【技术实现步骤摘要】
一种废气主要污染物浓度的预测方法
本专利技术涉及浓度检测
,尤其涉及一种废气主要污染物浓度的预测方法。
技术介绍
随着节能减排政策的实施,对固定污染源烟气主要污染物排放的控制越来越高,为了确保实现节能减排目标、更好地满足日益严格的污染物排放控制指标,实现对主要污染排放的控制,排污企业需要更及时、更精准预测烟尘、SO2、NOx等主要污染物,并提前采取措施避免超标排放。目前,在污染物浓度的预测方法中,主要包括:基于污染物生成机理的模型、统计回归、人工神经网络和支持向量机等预测方法。其中,基于污染物生成机理的预测模型,受给煤量/燃料量、燃料种类、燃烧器类型、炉膛温度、氧含量、传送带转速、一次送风、二次送风、锅炉负荷和运行方式等多种输入参数影响,是一种极复杂的燃烧过程系统。在烟气在线监测实践中,获得这些输入参数数据的成本较大,建立预测模型的难度也较大。而统计回归模型,对样本数据要求较高;支持向量机则更适用于小样本建模;人工神经网络具有能够充分拟合非线性关系、适应和学习严重不确定性、训练速度快等优点,对于复杂的燃烧系统,神经网络预测模型更具有优势,但也因模型参数多,选取困难,易出现过拟合现象。在人工神经网络预测模型中,按照是否考虑变量时间滞后性的影响可分为静态神经网络、动态神经网络和循环神经网络。其中,静态神经网络不考虑变量时间延迟,即t时刻自变量输入对应t时刻因变量的输出;动态神经网络考虑自变量时间延迟,即x(t-1)…x(t-n)对y(t)产生的影响;循环神经网络考虑因变量时间延迟,即y(t-1)…y ...
【技术保护点】
1.一种废气主要污染物浓度的预测方法,其特征在于:具体步骤如下:/n对烟气在线监测数据进行预处理;/n特征指标构造,包括:/n构造时间分布特征指标;/n构造燃烧参数及污染因子特征指标;/n构造燃烧过程特征指标;/n构造周期性特征指标;/n采用相关系数法进行特征指标筛选;/n进行模型结构数据处理;/n进行模型训练和自动调参;/n进行模型预测和结果评测。/n
【技术特征摘要】
1.一种废气主要污染物浓度的预测方法,其特征在于:具体步骤如下:
对烟气在线监测数据进行预处理;
特征指标构造,包括:
构造时间分布特征指标;
构造燃烧参数及污染因子特征指标;
构造燃烧过程特征指标;
构造周期性特征指标;
采用相关系数法进行特征指标筛选;
进行模型结构数据处理;
进行模型训练和自动调参;
进行模型预测和结果评测。
2.根据权利要求1所述一种废气主要污染物浓度的预测方法,其特征在于:
对烟气在线监测数据进行预处理包括:
步骤A:接入站点监测数据;
步骤B:对站点监测数据中异常数据进行初级识别;
步骤C:对站点监测数据中异常数据进行二级识别,剔除非正常监测时段的异常数据;
步骤D:通过污染因子之间、污染因子与烟气参数之间的逻辑关系,对不符合逻辑关系的异常数据进行三级筛查;
步骤E:判别监测站点的燃烧阶段、燃烧持续类型和燃烧波动类型;
步骤F:判别全局疑似异常数据;
步骤G:通过预测模型判别局部疑似异常数据;
步骤H:对不符合逻辑关系的异常数据、全局疑似异常数据和局部疑似异常数据进行记录并处理。
3.根据权利要求1所述一种废气主要污染物浓度的预测方法,其特征在于:
特征指标构造的具体步骤如下:
步骤S1:构造时间分布特征指标;
根据排污生产特征,提取时间类的特征指标,分别标记为hour_x、week_x、day_x、month_x、season_x;
其中:
hour_x表示1-24小时的时间特征;
week_x表示1-7天代表的周一至周日的星期特征;
day_x表示1-30天代表的一个月的天特征;
month_x表示1-12月代表的12个月的月特征;
season_x表示1-4季度代表的4个季度的季度特征;
步骤S2:构造燃烧参数及污染因子特征指标;
包括提取烟尘、SO2、NOx、烟温、压力、流速、湿度、含氧量之间存在的线性关系,及利用二次函数、三次函数、自然对数、平方根等函数提取非线性关系;
步骤S3:构造燃烧过程特征指标;
包括对燃烧阶段以及同燃烧时段均值进行特征提取;
步骤S4:构造周期性特征指标;
通过正弦和余弦函数构造sin(hour_x)、sin(week_x)、sin(day_x)、sin(month_x)、sin(seas...
【专利技术属性】
技术研发人员:蒋鸿伟,叶效强,余阳,暴军,胡晓辉,谭成灶,
申请(专利权)人:广东长天思源环保科技股份有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。