CN105335798A - 一种基于运行班组特性分析的污染物排放量预测方法 - Google Patents
一种基于运行班组特性分析的污染物排放量预测方法 Download PDFInfo
- Publication number
- CN105335798A CN105335798A CN201510738185.0A CN201510738185A CN105335798A CN 105335798 A CN105335798 A CN 105335798A CN 201510738185 A CN201510738185 A CN 201510738185A CN 105335798 A CN105335798 A CN 105335798A
- Authority
- CN
- China
- Prior art keywords
- data
- teams
- groups
- pollutant discharge
- discharge amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 49
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 239000003245 coal Substances 0.000 claims description 6
- 241001123248 Arma Species 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000002715 modification method Methods 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 4
- 230000001925 catabolic effect Effects 0.000 claims description 3
- 230000013011 mating Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于运行班组特性分析的污染物排放量预测方法，该方法基于燃煤机组海量运行数据，通过对不同运行班组的污染物控制操作特性进行大数据提取分析，利用不同班组污染物排放浓度操作控制特性分析结果，预测机组污染物排放浓度水平，然后结合发电量预测数据，计算出污染物排放量预测数据，有效提升机组燃煤机组污染物排放量预测的准确性，有利于提高环境信息决策能力。
Description
技术领域
本发明涉及一种基于运行班组特性分析的污染物排放量预测方法，可对二氧化硫、氮氧化物、烟尘排放浓度等污染物排放量进行预测。
背景技术
目前，燃煤机组污染物排放量预测主要根据电力企业历史统计排放量数据，采用时间序列方法进行计算，该方法将所有外在影响因素混为一体，无法实现污染物排放量数据的精确预测，现实参考意义不大，亟需改进。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种基于运行班组特性分析的污染物排放量预测方法，提升机组燃煤机组污染物排放量预测的准确性，提高环境信息决策能力。
为了实现上述目标，本发明采用如下的技术方案：
一种基于运行班组特性分析的污染物排放量预测方法，包括如下3个大步骤：
S1、通过对机组海量运行数据进行大数据分析，挖掘不同班组的污染物控制操作行为特性，大数据分析过程主要包括两步：样本数据聚类、污染物排放浓度控制特性提取。
其中，样本数据聚类的维度划分标准包括：运行班组、大气环境温度。在样本聚类分析时，选择k-means算法，该算法以空间中k个点为中心进行聚类，对最靠近他们的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。具体方法为：首先对机组运行及计算数据按照排班表进行分类划分，然后按照环境温度(以1℃为间隔进行划分)进行数据细分归类，将海量数据按照班组-环境温度两个维度进行归类筛选；初步划分完成后，使用k-means算法对样本空间进行梳理，对部分样本数据较少类空间进行自动合并。
样本数据聚类后，对每个小类进行数据分布度量特征因子统计分析，即：通过对各类样本空间数据的统计分析，定量挖掘不同班组污染物排放浓度指标数据分布度量特征因子；其中，数据分布度量特征因子包括：污染物排放浓度平均值、分布方差、最大值、最小值、数据分布频率及概率密度函数。数据分布频率用于绘制直方图，每一个元素包括：区间下限、区间上限、频率及样本数；数据分布概率密度函数用点集表示，每个点包括：参数值、概率密度值。
S2、开展燃煤机组发电量预测，采用自回归移动平均模型+外在因素的修正方法；当日发电量预测的具体公式如下：Pd＝φ1Pd-1+…+φ30Pd-30+φy-1Py-1+f(T)，其中Pd-1、Pd-30、Py-1分别代表前一天、前30天发电量、去年当日发电量，φ1、φ30、φy-1代表前一天、前30天、去年历史数据的权重系数，而f(T)代表外加环境温度修正函数。在实际求解中，首先运用线性回归方法，确定φ1、φ30、φy-1等系数，然后利用最小二乘法确定Pd-(φ1Pd-1+…+φ30Pd-30+φy-1Py-1)与环境温度的关系，以确定f(T)。
其中自回归移动平均模型基本思路为：将预测对象随时间推移而形成的数据序列视为一个随机序列，用数学模型来近似描述这个序列，一旦使用历史数据获得这个模型中的参数，就可以使用该模型预测未来时刻的序列值。在自回归移动平均模型应用过程中，我们使用过去一个月的历史数据、过去一年同期历史数据来预测未来一周每天发电量数据。对于外在因素修正方法，主要考虑外在环境温度的变化的影响。
S3、预测当日污染物排放量数据。具体预测方法为：根据发电量预测数据、前一日及一年前的同一天三个班组发电量分布情况，计算出预测日内三个班组的平均负荷，再根据气象局大气环境温度预测数据，在步骤S1划分的聚类中寻找最匹配的空间类别，然后在该类别中寻找最大概率分布污染物排放浓度，通过发电量计算出机组烟气排放量，即可预测出当日各种污染物排放量数据。
本发明的有益之处在于：本发明的污染物排放量预测方法基于燃煤机组海量运行数据，通过对不同运行班组的污染物控制操作特性进行大数据提取分析，利用不同班组污染物排放浓度操作控制特性分析结果，预测机组污染物排放浓度水平，然后结合发电量预测数据，计算出污染物排放量预测数据，有效提升机组燃煤机组污染物排放量预测的准确性，有利于提高环境信息决策能力。
具体实施方式
以下结合具体实施例对本发明作具体的介绍。
以600MW等级超临界机组为实施例，其正常运行班组运转机制为五班三倒方式，下面以该机组为例阐述污染物排放量的预测方法：
(1)、样本数据聚类：首先对机组运行及计算数据按照排班表进行分类划分，然后按照环境温度(以1℃为间隔进行划分)进行数据细分归类，将海量数据按照班组-环境温度两个维度进行归类筛选。初步划分完成后，使用k-means算法对样本空间进行梳理，对部分样本数据较少类空间进行自动合并。
(2)、运行班组污染物排放浓度控制特性提取：样本数据聚类后，对每个小类进行数据分布度量特征因子统计分析。其中，数据分布度量特征因子包括：污染物排放浓度平均值、分布方差、最大值、最小值、数据分布频率及概率密度函数。
(3)、发电量预测：发电量预测采用自回归移动平均模型+外在因素修正方法，具体公式如下：Pd＝φ1Pd-1+…+φ30Pd-30+φy-1Py-1+f(T)，其中Pd-1、Pd-30、Py-1分别代表前一天、前30天发电量、去年当日发电量，φ1、φ30、φy-1代表前一天、前30天、去年历史数据的权重系数，而f(T)代表外加环境温度修正函数。在实际求解中，首先运用线性回归方法，确定φ1、φ30、φy-1等系数，然后利用最小二乘法确定Pd-(φ1Pd-1+…+φ30Pd-30+φy-1Py-1)与环境温度的关系，以确定f(T)。
(4)、污染物排放量预测：根据发电量预测数据、前一日及一年前的同一天三个班组发电量分布情况，计算出预测日内三个班组的平均负荷，再根据气象局大气环境温度预测数据，在(1)划分的聚类中寻找最匹配的空间类别，然后在该类别中寻找最大概率分布污染物排放浓度，通过发电量计算出机组烟气排放量，即可预测出当日各种污染物排放量数据。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (7)
1.一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，包括如下步骤：
S1、通过对机组海量运行数据进行大数据分析，挖掘不同班组的污染物控制操作行为特性，大数据分析过程主要包括两步：样本数据聚类、污染物排放浓度控制特性提取；
S2、开展燃煤机组发电量预测，采用自回归移动平均模型+外在因素的修正方法；
S3、预测当日污染物排放量数据。
2.根据权利要求1所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述样本数据聚类的方法为：首先对机组运行及计算数据按照排班表进行分类划分，然后按照环境温度进行数据细分归类，将海量数据按照班组-环境温度两个维度进行归类筛选；初步划分完成后，使用k-means算法对样本空间进行梳理，对部分样本数据较少类空间进行自动合并。
3.根据权利要求2所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述污染物排放浓度控制特性提取的方法为：样本数据聚类后，对每个小类进行数据分布度量特征因子统计分析；其中，数据分布度量特征因子包括：污染物排放浓度平均值、分布方差、最大值、最小值、数据分布频率及概率密度函数。
4.根据权利要求3所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述数据分布频率用于绘制直方图，每一个元素包括：区间下限、区间上限、频率及样本数。
5.根据权利要求3所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述数据分布概率密度函数用点集表示，每个点包括：参数值、概率密度值。
6.根据权利要求1所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述步骤S2中，当日发电量预测的具体公式如下：Pd＝φ1Pd-1+…+φ30Pd-30+φy-1Py-1+f(T)，其中Pd-1、Pd-30、Py-1分别代表前一天、前30天发电量、去年当日发电量，φ1、φ30、φy-1代表前一天、前30天、去年历史数据的权重系数，f(T)代表外加环境温度修正函数。
7.根据权利要求1-6任一项所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述步骤S3中，当日污染物排放量数据的具体预测方法为：根据发电量预测数据、前一日及一年前的同一天三个班组发电量分布情况，计算出预测日内三个班组的平均负荷，再根据气象局大气环境温度预测数据，在步骤S1划分的聚类中寻找最匹配的空间类别，然后在该类别中寻找最大概率分布污染物排放浓度，通过发电量计算出机组烟气排放量，即可预测出当日各种污染物排放量数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510738185.0A CN105335798A (zh) | 2015-11-03 | 2015-11-03 | 一种基于运行班组特性分析的污染物排放量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510738185.0A CN105335798A (zh) | 2015-11-03 | 2015-11-03 | 一种基于运行班组特性分析的污染物排放量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105335798A true CN105335798A (zh) | 2016-02-17 |
Family
ID=55286313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510738185.0A Pending CN105335798A (zh) | 2015-11-03 | 2015-11-03 | 一种基于运行班组特性分析的污染物排放量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105335798A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341281A (zh) * | 2016-12-08 | 2017-11-10 | 江苏方天电力技术有限公司 | 一种基于大数据技术的燃煤机组烟尘浓度分析方法 |
| CN108564110A (zh) * | 2018-03-26 | 2018-09-21 | 上海电力学院 | 一种基于聚类算法的空气质量预测方法 |
| CN112945567A (zh) * | 2019-12-11 | 2021-06-11 | 北京福田康明斯发动机有限公司 | 一种低温柴油机车载法排放的预测方法及系统 |
| CN114527235A (zh) * | 2020-11-23 | 2022-05-24 | 清华大学 | 一种排放强度实时量化检测的方法 |
-
2015
- 2015-11-03 CN CN201510738185.0A patent/CN105335798A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341281A (zh) * | 2016-12-08 | 2017-11-10 | 江苏方天电力技术有限公司 | 一种基于大数据技术的燃煤机组烟尘浓度分析方法 |
| CN107341281B (zh) * | 2016-12-08 | 2021-03-30 | 江苏方天电力技术有限公司 | 一种基于大数据技术的燃煤机组烟尘浓度分析方法 |
| CN108564110A (zh) * | 2018-03-26 | 2018-09-21 | 上海电力学院 | 一种基于聚类算法的空气质量预测方法 |
| CN108564110B (zh) * | 2018-03-26 | 2021-07-20 | 上海电力学院 | 一种基于聚类算法的空气质量预测方法 |
| CN112945567A (zh) * | 2019-12-11 | 2021-06-11 | 北京福田康明斯发动机有限公司 | 一种低温柴油机车载法排放的预测方法及系统 |
| CN112945567B (zh) * | 2019-12-11 | 2024-03-19 | 北京福田康明斯发动机有限公司 | 一种低温柴油机车载法排放的预测方法及系统 |
| CN114527235A (zh) * | 2020-11-23 | 2022-05-24 | 清华大学 | 一种排放强度实时量化检测的方法 |
| CN114527235B (zh) * | 2020-11-23 | 2022-10-21 | 清华大学 | 一种排放强度实时量化检测的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
| CN105335798A (zh) | 一种基于运行班组特性分析的污染物排放量预测方法 | |
| CN108416691B (zh) | 一种能源替代环保潜力计算方法 | |
| CN115358332A (zh) | 面向多源数据的大气污染溯源方法 | |
| CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
| CN105426987A (zh) | 一种基于燃煤机组运行班组行为分析的用煤量预测方法 | |
| CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
| CN114966233A (zh) | 基于深度神经网络的雷电预报系统及方法 | |
| CN114997578A (zh) | 一种基于深度学习的智慧风电场实时状态评估方法 | |
| CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
| CN105162413A (zh) | 一种基于工况辨识的光伏系统性能实时评估方法 | |
| CN104408525A (zh) | 作业车间调度风险的量化评估与控制方法 | |
| CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
| Fu et al. | Trimming outliers using trees: winning solution of the large-scale energy anomaly detection (LEAD) competition | |
| Song et al. | A novel prediction model of traffic accidents based on big data | |
| Zuluaga-Ríos et al. | Review of charging load modeling strategies for electric vehicles: A comparison of grid-to-vehicle probabilistic approaches | |
| CN104598760A (zh) | 一种储能电池典型工况制定方法 | |
| Mu et al. | An improved effective approach for urban air quality forecast | |
| CN112036713A (zh) | 一种基于主成分分析的煤改电综合效益评价方法和系统 | |
| Zahraoui et al. | ANN-LSTM Based Tool For Photovoltaic Power Forecasting. | |
| Abdelfatah et al. | Forecast global carbon dioxide emission using swarm intelligence | |
| Saygın et al. | Peaks over threshold method application on airborne particulate matter (PM10) and sulphur dioxide (SO2) pollution detection in specified regions of İstanbul | |
| CN109861222B (zh) | 一种省级电网负荷分区预测方法及系统 | |
| Katranji et al. | Short-Term Wind Speed Prediction for Saudi Arabia via 1D-CNN | |
| CN112257015B (zh) | 一种火电机组数据获取方法、系统及数据处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180408 Address after: 210024 Yunnan Road, Drum Tower District, Nanjing, Jiangsu Province, No. 62 Applicant after: Jiangsu Electric Power Trading Center Co., Ltd. Applicant after: Jiangsu Fangtian Power Technology Co., Ltd. Applicant after: State Grid Jiangsu Electric Power Co., Ltd. Applicant after: State Grid Corporation of China Address before: 211102 Su mansion, No. 58 Su Fang Avenue, Jiangning District, Jiangsu, Nanjing Applicant before: State Grid Corporation of China Applicant before: Jiangsu Electric Power Company Applicant before: Jiangsu Fangtian Power Technology Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160217 |
|
| RJ01 | Rejection of invention patent application after publication |