本发明涉及一种废塑料炼油燃烧优化的建模方法。目前废塑料炼油燃烧优化中存在瓶颈问题。本发明方法是通过废塑料炼油数据采集、建模，数据样本的选择和预处理、建立废塑料炼油的燃烧优化模型，确立的一种废塑料炼油燃烧优化的建模方法。首先采集废塑料炼油的燃烧情况数据，进行建模数据的选择和适当的预处理，以保证模型的预测能力和泛化能力，最终应用相应的建模算法和优化算法建立废塑料炼油的燃烧优化模型。利用该方法可建立的较为精确和泛化能力较强的废塑料炼油燃烧优化模型。本发明方法通过数据选择和预处理保证了模型的预测精度和泛化能力。
1.一种废塑料炼油燃烧优化的建模方法，其特征在于该方法的具体步骤包括：步骤(1).采集废塑料炼油生产过程中，各燃烧器运行参数、反应釜进料量和反应釜出产品量及反应釜所需要的燃烧状态的特征指标，建立废塑料炼油燃烧实时数据库；具体的各燃烧器运行参数、反应釜进料量、反应釜出产品量和反应釜所需要的燃烧状态的特征指标，通过废塑料炼油生产过程中实时的数据监测控制系统获取，或直接通过仪器设备测量采集；
所述的各燃烧器运行参数为各燃烧器的给风量和给油量；所述的反应釜所需要的燃烧状态的特征指标为反应釜内轴向M个温度监测点的温度分布，M≥3；
步骤(2).对数据库中的数据进行选择和预处理，分别用最小二乘支持向量机和神经网络建立废塑料炼油燃烧各燃烧器运行操作参数与燃烧状态的特征指标间的燃烧模型，具体方法是： 在数据库中进行数据选择，选择出建模用的样本数据，选择时遵循以下原则：① 分布均匀，即在模型的输入量的拓扑结构空间上分布是均匀的；②数量均等，即在拓扑结构中位于不同点的数据的样本量相等；
对选择出的数据进行建模前的预处理，通过单位的变换或乘系数的方法，使各输入量及相应输出量的数据处于相同的数量级，再对输入量进行归一化处理；
应用预处理好的数据，首先采用最小二乘支持向量机算法建模，然后再应用神经网络建模，神经网络所建模型经验风险较小，最后将最小二乘支持向量机模型和神经网络模型进行组合形成最终的燃烧优化模型；用于建模的输入参数及表征废塑料炼油燃烧状态的特征指标的输出参数表示为 ，其中 表示第 组作为输入数据的各燃烧器的运行参数、反应釜进料量和反应釜出产品量向量， 表示第 组作为输出参数的表征反应釜所需要的燃烧状态的特征指标的参数向量， 为样本数量，以实际运行数据为基础建立各燃烧器运行参数、反应釜进料量和反应釜出产品量与反应釜所需要的燃烧状态的特征指标间的模型；
首先采用最小二乘支持向量机算法建模，核函数选为径向基函数：为映射函数，设所求的目标函数为： ， 为模型输出的锅炉燃烧状态的特征指标预测值， 为权重系数向量， 为截距；引入松弛因子ξ*i≥0和ξi≥0和允许拟合误差ε，模型通过在约束：，条件下，最小化：
获得，其中常数C>0，为惩罚系数；引入拉格朗日函数：
在鞍点处，函数L是关于w,b,ξi,ξi 的极小点，也是 极大点，最小化问题转化为求其对偶问题的最大化问题；
拉格朗日函数L在鞍点处是关于w,b,ξi,ξi*极小点，得：
按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：
其次，再采用学习能力和函数逼近能力强的BP神经网络建模：对于 个隐节点的3层BP神经网络采用径向基影射函数，其输出为：， 为权重系数， 为 维输入向量， 、 为径向基函数参数；建立BP神经网络模型的关键在于确定函数的参数 、 及权重系数 ；采用遗传算法迭代训练径向基BP神经网络，定义遗传算法初始群体 向量的各维分量，分别为隐节点个、径向基函数的参数 、 和权重系数，目标函数为： ，其中 为第 个样本的BP神经网络输出值， 为第 个样本的实际值；当 达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、径向基函数的参数和权重系数，从而获得BP神经网络模型；
步骤(3).确定最小二乘支持向量机模型和BP神经网络模型的比例；采用新的废塑料炼油不同运行状态下的数据作为检验样本，应用最小二乘支持向量机模型和神经网络模型加权平均的预测方法，对检验数据进行预测，即 ，其中 为第 组检验样本工况的目标预测值、 为最小二乘支持向量机模型预测值、 为BP神经网络模型预测值、 为最小二乘支持向量机模型预测值比例系数、为BP神经网络模型的预测比例系数，且 ；
与 的确定采用粒子群算法迭代寻优确定，初始化粒子群位置向量 的各维分量，分别为最小二乘支持向量机模型比例 和BP神经网络模型权重 ，目标函数为：，其中 为第 组工况实际数据与结合模型预测的反应釜轴向各测点中的最大误差， 为第 组工况实际数据与结合模型预测的反应釜轴向各测点的平均误差，当 取得了最小、达到设定值或完成迭代次数时，寻优完成，获得最优的最小二乘支持向量机模型和BP神经网络模型的比例系数；
步骤(4).将最小二乘支持向量机模型与BP神经网络模型按步骤(3)所确定的最优的比例系数相结合，构成组合模型，即 ，其中Z为更新后的组合模型，从而实现废塑料炼油燃烧优化模型的建立。
一种废塑料炼油燃烧优化的建模方法
技术领域
[0001] 本发明属于信息控制技术领域，涉及到数据建模技术，特别是涉及一种废塑料炼油燃烧优化的建模方法。
背景技术
[0002] 废塑料炼油的燃烧控制是废塑料裂解反应和产品质量保证的重要技术关键，其目标是在一定生产条件和要求下，通过调整各燃烧器的运行参数而获得反应釜所需的理想的燃烧状态，使反应釜的温度分布良好，废塑料的裂解反应在适当的温度下进行，使产品符合生产需求的基础上利益最大化。加热反应釜的各燃烧器的给风和给油等运行参数的不同对反应釜内的温度分布有直接的影响，不同的燃烧器的给油和给风的配合会直接导致不同的反应釜内的温度分布的情况，尤其是在反应釜进料有扰动的情况下，温度分布更不稳定。对于一定的生产条件和产品需求下，针对反应釜所需的理想的燃烧状态特征指标，存在一种最优的各燃烧器运行参数配置方案，能够使相应燃烧状态的特征指标最优化，但是，反应釜内的温度分布与各燃烧器运行参数和进料量及出产品量间有着非常复杂的耦合关系，要找到最优的各燃烧器的运行参数的配置并不容易。废塑料炼油是一种新的生产过程，其燃烧优化控制问题还没有得到解决。
[0003] 实际生产中废塑料炼油的燃烧主要是靠工作人员经验，其目标也只是维持生产正常进行，因此其生产过程中燃烧状态还有很大的可提升空间。
[0004] 通过数据挖掘，在大量不同的生产运行参数组合中，应用机器学习的方法，挖掘出各燃烧器的运行参数、进料量和出产品量与反应釜内轴向温度分布间的关系模型，再结合优化算法对进行燃烧优化是非常有潜力的方法。如何使该方法真正达到废塑料炼油生产实际的要求，是该技术的关键，主要难题包括，如何提高模型的预测和泛化能力，如何提高模型的自学习能力。
发明内容
[0005] 本发明的目标是针对废塑料炼油燃烧优化中的瓶颈问题，提出一种废塑料炼油燃烧优化的建模方法。
[0006] 本发明具体是首先采集废塑料炼油的燃烧情况数据，进行建模数据的选择和适当的预处理，以保证模型的预测能力和泛化能力，最终应用相应的建模算法和优化算法建立废塑料炼油的燃烧优化模型。该方法通过数据选择和预处理保证了模型的预测精度和泛化能力。
[0007] 本发明的技术方案是通过废塑料炼油数据采集、建模，数据样本的选择和预处理、建立废塑料炼油的燃烧优化模型，确立的一种废塑料炼油燃烧优化的建模方法，利用该方法可建立的较为精确和泛化能力较强的废塑料炼油燃烧优化模型。
[0008] 本发明方法的步骤包括：
[0009] 步骤(1).采集废塑料炼油生产过程中各燃烧器运行参数、反应釜进料量和反应釜出产品量及反应釜所需要的燃烧状态的特征指标，建立废塑料炼油燃烧实时数据库；具体的各燃烧器运行参数、反应釜进料量、反应釜出产品量和反应釜所需要的燃烧状态的特征指标，是通过废塑料炼油生产过程中实时的数据监测控制系统获取，或直接通过仪器设备测量采集。
[0010] 所述的各燃烧器运行参数为各燃烧器的给风量和给油量；所述的反应釜所需要的燃烧状态的特征指标为反应釜内轴向温度分布(反应釜内壁轴向取M个温度监测点，M≥3)。
[0011] 这个过程积累数据，在积累了相当的数据后，再进行后边的数据挖掘建模。
[0012] 步骤(2).对数据库中的数据进行选择和预处理，分别用最小二乘支持向量机和BP神经网络建立废塑料炼油燃烧各燃烧器运行操作参数与燃烧状态的特征指标间的燃烧模型，具体方法是：
[0013] 在数据库中进行数据选择，选择出建模用的样本数据，选择时遵循以下原则：① 分布均匀，即在模型的输入量的拓扑结构空间上分布是均匀的；②数量均等，即在拓扑结构中位于不同点的数据的样本量相等；
[0014] 对选择出的数据进行建模前的预处理，通过单位的变换或乘系数的方法，使各输入量及相应输出量的数据处于相同的数量级，再对输入量进行归一化处理；
[0015] 应用预处理好的数据，首先采用最小二乘支持向量机算法建模，最小二乘支持向量机算法所建模型泛化能力较强，然后再应用神经网络建模，神经网络所建模型经验风险较小，最后将最小二乘支持向量机模型和神经网络模型进行组合形成最终的燃烧优化模型；用于建模的输入参数及表征废塑料炼油燃烧状态的特征指标的输出参数表示为 ，其中 表示第 组作为输入数据的各燃烧器的运行参数 (包括各燃烧器的给油和给风量) 、反应釜进料量和反应釜出产品量向量， 表示第 组作为输出参数的表征反应釜所需要的燃烧状态的特征指标的参数向量(M个反应釜轴向的温度值)， 为样本数量，以实际运行数据为基础建立各燃烧器运行参数、反应釜进料量和反应釜出产品量与反应釜所需要的燃烧状态的特征指标间的模型；
[0016] 首先采用最小二乘支持向量机算法建模，核函数选为径向基函数：
[0017]
[0018] 为映射函数，设所求的目标函数为： ， 为模型输出的*
锅炉燃烧状态的特征指标预测值， 为权重系数向量， 为截距。引入松弛因子ξi≥0和ξi≥0和允许拟合误差ε，模型可以通过在约束：
[0019] ，条件下，最小化：
[0020]
[0021] 获得，其中常数C>0，为惩罚系数。该最小化问题为一个凸二次规划问题，引入拉格朗日函数：
[0022]
[0023] 其中： ≥0, ≥0,为拉格朗日乘数。
[0024] 在鞍点处，函数L是关于w,b,ξi,ξi*的极小点，也是 极大点，最小化问题转化为求其对偶问题的最大化问题。*
[0025] 拉格朗日函数L在鞍点处是关于w,b,ξi,ξi 极小点，得：
[0026]
[0027] 可得拉格朗日函数的对偶函数：
[0028]
[0029] 此时，
[0030]
[0031]
[0032] 按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：
[0033]* *
[0034] 由上式可见，αi·αi=0,αi和αi 都不会同时为非零，可得：
[0035]
[0036] 从上式可求出b，获得模型。
[0037] 其次，再采用学习能力和函数逼近能力强的BP神经网络建模：
[0038] 对于 个隐节点的3层BP神经网络采用径向基影射函数，其输出为：， 为权重系数， 为 维输入向量， 、 为径向基函数参数。建
立BP神经网络模型的关键在于确定函数的参数 、 及权重系数 。采用遗传算法迭代训练径向基BP神经网络，定义遗传算法初始群体 向量的各维分量，分别为隐节点个、径向基函数的参数 、 和权重系数，目标函数为： ，其中 为第 个样本
的BP神经网络输出值， 为第 个样本的实际值。当 达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、径向基函数的参数和权重系数，从而获得BP神经网络模型。
[0039] 步骤(3). 确定最小二乘支持向量机模型和BP神经网络模型的比例。采用新的废塑料炼油不同运行状态下的数据作为检验样本，应用最小二乘支持向量机模型和神经网络模型加权平均的预测方法，对检验数据进行预测，即 ，其中 为第 组检验样本工况的目标预测值， 为最小二乘支持向量机模型预测值， 为BP神经网络模型预测值， 为最小二乘支持向量机模型预测值比例系数，为BP神经网络模型的预测比例系数，且 ；
[0040] 与 的确定采用粒子群算法迭代寻优确定，初始化粒子群位置向量 的各维分量，分别为最小二乘支持向量机模型比例 和BP神经网络模型权重 ，目标函数为：，其中 为第 组工况实际数据与结合模型预测的反应釜轴向各测点
中的最大误差， 为第 组工况实际数据与结合模型预测的反应釜轴向各测点的平均误差，当 取得了最小、达到设定值或完成迭代次数时，寻优完成，获得最优的最小二乘支持向量机模型和BP神经网络模型的比例系数。
[0041] 步骤(4). 将最小二乘支持向量机模型与BP神经网络模型按步骤(3)所确定的最优的比例系数相结合，构成组合模型，即 ，其中Z为更新后的组合模型，从而实现废塑料炼油燃烧优化模型的建立。
[0042] 本发明提出的建模方法可以有效的建立泛化能力和预测能力都较好的废塑料炼油燃烧优化模型，克服了一般建模方法的不足，满足了废塑料炼油燃烧优化的实际要求，可以保证废塑料炼油燃烧优化的准确性和可行性。
具体实施方式
[0043] 一种废塑料炼油燃烧优化的建模方法，具体步骤是：
[0044] (1).采集废塑料炼油生产过程中，各燃烧器运行参数、反应釜进料量和反应釜出产品量及反应釜所需要的燃烧状态的特征指标，建立废塑料炼油燃烧实时数据库；具体的各燃烧器运行参数、反应釜进料量、反应釜出产品量和反应釜所需要的燃烧状态的特征指标，可通过废塑料炼油生产过程中实时的数据监测控制系统获取，或直接通过仪器设备测量采集。
[0045] 所述的各燃烧器运行参数为各燃烧器的给风量和给油量；所述的反应釜所需要的燃烧状态的特征指标为反应釜内轴向温度分布(反应釜内壁轴向取M个温度监测点，M≥3)。
[0046] 这个过程积累数据，在积累了相当的数据后，再进行后边的数据挖掘建模。
[0047] (2).对数据库中的数据进行选择和预处理，分别用最小二乘支持向量机和神经网络建立废塑料炼油燃烧各燃烧器运行操作参数与燃烧状态的特征指标间的燃烧模型，具体方法是：
[0048] 在数据库中进行数据选择，选择出建模用的样本数据，选择时遵循以下原则：① 分布均匀，即在模型的输入量的拓扑结构空间上分布是均匀的，所选数据的输入量不是密集的集中在一个点或几个点上，能够均匀的占有一个空间；②数量均等，即在拓扑结构中位于不同点的数据的样本量相等，不会使某个点的数据量很多，而其他点的数据量很少；
[0049] 对选择出的数据进行建模前的预处理，通过单位的变换或乘系数的方法，使各输入量及相应输出量的数据处于相同的数量级，再对输入量进行归一化处理；
[0050] 应用预处理好的数据，首先采用最小二乘支持向量机算法建模，最小二乘支持向量机算法所建模型泛化能力较强，然后再应用神经网络建模，神经网络所建模型经验风险较小，最后将最小二乘支持向量机模型和神经网络模型进行组合形成最终的燃烧优化模型；用于建模的输入参数及表征废塑料炼油燃烧状态的特征指标的输出参数表示为，其中 表示第 组作为输入数据的各燃烧器的运行参数 (包括各燃烧器的给油和给风量) 、反应釜进料量和反应釜出产品量向量， 表示第 组作为输出参数的表征反应釜所需要的燃烧状态的特征指标的参数向量(M个反应釜轴向的温度值)， 为样本数量，以实际运行数据为基础建立各燃烧器运行参数、反应釜进料量和反应釜出产品量与反应釜所需要的燃烧状态的特征指标间的模型；
[0051] 首先采用最小二乘支持向量机算法建模，核函数选为径向基函数：
[0052]
[0053] 为映射函数，设所求的目标函数为： ， 为模型输出的*
锅炉燃烧状态的特征指标预测值， 为权重系数向量， 为截距。引入松弛因子ξi≥0和ξi≥0和允许拟合误差ε，模型可以通过在约束：
[0054] ，条件下，最小化：
[0055]
[0056] 获得，其中常数C>0，为惩罚系数。该最小化问题为一个凸二次规划问题，引入拉格朗日函数：
[0057]
[0058] 其中： ≥0, ≥0,为拉格朗日乘数。*
[0059] 在鞍点处，函数L是关于w,b,ξi,ξi 的极小点，也是 极大点，最小化问题转化为求其对偶问题的最大化问题。
[0060] 拉格朗日函数L在鞍点处是关于w,b,ξi,ξi*极小点，得：
[0061]
[0062] 可得拉格朗日函数的对偶函数：
[0063]
[0064] 此时，
[0065]
[0066]
[0067] 按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：
[0068]
[0069] 由上式可见，αi·αi*=0,αi和αi*都不会同时为非零，可得：
[0070]
[0071] 从上式可求出b，获得模型。
[0072] 其次，再采用学习能力和函数逼近能力强的BP神经网络建模：
[0073] 对于 个隐节点的3层BP神经网络采用径向基影射函数，其输出为：， 为权重系数， 为 维输入向量， 、 为径向基函数参数。建
立BP神经网络模型的关键在于确定函数的参数 、 及权重系数 。采用遗传算法迭代训练径向基BP神经网络，定义遗传算法初始群体 向量的各维分量，分别为隐节点个、径向基函数的参数 、 和权重系数，目标函数为： ，其中 为第 个样本
的BP神经网络输出值， 为第 个样本的实际值。当 达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、径向基函数的参数和权重系数，从而获得BP神经网络模型。
[0074] (3).确定最小二乘支持向量机模型和BP神经网络模型的比例。采用新的废塑料炼油不同运行状态下的数据作为检验样本，应用最小二乘支持向量机模型和神经网络模型加权平均的预测方法，对检验数据进行预测，即 ，其中 为第 组检验样本工况的目标预测值， 为最小二乘支持向量机模型预测值， 为BP神经网络模型预测值，为最小二乘支持向量机模型预测值比例系数， 为BP神经网络模型的预测比例系数，且；
[0075] 与 的确定采用粒子群算法迭代寻优确定，初始化粒子群位置向量 的各维分量，分别为最小二乘支持向量机模型比例 和BP神经网络模型权重 ，目标函数为：，其中 为第 组工况实际数据与结合模型预测的反应釜轴向各测点
中的最大误差， 为第 组工况实际数据与结合模型预测的反应釜轴向各测点的平均误差，当 取得了最小、达到设定值或完成迭代次数时，寻优完成，获得最优的最小二乘支持向量机模型和BP神经网络模型的比例系数。
[0076] (4).将最小二乘支持向量机模型与BP神经网络模型按步骤(3)所确定的最优的
