System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术一般地涉及碳排放监测领域。更具体地,本专利技术涉及一种回转窑碳排放量监测方法及系统。
技术介绍
1、回转窑是一种用于水泥生产的大型加热设备。水泥原料需要在回转窑内进行烧成操作,在烧成过程中会排放大量的二氧化碳气体及少量的其他气体。对回转窑的二氧化碳排放量进行监测,能够判断二氧化碳的排放量是否达标。由于传感器会受到电磁、环境等因素的干扰,导致传感器监测到二氧化碳浓度值存在异常。
2、现有技术对监测数据判断异常的方法是:通过比较多个监测点的传感器所采集到的二氧化碳浓度值,判断出哪个监测点的传感器采集到的二氧化碳浓度值存在异常。但是,不同监测点的传感器在采集二氧化碳浓度值的过程中,容易受风向、监测点相对于回转窑的方位等因素影响,导致传感器采集到的二氧化碳浓度值与真实的二氧化碳浓度值产生较大差异,从而无法直接使用常规方法来判断二氧化碳浓度值的异常情况。
技术实现思路
1、为解决上述一个或多个技术问题,本专利技术提出一种回转窑碳排放量监测方法及系统。
2、第一方面,本专利技术公开一种回转窑碳排放量监测方法,包括以下步骤:采集目标时刻目标监测点的二氧化碳浓度值和风向夹角;在目标时刻,根据采集的目标监测点的二氧化碳浓度差异值的真实值和计算得到的预测值,将真实值与预测值之间的第一差值绝对值作为第一误差值;计算目标时刻目标监测点的影响度,遍历所有监测点,构建第一影响度序列;根据目标时刻所有监测点的二氧化碳浓度值,构建第一浓度序列;计算第一影响度序列和第一浓度序列的序
3、在一个实施例中,计算所述第一误差值包括步骤:获取目标时刻的相邻历史时间段,计算相邻历史时间段中目标历史时刻的二氧化碳浓度值和目标历史时刻的前一时刻的二氧化碳浓度值之间的差值作为二氧化碳浓度差异值的真实值,计算相邻历史时间段中目标历史时刻的风向夹角和目标历史时刻的前一时刻的风向夹角之间的差值作为风向差异值,风向夹角为目标监测点监测到的风向和回转窑所在水平线之间的最小夹角;基于最小二乘法对相邻历史时间段中的二氧化碳浓度差异值和风向差异值进行线性拟合获得拟合直线,其中,风向差异性为自变量,二氧化碳浓度差异值为因变量;将目标时刻的风向差异性输入拟合直线中获得目标时刻的二氧化碳浓度差异值的预测值;将真实值与预测值之间的第一差值绝对值作为第一误差值。
4、在一个实施例中,所述计算目标时刻目标监测点的影响度满足步骤:获取目标监测点的位置信息,位置信息包括目标监测点与回转窑之间的直线距离和目标监测点相对于回转窑的方位角;基于目标监测点的位置信息和目标监测点的风向夹角计算目标监测点的影响度,目标监测点的影响度满足关系式:
5、
6、其中,表示第时刻第监测点的影响度,第时刻即为目标时刻,第监测点即为目标监测点,表示第监测点与回转窑之间的直线距离,表示第时刻第监测点相对于回转窑的方位角,表示第时刻第监测点的风向夹角。
7、在一个实施例中,所述第一相关性满足关系式:
8、
9、其中,表示第时刻的第一相关性,表示第时刻第一浓度序列,表示第时刻第一影响度序列,表示第时刻第一浓度序列和第一影响度序列的协方差,表示第时刻第一浓度序列的平方差,表示第时刻第一影响度序列的平方差。
10、在一个实施例中,所述计算目标时刻目标监测点的二氧化碳异常程度包括步骤:分别对第一误差值和第二误差值进行归一化,基于归一化后的第一误差值和第二误差值计算目标时刻目标监测点的二氧化碳异常程度,二氧化碳异常程度满足关系式:
11、
12、其中,表示第时刻第监测点的二氧化碳异常程度,表示第时刻第监测点的第一误差值,表示第时刻第监测点的第二误差值。
13、在一个实施例中,所述获得二氧化碳浓度修正值包括步骤:获取与异常监测点所处时刻相邻的预设数量历史时刻中每个历史时刻的二氧化碳浓度值,将每个历史时刻的二氧化碳浓度值求均值作为临近浓度均值;分别计算临近浓度均值和每个历史时刻的二氧化碳浓度值的第三差值绝对值,将第三差值绝对值占临近浓度均值的百分比作为对应历史时刻的权重,基于每个历史时刻的二氧化碳浓度值和对应权重计算二氧化碳浓度修正值,二氧化碳浓度修正值满足关系式:
14、
15、其中,表示第时刻的二氧化碳浓度修正值,表示异常监测点所处时刻的序号,表示第时刻的二氧化碳浓度值,表示第个历史时刻对应的权重,表示异常监测点所处时刻的前时刻,表示历史时刻的总个数。
16、在一个实施例中,所述预设神经网络模型包括输入层、隐藏层和输出层;输入层用于接收目标时刻的时刻浓度序列的输入,隐藏层对输入信息进行特征提取后,将提取到的特征输入到输出层以输出目标时刻的燃烧状态结果标签;预设神经网络模型的损失函数使用交叉熵损失,使用梯度下降算法训练模型,迭代地更新预设神经网络模型的网络参数;当神经网络模型达到设定的最大训练次数或网络损失值小于设定损失值时,停止更新,得到训练好的预设神经网络模型。
17、在一个实施例中,所述目标时刻的时刻浓度序列包括:响应于目标时刻中不存在异常监测点,时刻浓度序列中的元素为目标时刻每个正常监测点对应的二氧化碳浓度值;响应于目标时刻中存在异常监测点,时刻浓度序列中的元素为目标时刻每个正常监测点对应的二氧化碳浓度值和每个异常监测点对应的二氧化碳浓度修正值。
18、第二方面,本专利技术公开一种回转窑碳排放量监测系统,包括:处理器;以及存储器,所述存储器存储有用于一种回转窑碳排放量监测方法的计算机指令,当所述计算机指令由处理器运行时,使得设备执行上述的一种回转窑碳排放量监测方法。
19、本专利技术具有以下技术效果:
20、本专利技术分析了风向和监测点相对于回转窑的方位对传感器采集二氧化碳浓度数据的影响,并根据分析结果计算出第一误差值和第二误差值。根据第一误差值和第二误差值能够提高二氧化碳浓度异常数据判断的准确度,再对异常监测点对应的二氧化碳浓度值进行修正,提高整体数据的准确性,进而提高回转窑碳排放监测的实时性和准确性。
本文档来自技高网...【技术保护点】
1.一种回转窑碳排放量监测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种回转窑碳排放量监测方法,其特征在于,计算所述第一误差值包括步骤:
3.根据权利要求1所述的一种回转窑碳排放量监测方法,其特征在于,所述计算目标时刻目标监测点的影响度满足步骤:
4.根据权利要求1所述的一种回转窑碳排放量监测方法,其特征在于,所述第一相关性满足关系式:
5.根据权利要求1所述的一种回转窑碳排放量监测方法,其特征在于,所述计算目标时刻目标监测点的二氧化碳异常程度包括步骤:
6.根据权利要求1所述的一种回转窑碳排放量监测方法,其特征在于,所述获得二氧化碳浓度修正值包括步骤:
7.根据权利要求1所述的一种回转窑碳排放量监测方法,其特征在于,所述预设神经网络模型包括输入层、隐藏层和输出层;
8.根据权利要求1所述的一种回转窑碳排放量监测方法,其特征在于,所述目标时刻的时刻浓度序列包括:
9.一种回转窑碳排放量监测系统,其特征在于,包括:
【技术特征摘要】
1.一种回转窑碳排放量监测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种回转窑碳排放量监测方法,其特征在于,计算所述第一误差值包括步骤:
3.根据权利要求1所述的一种回转窑碳排放量监测方法,其特征在于,所述计算目标时刻目标监测点的影响度满足步骤:
4.根据权利要求1所述的一种回转窑碳排放量监测方法,其特征在于,所述第一相关性满足关系式:
5.根据权利要求1所述的一种回转窑碳排放量监测方法,其特征在于,...
【专利技术属性】
技术研发人员:孙国良,刘胜林,梁学文,郭晓斌,戴爱生,孙步荣,李建,
申请(专利权)人:泰安中联水泥有限公司,
类型:发明
国别省市:
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。