基于慢特征分析与稀疏随机配置网络的垃圾焚烧过程炉温预测模型

《Engineering Applications of Artificial Intelligence》：Furnace temperature prediction model in municipal solid waste incineration process based on slow feature analysis and sparse stochastic configuration network

本文提出了一种融合慢特征分析（SFA）与稀疏随机配置网络（SSCN）的炉温预测模型，以解决城市固体废物焚烧（MSWI）过程的大时滞与高维特征挑战。通过互信息（MI）与SFA提取潜变量，并基于贝叶斯稀疏学习框架约束输出权重，有效提升了模型预测精度（RMSE、MAE、R2）与泛化能力，为焚烧过程优化控制提供了创新方案。

　　

Section snippets

Related work

本节回顾了随机配置网络（SCN）和城市固体废物焚烧（MSWI）过程的相关研究，并讨论了将SCN应用于焚烧过程炉温预测时面临的具体挑战。

Implementation of furnace temperature prediction Model

为降低炉温预测模型的结构复杂性，本文提出了一种整合慢特征分析（SFA）与稀疏随机配置网络（SSCN）的新框架。本节详细阐述了所提炉温预测模型的实现流程。

Performance evaluation

为验证所提炉温预测模型的有效性，本节使用中国某垃圾焚烧发电厂的历史运行数据集进行了性能评估。评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）和决定系数R²，其计算公式分别如下：

RMSE = √[∑_i=1^N(y_i - ?_i)² / N]

MAE = ∑_i=1^N|y_i - ?_i| / N

R² = 1 - [∑_i=1^N(y_i - ?_i)² / ∑_i=1^N(y_i - ?)²]

其中N为样本数量，y_i和?_i分别表示第i个样本的实际值和预测值，?为实际值的平均值。

Conclusion

为开发具有优异泛化能力的MSWI过程炉温预测模型，本文提出了一种结合SFA和SSCN的炉温预测方法。通过MI与SFA联用，从MSWI过程的高维特征变量中提取潜变量，有效削弱了低相关性变量对模型精度的影响，降低了炉温预测模型的复杂度。基于稀疏...