該特性尤其重要，表明模型不僅能夠處理已知數(shù)據(jù)，而且能夠有效應(yīng)對未知、未見過的樣本。這種能力使模型的實用價值更高，能夠在各種環(huán)境和條件下穩(wěn)定運行。進(jìn)一步分析查準(zhǔn)率，所有類別的查準(zhǔn)率均超過90%，絕大多數(shù)類別的查準(zhǔn)率甚至超過99%。在對每個類別的預(yù)測中，模型幾乎沒有出現(xiàn)誤判，分類效果出色。高查準(zhǔn)率表明模型在數(shù)據(jù)處理方面的準(zhǔn)確性較高，反映了其在不同類別間的區(qū)分能力，高查準(zhǔn)率能夠有效減少混淆和錯誤分類的情況，提升模型的可靠性和穩(wěn)定性，展示了模型在實際應(yīng)用中的巨大潛力。

3.3 一次風(fēng)機變頻控制柜輸出頻率預(yù)測

一次風(fēng)機變頻控制柜輸出頻率預(yù)測內(nèi)容見表4。將9個特征組合成特征向量，并進(jìn)行歸一化處理。特征向量的構(gòu)建是模型訓(xùn)練的基礎(chǔ)，歸一化處理有助于消除不同特征間的量綱差異，使模型學(xué)習(xí)更高效，避免某些特征因數(shù)值范圍過大而主導(dǎo)模型的訓(xùn)練過程。在模型訓(xùn)練中，利用懲罰因子（C=200）和核函數(shù)參數(shù)（＼gamma=128）細(xì)致地進(jìn)行超參數(shù)調(diào)優(yōu)。較高的懲罰因子C有助于降低模型對錯誤分類的容忍度，從而提升模型的準(zhǔn)確性。核函數(shù)參數(shù)＼gamma則會影響模型的復(fù)雜度和擬合能力。合理的超參數(shù)設(shè)置是提高模型性能的關(guān)鍵因素之一。模型在訓(xùn)練集上的準(zhǔn)確率為99.80%（41297/41380），在測試集上的準(zhǔn)確率為95.07%（16857/17732）。模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)出色，但是測試集的準(zhǔn)確率卻相對較低，表明需要進(jìn)一步提升模型對新數(shù)據(jù)的泛化能力。該情況與訓(xùn)練集和測試集的樣本分布差異有關(guān)。大部分類別的查準(zhǔn)率均超過90%，但是有8個類別的查準(zhǔn)率低于90%。模型在大多數(shù)情況下能夠準(zhǔn)確預(yù)測類別，但是在特定類別上的表現(xiàn)不佳，影響了模型整體預(yù)測的可靠性。需要進(jìn)一步分析這8個類別的特征，找出查準(zhǔn)率低的原因。原始數(shù)據(jù)的分類特性較差，導(dǎo)致大量應(yīng)用近鄰原則的歸類，這是8個類別查準(zhǔn)率低于90%的原因之一。分類特性較差表明數(shù)據(jù)的可分性不足，特征與類別間的關(guān)系不夠明顯，導(dǎo)致模型難以有效區(qū)分這些類別。前15個類別樣本數(shù)量較少，并且此時的一次風(fēng)機頻率較低；后15個類別樣本數(shù)量顯著增加，查準(zhǔn)率維持在較高水平。樣本數(shù)量對模型的訓(xùn)練效果有顯著影響，模型在樣本數(shù)量較少的類別上的學(xué)習(xí)不充分，從而影響模型預(yù)測的準(zhǔn)確性。因此，增加樣本數(shù)量或改進(jìn)數(shù)據(jù)采集策略，將有助于提高這些類別的查準(zhǔn)率。

4 結(jié)語

本文基于支持向量機（SVM）算法，對浙江寧波某電廠3號焚燒爐的排爐運行參數(shù)進(jìn)行了系統(tǒng)的預(yù)測與分析。對原始DCS數(shù)據(jù)進(jìn)行清洗、標(biāo)準(zhǔn)化和特征選擇，成功構(gòu)建了高效的預(yù)測模型。研究表明，選定的特征集與燃燒爐排速度間存在顯著相關(guān)性，模型在訓(xùn)練集和測試集上均表現(xiàn)出色，準(zhǔn)確率分別為99.74%和97.09%。此外，所有類別的查準(zhǔn)率均超過90%，表明模型在實際應(yīng)用中具有較高的可靠性和穩(wěn)定性。在模型訓(xùn)練過程中，合理的超參數(shù)設(shè)置和特征向量的歸一化處理顯著提升了模型的學(xué)習(xí)能力和泛化能力。將網(wǎng)格搜索法和交叉驗證相結(jié)合，保證了超參數(shù)的優(yōu)化和模型評估的可靠性。本文研究不僅為垃圾焚燒爐的優(yōu)化運行提供了重要決策支持，而且為未來相關(guān)領(lǐng)域的研究奠定了基礎(chǔ)。

參考文獻(xiàn)

[1]洪新，張曉斌，何駿.基于支持向量機的垃圾焚燒爐SNCR系統(tǒng)優(yōu)化控制[J].能源研究與信息，2022，38（3）：155-160.

[2]喬俊飛，段滈杉，湯健，等.基于火焰圖像顏色特征的MSWI燃燒工況識別[J].控制工程，2022（7）：1153-1161.

[3]張萍，李明輝，陳倩.廢液焚燒爐SCR脫硝系統(tǒng)的建模及其預(yù)測控制[J].陜西科技大學(xué)學(xué)報，2021（5）：167-173.

[4]楊旭，余昭勝，何玉榮，等.垃圾焚燒爐中城市生活垃圾摻燒高熱值工業(yè)固廢的數(shù)值模擬[J].潔凈煤技術(shù)，2023，29（9）：98-108.

[5]王印松，雷玉.基于DCS數(shù)據(jù)和燃燒圖像的垃圾焚燒爐主蒸汽溫度預(yù)測[J].中國電機工程學(xué)報，2023，43（22）：8790-8800.