(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111504631.3 (22)申请日 2021.12.10 (71)申请人 天津商业大 学 地址 300134 天津市北辰区光 荣道409号 (72)发明人 陈冠益　杜承明　孙昱楠　陶俊宇　 刘馨仪　穆兰　王晓华　王振宇　 郑燕妮　 (74)专利代理 机构 北京东方盛凡知识产权代理 事务所(普通 合伙) 11562 代理人 李娜 (51)Int.Cl. G16C 20/70(2019.01) G16C 20/30(2019.01) G06Q 10/04(2012.01) G06Q 10/00(2012.01)G06Q 50/26(2012.01) (54)发明名称 一种基于机器学习的多源城市固废配伍优 化方法 (57)摘要 本发明公开一种基于机器学习的多源城市 固废配伍优化方法,包括： 获取相关性质数据； 通 过特征选择算法对所述相关性质数据进行筛选 处理， 得到特征变量， 按照经济性优先和排放优 先的方式对 特征变量进行分类， 对 所述分类按照 比例进行原料预配伍； 所述原料预配伍进行协同 燃烧处理， 得到燃烧后的数据， 汇总成数据库， 根 据所述数据库构建原料组分、 运行工况和污染物 分布的矩阵， 获得矩阵数据； 对所述矩阵数据进 行主成分分析处理， 构建信息处理模型， 获得样 本数据集； 根据样本数据集， 进行训练处理构建 关系模型， 获得处理后的参数； 将所述参数进行 训练处理， 构建回归模块， 获得最优参数， 与所述 矩阵数据进行回归计算， 获得固废原料配伍优化 方案。 权利要求书1页 说明书6页 附图2页 CN 114155919 A 2022.03.08 CN 114155919 A 1.一种基于 机器学习的多源 城市固废配伍 优化方法， 其特 征在于， 包括： 采集不同种类固体废物的样品， 获取相关性质数据； 通过特征选择算法对所述相关性质数据进行筛选处理， 得到特征变量， 按照经济性优 先和排放优先的方式对特 征变量进行分类， 对所述分类按照比例进行原料 预配伍； 所述原料预配伍进行协同燃烧处理， 得到燃烧后的数据， 汇总成数据库， 根据所述数据 库构建原料组分、 运行工况和污染物分布的矩阵， 获得矩阵数据； 对所述矩阵数据进行主成分 分析处理， 构建信息处 理模型， 获得样本数据集； 根据样本数据集， 进行训练 处理构建关系模型， 获得处 理后的参数； 将所述参数进行训练处理， 构建回归模块， 获得最优参数， 与所述矩阵数据进行回归计 算， 获得固废原料配伍 优化方案 。 2.如权利要求1所述的基于机器学习的多源城市固废配伍优化方法， 其特征在于， 所述 相关性质数据包括： 样品的元 素构成、 热失重特性、 组分特性、 热值。 3.如权利要求2所述的基于机器学习的多源城市固废配伍优化方法， 其特征在于， 获取 相关性质数据的过程包括： 通过 热重分析仪、 红外光谱仪获取相关性质数据。 4.如权利要求1所述的基于机器学习的多源城市固废配伍优化方法， 其特征在于， 所述 特征变量的分类需要构建分类模块模型， 所述分类模块模型 的构建过程包括： 按照经济性 和排放筛选出 的特征变量进行向量分类， 获取分类参数进行优化处理， 构建分类模模块模 型。 5.如权利要求4所述的基于机器学习的多源城市固废配伍优化方法， 其特征在于， 原料 预配伍的比例包括 根据原料种类和国家企业行业已有标准限制进行匹配。 6.如权利要求1所述的基于机器学习的多源城市固废配伍优化方法， 其特征在于， 信 息 处理模块中包括对数据进 行降维降噪处理， 获得若干个包含原有 数据信息且彼此互不相关 的主成分， 提取 前百分之五用于后续分析与计算。 7.如权利要求1所述的基于机器学习的多源城市固废配伍优化方法， 其特征在于， 固废 配伍优化的过程包括： 根据SOx、 NOx等污染物排放数据与不同的主成分个数用训练组的数据 训练模型， 之后用模型分析测试组中数据预测配伍样品污染物排放量， 预测结果使用平均 相对误差进行评价获得优化模型。 8.如权利要求1所述的基于机器学习的多源城市固废配伍优化方法， 其特征在于， 回归 计算的过程包括： 根据采集模块获得原料组分、 运行工况和污染物分布的矩阵数据， 进行信 息处理模块提取 处理后的数据， 数据输入回归模块模型， 进 行回归计算， 得到配伍样品的热 值与污染物排 放的结果。权　利　要　求　书 1/1 页 2 CN 114155919 A 2一种基于机 器学习的多源 城市固废配伍优化方 法 技术领域 [0001]本发明属于多源城市固废焚烧处理领域， 尤其涉及一种基于机器学习的多源城市 固废配伍 优化方法。 背景技术 [0002]随着我国经济 的发展， 工业生产水平的提高， 城市居民日常生活活动中产生的固 体废物日益增多， 如何安全有效处理处理大量城市多源固废应引起关注。 在各种固废处理 方法中， 焚烧法由于减容快、 可有效氧化分解固废中大部分有害物质以及可回收热能等优 点， 成为固废处理的首选方法。 而随着人民环保意识的增强和国家环保标准的提高， 对固废 焚烧处理技术有了更高的要求。 [0003]多源城市 固废产量大、 种类多、 成分杂、 分布散、 危害强， 更需要对由固废处置造成 的VOCs、 重金属等特征污染物进 行有效控制。 现有研究表明采用工业窑炉(回转窑、 煤粉炉) 协同处置固废不仅减少 了化石能源的消 耗， 也降低了温室气体和 其他污染物的排放。 但是 在固废处理过程中， 对于工业窑炉内的温度稳定性有比较高的要求， 温度过高会产生熔融 灰渣， 炉内结皮结圈， 对工业窑炉使用寿命有很大影响； 温度过低会使燃烧效率下降， 固废 不能得到充分燃烧， 不能有效分解有害物质。 而在实际操作过程中由于进 料性质波动大， 难 以实现工业窑路的稳定长期经济运行。 因此， 在源头端必须根据固废的理化特性和污染物 特征， 采取合适的配伍方案以实现协同处置原料与窑炉工艺系统及热工过程的兼容匹配， 并有效控制 污染物释放， 这就需要开发一种多源城市固废配伍优化方法， 既保证工业窑炉 协同处置配伍固废原料 具有较好的运行 稳定性， 又减少污染物的产生。 发明内容 [0004]本发明的目的在于提出一种基于机器学习的多源城市固废配伍优化方法， 将机器 学习算法应用于工业窑炉 处理城市固废配伍中， 为实际配伍操作提供指导依据， 有效保障 工业窑炉运行 稳定性， 减少污染物排 放， 提高经济效益。 [0005]为实现上述目的， 本发明提供了一种基于机器学习的多源城市固废配伍优化方 法， 包括： [0006]采集不同种类固体废物的样品， 获取相关性质数据； [0007]通过特征选择算法对所述相关性质数据进行筛选处理， 得到特征变量， 按照经济 性优先和排 放优先的方式对特 征变量进行分类， 对所述分类按照比例进行原料 预配伍； [0008]所述原料预配伍进行协同燃烧处理， 得到燃烧后的数据， 汇总成数据库， 根据所述 数据库构建原料组分、 运行工况和污染物分布的矩阵， 获得矩阵数据； [0009]对所述矩阵数据进行主成分 分析处理， 构建信息处 理模型， 获得样本数据集； [0010]根据样本数据集， 进行训练 处理构建关系模型， 获得处 理后的参数； [0011]将所述参数进行训练处理， 构建回归模块， 获得最优参数， 与所述矩阵数据进行回 归计算， 获得固废原料配伍 优化方案 。说　明　书 1/6 页 3 CN 114155919 A 3