[发明专利]一种废气主要污染物浓度的预测方法

说明书

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。

技术领域

本发明涉及浓度检测技术领域，尤其涉及一种废气主要污染物浓度的预测方法。

背景技术

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。

发明内容

本发明的目的在于针对背景技术中的缺陷，提出一种废气主要污染物浓度的预测方法，解决背景技术中问题。

为达此目的，本发明采用以下技术方案：

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；