买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利一种城市固废焚烧过程主蒸汽流量实时预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115077640B 。

龙图腾网通过国家知识产权局官网在2025-10-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210612435.6，技术领域涉及：G01F1/68；该发明授权一种城市固废焚烧过程主蒸汽流量实时预测方法是由严爱军;李昂;汤健设计研发完成，并于2022-05-31向国家知识产权局提交的专利申请。

本一种城市固废焚烧过程主蒸汽流量实时预测方法在说明书摘要公布了：一种城市固废焚烧过程主蒸汽流量实时预测方法，步骤如下：一、对城市固废焚烧过程的历史数据进行预处理，使用基于滑动窗口与相关向量机RVM结合的方法识别并删除其中的异常值，并使用时间连续的数据作为案例库；二、使用基于欧氏距离与协方差作为相似度指标的即时学习方法JITL检索数据样本，得到与待预测时刻相似度最高的n*K个案例；三、使用基于机理分析改进的支持向量机ISVM对检索出的n*K个案例建立模型，并得出目标时刻的主蒸汽流量值，最后将结果与目标时刻工况参数作为一个案例存储到案例库中；四、重复步骤二～三，直至焚烧过程结束，以实现城市固废焚烧过程主蒸汽流量实时预测。本发明使得热能转化状况得到准确检测，提高热能利用率。

本发明授权一种城市固废焚烧过程主蒸汽流量实时预测方法在权利要求书中公布了：1.一种城市固废焚烧过程主蒸汽流量实时预测方法，其特征在于包括以下步骤：一、对城市固废焚烧过程的历史数据进行预处理，使用基于滑动窗口与相关向量机RVM结合的方法识别并删除其中的异常值，并使用时间连续的数据作为案例库；二、使用基于欧氏距离与协方差作为相似度指标的即时学习方法JITL检索数据样本，得到与待预测时刻相似度最高的n*K个案例；三、使用基于机理分析改进的支持向量机ISVM对检索出的n*K个案例建立模型，并得出目标时刻的主蒸汽流量值，最后将结果与目标时刻工况参数作为一个案例存储到案例库中；四、重复步骤二～步骤三，直至焚烧过程结束，以实现城市固废焚烧过程主蒸汽流量实时预测；具体包括如下步骤： 一、对城市固废焚烧过程的历史数据进行预处理，使用基于滑动窗口与RVM结合的方法识别并删除其中的异常值，并使用时间连续的数据作为案例库；这个过程分为四个步骤：第一步：将已有历史数据归一化并形成初始案例库；第二步：初始化异常值检测参数；第三步：对窗口内的样本进行异常值检测；第四步：移动窗口直至完成所有历史数据的异常值检测； 第一步：将特征变量：记录时间x1、一次燃烧室温度均值x2、省煤器进口烟气平均温度x3、省煤器出口烟气温度x4、省煤器出口水温度x5、蒸发器进口烟气平均温度x6、三级过热器进口烟气平均温度x7、省煤器给水总量x8、一、二级过热器减温水总量x9、三级过热器出口蒸汽温度x10、锅炉汽包压力x11、三级过热器出口蒸汽压力x12的历史数据与相应的主蒸汽流量数值y1归一化后表示为向量形式，形成N个源案例，每个案例记为CASEi，表示为如下形式： CASEi＝Xi；Yi,i＝1,2,L,N1 其中，N是源案例总数；CASEi是第i条源案例；Xi是第i条源案例特征变量归一化后的数值；Yi是第i条源案例与特征变量相对应的归一化后的省煤器给水流量；Xi表示为： Xi＝x1,i,L,xλ,i,L,x12,i2 其中，xλ,i，表示CASEi中第λ个特征变量归一化处理后的数值；其中λ＝1,…,12； 第二步：根据计算机运算能力设定较大的滑动窗口长度L；根据异常程度允许上界设定核函数宽度上界sigma1；以对添加异常样本的测试集的异常检测率较高为目的，通过试凑法或二分法重复30次以上，在0.1到sigma1之间选取核函数宽度下界sigma2、在100000到200000之间选取异常属性概率底数a、在0.5到1之间选取异常属性概率阈值TH、在0.01到0.2之间选取核函数宽度减小步长Δsigma；在取值同时变化的sigma2、a、TH、Δsigma的不同组合中选取测试集的异常检测率最高参数组合； 第三步：窗口内L个样本的异常值检测分为4个部分，详细内容如下： a.为检测窗口内所有样本，将所有样本的初始异常属性概率P设定为1，RVM模型的初始核函数宽度sigma设定为sigma1； b.将窗口内L个样本根据异常属性概率选作训练样本，使用核函数宽度sigma建立RVM模型； c.对窗口内L个样本逐一使用所建立的RVM模型进行预测，并求出样本值与预测值的相对偏差di 其中i＝1,...,L表示窗口内样本序号，yi为样本实际值，为模型预测值，并对异常属性概率进行更新，更新公式如下： 其中是样本i的新异常属性概率值； d.重复b、c部分，每次使用的核函数宽度sigma*＝sigma-Δsigma，sigma*为新核函数宽度，直至sigma*＝sigma2，将异常属性概率低于异常属性概率阈值TH的样本CASEi记为异常样本，并将这些样本进行删除； 第四步：将窗口移动到下一位置直至检测所有样本，增大窗口移动的长度可以提升异常值检测效率； 二、使用基于欧氏距离与协方差作为相似度指标的即时学习方法JITL检索数据样本，得到与待预测时刻相似度最高的n*K个案例；案例检索步骤分为2个部分，详细内容如下： a.计算待预测数据归一化后的特征变量与案例库中所有样本的欧氏距离，选取前2*K个距离最小的样本，这些样本为特定时刻焚烧炉工况与待预测时刻工况相似的案例； b.得出待预测时刻t0按时间顺序排列前n个案例中一次燃烧室温度均值向量TEMPt0，表示为 TEMPt0＝Tt0-Δt,L,Tt0-j*Δt,L,Tt0-n*ΔtT,j＝1,2,...n5 其中Tt0-j*Δt为t0时刻前第j个案例的一次燃烧室温度均值，Δt为数据记录时间间隔；再得出a部分中2*K个样本按时间顺序前n个案例中一次燃烧室温度均值向量组 [TEMPt1,...,TEMPt2*K]6求出TEMPt0与向量组中各个向量的协方差，并将协方差最大的前K个向量中所对应的n*K个案例作为案例检索结果，这些样本为特定时刻焚烧炉工况变化过程与待预测时刻工况变化过程相似的案例； 三、使用基于机理分析改进的ISVM对检索出的n*K个案例建立模型，并得出目标时刻的主蒸汽流量值，最后将结果与目标时刻工况参数作为一个案例存储到案例库中；此步骤包含3个阶段，详细内容如下： a.根据机理分析对SVM进行改进；由于焚烧炉实际运行过程中汽包内水位基本不变、过热器出口蒸汽温度和压力基本不变，这样影响蒸汽流量的主要过程就是汽包内水的加热过程，即单位时间内达到沸腾温度进而消耗的水量等于补充进汽包的冷水量；根据焚烧炉的说明书资料查询得出余热锅炉的体积参数，求出锅炉内水的传热面积A，再求出锅炉内的传热速率Φ 其中Tw为一次燃烧室温度均值，Tf为省煤器出口水温度，h为水的对流传热系数；同时求出内能变化ΔE ΔE＝mCTb-Tf8 其中ΔE为内能变化，在水的加热过程中为吸收的热量，Tb为余热锅炉内水的沸点，m为单位时间汽包内补充水的质量，C为水的比热容；最后求出当一次燃烧室温度均值稳定在Tw时，单位时间内汽包内补充的冷水加热至沸腾需要的时间Δt，由于实际过程中水温上升过程是减速上升，因此认为实际加热时间为匀速加热时间的1.2-1.5倍； Δt的意义为：在某一时刻t0之前的内焚烧炉的工况对t0时刻的蒸汽流量影响较为“重要”，而t0-Δt以前的焚烧炉工况的重要性不高，因此将现有的SVM模型中，全局惩罚系数c改为 其中t0为待预测或与待预测工况欧氏距离相近的K个样本的时刻，ti为第i个样本的时刻，Δt0为待预测时刻将冷水加热至沸腾需要的时间，c为原惩罚系数； b.设定ISVM参数；以测试集均方误差较小为目的，通过试凑法或二分法重复30次以上，在1到100之间选取原惩罚系数c、在0.001到0.1之间选取RBF核函数参数g、在0.001到0.1之间损失函数参数p；在取值同时变化的c、g、p的不同组合中选取测试集均方误差最小的参数组合； c.使用步骤二中检索出的案例建立ISVM模型，将待预测时刻归一化后的特征变量输入模型，求出待预测时刻的主蒸汽流量，同时将此时刻的特征变量与预测结果表示为向量形式存储到案例库中； 四、重复步骤二～步骤三，直至焚烧过程结束，以实现城市固废焚烧过程主蒸汽流量实时预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。