一种废气主要污染物浓度的预测方法技术

一种废气主要污染物浓度的预测方法，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。本发明专利技术针对烟气的在线监测数据，结合烟气的燃烧特征，实现准确的预测废气主要污染物浓度的效果。

【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(t-m)对y(t)产生的影响。由于燃烧过程是一个复杂的系统，受一系列燃烧参数的影响，并且燃烧过程具有滞后性，不同燃料滞后程度不同。而烟气主要污染物浓度的预测的工程化布署方面，也尚缺乏深入的研究。因此，针对烟气的在线监测数据，迫切需要一种结合烟气的燃烧特征，更准确的预测方法及工程化布署实施方案。
技术实现思路
本专利技术的目的在于针对
技术介绍
中的缺陷，提出一种废气主要污染物浓度的预测方法，解决
技术介绍
中问题。为达此目的，本专利技术采用以下技术方案：一种废气主要污染物浓度的预测方法，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。优选的，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。优选的，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(season_x)等周期性特征指标，sin()表示正弦函数。优选的，采用相关系数法进行特征指标筛选包括：通过Pearson相关系数法进行LSTM模型的特征筛选；根据相关系数强弱划分标准：Pearson相关系数取绝对值后，0-0.09为没有相关性，0.1-0.3为弱相关，0.3-0.5为中等相关，0.5-1.0为强相关；只筛选特征指标与待预测变量|相关系数|＞0.5的特征指标参与模型训练。优选的，进行模型结构数据处理包括：将参与模型训练的特征指标进行标准化归一到[0，1]；标准化公式如下：Xstan＝(X-Xmin)/Xmax-Xmin；其中：X表示进入模型参与训练的数据；Xstan表示进入模型参与训练的数据的标准化；Xmin表示进入模型参与训练的数据的最小值；Xmax表示进入模型参与训练的数据的最大值；将训练集和测试集按照比例随机拆分；将训练集和测试集数据转换为LSTM模型的三维框架数据。优选的，进行模型训练及自动调参，包括：通过tensorflow的keras构造LSTM模型训练框架；通过贝叶斯优化自动调整LSTM模型参数。优选的，进行模型预测及结果评测包括：对LSTM模型进行预测；将预测结果进行逆转换，公式如下：Yforecast＝Yforecast-stan*(Ymax-Ymin)+Ymin；其中：Yforecast表示待预测的污染物浓度数据；Yforecast-stan表示标准化待预测的污染物浓度数据；Ymax表示待预测的污染物浓度数据的最大值；Ymin表示待预测的污染物浓度数据的最小值；进行模型评测，包括：使用如下公式进行评测；其中，yi表示污染物浓度i时刻真实值；表示污染物浓度i时刻预测值；n表示预测的总条数；MAE和RMSE表示两种度量方式。有益效果：本专利技术结合烟气的燃烧特征，通过提取污染物浓度的时间特征、周期性特征，以及提取其它污染因子、温度、压力、流速、湿度、含氧量、燃烧阶段等在线监测数据的线性特征、非线性特征等，并利用相关系数法进行特征筛选，然后将数据标准化、三维数据转换，采用动态神经网络和循环神经网络相结合的多步、多变量方式构造模型，并采用贝叶斯优化的方式进行自动调整最优参数，最后将预测结果经过逆标准化转换后输出。附图说明图1是本发本文档来自技高网...

【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