基于数据的垃圾焚烧发电污染物排放风险诊断预警方法技术

一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，包括如下步骤：S1：确定烟气污染物排放不稳定的垃圾焚烧发电厂作为目标电厂；S2：获取目标电厂变量数据样本，识别强相关的变量；S3：利用PC结构学习算法进行变量数据的深度挖掘；S4：利用MLE算法处理步骤S2产生的数据样本，进一步对烟气污染物不稳定排放的贝叶斯网络模型进行样本训练；S5：验证准确率是否大于90％；S6：基于目标电厂“烟气污染物不稳定排放”贝叶斯网络模型的风险量化评估；S7：确定关键风险因子，采取关键防控措施；本发明专利技术可实现垃圾焚烧发电厂烟气污染物排放浓度波动情况预测以及关键风险因子溯源，为中国垃圾焚烧发电厂烟气污染物稳定排放提供新方法和新途径。新方法和新途径。新方法和新途径。

【技术实现步骤摘要】
基于数据的垃圾焚烧发电污染物排放风险诊断预警方法


[0001]本专利技术属于空气污染防治领域，特别涉及一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法。

技术介绍

[0002]近年来，垃圾焚烧发电迅速发展成为中国生活垃圾无害化处理的主流方式，但由于垃圾焚烧发电系统构成、技术参数极其复杂，若运行管理不当则会引发烟气污染物排放浓度不稳定甚至超标排放等恶性污染事件，严重危害生态环境以及居民身体健康。如何实现烟气污染物达标稳定排放已成为垃圾焚烧发电领域所面临的巨大挑战。垃圾焚烧发电厂烟气污染物排放浓度受到垃圾含水率、焚烧炉工况、烟气处理技术以及设备参数等各种复杂因素影响，如何利用垃圾焚烧过程所衍生的各类数据信息促进烟气污染物达标稳定排放有待进一步探索。

技术实现思路

[0003]有鉴于现有技术的上述缺陷，本专利技术的目的在于提供一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法。
[0004]一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法包括如下步骤：
[0005]S1：确定烟气污染物排放不稳定的垃圾焚烧发电厂作为目标电厂；
[0006]S2：获取目标电厂变量数据样本，识别强相关的变量；
[0007]S3：利用PC结构学习算法进行变量数据的深度挖掘，初步构建烟气污染物不稳定排放的贝叶斯网络模型；
[0008]S4：利用MLE算法处理步骤S2产生的数据样本，进一步对烟气污染物不稳定排放的贝叶斯网络模型进行样本训练；
[0009]S5：验证准确率是否大于90％；
[0010]S6：基于目标电厂“烟气污染物不稳定排放”贝叶斯网络模型的风险量化评估；
[0011]S7：确定关键风险因子，采取关键防控措施。
[0012]步骤S1的所述目标电厂需满足以下条件：(1)垃圾焚烧发电厂已正常运行6个月以上，可获得较为完整的烟气污染物日均排放浓度数据集合；(2)垃圾焚烧发电厂的烟气污染物日均排放浓度的标准差，均大于同等垃圾焚烧规模以及使用相同焚烧及烟气处理技术的其他电厂，或垃圾焚烧发电厂曾出现烟气污染物超标排放污染案例。
[0013]所述步骤S2通过目标电厂的运行维护数据记录，结合获取有关垃圾进料系统、垃圾焚烧系统、预热回收系统、烟气污染物处理系统、自动控制系统等主要子系统的监测数据样本，包括：垃圾进料量、垃圾含水率、各燃烧区间内烟气温度、烟气排放流量、尾气处理设备物料喷射量及喷射频率等观察变量数据以及控制变量烟气污染物不稳定排放浓度数据样本；耦合Pearson相关性系数判定观察变量和控制变量烟气污染物不稳定排放浓度之间的相关性强度，若相关性较弱，则不纳入烟气污染物不稳定排放贝叶斯网络模型建模中。
[0014]步骤S2使用公式计算其他观察变量与控制变量“烟气污染物不稳定排放浓度”之间的相关性系数；式中，r表示变量之间的Pearson相关系数，x
i
、和N分别表示观察变量的样本数据、样本平均值和样本大小，y
i
和分别表示控制变量烟气污染物不稳定排放浓度的样本数据和样本均值，Max和Min分别表示原始变量数据的最大值和最小值，S
x
和S
y
分别表示观察变量和控制变量烟气污染物不稳定排放浓度的标准差。
[0015]步骤S3通过目标电厂的运维情况，初步识别其他观察变量对控制变量烟气污染物不稳定排放浓度的影响关系、以及观察变量之间的影响关系；利用步骤2预处理所产生的数据样本结合PC结构学习算法进行变量数据的深度挖掘，测试变量之间的条件独立性，初步构建烟气污染物不稳定排放贝叶斯网络模型。
[0016]步骤S4利用步骤S2预处理所产生的数据样本，采用区间等宽法、等频数法对连续的样本数据进行离散化处理，将模型中各变量均离散化为高(H)、中(M)、低(L)三个状态区间；进一步结合MLE算法对烟气污染物不稳定排放贝叶斯网络模型进行样本训练，计算模型中节点不同状态下的概率分布并作为节点的参数，直至该参数可使得似然函数最大化，最终获得包括控制变量烟气污染物不稳定排放浓度在内的其他变量参数，即条件概率表。
[0017]步骤S5结合K折交叉验证，将目标电厂的监测数据样本随机分成K份，用其中的K
‑
1份训练烟气污染物不稳定排放贝叶斯网络模型的参数，以控制变量烟气污染物不稳定排放浓度作为验证对象，剩余1份用于验证模型对于预测烟气污染物不稳定排放浓度的准确性，循环重复K次直至目标电厂的监测数据样本已经全面覆盖；所述烟气污染物不稳定排放的贝叶斯网络模型验证的准确性判定公式为：其中OA表示模型预测烟气污染物不稳定排放浓度的准确率，TP表示准确预测烟气污染物不稳定排放浓度的案例数量，AP表示目标电厂的监测数据样本案例总数，若预测烟气污染物不稳定排放浓度的准确率大于或等于90％，则代表该模型可靠性强；若准确率低于90％，则重启上述步骤S3及步骤S4，直至模型准确率满足该电厂需求。
[0018]步骤S6所建立的目标电厂烟气污染物不稳定排放贝叶斯网络模型进行风险量化评估，使用贝叶斯网络理论的正向推理功能计算概率分布，如公式：式中，P(A)为BN中任意节点A的概率分布，P(B
i
)为节点A的父节点B
i
的处于某状态下的概率分布，P(A|B
i
)表示在节点Bi处于某状态的前提下节点A的概率分布，n为节点A的父节点数量；根据上述正向推理功能可计算预测控制变量“烟气污染物排放浓度(T)”离散化后在不同状态区间的概率分布，进而确定目标电厂是否出现烟气污染物不稳定排放的环境风险；其次，通过敏感度分析功能进行关键风险因子识别，结合贝叶斯定理以及风险重要度评估，计算观察变量X
i
对控制变量烟气污染物排放浓度(T)处于某状态T
q
的概率重要度，若的概率重要度，若表示观察变量X
i
比X
j
对目标电厂烟气污染物不稳定排放的贡献更大，需要采取更严格的防控措施。
[0019]观察变量X
i
对控制变量烟气污染物不稳定排放浓度(T)处于某状态T
q
的概率重要度计算方式如下：
[0020][0021][0022][0023]式中：表示观察变量X
i
处于某状态的情况下控制变量烟气污染物排放浓度(T)处于某状态T
q
的后验概率，表示控制变量烟气污染物排放浓度(T)处于某状态T
q
和观察变量X
i
处于某状态的联合概率分布，表示观察变量X
i
处于某状态的概率，表示观察变量X
i
处于某状态的情况下对控制变量烟气污染物排放浓度(T)处于某状态T
q
的概率重要度，P(T＝T
q
)表示控制变量烟气污染物排放浓度(T)处于某状态T
q
的概率，k
i
表示观察变量的状态数量。
[0024]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，包括如下步骤：S1：确定烟气污染物排放不稳定的垃圾焚烧发电厂作为目标电厂；S2：获取目标电厂变量数据样本，识别强相关的变量；S3：利用PC结构学习算法进行变量数据的深度挖掘，初步构建烟气污染物不稳定排放的贝叶斯网络模型；S4：利用MLE算法处理步骤S2产生的数据样本，进一步对烟气污染物不稳定排放的贝叶斯网络模型进行样本训练；S5：验证准确率是否大于90％；S6：基于目标电厂“烟气污染物不稳定排放”贝叶斯网络模型的风险量化评估；S7：确定关键风险因子，采取关键防控措施。2.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S1的所述目标电厂需满足以下条件：(1)垃圾焚烧发电厂已正常运行6个月以上，可获得完整的烟气污染物日均排放浓度数据集合；(2)垃圾焚烧发电厂的烟气污染物日均排放浓度的标准差，均大于同等垃圾焚烧规模以及使用相同焚烧及烟气处理技术的其他电厂，或垃圾焚烧发电厂曾出现烟气污染物超标排放污染案例。3.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S2通过目标电厂的运行维护数据记录，结合获取垃圾进料系统、垃圾焚烧系统、预热回收系统、烟气污染物处理系统、自动控制系统等子系统的监测数据样本：垃圾进料量、垃圾含水率、各燃烧区间内烟气温度、烟气排放流量、尾气处理设备物料喷射量及喷射频率，观察变量数据以及控制变量烟气污染物不稳定排放浓度数据样本；耦合Pearson相关性系数判定观察变量和控制变量烟气污染物不稳定排放浓度之间的相关性强度，若相关性较弱，则不纳入烟气污染物不稳定排放贝叶斯网络模型建模中。4.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S2使用公式计算其他观察变量与控制变量“烟气污染物不稳定排放浓度”之间的相关性系数；式中，r表示变量之间的Pearson相关系数，x
i
、和N分别表示观察变量的样本数据、样本平均值和样本大小，y
i
和分别表示控制变量烟气污染物不稳定排放浓度的样本数据和样本均值，Max和Min分别表示原始变量数据的最大值和最小值，S
x
和S
y
分别表示观察变量和控制变量烟气污染物不稳定排放浓度的标准差。5.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S3通过获得目标电厂的运维情况，初步识别其他观察变量对控制变量烟气污染物不稳定排放浓度的影响关系、以及观察变量之间的影响关系；基于所述影响关系，利用步骤2预处理所产生的数据样本结合PC结构学习算法进行变量数据的深度挖掘，测试变量之间的条件独立性，初步构建烟气污染物不稳定排放贝叶斯网络模型。
6.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S4利用所述步骤S2预处理所产生的数据样本，采用区间等宽法、等频数法对连续的样本数据进行离散化处理，将模型中各变量均离散化为高H、中M、低L三个状态区间；进一步结合MLE算法对烟气污染物不稳定排放贝叶斯网络模型进行样本训练，计算模型中节点不同状态下的概率分布并作为节点的参数，直至该参数可使得似然函数最大化，最终获得包括控制变量烟气污染物不稳定排放浓度在内的其他变量参数，即条件概率表。7.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断...

【专利技术属性】
技术研发人员：李瀚，黄卫清，刘家良，王秋芳，强孟珂，纪传伟，范洪波，苏美蓉，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：