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数据驱动的城市固废焚烧过程烟气含氧量模型预测控制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：CN115730726B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202211485202.0，技术领域涉及：G06Q10/04；该发明授权一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法是由乔俊飞;孙剑;蒙西设计研发完成，并于2022-11-24向国家知识产权局提交的专利申请。

本一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法在说明书摘要公布了：本发明提出一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法。针对固废焚烧过程固有的非线性和不确定性，无法建立精确数学模型的特点，首先构建基于自组织长短期记忆神经网络的预测模型，该模型能够动态地、自适应地调整隐含层神经元个数，得到精简的模型结构和较高的烟气含氧量预测精度；其次，建立基于长短期记忆神经网络的误差反馈校正模型，对烟气含氧量预测结果进行校正，进一步提高了模型的预测精度；最后，设计基于双长短期记忆神经网络的模型预测控制器，采用梯度下降方法滚动优化模型预测控制的目标函数，高效求解多步控制律。本方法可以较好的跟踪烟气含氧量设定值，实现了城市固废焚烧过程烟气含氧量的精准控制。

本发明授权一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法在权利要求书中公布了：1.一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法，以炉排干燥段一次风流量、炉排燃烧1段一次风流量和二次风流量为控制量，烟气含氧量为被控量，其特征在于包括如下步骤： 1设计用于城市固废焚烧过程中烟气含氧量模型预测控制的目标函数： 其中，rt＝[rt+1，rt+2，...，rt+H]是t时刻烟气含氧量设定值向量，是t时刻烟气含氧量预测值向量，Δut＝[Δut，Δut+1，...，Δut+H-1]是t时刻烟气含氧量控制量调整向量；H为预测时域，H∈[1,10]；H为控制时域，H∈[1,5]；其中H≤H；T为公式的转置，ρ和ρ是控制权重因子，ρ∈[0,1]，ρ∈[0,1] 2设计自组织长短期记忆神经网络，建立烟气含氧量预测控制器的预测模型； 自组织长短期记忆神经网络的输入为xt＝[yt-1，yt-2，ut-1，ut-2，ut-1，ut-2，ut-1，ut-2]，yt-1为t-1时刻固废焚烧过程中烟气含氧量的实际值，yt-2为t-2时刻固废焚烧过程中烟气含氧量的实际值，ut-1为t-1时刻固废焚烧过程中炉排干燥段一次风流量，ut-2为t-2时刻固废焚烧过程中炉排干燥段一次风流量，ut-1为t-1时刻固废焚烧过程中炉排燃烧1段一次风流量，ut-2为t-2时刻固废焚烧过程中炉排燃烧1段一次风流量，ut-1为t-1时刻固废焚烧过程中二次风流量，ut-2为t-2时刻固废焚烧过程中二次风流量；自组织长短期记忆神经网络的输出为烟气含氧量预测值； LSTM神经网络通过门控结构实现单元状态和隐含状态的信息更新，具体运算公式如下 ft＝σwfxxt+wfhht-1+bf2 it＝σwixxt+wihht-1+bi3 ot＝σwoxxt+wohht-1+bo4 ht＝ot⊙τct7 其中wfx，wix，wox和是输入权值；wfh，wih，woh和是循环结构的权值；bf，bi，bo和是相应的偏置；σ和τ代表非线性sigmoid函数和tanh函数；向量点乘运算表示为⊙； 经前向传播后，LSTM网络的预测输出计算为 ypt＝woutht8 其中wout为输出权值；神经网络训练过程的损失函数定义为 其中ydt和ypt表示期望输出和预测输出；这里，权重和偏差通过时间反向传播算法进行更新 其中*表示f，i，o和中的某一特定项，η1是学习率；为保证神经网络的收敛性，学习率η1的取值范围为 其中， 自组织长短期记忆神经网络SOLSTM的结构增长剪枝过程详细描述如下； 一方面，将输入变量按照一定比例进行增减变化后再次输入到模型，观察神经元输出的变化，并使用神经元活跃度评价指标NIV评估神经元对输入变化的响应；具体计算过程如下： ①初始化网络模型结构，将输入变量Ij按照α比例依次增加和减少，α∈0,1，得到两个新的输入变量Ij1和Ij2； Ij1＝1+αIj15 Ij2＝1-αIj16 ②将新得到的输入变量Ij1和Ij2分别通过网络模型，得到两组新的神经元输出Aj1和Aj2，二者差的绝对值即为神经元对输入变量按α比例增减后产生的响应变化，记为NIVj； NIVj＝|Aj1-Aj2|17 ③设定前m个神经元的累积NIV活跃度为γ，定义为 其中，M是初始隐含层神经元个数；通过设置累积NIV活跃度阈值ξ，保留最活跃的前Φ比例神经元且累积NIV活跃率γ高于ξ的神经元；Φ∈0,1 ④抑制剩余对输入变量变化不敏感的神经元，即将它们的神经元连接权值掩码MASK置0； 提出基于输出权重的显著性指标SI来评价每个隐含层神经元的贡献； 若SI值越大，则说明对应的隐含层神经元对输出的贡献越显著；因此，根据每个LSTM神经元的贡献显著性，找出并激活最显著的前β比例β∈0,1神经元；即将它们的连接权值掩码MASK置1； 3设计长短期记忆神经网络建立预测校正模型，对预测误差进行补偿； 使用长短期记忆神经网络在线预测系统误差；以系统的历史输出量yit、控制量uit以及历史偏差[eit，eit-1，...，eit-tl]作为神经网络的训练样本输入，系统当前时刻的误差作为训练样本输出，使神经网络的输出不断逼近系统的实际误差，从而建立系统误差的预测模型； 其中，tl是滞后步长；由于长短期记忆神经网络具有较强的时间序列数据预测能力，经过训练后的网络就可以作为预测误差校正模型，利用系统历史的输入输出及历史误差信息预测当前时刻误差，进而补偿烟气含氧量预测模型预测误差的影响； 4采用梯度下降方法滚动优化模型预测控制的目标函数，求解多步控制律： 其中，η2是学习率；同理，为保证数据驱动模型预测控制器的收敛性，学习率也应需要按照式14限定取值范围；取Δut的第一个值作为控制器的调整向量，即对t时刻的固废焚烧过程炉排干燥段一次风流量、炉排燃烧1段一次风流量和二次风流量进行调整： ut+1＝ut+Δut23 其中，ut+1为t+1时刻炉排干燥段一次风流量、炉排燃烧1段一次风流量和二次风流量； 5利用求解出的ut对烟气含氧量进行控制，通过调节风机入口挡板阀门开度达到控制炉排干燥段一次风流量、炉排燃烧1段一次风流量和二次风流量的目的，最终实现对城市固废焚烧过程烟气含氧量的控制。

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。