CN112200350A - 烟气排放预测方法、系统及计算机可读存储介质 - Google Patents
烟气排放预测方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112200350A CN112200350A CN202010983200.9A CN202010983200A CN112200350A CN 112200350 A CN112200350 A CN 112200350A CN 202010983200 A CN202010983200 A CN 202010983200A CN 112200350 A CN112200350 A CN 112200350A
- Authority
- CN
- China
- Prior art keywords
- flue gas
- data
- smoke
- sample data
- emission prediction
- 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
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 232
- 239000003546 flue gas Substances 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000000779 smoke Substances 0.000 claims abstract description 211
- 238000012360 testing method Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 238000013075 data extraction Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims description 77
- 230000002159 abnormal effect Effects 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 18
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 23
- 230000008569 process Effects 0.000 description 26
- 230000007774 longterm Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 4
- 235000011114 ammonium hydroxide Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000004056 waste incineration Methods 0.000 description 4
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 3
- 235000011941 Tilia x europaea Nutrition 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000004571 lime Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- AXCZMVOFGPJBDE-UHFFFAOYSA-L calcium dihydroxide Chemical compound [OH-].[OH-].[Ca+2] AXCZMVOFGPJBDE-UHFFFAOYSA-L 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910052745 lead Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种烟气排放预测方法，包括：获取烟气数据提取工具采集的烟气样本数据，所述烟气样本数据包括待检测的烟气排放指标数据、模拟量数据和开关量数据，所述模拟量数据为生产过程中烟气的连续参量数据，所述开关量数据为生产过程中烟气的离散参量数据；将所述烟气样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型；将待检测的烟气测试数据输入所述烟气排放预测模型，对生产过程中的各项烟气排放指标进行预测。本发明还公开了一种烟气排放预测系统及计算机可读存储介质。通过烟气排放预测模型进行烟气排放指标预测，能够保证烟气排放指标预测的及时性与有效性，降低物料成本。
Description
技术领域
本发明涉及烟气排放预测技术领域，尤其涉及一种烟气排放预测方法、系统及计算机可读存储介质。
背景技术
在对生活垃圾等进行焚烧时，焚烧产生的烟气含有大量污染物，如HCl、 HF、SO2、NOx、CO、重金属(Pb、Hg)和二噁英等，对周围环境质量(特别是大气环境质量)产生一定的影响。
目前，对垃圾焚烧过程产生的烟气进行处理的烟气处理系统，由于涵盖整个焚烧工艺流程，具有工艺跨度长的特点，导致部分系统位于高温烟气处理流程的前端，距离尾部烟气监测设备有较长的延迟时间，远远超过传统控制的延迟时间。例如SNCR工艺一般位于焚烧炉出口合适的反应温区，距离烟囱延时最长，且由于垃圾焚烧过程中燃料成分等一般波动较大，很难通过传统自动控制手段进行及时有效控制，如此在无法提前有效的预测烟气排放指标的情况下，为保证烟气排放指标满足排放标准，通常会以较大的投放量来投放物料，容易造成物料的浪费，增加烟气处理成本。
发明内容
本发明主要目的在于提供一种烟气排放预测方法、系统及计算机可读存储介质，旨在解决现有技术中无法及时有效的对烟气排放指标进行预测，导致烟气处理成本增加的问题。
为实现上述目的，本发明提供一种烟气排放预测方法，所述方法包括以下步骤：
获取烟气数据提取工具采集的烟气样本数据，所述烟气样本数据包括待检测的烟气排放指标数据、模拟量数据和开关量数据，所述模拟量数据为生产过程中烟气的连续参量数据，所述开关量数据为生产过程中烟气的离散参量数据；
将所述烟气样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型；
将待检测的烟气测试数据输入所述烟气排放预测模型，对生产过程中的各项烟气排放指标进行预测。
可选地，所述将待检测的烟气测试数据输入所述烟气排放预测模型的步骤之前，包括：
将所述烟气测试数据输入预先构建的异常分析模型进行异常分析，得到异常分析结果；
若所述异常分析结果为所述烟气测试数据存在异常波动，则触发内部预警机制，执行接口数据排查与提示操作；
若所述异常分析结果为所述烟气测试数据不存在异常波动，则执行将待检测的烟气测试数据输入所述烟气排放预测模型的步骤。
可选地，所述将所述烟气测试数据输入预先构建的异常分析模型进行异常分析，得到异常分析结果的步骤包括：
将所述烟气测试数据输入预先构建的异常分析模型获取指标波动数据，所述指标波动数据表征待检测的各项烟气排放指标的波动情况；
若存在指标波动数据超过预设阈值门限，则判定所述异常分析结果为存在异常波动；
若不存在指标波动数据超过预设阈值门限，则判定所述异常分析结果为不存在异常波动。
可选地，所述将所述烟气样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型的步骤包括：
对所述烟气样本数据执行预处理操作；
采用预设分析算法从预处理后的烟气样本数据中筛选出特征样本数据；
将所述特征样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型。
可选地，所述将所述特征样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型的步骤包括：
获取不同损失函数对应的预测置信度、算法匹配度以及梯度下降效率，所述算法匹配度为不同损失函数与不同预测网络的适配程度；
依据所述预测置信度、所述算法匹配度和所述梯度下降效率，确定目标损失函数；
以所确定的目标损失函数对所述烟气排放预测网络进行模型训练，直至所述目标损失函数下降至最小时，得到烟气排放预测模型。
可选地，所述以所确定的目标损失函数对所述烟气排放预测网络进行模型训练，直至所述目标损失函数下降至最小时，得到烟气排放预测模型的步骤包括：
若所述目标损失函数为最小二乘损失函数，则对所述最小二乘损失函数的参数按负梯度方向进行更新，以对所述烟气排放预测网络进行模型训练；
当训练至所述最小二乘损失函数的函数值达到最小时，得到烟气排放预测模型。
可选地，所述采用预设分析算法从预处理后的烟气样本数据中筛选出特征样本数据的步骤包括：
选取主成分分析算法作为预设分析算法；
以所述主成分分析算法确定预处理后的烟气样本数据中各样本数据的本征值，所述本征值为基于预处理后的烟气样本数据形成的特征空间的各个维度计算的方差比；
根据所述本征值从预处理后的烟气样本数据中选取方差比达到预设阈值的样本数据；
将所选取的方差比达到预设阈值的样本数据作为特征样本数据。
可选地，所述对所述烟气样本数据执行预处理操作的步骤包括：
依次对所述烟气样本数据执行缺失值处理、异常值处理、去重处理、关联性验证处理和标准化处理操作，得到预处理后的烟气样本数据。
此外，为实现上述目的，本发明还提供一种烟气排放预测系统，所述烟气排放预测系统包括存储器、处理器及存储在所述处理器上并可在处理器上运行的烟气排放预测程序，所述处理器执行所述烟气排放预测程序时实现如上所述的烟气排放预测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有烟气排放预测程序，所述烟气排放预测程序被处理器执行时实现如上所述的烟气排放预测方法的步骤。
本发明实施例通过获取烟气数据提取工具采集的烟气样本数据，然后将所获取的烟气样本数据输入烟气排放预测网络进行模型训练，得到烟气排放预测模型，使得能够通过烟气排放预测模型对生产过程中的烟气排放指标进行预测，避免采用人工预测的方式，受到人为主观因素(如经验值)等的影响导致预测结果不准确，并且通过人为的方式存在较长的时间延迟，无法及时的对烟气排放指标进行预测。通过烟气排放预测模型能够对各烟气排放指标进行有效预测，避免预测不及时或预测结果受人为因素影响，导致需要投入较多的环保物料才能确保烟气排放达到环保标准，造成物料的浪费，降低了烟气处理成本。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的烟气排放预测系统结构示意图；
图2是本发明烟气排放预测方法第一实施例的流程示意图；
图3为本发明烟气排放预测方法一实施例中的LSTM算法原理示意图；
图4为本发明烟气排放预测方法一实施例中的LSTM网络的开关作用原理图示意图；
图5为本发明烟气排放预测方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的主要解决方案是：获取烟气数据提取工具采集的烟气样本数据，所述烟气样本数据包括待检测的烟气排放指标数据、模拟量数据和开关量数据，所述模拟量数据为生产过程中烟气的连续参量数据，所述开关量数据为生产过程中烟气的离散参量数据；将所述烟气样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型；将待检测的烟气测试数据输入所述烟气排放预测模型，对生产过程中的各项烟气排放指标进行预测。
目前的烟气排放指标预测主要通过人为的方式进行预测，存在预测准确性不高及预测不及时等问题导致需要投入较多的环保物料来进行烟气处理，增加了烟气处理成本。因而，本发明提出一种烟气排放预测方法、系统及计算机可读存储介质，通过获取气数据提取工具采集的烟气样本数据，然后将所获取的烟气样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型，再将待检测的烟气测试数据输入所述烟气排放预测模型对生产过程中的烟气排放指标进行预测，无需人为预测，能够避免受到人为主观因素的限制导致预测效果不佳且预测不够及时的问题，提高了烟气排放指标预测的准确性和预测效率，而无需因受到预测效果不佳且预测不够及时而以较大的投入量投入环保物料来保证烟气排放指标能够达到排放标准，能够降低烟气处理成本。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的烟气排放预测系统结构示意图。
如图1所示，该烟气排放预测系统可以包括：通信总线1002，处理器1001，例如CPU，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002 用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如 WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器 (non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的烟气排放预测系统结构并不构成对烟气排放预测系统的限定，可以包括比图示更多或更少的部件，或组合某些部件，或者不同的部件布置。
在图1所示的烟气排放预测系统中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的烟气排放预测程序，并执行以下操作：
获取烟气数据提取工具采集的烟气样本数据，所述烟气样本数据包括待检测的烟气排放指标数据、模拟量数据和开关量数据，所述模拟量数据为生产过程中烟气的连续参量数据，所述开关量数据为生产过程中烟气的离散参量数据；
将所述烟气样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型；
将待检测的烟气测试数据输入所述烟气排放预测模型，对生产过程中的各项烟气排放指标进行预测。
可选地，所述将待检测的烟气测试数据输入所述烟气排放预测模型的步骤之前，处理器1001可以调用存储器1005中存储的烟气排放预测程序，还执行以下操作：
将所述烟气测试数据输入预先构建的异常分析模型进行异常分析，得到异常分析结果；
若所述异常分析结果为所述烟气测试数据存在异常波动，则触发内部预警机制，执行接口数据排查与提示操作；
若所述异常分析结果为所述烟气测试数据不存在异常波动，则执行将待检测的烟气测试数据输入所述烟气排放预测模型的步骤。
可选地，处理器1001可以调用存储器1005中存储的烟气排放预测程序，还执行以下操作：
将所述烟气测试数据输入预先构建的异常分析模型获取指标波动数据，所述指标波动数据表征待检测的各烟气排放指标的波动情况；
若存在指标波动数据超过预设阈值门限，则判定所述异常分析结果为存在异常波动；
若不存在指标波动数据超过预设阈值门限，则判定所述异常分析结果为不存在异常波动。
可选地，处理器1001调用存储器1005中存储的烟气排放预测程序，并执行以下操作：
对所述烟气样本数据执行预处理操作；
采用预设分析算法从预处理后的烟气样本数据中筛选出特征样本数据；
将所述特征样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型。
可选地，处理器1001可以调用存储器1005中存储的烟气排放预测程序，还执行以下操作：
获取不同损失函数对应的预测置信度、算法匹配度以及梯度下降效率，所述算法匹配度为不同损失函数与不同预测网络的适配程度；
依据所述预测置信度、所述算法匹配度和所述梯度下降效率，确定目标损失函数；
以所确定的目标损失函数对所述烟气排放预测网络进行模型训练，直至所述目标损失函数下降至最小时，得到烟气排放预测模型。
可选地，处理器1001可以调用存储器1005中存储的烟气排放预测程序，还执行以下操作：
若所述目标损失函数为最小二乘损失函数，则对所述最小二乘损失函数的参数按负梯度方向进行更新，以对所述烟气排放预测网络进行模型训练；
当训练至所述最小二乘损失函数的函数值达到最小时，得到烟气排放预测模型。
可选地，处理器1001可以调用存储器1005中存储的烟气排放预测程序，还执行以下操作：
选取主成分分析算法作为预设分析算法；
以所述主成分分析算法确定预处理后的烟气样本数据中各样本数据的本征值，所述本征值为基于预处理后的烟气样本数据形成的特征空间的各个维度计算的方差比；
根据所述本征值从预处理后的烟气样本数据中选取方差比达到预设阈值的样本数据；
将所选取的方差比达到预设阈值的样本数据作为特征样本数据。
可选地，处理器1001可以调用存储器1005中存储的烟气排放预测程序，还执行以下操作：
依次对所述烟气样本数据执行缺失值处理、异常值处理、去重处理、关联性验证处理和标准化处理操作，得到预处理后的烟气样本数据。
参照图2，图2为本发明烟气排放预测方法的第一实施例流程图，本实施例中，所述烟气排放预测方法包括以下步骤：
步骤S10：获取烟气数据提取工具采集的烟气样本数据，所述烟气样本数据包括待检测的烟气排放指标数据、模拟量数据和开关量数据，所述模拟量数据为生产过程中烟气的连续参量数据，所述开关量数据为生产过程中烟气的离散参量数据；
由于现有技术中，通常是由工程师或相关工作人员在观察烟气排放时污染物质的实时波动情况之后，根据历史经验对环保物料(含石灰和氨水等)的投加量进行控制和调整。如此，在调整过程中，会因工程师的个人主观因素影响烟气排放指标预测的准确性；并且，由于焚烧工艺流程的工艺跨度长，导致需要耗费较长的时间才能烟气排放指标预测，无法提前预测排放指标超标情况。此时，若物料投放过少会导致排放的烟气无法达到环保要求；若物料投放过多，势必会导致成本的增加。为保证烟气排放指标达到排放标准，通常会以比预测结果为参考，以超过预测结果对应的投放量投入环保物料。本实施例提出一种烟气排放预测方法，通过人工智能大数据分析，可以及时对烟气中的各项烟气排放指标进行有效的预测，如此，在投放环保物料之前，就可以准确预测各项烟气排放指标的排放情况，然后基于预测的各项烟气排放指标的排放情况来控制物料的投放，避免过量投入环保物料增加生产成本。
在对烟气排放指标进行预测之前，可先建立可行性分析模型对垃圾焚烧后的烟气净化过程(可包括脱酸、除尘和活性炭喷射等)进行分析，以分析每个工艺流程的运行参数和运行效率等；以便结合每个工艺的原理及数学分析方法，以垃圾焚烧污染控制新标准为依据，对各类污染控制工艺进行综合分析，以使本实施例中的烟气排放指标预测方案能够适应于不同的污染控制工艺，提高该方案的普遍适用性。
具体地，要通过人工智能大数据分析对烟气排放指标进行预测，首先需要采集大量的样本数据，这些样本数据可包括烟气处理流程中每一个处理流程对应的处理数据以及到达每一个流程时的烟气排放数据和流出每一个流程的烟气排放数据等。于是，为了对样本数据进行采集，提高数据提取的准确性，本实施例可运用自主研发的烟气数据提取工具来采集烟气样本数据用于对烟气预测模型的训练。并且，所述烟气样本数据可包括待检测的烟气排放指标数据、模拟量数据和开关量数据，所述模拟量数据为烟气生产过程中的连续参量数据，比如炉内温度，垃圾传送带运输速度，进风量，烟囱排风量和各种污染物的排放测量数据等；所述开关量数据为烟气生产过程中的离散参量数据，主要用于对生产物料的投放量进行表征，如喷水阀门开关量，石灰水阀门开关量和氨水投放开关量等；所述烟气排放指标数据为焚烧后的烟气中所包含的待检测的污染物指标，如HCL/NOX/SO2等指标。基于烟气数据提取工具所采集的样本数据不仅能及时有效的进行烟气预测，而且能够适应不同的烟气排放处理工艺，提高烟气排放预测的通用性。
当然，所述烟气数据提取工具也可用于提取待检测的烟气测试数据，该烟气测试数据与烟气样本数据，可依据时间进行区分，然后采集到烟气测试数据和烟气样本数据之后，可分别存入不同的数据库。并且，在将烟气测试数据和烟气样本数据存储到不同的数据库之后，由于烟气测试数据为实时数据，烟气样本数据为历史数据，也可以通过区块链实现数据共享，如此通过区块链可以利用烟气测试数据对烟气样本数据进行实时更新，且能防止数据被篡改。
步骤S20：将所述烟气样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型；
将所述烟气样本数据输入预先构建的烟气排放预测网络进行模型训练的过程可以是：先对所获取的烟气样本数据进行预处理，然后选取与预先构建的烟气排放预测网络适配的特征选择算法作为预设分析算法，采用预设算法从预处理后的烟气样本数据中筛选出具有代表性的特征样本数据，再将特征样本输数据输入预先构建的烟气排放预测网络进行模型训练，得到训练后的烟气排放预测模型。基于训练后的烟气排放预测模型进行烟气排放指标预测，可以提高预测的准确性及预测效率。
具体地，由于采集的烟气样本数据通常较多且会存在大量的噪音或缺失值，甚至可能包含异常数据，对烟气样本数据中的有效信息产生影响，因而需要对整合后的数据进行清洗(也即预处理)，以提高数据质量。数据清洗是整个数据分析过程中不可缺少的一个环节，其结果质量直接关系到模型的预测效果和最终的预测结论，在实际操作中，通常会花费分析过程中50％以上的时间进行数据清洗。为保证烟气样本数据的有效性，本实施例中的数据预处理操作可包括缺失值处理、异常值处理、去重处理、关联性验证和标准化处理等处理操作。在一实施例中，可依次对烟气数据提取工具采集的烟气样本数据执行缺失值处理、异常值处理、去重处理、关联性验证处理和标准化处理操作，以得到预处理后的烟气样本数据。其中，缺失值处理的方法可根据缺失值产生的原因进行选取，可以是删除存在缺失值的个案或进行缺失值插补，缺失值插补的方法可包括均值插补、同类均值插补、建模预测、高维映射和多重插补等；异常值的产生原因可能是数据输入错误、测量错误、实验误差、故意异常值、数据处理错误、抽样错误或自然异常值等，相应的判别方法可包括简单的统计分析、3δ原则和箱型图分析等，在选定判别方法之后，若判定需要对样本数据进行异常值处理，则可采用删除含有异常值的记录、将异常值视为缺失值来处理或用平均值修正等方式进行异常值处理；去重处理也即去掉所采集的样本数据中的冗余数据，可依据样本数据量和样本数据类型等选择相应的去重算法；如果样本数据存在多个来源，则需要对不同来源的样本数据进行关联性验证，而多数据源合并的过程中，可通过验证数据之间的关联性来选择正确的特征属性；数据标准化处理尤指将数据按比例缩放,使之落入一个小的特定区间，本实施例优选采用z-score(zero-mean normalization)进行标准化处理，公式如下：
另一实施例中，在对烟气样本数据执行预处理操作之后，采用预设的分析算法对预处理后的烟气样本数据进行分析处理，便可以从预处理后的烟气样本数据中筛选出特征样本数据。为了避免数据量过大时，导致训练时间长等问题，可通过降低特征矩阵维度的方式来提高模型训练的效率，因而预设的分析算法可以是主成分分析法(PCA)和线性判别分析(LDA)等算法，可根据具体的应用需求进行选取。本实施例中优选将主成分分析算法(PCA)作为预设分析算法。于是，可以先通过主成分分析算法确定预处理后的烟气样本数据中各样本数据的本征值，也即确定由预处理后的烟气样本数据形成的特征空间的各个维度的方差比，然后根据所述本征值从预处理后的烟气样本数据中筛选出特征样本数据。
根据本征值从预处理后的烟气样本数据中筛选出特征样本数据的方式可以是：根据所述本征值从预处理后的烟气样本数据中选取方差比达到预设阈值的样本数据，所选取的方差比达到预设阈值的样本数据即为特征样本数据。基于PCA的特征选择流程可以是：先将预处理后的烟气样本数据中作为n维样本集，记为D＝(x(1),x(2),...,x(m))，并将该n维样本集作为输入，依次将n维样本集中的各维数据降维为n’维样本集D'输出。具体地，可先对n维样本数据中的所有样本进行中心化处理，得到
然后计算样本的协方差矩阵 XXT，并对矩阵XXT进行特征值分解；取出最大的n’个特征值对应的特征向量 (ω1,ω2,...,ωn')，将所有的特征向量标准化后，组成特征向量矩阵W；再将样本数据中的每一个样本x(i)转化为新的样本z(i)＝WTx(i)；得到输出样本集 D'＝(z(1),z(2),...,z(m))，所输出的样本集中的样本数据也即特征样本数据。
又一实施例中，在筛选出特征样本数据之后，可将所述特征样本数据输入预先构建的烟气排放预测网络进行模型训练，以训练后的模型作为烟气排放预测模型。本实施例中，所述烟气排放预测网络尤指LSTM(Long Short-Term Memory，长短期记忆网络)，LSTM是一种特殊的RNN(Recurrent Neural Network，循环神经网络)，可以学习长期依赖信息。通常，原始RNN的隐藏层只有状态h，对于短期的输入非常敏感，LSTM是在原始RNN的基础上增加状态c，来保存长期的状态。将状态h和状态c按时间维度展开之后，t时刻， LSTM的输入有三个：当前时刻网络的输入值xt、上一时刻LSTM的输出值ht-1、以及上一时刻的单元状态ct-1；对应地，LSTM的输出有两个：当前时刻LSTM 输出值ht和当前时刻的单元状态ct。注意x、h、c都是向量，如图3所示。LSTM 的关键在于如何控制长期状态c。而要控制长期状态c，LSTM的思路是使用三个控制开关。第一个开关，负责控制继续保存长期状态c；第二个开关，负责控制把即时状态输入到长期状态c；第三个开关，负责控制是否把长期状态c 作为当前的LSTM的输出。三个开关的作用如图4所示。LSTM用两个门来控制单元状态c的内容，一个是遗忘门(forget gate)，它决定了上一时刻的单元状态有多少保留到当前时刻；另一个是输入门(input gate)，它决定了当前时刻网络的输入有多少保存到单元状态；并用输出门(output gate)来控制单元状态有多少输出到LSTM的当前输出值。具体地，(1)计算遗忘门：ft＝σ(Wf·|ht-1，xt|+bf)，Wf是遗忘门的权重矩阵，|ht-1，xt|表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是sigmoid函数。(2)计算输入门： it＝σ(wi·[ht-t，xt]+bi)，wi是输入门的权重矩阵，bi是输入门的偏置项。(3)计算用于描述当前输入的单元状态
它是根据上一次的输出和本次输入来计算的：
(4)计算当前时刻的单元状态：它是由上一次的单元状态按元素乘以遗忘门，再用当前输入的单元状态按元素乘以输入门，再将两个积进行加和产生的：
符号
表示按元素相乘。(5)计算输出门，它控制了长期记忆对当前输出的影响：ot＝σ(wo·[ht-t，xt]+bo)。(6)LSTM 最终的输出，是由输出门和单元状态共同确定的：
基于以上步骤便可以构建烟气排放预测网络LSTM。
在构建好烟气排放预测网络之后，可以以预测置信度(预测结果的可信度)、梯度下降效率(运行梯度下降的时间效率)和算法匹配度(与烟气排放预测网络算法的适配程度)作为参考依据确定训练烟气排放预测模型的损失函数，如，可以选取与烟气排放预测网络匹配且置信度高的损失函数，或是选取与烟气排放预测网络匹配且梯度下降效率高的损失函数，亦或是选取与烟气排放预测网络匹配且置信度高，梯度下降效率也高的损失函数；然后以所确定的损失函数对烟气排放预测网络进行训练，直至所述损失函数下降至最小(下降至基本不变，在下降数值在预设数值范围内时可认为基本不变)时，可得到训练后的模型，也即得到烟气排放预测模型。
一实施例中，为了提高预测效率与预测结果的准确性，优选最小二乘损失函数作为目标损失函数。对所述最小二乘损失函数的参数按负梯度方向进行更新，以对烟气排放预测网络进行训练，当训练至最小二乘损失函数的函数值达到最小时，即可得到训练后的烟气排放预测模型。即，将筛选出的特征样本数据输入已构建好的LSTM烟气排放预测网络，经过几百轮-上千轮迭代训练及参数调优即可得出初步的烟气排放预测模型。具体地，首先确定损失函数：
其中，J(θ)是损失函数，m表示每次训练所取的样本数量。如果采用SGD(Stochastic Gradient Descent，随机梯度下降)进行训练，那每次随机取一组样本，m＝1；如果是批处理，则m等于每次抽取作为训练样本的数量，θ是参数。为了让损失函数J(θ)的值最小，可根据梯度下降法，用J(θ)对θ求偏导：
由于是要最小化损失函数，所以参数θ按其负梯度方向来更新：
直至损失函数J(θ)的值达到最小时，即可完成训练，得到烟气排放预测模型。
步骤S30：将待检测的烟气测试数据输入所述烟气排放预测模型，对生产过程中的各项烟气排放指标进行预测。
在训练得到烟气排放预测模型之后，可将烟气测试数据输入该烟气排放预测模型，通过该排放预测模型对生产过程中的各项烟气排放指标的烟气排放情况进行预测。其中，待检测的烟气测试数据可通过上述烟气数据提取工具进行采集，也可以是通过另外的测试数据采集工具进行采集，用于对生产过程中的烟气排放指标进行实时预测。在一具体的应用实例中，将烟气排放预测模型应用于生产测试集进行实时预测时，4小时内HCL预测正负30％误差内的准确率达到98.7％，NOX预测正负30％误差内的准确率达到100％。可见，采用人能智能数据分析的手段运用训练好的烟气排放预测模型对生产过程中的烟气排放指标进行预测时，预测的准确率较高，且能实时对多种烟气排放指标进行预测，避免人工预测时受到经验的限制，对预测的准确性产生影响，且不能保证烟气预测的实时性导致无法对烟气排放情况及时作出有效预测。
另外，现有的烟气处理工艺会对烟气排放指标进行滞后处理，且响应灵敏度为分钟级，无法提前有效的预测烟气排放指标的超标情况。此时，为保证烟气排放指标在环保标准内，往往会以较大的投放量投加环保物料(含石灰、氨水等)，造成生产物料成本的较大消耗，以400吨焚烧炉为例，每炉烟气处理物料(仅石灰+氨水)一年消耗约230万元。通过引入基于人工智能的预测算法，基于大量测试样本数据进行训练得到收敛后的烟气排放预测模型，能够提前 5-10分钟对烟气排放指标进行精准预测，烟气排放指标的预测灵敏度可达到秒级响应粒度。因而，基于烟气排放预测模型输出的预测结果来控制生产物料的投加量，能够降低成本的消耗。其中，生产物料的投放可以是根据烟气排放预测模型的预测结果自主投放，也可以是根据用户选择进行人为投放。
本实施例通过获取烟气数据提取工具采集的烟气样本数据，并将所获取的烟气样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型，再将待检测的烟气测试数据输入所述烟气排放预测模型，即可对生产过程中的烟气排放指标进行预测，避免通过人为预测不仅不够实时而且容易受到预测人员的经验限制对预测结果产生影响，能够及时有效的对烟气排放指标进行预测。通过及时有效的预测，避免因预测不及时或预测不准确导致物料投入过多增加生产成本，能够有效降低生产成本。
基于上述实施例，提出本发明烟气排放预测方法的第二实施例流程图。参照图5，本实施例中，所述烟气排放预测方法包括以下步骤：
步骤S11：获取烟气数据提取工具采集的烟气样本数据，所述烟气样本数据包括待检测的烟气排放指标数据、模拟量数据和开关量数据，所述模拟量数据为生产过程中烟气的连续参量数据，所述开关量数据为生产过程中烟气的离散参量数据；
步骤S12：将所述烟气样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型；
步骤S13：将所述烟气测试数据输入预先构建的异常分析模型进行异常分析，得到异常分析结果；
步骤S14：若所述异常分析结果为所述烟气测试数据存在异常波动，则触发内部预警机制，执行接口数据排查与提示操作；
步骤S15：若所述异常分析结果为所述烟气测试数据不存在异常波动，则将待检测的烟气测试数据输入所述烟气排放预测模型，对生产过程中的烟气排放指标进行预测。
本实施例中，在获取烟气数据提取工具采集的烟气样本数据之后，因烟气排放预测模型涉及到几百个指标数据的实时分析，当某些数据指标产生异常波动，或因接口故障无法到达烟气排放预测模型时，将对模型预测结果产生负面影响。因而，在将烟气测试数据输入烟气排放预测模型进行排放指标预测之前，需要对烟气测试数据的拨动情况进行检测。
通常，在待检测数据容易存在数据波动的应用场景下，可以以时间序列分析方法对生产过程中的各项烟气排放指标的长期数据进行分析，以预测出其在未来一段时间内的动态阈值范围，从而将传统的静态监控转换为为动态监控。其中，时间序列分析(Timeseries analysis)是一种动态数据处理的统计方法，该方法主要研究随机数据序列所遵从的统计规律用于解决实际问题，包括一般统计分析(如自相关分析，谱分析等)，统计模型的建立与推断，以及关于时间序列的最优预测、控制与滤波等内容，具体可包含Prophet，LSTM等常用时间序列算法模型。其基本思路如下：1)对时间序列进行分解，例如，可以将时间序列Fx按照周期、变化趋势以及稳定性因素，表示为三个因素的函数，即：Fx＝Tx+Sx+Rx，其中Tx表示的是趋势分量，Sx表示的是稳定分量，Rx 表示的是周期分量，而时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列，在本实施例中，时间序列尤指将各项排放指标在不同时间上的数据按照先后顺序排列形成的序列；2)针对各指标数据序列，选择一定的区间参数作为动态阈值分界线。当烟气测试指标的趋势分量、稳定分量和周期分量对应的数据波动中存在数据波动超过阈值门限(至少存在一个数据的幅度值超过阈值门限)后，将触发内部预警机制，对相应接口数据进行排查提示；3)在指标波动告警期间，烟气预测模型的输出数据仅作为参考，并在生产控制系统中呈现告警提示，生产物料的投放控制过程可转交人工手动控制。
也即，可以预先构建异常分析模型，所构建的异常分析模型可支持多维度的与时间有关的数据预测，且支持多维度group by算子；并且，可根据历史数据(如4～6周内的数据)预测各项检测指标在未来一段时间(如7天)内的变化；还可输出未来数值在一定概率下的阈值门限，所述阈值门限可包上阈值门限与下阈值门限，支持两段式计算；而且，在识别到异常数据时，可输出历史数据中与异常数据对应的时刻，以便及时对异常数据进行处理，并提高预测的准确性；还可支持数据模型自验证模式，如可取最后几天的数据对训练的模型进行验证，提高预测的有效性；此外，还可输出序列预测和门限的可视化图表，以便于进行异常筛查与参数核定。
于是，可以先获取待检测的烟气测试数据的时间序列文件，以获取的时间序列文件为输入，将待检测的烟气测试数据输入预先构建好的异常分析模型进行异常分析，然后以各烟气排放指标在未来一段时间内的动态阈值范围为输出，得到异常分析结果。其中，异常分析结果的判定可以是先设置阈值门限，然后将待检测的烟气测试数据输入预先构建好的异常分析模型获取指标波动数据，该指标波动数据可对所输入的各项烟气排放指标的时间序列的波动情况进行表征。若根据指标波动数据确定存在指标波动数据超过预设阈值门限，则说明存在异常波动；若根据指标波动数据确定不存在指标波动数据超过预设阈值门限，则说明不存在异常波动数据。在异常分析结果为存在异常波动时，可触发内部预警机制，对接口数据进行排查并提示；在异常分析结果为不存在异常波动时，可直接将待检测的烟气测试数据输入预先构建好的烟气排放预测网络进行模型训练。当然，在异常分析结果为存在异常波动，也可选择将待检测的烟气测试数据继续输入预先构建好的烟气排放预测网络进行模型训练，但是此时烟气预测模型的输出数据将仅作为参考，生产物料的投放控制过程转交人工手动控制。
值得注意的是，该异常分析模型可以是独立于烟气排放预测模型训练的模型，也可以是包括在烟气排放预测模型的模型。具体地，在该异常分析模型独立于烟气排放预测模型时，需要为异常分析模型和烟气排放预测模型设置优先级，其中异常分析模型的优先级高于烟气排放预测模型的优先级。于是，可先将待检测的烟气测试数据按照各项烟气排放指标的不同整理成时间序列输入异常分析模型，然后根据异常分析模型输出的异常分析结果，若烟气测试数据存在异常波动，可选择继续将烟气测试数据输入烟气排放预测模型进行烟气排放指标预测，此时烟气排放指标预测输出的预测结果仅作参考，也可直接转为人工控制无需再将烟气测试数据输入烟气排放预测模型。若烟气测试数据不存在异常波动，则可直接将待检测的烟气测试数据输入所述烟气排放预测模型对各项烟气排放指标进行预测。在该异常分析模型包括于烟气排放预测模型时，也即该烟气排放预测模型分为两个阶段，第一阶段先将待检测的烟气测试数据，按照各项烟气排放指标的不同整理成时间序列输入烟气排放预测模型进行异常分析，若异常分析结果为烟气测试数据存在异常波动时，可输出提示信息并对相应的接口数据进行排查，若异常分析结果为烟气测试数据不存在异常波动，则可进入第二阶段继续将对待检测的测试数据进行排放指标预测。
本实施例在通过烟气排放预测模型对待检测的烟气测试数据进行检测之前预置异常分析模型，以异常分析模型对待检测的烟气测试数据的波动情况进行异常分析，使得在烟气测试数据存在异常波动时，能够及时进行接口排查并进行告警提示，避免因接口故障或待检测的各烟气排放指标的异常波动对烟气排放预测结果产生影响，提高烟气排放指标预测的可靠性。
此外，本发明实施例还提供一种烟气排放预测系统，所述烟气排放预测系统包括存储器、处理器及存储在所述处理器上并可在处理器上运行的烟气排放预测程序，所述处理器执行所述烟气排放预测程序时实现如上所述烟气排放预测方法的步骤。
此外，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有烟气排放预测程序，所述烟气排放预测程序被处理器执行时实现如上所述的烟气排放预测方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，电视，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种烟气排放预测方法，其特征在于，所述烟气排放预测方法包括以下步骤：
获取烟气数据提取工具采集的烟气样本数据，所述烟气样本数据包括待检测的烟气排放指标数据、模拟量数据和开关量数据，所述模拟量数据为生产过程中烟气的连续参量数据，所述开关量数据为生产过程中烟气的离散参量数据；
将所述烟气样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型；
将待检测的烟气测试数据输入所述烟气排放预测模型，对生产过程中的各项烟气排放指标进行预测。
2.如权利要求1所述的烟气排放预测方法，其特征在于，所述将待检测的烟气测试数据输入所述烟气排放预测模型的步骤之前，包括：
将所述烟气测试数据输入预先构建的异常分析模型进行异常分析，得到异常分析结果；
若所述异常分析结果为所述烟气测试数据存在异常波动，则触发内部预警机制，执行接口数据排查与提示操作；
若所述异常分析结果为所述烟气测试数据不存在异常波动，则执行将待检测的烟气测试数据输入所述烟气排放预测模型的步骤。
3.如权利要求2所述的烟气排放预测方法，其特征在于，所述将所述烟气测试数据输入预先构建的异常分析模型进行异常分析，得到异常分析结果的步骤包括：
将所述烟气测试数据输入预先构建的异常分析模型获取指标波动数据，所述指标波动数据表征待检测的各项烟气排放指标的波动情况；
若存在指标波动数据超过预设阈值门限，则判定所述异常分析结果为存在异常波动；
若不存在指标波动数据超过预设阈值门限，则判定所述异常分析结果为不存在异常波动。
4.如权利要求1所述的烟气排放预测方法，其特征在于，所述将所述烟气样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型的步骤包括：
对所述烟气样本数据执行预处理操作；
采用预设分析算法从预处理后的烟气样本数据中筛选出特征样本数据；
将所述特征样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型。
5.如权利要求4所述的烟气排放预测方法，其特征在于，所述将所述特征样本数据输入预先构建的烟气排放预测网络进行模型训练，得到烟气排放预测模型的步骤包括：
获取不同损失函数对应的预测置信度、算法匹配度以及梯度下降效率，所述算法匹配度为不同损失函数与不同预测网络的适配程度；
依据所述预测置信度、所述算法匹配度和所述梯度下降效率，确定目标损失函数；
以所确定的目标损失函数对所述烟气排放预测网络进行模型训练，直至所述目标损失函数下降至最小时，得到烟气排放预测模型。
6.如权利要求5所述的烟气排放预测方法，其特征在于，所述以所确定的目标损失函数对所述烟气排放预测网络进行模型训练，直至所述目标损失函数下降至最小时，得到烟气排放预测模型的步骤包括：
若所述目标损失函数为最小二乘损失函数，则对所述最小二乘损失函数的参数按负梯度方向进行更新，以对所述烟气排放预测网络进行模型训练；
当训练至所述最小二乘损失函数的函数值达到最小时，得到烟气排放预测模型。
7.如权利要求4所述的烟气排放预测方法，其特征在于，所述采用预设分析算法从预处理后的烟气样本数据中筛选出特征样本数据的步骤包括：
选取主成分分析算法作为预设分析算法；
以所述主成分分析算法确定预处理后的烟气样本数据中各样本数据的本征值，所述本征值为基于预处理后的烟气样本数据形成的特征空间的各个维度计算的方差比；
根据所述本征值从预处理后的烟气样本数据中选取方差比达到预设阈值的样本数据；
将所选取的方差比达到预设阈值的样本数据作为特征样本数据。
8.如权利要求4所述的烟气排放预测方法，其特征在于，所述对所述烟气样本数据执行预处理操作的步骤包括：
依次对所述烟气样本数据执行缺失值处理、异常值处理、去重处理、关联性验证处理和标准化处理操作，得到预处理后的烟气样本数据。
9.一种烟气排放预测系统，其特征在于，所述烟气排放预测系统包括存储器、处理器及存储在存储器上并可在处理器上运行的烟气排放预测程序，所述处理器执行所述烟气排放预测程序时实现权利要求1-8中任一项所述的烟气排放预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有烟气排放预测程序，所述烟气排放预测程序被处理器执行时实现如权利要求1-8中任一项所述的烟气排放预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010983200.9A CN112200350A (zh) | 2020-09-17 | 2020-09-17 | 烟气排放预测方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010983200.9A CN112200350A (zh) | 2020-09-17 | 2020-09-17 | 烟气排放预测方法、系统及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112200350A true CN112200350A (zh) | 2021-01-08 |
Family
ID=74015378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010983200.9A Pending CN112200350A (zh) | 2020-09-17 | 2020-09-17 | 烟气排放预测方法、系统及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200350A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114184232A (zh) * | 2021-12-10 | 2022-03-15 | 重庆大学 | 一种输电线路多参量集成监测系统 |
| WO2023059943A1 (en) * | 2021-10-07 | 2023-04-13 | Onetrust Llc | Generating action recommendations for modifying physical emission sources based on many simulations of different scenarios utilizing a modified gradient descent model |
| CN116773746A (zh) * | 2023-06-20 | 2023-09-19 | 连云港中星能源有限公司 | 烟气成分分析仪的数据记录系统及记录方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
| CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
| CN110807577A (zh) * | 2019-10-15 | 2020-02-18 | 中国石油天然气集团有限公司 | 污染排放预测方法及装置 |
| CN111144609A (zh) * | 2019-11-13 | 2020-05-12 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种锅炉废气排放预测模型建立方法、预测方法及装置 |
| CN111581581A (zh) * | 2020-04-23 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 多边界条件下SCR入口NOx浓度的检测方法和系统 |
-
2020
- 2020-09-17 CN CN202010983200.9A patent/CN112200350A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
| CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
| CN110807577A (zh) * | 2019-10-15 | 2020-02-18 | 中国石油天然气集团有限公司 | 污染排放预测方法及装置 |
| CN111144609A (zh) * | 2019-11-13 | 2020-05-12 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种锅炉废气排放预测模型建立方法、预测方法及装置 |
| CN111581581A (zh) * | 2020-04-23 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 多边界条件下SCR入口NOx浓度的检测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 尤安辛克莱: "《波动率交易》", 30 April 2013, 上海交通大学出版社 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023059943A1 (en) * | 2021-10-07 | 2023-04-13 | Onetrust Llc | Generating action recommendations for modifying physical emission sources based on many simulations of different scenarios utilizing a modified gradient descent model |
| WO2023059364A1 (en) * | 2021-10-07 | 2023-04-13 | Onetrust Llc | Generating action recommendations for modifying physical emissions sources utilizing a modified gradient descent model |
| WO2023059944A1 (en) * | 2021-10-07 | 2023-04-13 | Onetrust Llc | Generating forecasted emissions value modifications and monitoring for physical emissions sources utilizing machine-learning models |
| US11703844B2 (en) | 2021-10-07 | 2023-07-18 | One Trust Llc | Limiting usage of physical emissions sources by utilizing a modified gradient descent model |
| US11709485B2 (en) | 2021-10-07 | 2023-07-25 | Onetrust Llc | Generating forecasted emissions value modifications and monitoring for physical emissions sources utilizing machine-learning models |
| US12117819B2 (en) | 2021-10-07 | 2024-10-15 | Onetrust Llc | Modifying operation of physical emission sources using a modified gradient descent model |
| US12117820B2 (en) | 2021-10-07 | 2024-10-15 | Onetrust Llc | Generating forecasted emissions value modifications and monitoring for physical emissions sources utilizing machine-learning models |
| CN114184232A (zh) * | 2021-12-10 | 2022-03-15 | 重庆大学 | 一种输电线路多参量集成监测系统 |
| CN116773746A (zh) * | 2023-06-20 | 2023-09-19 | 连云港中星能源有限公司 | 烟气成分分析仪的数据记录系统及记录方法 |
| CN116773746B (zh) * | 2023-06-20 | 2024-01-30 | 连云港中星能源有限公司 | 烟气成分分析仪的数据记录系统及记录方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112200350A (zh) | 烟气排放预测方法、系统及计算机可读存储介质 | |
| WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
| US11301759B2 (en) | Detective method and system for activity-or-behavior model construction and automatic detection of the abnormal activities or behaviors of a subject system without requiring prior domain knowledge | |
| CN116559598B (zh) | 一种智慧配电网故障定位方法及系统 | |
| CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| CN115018348B (zh) | 基于人工智能的环境分析方法、系统、设备及存储介质 | |
| CN111200530A (zh) | 一种基于kpi指标进行根因分析的方法及装置 | |
| CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
| CN105844501A (zh) | 一种消费行为的风险控制系统及方法 | |
| CN114091930B (zh) | 业务指标预警方法、装置、电子设备和存储介质 | |
| CN114185760A (zh) | 系统风险评估方法及装置、充电设备运维检测方法 | |
| CN115511398A (zh) | 一种基于时间敏感网络的焊接质量智能检测方法及系统 | |
| CN112819107A (zh) | 基于人工智能的燃气调压设备故障预测方法 | |
| CN118013442A (zh) | 一种边缘计算的故障诊断方法及系统 | |
| Cong et al. | Anomaly detection and mode identification in multimode processes using the field Kalman filter | |
| CN115883424B (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
| CN109754186B (zh) | 基于能耗分析的概率计算方法及装置 | |
| JPH09233700A (ja) | 日最大需要電力予測の信頼性評価方法 | |
| CN115826636A (zh) | 一种cvd设备的压力控制方法及系统 | |
| CN115001940A (zh) | 一种基于人工智能的关联性安全态势分析方法 | |
| CN114330104A (zh) | 一种航天器在轨空间环境异常风险预测方法 | |
| KR20220138250A (ko) | 고농도 미세먼지 상황의 발생을 추론하기 위한 방법 및 전자 장치 | |
| CN113722230A (zh) | 针对模糊测试工具漏洞挖掘能力的集成化评估方法及装置 | |
| CN112862180A (zh) | 一种脱硝系统入口NOx浓度预测方法 | |
| Kordon et al. | On-line expert system for odor complaints in a refinery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |
|
| RJ01 | Rejection of invention patent application after publication |