CN113094986B - 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 - Google Patents

垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 Download PDF

Info

Publication number
CN113094986B
CN113094986B CN202110355816.6A CN202110355816A CN113094986B CN 113094986 B CN113094986 B CN 113094986B CN 202110355816 A CN202110355816 A CN 202110355816A CN 113094986 B CN113094986 B CN 113094986B
Authority
CN
China
Prior art keywords
flue gas
data
model
prediction
prediction model
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.)
Active
Application number
CN202110355816.6A
Other languages
English (en)
Other versions
CN113094986A (zh
Inventor
郭光召
曾晓东
仇志超
龚千代
吴宗菠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hanlan Green Electrostatic Solid Waste Treatment Foshan Co ltd
Original Assignee
Hanlan Green Electrostatic Solid Waste Treatment Foshan Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hanlan Green Electrostatic Solid Waste Treatment Foshan Co ltd filed Critical Hanlan Green Electrostatic Solid Waste Treatment Foshan Co ltd
Priority to CN202110355816.6A priority Critical patent/CN113094986B/zh
Publication of CN113094986A publication Critical patent/CN113094986A/zh
Application granted granted Critical
Publication of CN113094986B publication Critical patent/CN113094986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Incineration Of Waste (AREA)

Abstract

本发明公开了垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用，一种垃圾焚烧炉烟气中污染物排放量预测模型构建方法，包括以下步骤：步骤S1，数据获取和处理：选取数据区间，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行预处理，得到样本数据；步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量。所述垃圾焚烧炉烟气中污染物排放量预测模型构建方法，构建得到的预测模型能够对垃圾焚烧炉烟气中污染物的排放量进行实时预测，且进行提前预测的预测精度高，所述的垃圾焚烧炉烟气中污染物排放量预测模型的应用，预测效果的显示直观方便，有效指导生产人员提前介入调整烟气控制。

Description

垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用
技术领域
本发明涉及烟气排放预测技术领域，尤其涉及一种垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用。
背景技术
垃圾焚烧烟气净化工艺主要由脱酸、脱硝、除尘、除二噁英和重金属等各独立单元组成。在脱酸工艺中，主要是去除SO2、HCl等污染物，采用在反应塔中喷入除酸药剂(如消石灰、氧化钙、氢氧化钙制成溶液)，并在合适的温度下发生化学反应，达到脱酸排放的效果。在脱硝工艺中，主要是去除NOx，主要采用SNCR、SCR还原法。通过注入氨\尿素，在合适的温度中与NOx发生化学反应，从而达到脱硝排放的效果。去除二噁英、粉尘、重金属净化工艺，则主要采用活性炭喷射吸附加袋式除尘器技术，通过物理吸附的方式降低排放浓度。
当前脱酸和脱硝工艺均需要在合适的范围，特别是脱硝环节，一旦控制不当，喷氨过量，容易造成下游空预器堵塞，严重会影响停机，如果喷氨不足则容易造成环保超标，而在脱酸和脱硝工艺中，操作过程主要分为人工手动操作和PID自动调节两种模式，且以人工手动操作模式居多。人工操作模式主要是根据在最末端烟囱处检测到的烟气排放实时浓度指标，以及人工手工进行烟气净化工艺的操作，比如控制喷氨量、还原剂量等。PID自动调节模式主要是根据末端排放指标，通过PID反馈方式进行自动调节。但无论是人工手动操作模式，还是PID反馈模式，均属于负反馈调节机制，都无法解决烟气净化操作中的滞后性的问题，从而造成了以下几个问题：
(1)突发性的污染物排放超标：由于所有操作都是被动的滞后操作，对于焚烧变化带来的短期污染物排放超标，只能通过手工调节或者PID去增加环保制剂成本投放量，在对应期间内会造成污染物排放超标，如果总体超标次数过多，容易造成小时均值超标，从而不符合环保排放要求；
(2)环保制剂成本过高：因为操作人员不清楚后面的污染物指标排放情况，为了尽量保证环保指标不超标，因此经常以最大量模式去投放环保制剂，造成大部份情况下污染物排放指标远远优于国家\地方要求，形成了“过环保”现象，随之带来的是环保制剂成本的大量增加，大大提高了企业运营整体成本；
(3)难以精准控制：比如脱硝环节中，由于喷氨控制存在较大的滞后性，相比于较快变化的焚烧状态和烟气流速，致使喷氨量不能够对当前真实的污染物如NOx的变化做出反映，从而无法及时抑制NOx的变化，容易造成喷氨量的过量或不足的情况，脱硝控制效果不理想，难以实现污染物排放的精准的控制。
发明内容
针对背景技术提出的问题，本发明的目的在于提出一种垃圾焚烧炉烟气中污染物排放量预测模型构建方法，构建得到的预测模型能够对垃圾焚烧炉烟气中污染物的排放量进行实时预测，且进行提前预测的预测精度高，能够实现对人工操作的提前指导，解决了目前对烟气中污染物排放量的控制存在滞后性、无法提前指导污染物控制操作的问题；
本发明的另一目的在于提出所述的垃圾焚烧炉烟气中污染物排放量预测模型的应用，预测效果的显示直观方便，能够提前辅助人工对污染物排放的控制操作，有效指导生产人员提前介入调整烟气控制。
为达此目的，本发明采用以下技术方案：
一种垃圾焚烧炉烟气中污染物排放量预测模型构建方法，包括以下步骤：
步骤S1，数据获取和处理：选取数据区间，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行预处理，得到样本数据；
步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量，具体包括以下步骤：
步骤S21，初步原始特征变量和初步重构特征变量的确定：根据污染物的生成机理和对历史数据的分析，确定影响污染物排放量的影响因素，根据影响因素确定初步原始特征变量；根据污染物的生成机理和对历史数据的分析，对所述初步原始特征变量进行特征重构，确定初步重构特征变量；
步骤S22，用所述样本数据对各初步原始特征变量和初步重构特征变量进行相关性分析以及重要性计算，选取用于预测模型建立的原始特征变量和重构特征变量；
步骤S3，预测模型建立：用所述样本数据计算重构特征变量的数据值，与原始特征变量对应的历史数据一起形成预测训练样本，采用预测训练引擎进行数据建模训练，生成预测模型；
步骤S4，模型效果验证：对训练生成的预测模型进行效果验证，评估模型应用于实际的效果。
更进一步说明，当对垃圾焚烧炉烟气中NOx排放量进行预测模型构建时，所述步骤S22中用于预测模型建立的原始特征变量为进料器行程、过热蒸汽流量、省煤器后烟气含氧量、二次风机蒸预器出口空气母管流量、过热器入口烟温、省煤器进口集箱压力、炉汽包压力、一次风机入口空气流量、锅筒壁温、强制送风挡板开度、氨水调节阀开度、氨水流量、一次风室压力、第一辐射通道烟温和炉排温度；
所述步骤S22中用于预测模型建立的重构特征变量为一次风量/烟气含氧量均值和(一次风量+二次风量)/烟气含氧量均值。
更进一步说明，当对垃圾焚烧炉烟气中SO2排放量进行预测模型构建时，所述步骤S22中用于预测模型建立的原始特征变量为过热蒸汽流量、过热器出口集箱门后压力、一次风机入口空气流量、二次风机蒸预器出口空气母管流量、一次风室压力、省煤器后烟气含氧量、高温过热器入口烟温、反应塔进水流量输出和熟石灰输送压力反馈值输出；
所述步骤S22中用于预测模型建立的重构特征变量为一次风量/烟气含氧量均值和(一次风量+二次风量)/烟气含氧量均值。
更进一步说明，当对垃圾焚烧炉烟气中NH3逃逸排放量进行预测模型构建时，所述步骤S22中用于预测模型建立的原始特征变量为第一辐射通道出口烟温、锅筒壁温、一次风室压力、氨水流量、过热蒸汽流量、省煤器后烟气含氧量、烟气NOx折算浓度、一次风机入口空气流量和二次风机蒸预器出口空气母管流量；
所述步骤S22中用于预测模型建立的重构特征变量为一次风量/烟气含氧量均值、(一次风量+二次风量)/烟气含氧量均值和氨水流量/NOx浓度。
更进一步说明，所述步骤S22中，具体采用皮尔森相关系数对各初步原始特征变量和初步重构特征变量进行相关性分析，以及采用集成决策树的方式对各初步原始特征变量和初步重构特征变量进行重要性计算。
更进一步说明，所述步骤S1中，对所获取的历史数据进行预处理具体指对所获取的历史数据中的不合理数据进行清洗，所述不合理数据包括错误数据、异常数据和时间间隔不规范数据。
更进一步说明，所述步骤S3中，采用预测训练引擎进行数据建模训练之前还包括对数据进行对时间的一阶、二阶和三阶导数的高维变换。
更进一步说明，所述步骤S4中，采用平均绝对误差对训练生成的预测模型进行效果验证，具体方法为：
以预测精度P作为模型验证的评估效果指标，其中预测精度P＝1-预测值与实际真值的平均绝对误差/实际真值的均值。
更进一步说明，还包括根据步骤S4得到的预测模型的效果，对重构特征变量以及对数据建模训练的训练特征参数进行优化调整。
所述的垃圾焚烧炉烟气中污染物排放量预测模型的应用，包括以下步骤：
在线算法加载离线训练好的预测模型，同时将实时计算的原始特征变量数据值和重构特征变量的实时计算数据值接入模型进行计算，实时产生预测结果；
通过API接口将预测值发送到客户端显示界面，前端运行人员根据显示的预测结果进行提前调整。
与现有技术相比，本发明具有以下有益效果：
本发明通过根据污染物的生成机理和对样本数据的分析，确定影响污染物排放量的影响因素，根据影响因素(如烟度、风量、蒸汽负荷和烟气含氧量等)，确定初步原始特征变量，并对所述初步原始特征变量进行特征重构，确定初步重构特征变量，此外，通过用所述样本数据对各初步原始特征变量和初步重构特征变量进行相关性分析以及重要性计算，能够依据实际情况对小权重特征变量进行适当取舍，有利于提高模型的预测精准度，然后利用预测训练引擎进行数据建模训练，生成的预测模型能够对垃圾焚烧炉烟气中污染物的排放量进行实时预测，并对预测排放超标或者超低的现象进行提示预警，预测结果可以有效解决目前对烟气中污染物排放量的控制存在滞后性的问题，且进行提前预测的预测精度高，能够实现对人工操作的提前指导；
附图说明
附图对本发明做进一步说明，但附图中的内容不构成对本发明的任何限制。
图1是本发明一个实施例的垃圾焚烧炉烟气中污染物排放量预测模型构建方法的流程图；
图2是本发明一个实施例的垃圾焚烧炉烟气中NOx排放量预测模型构建中采用皮尔森相关系数进行相关性分析的矩阵图；
图3是本发明一个实施例的垃圾焚烧炉烟气中NOx排放量预测模型构建中采用集成决策树进行重要性计算的重要性分布图；
图4是本发明一个实施例的垃圾焚烧炉烟气中NOx排放量预测模型进行实时预测的效果曲线图；
图5是本发明一个实施例的垃圾焚烧炉烟气中SO2排放量预测模型构建中采用皮尔森相关系数进行相关性分析的矩阵图；
图6是本发明一个实施例的垃圾焚烧炉烟气中SO2排放量预测模型构建中采用集成决策树进行重要性计算的重要性分布图；
图7是本发明一个实施例的垃圾焚烧炉烟气中SO2排放量预测模型进行实时预测的效果曲线图；
图8是本发明一个实施例的垃圾焚烧炉烟气中NH3逃逸排放量预测模型构建中采用皮尔森相关系数进行相关性分析的矩阵图；
图9是本发明一个实施例的垃圾焚烧炉烟气中NH3逃逸排放量预测模型构建中采用集成决策树进行重要性计算的重要性分布图；
图10是本发明一个实施例的垃圾焚烧炉烟气中NH3逃逸排放量预测模型进行实时预测的效果曲线图。
具体实施方式
一种垃圾焚烧炉烟气中污染物排放量预测模型构建方法，包括以下步骤：
如图1所示，步骤S1，数据获取和处理：选取数据区间，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行预处理，得到样本数据；
步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量，具体包括以下步骤：
步骤S21，初步原始特征变量和初步重构特征变量的确定：根据污染物的生成机理和对历史数据的分析，确定影响污染物排放量的影响因素，根据影响因素确定初步原始特征变量；根据污染物的生成机理和对历史数据的分析，对所述初步原始特征变量进行特征重构，确定初步重构特征变量；
步骤S22，用所述样本数据对各初步原始特征变量和初步重构特征变量进行相关性分析以及重要性计算，选取用于预测模型建立的原始特征变量和重构特征变量；
步骤S3，预测模型建立：用所述样本数据计算重构特征变量的数据值，与原始特征变量对应的历史数据一起形成预测训练样本，采用预测训练引擎进行数据建模训练，生成预测模型；
步骤S4，模型效果验证：对训练生成的预测模型进行效果验证，评估模型应用于实际的效果。
需要说明的是，所述预测训练引擎采用阿里云预测训练引擎。
本发明通过根据污染物的生成机理和对样本数据的分析，确定影响污染物排放量的影响因素，根据影响因素(如风量、蒸汽负荷和烟气含氧量等)，确定初步原始特征变量，并对所述初步原始特征变量进行特征重构，确定初步重构特征变量，此外，通过用所述样本数据对各初步原始特征变量和初步重构特征变量进行相关性分析以及重要性计算，能够依据实际情况对小权重特征变量进行适当取舍，有利于提高模型的预测精准度，然后利用预测训练引擎进行数据建模训练，生成的预测模型能够对垃圾焚烧炉烟气中污染物的排放量进行实时预测，并对预测排放超标或者超低的现象进行提示预警，预测结果可以有效解决目前对烟气中污染物排放量的控制存在滞后性的问题，且进行提前预测的预测精度高，能够实现对人工操作的提前指导。
具体地，当对垃圾焚烧炉烟气中NOx排放量进行预测模型构建时，所述步骤S22中用于预测模型建立的原始特征变量为进料器行程、过热蒸汽流量、省煤器后烟气含氧量、二次风机蒸预器出口空气母管流量、过热器入口烟温、省煤器进口集箱压力、炉汽包压力、一次风机入口空气流量、锅筒壁温、强制送风挡板开度、氨水调节阀开度、氨水流量、一次风室压力、第一辐射通道烟温和炉排温度；所述步骤S22中用于预测模型建立的重构特征变量为一次风量/烟气含氧量均值和(一次风量+二次风量)/烟气含氧量均值。
目前，氮氧化物(NOx)是垃圾焚烧产生的主要烟气污染物，在垃圾焚烧过程中产生的NOx主要指NO和NO2，其中NO在较高温度下生成，并在空气中与O2或O3反应生成NO2。而在焚烧炉内，炉内的温度以及燃烧垃圾的化学组分是影响NO生成量的主要因素。根据氮元素来源和生成条件的不同，焚烧过程中产生的NOx又主要分为燃料型NOx、热力型NOx和快速型NOx三类：
(1)热力型NOx是由于空气中含有的氮和氧在高温条件下相互反应而产生的；(2)燃料型NOx是垃圾焚烧炉内NOx的主要产生途径，由垃圾中含氮的化合物被分解并氧化生成，主要经过三个转化过程，其(以生物质为例)迁移转化过程为在一次热解阶段，含氮有机化合物受热分解产生挥发分氮及半焦炭氮，包括一些低分子量的氮化物或，大分子挥发分氮冷凝后变成焦油氮。在热解产物的二次反应阶段，初级热解产物发生裂解、重构、脱水、缩合、聚合、氧化和气化等一系列自由基转化迁移的反应，焦油、半焦炭、大分子气体物质进一步发生裂解生成NH3、HCN、HNCO、N2、NO等气相氮物质，少部分形成焦炭氮。最后在热解产物燃烧阶段，气相氮和焦炭氮被氧化成NOx或N2；(3)瞬时型NOx是在高温条件下，燃料中的含碳氢化合物形成挥发物，分解后生成了CH自由基，氮气与之发生反应，生成HCN和N等中间产物基团。N原子再与O2反应生成NO，部分HCN分别与O2和NO反应生成NO和N2。因为这一反应过程反应速度很快，仅需要60ms，故称为瞬时型NOx，其受温度影响较小。
从NOx的生成机理上看，NOx的生成主要与燃烧过程、燃烧温度、含氧量相关联，炉温度越高，NOx生成量越大，炉温越低，NOx生成量越少，炉温也可以通过蒸汽负荷来间接反映整体燃烧情况；风量过多，烟气含氧量越高，则垃圾中的N与O2反应就越充分，生成NOx的量就会越多。风量越小，烟气含氧量越低，则垃圾中的N与O2反应就越缓慢，生成NOx的量就会降低。
通过根据NOx的生成机理和对样本数据的分析，确定影响NOx排放量的影响因素，根据影响因素(如炉温度、蒸汽负荷、烟气含氧量及风量等)确定初步原始特征变量，需要说明的是，初步原始特征变量包括与NOx排放量的影响因素相关的特征变量，对所述初步原始特征变量进行特征重构，确定初步重构特征变量，经过对各初步原始特征变量和初步重构特征变量进行相关性分析以及重要性计算后，选取用于预测模型建立的原始特征变量和重构特征变量，构建得到的预测模型能够对NOx的排放量进行有效的预测，其中，用于预测模型建立的重构特征变量可以辅助表征燃烧过程的剧烈程度。具体地，所述省煤器后烟气含氧量具体包括省煤器后左侧烟气含氧量和省煤器后右侧烟气含氧量，所述过热器入口烟温具体包括高温过热器左侧入口烟温、高温过热器右侧入口烟温和中温过热器左侧入口烟温，所述锅筒壁温具体包括锅筒左侧上壁温，所述第一辐射通道烟温具体包括第一辐射通道中部右侧烟温和第一辐射通道出口右侧烟温。通过根据焚烧炉设备中不同的位置将所述原始特征变量精确到如左侧或者右侧的特征，或者通道中以及通道出口的特征，避免不同位置的特征变量会出现偏差、从而使得特征变量的结果发生偏移的情况，保证了采用预测训练引擎进行数据建模训练的训练效果。
具体地，当对垃圾焚烧炉烟气中SO2排放量进行预测模型构建时，所述步骤S22中用于预测模型建立的原始特征变量为过热蒸汽流量、过热器出口集箱门后压力、一次风机入口空气流量、二次风机蒸预器出口空气母管流量、一次风室压力、省煤器后烟气含氧量、高温过热器入口烟温、反应塔进水流量输出和熟石灰输送压力反馈值输出；所述步骤S22中用于预测模型建立的重构特征变量为一次风量/烟气含氧量均值和(一次风量+二次风量)/烟气含氧量均值。
垃圾焚烧产生的主要烟气污染物还包括二氧化硫(SO2)，垃圾燃料中含有的少量的硫，在焚烧过程高温中随着挥发分热解释放，与氧气发生氧化反应，生成SO2和SO3。其中SO2的生成具有阶段性，前一阶段是由易挥发的有机硫分解形成，后一阶段是稳定性高的有机硫和无机硫反应生成。当空气系数小于1时，除生成SO2外，还会生成S、SO、HS等化合物，随后逐步氧化成SO2；而当空气系数大于1时，硫将全部生成SO2，约有0.5％～2％会被进一步氧化成SO3；另外，一般在单纯焚烧垃圾的情况下，尾气中SO2的含量很低，大约十几到几十毫克，而当以含硫煤或者燃油助燃垃圾焚烧时，尾气中SO2的含量会显著上升，SO2的生成主要与燃烧过程、含氧量相关联；
通过根据SO2的生成机理和对样本数据的分析，确定影响SO2排放量的影响因素，根据影响因素(如炉烟温、空气流量及烟气含氧量等)确定初步原始特征变量，需要说明的是，初步原始特征变量包括与SO2排放量的影响因素相关的特征变量，对所述初步原始特征变量进行特征重构，确定初步重构特征变量，经过对各初步原始特征变量和初步重构特征变量进行相关性分析以及重要性计算后，选取用于预测模型建立的原始特征变量和重构特征变量，构建得到的预测模型能够对SO2的排放量进行有效的预测。具体地，所述省煤器后烟气含氧量具体包括省煤器后左侧烟气含氧量和省煤器后右侧烟气含氧量，所述过热器入口烟温具体包括高温过热器左侧入口烟温和高温过热器右侧入口烟温。
具体地，当对垃圾焚烧炉烟气中NH3逃逸排放量进行预测模型构建时，所述步骤S22中用于预测模型建立的原始特征变量为第一辐射通道出口烟温、锅筒壁温、一次风室压力、氨水流量、过热蒸汽流量、省煤器后烟气含氧量、烟气NOx折算浓度、一次风机入口空气流量和二次风机蒸预器出口空气母管流量；所述步骤S22中用于预测模型建立的重构特征变量为一次风量/烟气含氧量均值、(一次风量+二次风量)/烟气含氧量均值和氨水流量/NOx浓度。
氨(NH3)逃逸是指烟气脱硝装置中烟气下游存在未参与还原反应的氨的现象。在SCR脱硝反应器中，NH3选择性催化还原烟气中NOx的主要化学反应为：
4NH3+4NO+O2＝4N2+6H2O (1)
4NH3+6NO＝5N2+6H2O (2)
4NH3+2NO2+O2＝3N2+6H2O (3)
8NH3+6NO2＝7N2+12H2O (4)
由于烟气中大部分NOx以NO形式存在，以上反应中主要以反应(1)为主，理论上1mol的NH3可以完全还原1mol的NO。氨逃逸率的高低主要受脱硝系统中喷氨量的影响，而喷氨量主要是根据固定氨氮摩尔比或脱硝系统的SCR出口NOx质量浓度的控制方式来调整。当系统由于催化剂效率降低或者锅炉状态波动，导致脱硝效率下降和出口检测NOx局部浓度上升，此时喷氨量会随之上调，未能参与反应的氨量上升，引起氨逃逸率的升高。引起氨逃逸率上升的具体原因包括：(1)每只氨喷枪喷氨流量分布不均，烟气中存在氨水局部分布不均，烟气流速不均匀，各喷枪出口的喷氨量差异较大，浓度高的地方氨逃逸相对高一些；(2)烟气温度，反应温度过低，NOx与氨的反应速率降低，会造成NH3的大量逃逸，但是，反应温度过高，氨又会额外生成NO，所以，NH3存在最佳的反应温度，在SNCR氨的最佳反应温度800至1100℃；SCR反应器是以活性成分为WO3和V2O5为催化剂蜂窝装模块，还原剂为来自上游SNCR系统的氨逃逸作为还原剂，在催化剂的作用下，氨水与NOx在315至380℃的温度区间内反应，生成氮气和水，达到脱硝的目的，如果温度过高过低达不到反应效果，势必增加氨逃逸；(3)催化剂堵塞，脱硝效率下降，为了保持环保参数不超标，会喷更多的氨，这将引起恶性循环，催化剂局部堵塞、性能老化，导致催化剂各处催化效率不同，为了控制出口参数，只能增加喷氨量，从而导致局部氨逃逸升高；(4)雾化风量偏小，喷枪雾化不好，氨水与烟气不能充分混合，将产生大量的氨逃逸；(5)氨水浓度，氨水浓度配置，浓度高低无法受控，需要凭着感觉进行配置，就目前C锅炉而言，基本上氨水浓度高，氨水调阀开度过小，雾化不好易自关，导致氨逃逸高，操作难度大；(6)燃烧波动时，SNCR入口烟气中的NOX浓度大幅波动，往往会加大喷氨量，机械地实现“达标排放”，过量的氨水，可导致氨逃逸增加，直接危及炉后设备和系统安全运行。
本发明通过根据NH3逃逸的机理和对样本数据的分析，确定影响NH3逃逸的影响因素，根据影响因素(如烟气温度和氨水流量等)确定初步原始特征变量，需要说明的是，初步原始特征变量包括与NH3逃逸的影响因素相关的特征变量，对所述初步原始特征变量进行特征重构，确定初步重构特征变量，经过对各初步原始特征变量和初步重构特征变量进行相关性分析以及重要性计算后，选取用于预测模型建立的原始特征变量和重构特征变量，构建得到的预测模型能够对NH3逃逸的排放量进行有效的预测。
具体地，所述第一辐射通道出口烟温具体为第一辐射通道右侧出口烟温，所述锅筒壁温具体包括锅筒左侧上壁温和锅筒左侧下壁温，所述省煤器后烟气含氧量具体包括省煤器后左侧烟气含氧量和省煤器后右侧烟气含氧量。
更进一步说明，所述步骤S22中，具体采用皮尔森相关系数对各初步原始特征变量和初步重构特征变量进行相关性分析，以及采用集成决策树的方式对各初步原始特征变量和初步重构特征变量进行重要性计算。
通过对各初步原始特征变量和初步重构特征变量进行特征与预测目标间的特性相关性分析，确定特征重要性分布，进行相关性分析可以验证数据与预测排放参数的相关性，此外，通过利用集成决策树的方式对各初步原始特征变量和初步重构特征变量进行重要性度量，从而选择重要性较高的特征变量，相关性分析和重要性计算作为选取用于预测模型建立的原始特征变量和重构特征变量的依据，提高模型的精度。其中，决策树是一种基本的分类与回归方法，模型呈树形结构。它可以认为是if-then规则的集合，优势在于构造过程不需要任何领域知识或参数设置。集成决策树就是把多棵决策树进行加权使用，共同给出最后的输出结果。
更进一步说明，所述步骤S1中，对所获取的历史数据进行预处理具体指对所获取的历史数据中的不合理数据进行清洗，所述不合理数据包括错误数据、异常数据和时间间隔不规范数据。
具体地，所述错误数据包括原始文件中填写不规范的数据，具体采用正则匹配的方法对所述错误数据进行纠正；所述异常数据包括nan空值数据和明显偏离数据范围的数据，具体采用差值的方法对数据值进行平滑替换；所述时间间隔不规范数据为时间间隔异常的数据，具体采用重采样的方法对数据进行均匀采样操作。通过对所获取的历史数据进行预处理，可以避免在模型构建时受到错误数据的影响，有效提高数据的质量，避免受到错误数据的影响使得预测模型的效果差的情况，保证了生成的预测模型的预测效果，且有效提高了预测模型的建模效率。
更进一步说明，所述步骤S3中，采用预测训练引擎进行数据建模训练之前还包括对数据进行对时间的一阶、二阶和三阶导数的高维变换。
预测引擎首先对数据进行对时间的一阶、二阶和三阶导数的高维变换，能够提取更多潜在信息(指数据直观无法体现深层变化信息)，以保证生成的预测模型的预测效果，变换完后采用预测训练引擎进行数据建模训练，具体地，对时间的一阶、二阶和三阶导数的高维变换分别体现为数据的变化速度、加速度、急动度(也称加加速度)。
更进一步说明，所述步骤S4中，采用平均绝对误差对训练生成的预测模型进行效果验证，具体方法为：以预测精度P作为模型验证的评估效果指标，其中预测精度P＝1-预测值与实际真值的平均绝对误差/实际真值的均值。
通过采用平均绝对误差的方法对训练生成的预测模型进行效果验证，当对垃圾焚烧炉烟气中连续测量的污染物进行效果验证时，需要根据污染物排放量的曲线波动情况进行相应的控制手段的调整，因此对预测的拟合度有一定的要求，平均绝对误差的方法可以较好的体现污染物排放量的预测拟合度，更合理地评估预测模型的预测效果。
更进一步说明，还包括根据步骤S4得到的预测模型的效果，对重构特征变量以及对数据建模训练的训练特征参数进行优化调整。通过根据对训练生成的预测模型进行效果验证得到的效果，即采用预测训练引擎进行数据建模训练的训练结果，对重构特征变量以及对进行数据建模训练的训练特征参数进行适当调整，以使预测模型的预测效果达到最优，提高预测模型的预测精度。
所述的垃圾焚烧炉烟气中污染物排放量预测模型的应用，包括以下步骤：
在线算法加载离线训练好的预测模型，同时将实时计算的原始特征变量数据值和重构特征变量的实时计算数据值接入模型进行计算，实时产生预测结果；
通过API接口将预测值发送到客户端显示界面，前端运行人员根据显示的预测结果进行提前调整。
烟气排放预测算法通过API的方式发布预测和报警结果，支持由第三方系统调取数据，在垃圾焚烧厂的生产场景中，污染物预测结果实时展示在部署于中控室平板电脑中的焚烧工艺算法页面上，以辅助工人现场进行生产。在线算法首先加载离线训练好的预测模型，同时将实时计算的原始特征变量的数据值和重构特征变量的实时值接入模型进行计算，实时产生预测结果；
具体地，通过API接口，将预测值发送到客户侧前端SAAS显示界面，前端运行人员根据SAAS显示的预测值进行相应的提前干预调整，达到提前调节的目的，预测效果的显示直观方便，能够提前辅助人工对污染物排放的控制操作，且预测模型的应用操作方便，有效指导生产人员提前介入调整烟气控制。
更进一步说明，在垃圾焚烧炉设备中应用数据上云的方法，采集来自DCS系统的设备测点数据，含历史数据及实时测点数据两部分。历史数据存储在DCS系统数据库中，通过调用SIS服务接口导出格式化的文本数据文件，然后通过Maxcompute提供的官方Tunnel数据上传工具进行一次性上传。数据上传至Maxcompute后以数据表的形式长期存储，从源数据库同步上云后的数据表，存储在数据仓库数据源层，用于后续的数据分析。
对于实时测点数据，由DCS数据服务软件提供DCS实时测点数据查询接口，由部署在现场的数采客户端软件调用获取测点数据后，发送至公有云端环境，实时同步设备数据至云上Datahub。实时数据同步至云上Datahub后，数据流向工业大脑进行算法建模和应用的同时，通过DataConnector，约每5分钟会将Datahub中的实时测点数据备份至Maxcompute，实现长期存储。
下面详细描述本发明的实施方式，实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
实施例1
一种垃圾焚烧炉烟气中NOx排放量预测模型构建方法，包括以下步骤：
步骤S1，数据获取和处理：选取SIS上对应的历史数据，数据区间为：2020.4.1-2020.7.31，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行中的不合理数据进行清洗，得到样本数据；
步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量，具体包括以下步骤：
步骤S21，初步原始特征变量和初步重构特征变量的确定：根据NOx的生成机理和对历史数据的分析，确定影响NOx排放量的影响因素，根据影响因素确定初步原始特征变量；根据NOx的生成机理和对历史数据的分析，对所述初步原始特征变量进行特征重构，确定初步重构特征变量；
步骤S22，用所述样本数据对各初步原始特征变量和初步重构特征变量进行相关性分析以及重要性计算；
其中，采用皮尔森相关系数对各初步原始特征变量和初步重构特征变量进行相关性分析得到的相关性矩阵如图2所示，特征“#1炉过热蒸汽流量信号”与NOx最为相关(r＝0.59)，“#1炉高温过热器入口烟温左侧信号”、“#1炉高温过热器入口烟温右侧信号”、“一次风/含氧量”等特征与NOx的相关性也超过了0.5；采用集成决策树的方式对各初步原始特征变量和初步重构特征变量进行重要性计算得到的重要性分布情况如图3所示，第一和第四列炉排温度也具有较强的相关特性，炉排温度间接反映了燃烧过程中的强弱程度。选取用于预测模型建立的原始特征变量和重构特征变量，最终选取的用于预测模型建立的原始特征变量的特征数据点如下表所示：
Figure BDA0003003757680000171
Figure BDA0003003757680000181
其中，NO.1进料器行程PV指对垃圾进行推料的进料器的形成，#1炉一次风室压力1指第一和第二列炉排的风室压力，#1炉一次风室压力2指第三和第四列炉排的风室压力，炉排温度1、炉排温度2、炉排温度3和炉排温度4分别指第一列炉排温度、第二列炉排温度、第三列炉排温度和第四列炉排温度；
确定的重构特征变量如下表所示：
序号 点名
1 #1炉一次风量/烟气含氧量均值
2 #1炉(一次风量+二次风量)/烟气含氧量均值
其中，烟气含氧量均值指炉省煤器后左侧烟气含氧量与炉省煤器后右侧烟气含氧量的平均值；
步骤S3，预测模型建立：用所述样本数据计算重构特征变量的数据值，与原始特征变量对应的历史数据一起形成预测训练样本，数据采样周期为10s，预测训练引擎对数据进行对时间的一阶、二阶和三阶导数的高维变换：
Figure BDA0003003757680000182
Figure BDA0003003757680000183
Figure BDA0003003757680000184
Figure BDA0003003757680000185
变换完后采用预测训练引擎进行数据建模训练，生成预测模型，经过多次测试数据对比，确定了训练特征参数如下表所示：
Figure BDA0003003757680000186
Figure BDA0003003757680000191
步骤S4，模型效果验证：对训练生成的预测模型进行效果验证，评估模型应用于实际的效果，具体方法为：以预测精度P作为模型验证的评估效果指标，其中预测精度P＝1-预测值与实际真值的平均绝对误差/实际真值的均值。选取近1个月的预测数据与实际NOx数据进行评估计算，其平均绝对误差约为8.2，NOx均值约为83mg/Nm3,其性能指标为：P＝1-8.2/83≈90％，即3分钟NOx预测准确性能达到90％，整体精度较好，能够满足实际应用需求，实时预测效果曲线如图4所示，从图中实时预测数据运行结果看，NOx预测值趋势超前于实际值，能够提前预测出未来180s后的NOx变化趋势。
实施例2
一种垃圾焚烧炉烟气中SO2排放量预测模型构建方法，包括以下步骤：
步骤S1，数据获取和处理：选取SIS上对应的历史数据，数据区间为：2020.4.1-2020.7.31，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行中的不合理数据进行清洗，得到样本数据；
步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量，具体包括以下步骤：
步骤S21，初步原始特征变量和初步重构特征变量的确定：根据SO2的生成机理和对历史数据的分析，确定影响SO2排放量的影响因素，根据影响因素确定初步原始特征变量；根据SO2的生成机理和对历史数据的分析，对所述初步原始特征变量进行特征重构，确定初步重构特征变量；
步骤S22，用所述样本数据对各初步原始特征变量和初步重构特征变量进行相关性分析以及重要性计算；
其中，采用皮尔森相关系数对各初步原始特征变量和初步重构特征变量进行相关性分析得到的相关性矩阵如图5所示，皮尔森相关系数并未体现出SO2与特征量间特别强的相关性；采用集成决策树的方式对各初步原始特征变量和初步重构特征变量进行重要性计算得到的重要性分布情况如图6所示，过热蒸汽流量信号、烟气含氧量等特征量在SO2预测特征数据中重要程度较高。选取用于预测模型建立的原始特征变量和重构特征变量，最终选取的用于预测模型建立的原始特征变量的特征数据点如下表所示：
序号 点名 点描述
1 B1DRL #1炉过热蒸汽流量信号
2 B1_PRA-110B #1炉过热器出口集箱门后压力信号
3 B1_FR-131 #1炉一次风机入口空气流量信号
4 B1_FIR-146 #1炉二次风机蒸预器出口空气母管流量信号
5 B1_PI-136A #1炉一次风室压力1
6 B1_PI-136B #1炉一次风室压力2
7 B1_ARCA-125L #1炉省煤器后烟气含氧量检测左侧信号
8 B1_ARCA-125R #1炉省煤器后烟气含氧量检测右侧信号
9 B1_TR-120L #1炉高温过热器入口烟温左侧信号
10 B1_TR-120R #1炉高温过热器入口烟温右侧信号
11 WaterFlow_C1_PVOut 反应塔1进水流量输出
12 1#熟石灰输送压力_PV 1炉熟石灰输送压力反馈值输出
其中，#1炉一次风室压力1指第一和第二列炉排的风室压力，#1炉一次风室压力2指第三和第四列炉排的风室压力；
确定的重构特征变量如下表所示：
序号 点名
1 #1炉一次风量/烟气含氧量均值
2 #1炉(一次风量+二次风量)/烟气含氧量均值
其中，烟气含氧量均值指炉省煤器后左侧烟气含氧量与炉省煤器后右侧烟气含氧量的平均值；
步骤S3，预测模型建立：用所述样本数据计算重构特征变量的数据值，与原始特征变量对应的历史数据一起形成预测训练样本，数据采样周期为10s，预测训练引擎对数据进行对时间的一阶、二阶和三阶导数的高维变换：
Figure BDA0003003757680000211
Figure BDA0003003757680000212
Figure BDA0003003757680000213
Figure BDA0003003757680000214
变换完后采用预测训练引擎进行数据建模训练，生成预测模型，经过多次测试数据对比，确定了训练特征参数如下表所示：
序号 参数 值
1 特征数据时长(s) 300
2 预测时长(s) 180s
3 测试数据占比(％) 20％
4 模型深度(层) 10
5 预测执行周期(s) 10
步骤S4，模型效果验证：对训练生成的预测模型进行效果验证，评估模型应用于实际的效果，具体方法为：以预测精度P作为模型验证的评估效果指标，其中预测精度P＝1-预测值与实际真值的平均绝对误差/实际真值的均值。选取近1个月的预测数据与实际SO2数据进行评估计算，其平均绝对误差约为3.2，SO2均值约为16.5mg/Nm3,其性能指标为：P＝1-3.2/16.5≈81％，即3分钟SO2预测准确性能达到80％以上，整体精度较好，能够满足实际应用需求，实时预测效果曲线如图7所示，从图中实时预测数据运行结果看，SO2预测值趋势超前于实际值，能够提前预测出未来180s后的SO2变化趋势。
实施例3
一种垃圾焚烧炉烟气中NH3逃逸排放量预测模型构建方法，包括以下步骤：
步骤S1，数据获取和处理：选取SIS上对应的历史数据，数据区间为：2020.4.1-2020.7.31，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行中的不合理数据进行清洗，得到样本数据；
步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量，具体包括以下步骤：
步骤S21，初步原始特征变量和初步重构特征变量的确定：根据NH3逃逸的机理和对历史数据的分析，确定影响NH3逃逸的影响因素，根据影响因素确定初步原始特征变量；根据NH3逃逸的机理和对历史数据的分析，对所述初步原始特征变量进行特征重构，确定初步重构特征变量；
步骤S22，用所述样本数据对各初步原始特征变量和初步重构特征变量进行相关性分析以及重要性计算；
其中，采用皮尔森相关系数对各初步原始特征变量和初步重构特征变量进行相关性分析得到的相关性矩阵如图8所示，最后一行代表氨逃逸率和其它参数的皮尔森相关系数矩阵，从皮尔森相关系数矩阵看，氨逃逸率含量与左、右侧上壁温倒数以及第一辐射通道出口右侧烟温的倒数成负相关(r分别为-0.28，-0.28，-0.28)；与左、右侧上壁温及第一辐射通道出口右侧烟温成正相关。此外，与风室压力、氨水流量与过热蒸汽流量、氨水/烟气中的NOx含量也成正相关；采用集成决策树的方式对各初步原始特征变量和初步重构特征变量进行重要性计算得到的重要性分布情况如图9所示，烟气中NOx折算浓度、氨水流量为预测氨逃逸率中最重要的两个特征，风室压力、蒸汽流量等特征量在氨逃逸率预测特征数据中重要程度也较高。选取用于预测模型建立的原始特征变量和重构特征变量，最终选取的用于预测模型建立的原始特征变量的特征数据点如下表所示：
序号 点名 点描述
1 B1_TRA-118R #1炉第一辐射通道出口烟温右侧信号
2 B1_TI-111LA #1炉锅筒左侧上壁温信号
3 B1_TI-111LB #1炉锅筒左侧下壁温信号
4 B1_PI-136A #1炉一次风室压力1
5 B1_PI-136B #1炉一次风室压力2
6 AS_LL_1 氨水流量
7 B1DRL #1炉过热蒸汽流量信号
8 B1_ARCA-125L #1炉省煤器后烟气含氧量检测左侧信号
9 B1_ARCA-125R #1炉省煤器后烟气含氧量检测右侧信号
10 CEMS_B1_NOx #1炉烟气NOx折算浓度
11 B1_FR-131 #1炉一次风机入口空气流量信号
12 B1_FIR-146 #1炉二次风机蒸预器出口空气母管流量信号
其中，#1炉一次风室压力1指第一和第二列炉排的风室压力，#1炉一次风室压力2指第三和第四列炉排的风室压力；
确定的重构特征变量如下表所示：
序号 点名
1 #1炉一次风量/烟气含氧量均值
2 #1炉(一次风量+二次风量)/烟气含氧量均值
3 氨水流量/NOx浓度
其中，烟气含氧量均值指炉省煤器后左侧烟气含氧量与炉省煤器后右侧烟气含氧量的平均值；
步骤S3，预测模型建立：用所述样本数据计算重构特征变量的数据值，与原始特征变量对应的历史数据一起形成预测训练样本，数据采样周期为10s，预测训练引擎对数据进行对时间的一阶、二阶和三阶导数的高维变换：
Figure BDA0003003757680000241
Figure BDA0003003757680000242
Figure BDA0003003757680000243
Figure BDA0003003757680000244
变换完后采用预测训练引擎进行数据建模训练，生成预测模型，经过多次测试数据对比，确定了训练特征参数如下表所示：
序号 参数 值
1 特征数据时长(s) 300
2 预测时长(s) 180s
3 测试数据占比(％) 20％
4 模型深度(层) 10
5 预测执行周期(s) 10
步骤S4，模型效果验证：对训练生成的预测模型进行效果验证，评估模型应用于实际的效果，具体方法为：以预测精度P作为模型验证的评估效果指标，其中预测精度P＝1-预测值与实际真值的平均绝对误差/实际真值的均值。选取近1个月的预测数据与实际SO2数据进行评估计算，其平均绝对误差约为0.93，SO2均值约为20ppm,其性能指标为：P＝1-0.93/20≈95％，即3分钟NH3逃逸预测准确性能达到95％，整体精度较好，能够满足实际应用需求，实时预测效果曲线如图10所示，从图中实时预测数据运行结果看，NH3逃逸预测值趋势超前于实际值，能够提前预测出未来180s后的NH3逃逸变化趋势。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种垃圾焚烧炉烟气中污染物排放量预测模型构建方法，其特征在于，包括以下步骤：
步骤S1，数据获取和处理：选取数据区间，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行预处理，得到样本数据；
步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量，具体包括以下步骤：
步骤S21，初步原始特征变量和初步重构特征变量的确定：根据污染物的生成机理和对历史数据的分析，确定影响污染物排放量的影响因素，根据影响因素确定初步原始特征变量；根据污染物的生成机理和对历史数据的分析，对所述初步原始特征变量进行特征重构，确定初步重构特征变量，所述重构特征变量用于辅助表征燃烧过程的剧烈程度；
步骤S22，用所述样本数据对各初步原始特征变量和初步重构特征变量进行相关性分析以及重要性计算，选取用于预测模型建立的原始特征变量和重构特征变量；
所述步骤S22中，具体采用皮尔森相关系数对各初步原始特征变量和初步重构特征变量进行相关性分析，以及采用集成决策树的方式对各初步原始特征变量和初步重构特征变量进行重要性计算；
步骤S3，预测模型建立：用所述样本数据计算重构特征变量的数据值，与原始特征变量对应的历史数据一起形成预测训练样本，采用预测训练引擎进行数据建模训练，生成预测模型；
步骤S4，模型效果验证：对训练生成的预测模型进行效果验证，评估模型应用于实际的效果。
2.根据权利要求1所述的垃圾焚烧炉烟气中污染物排放量预测模型构建方法，其特征在于，当对垃圾焚烧炉烟气中NOx排放量进行预测模型构建时，所述步骤S22中用于预测模型建立的原始特征变量为进料器行程、过热蒸汽流量、省煤器后烟气含氧量、二次风机蒸预器出口空气母管流量、过热器入口烟温、省煤器进口集箱压力、炉汽包压力、一次风机入口空气流量、锅筒壁温、强制送风挡板开度、氨水调节阀开度、氨水流量、一次风室压力、第一辐射通道烟温和炉排温度；
所述步骤S22中用于预测模型建立的重构特征变量为一次风量/烟气含氧量均值和（一次风量+二次风量）/烟气含氧量均值。
3.根据权利要求1所述的垃圾焚烧炉烟气中污染物排放量预测模型构建方法，其特征在于，当对垃圾焚烧炉烟气中SO2排放量进行预测模型构建时，所述步骤S22中用于预测模型建立的原始特征变量为过热蒸汽流量、过热器出口集箱门后压力、一次风机入口空气流量、二次风机蒸预器出口空气母管流量、一次风室压力、省煤器后烟气含氧量、高温过热器入口烟温、反应塔进水流量输出和熟石灰输送压力反馈值输出；
所述步骤S22中用于预测模型建立的重构特征变量为一次风量/烟气含氧量均值和（一次风量+二次风量）/烟气含氧量均值。
4.根据权利要求1所述的垃圾焚烧炉烟气中污染物排放量预测模型构建方法，其特征在于，当对垃圾焚烧炉烟气中NH3逃逸排放量进行预测模型构建时，所述步骤S22中用于预测模型建立的原始特征变量为第一辐射通道出口烟温、锅筒壁温、一次风室压力、氨水流量、过热蒸汽流量、省煤器后烟气含氧量、烟气NOx折算浓度、一次风机入口空气流量和二次风机蒸预器出口空气母管流量；
所述步骤S22中用于预测模型建立的重构特征变量为一次风量/烟气含氧量均值、（一次风量+二次风量）/烟气含氧量均值和氨水流量/NOx浓度。
5.根据权利要求1所述的垃圾焚烧炉烟气中污染物排放量预测模型构建方法，其特征在于，所述步骤S1中，对所获取的历史数据进行预处理具体指对所获取的历史数据中的不合理数据进行清洗，所述不合理数据包括错误数据、异常数据和时间间隔不规范数据。
6.根据权利要求1所述的垃圾焚烧炉烟气中污染物排放量预测模型构建方法，其特征在于，所述步骤S3中，采用预测训练引擎进行数据建模训练之前还包括对数据进行对时间的一阶、二阶和三阶导数的高维变换。
7.根据权利要求1所述的垃圾焚烧炉烟气中污染物排放量预测模型构建方法，其特征在于，所述步骤S4中，采用平均绝对误差对训练生成的预测模型进行效果验证，具体方法为：
以预测精度P作为模型验证的评估效果指标，其中预测精度P=1-预测值与实际真值的平均绝对误差/实际真值的均值。
8.根据权利要求1所述的垃圾焚烧炉烟气中污染物排放量预测模型构建方法，其特征在于，还包括根据步骤S4得到的预测模型的效果，对重构特征变量以及对数据建模训练的训练特征参数进行优化调整。
9.根据权利要求1～8任意一项所述的垃圾焚烧炉烟气中污染物排放量预测模型的应用，其特征在于，包括以下步骤：
在线算法加载离线训练好的预测模型，同时将实时计算的原始特征变量数据值和重构特征变量的实时计算数据值接入模型进行计算，实时产生预测结果；
通过API接口将预测值发送到客户端显示界面，前端运行人员根据显示的预测结果进行提前调整。
CN202110355816.6A 2021-04-01 2021-04-01 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 Active CN113094986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110355816.6A CN113094986B (zh) 2021-04-01 2021-04-01 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110355816.6A CN113094986B (zh) 2021-04-01 2021-04-01 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用

Publications (2)

Publication Number Publication Date
CN113094986A CN113094986A (zh) 2021-07-09
CN113094986B true CN113094986B (zh) 2022-01-18

Family

ID=76672463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110355816.6A Active CN113094986B (zh) 2021-04-01 2021-04-01 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用

Country Status (1)

Country Link
CN (1) CN113094986B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113776066B (zh) * 2021-09-16 2024-06-28 南方电网电力科技股份有限公司 一种垃圾焚烧锅炉脱酸控制方法及相关装置
CN114159968B (zh) * 2021-12-10 2023-09-26 山西大学 一种电厂烟气重金属多污染物协同控制的预测方法
CN114543100A (zh) * 2022-02-10 2022-05-27 华南理工大学 一种垃圾焚烧炉二次污染物炉内耦合脱除系统及控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4622922A (en) * 1984-06-11 1986-11-18 Hitachi, Ltd. Combustion control method
CN106611090A (zh) * 2016-12-31 2017-05-03 中国科学技术大学 一种基于重构深度学习的道边空气污染物浓度预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107356710A (zh) * 2017-07-06 2017-11-17 环境保护部华南环境科学研究所 一种垃圾焚烧烟气中二噁英类浓度预测方法及系统
CN109190848B (zh) * 2018-10-17 2024-06-07 大唐环境产业集团股份有限公司 一种基于时延预估的SCR系统NOx排放浓度预测方法
EP3736646A1 (en) * 2019-05-09 2020-11-11 Siemens Schweiz AG Method and controller for controlling a chiller plant for a building and chiller plant
CN110135057B (zh) * 2019-05-14 2021-03-02 北京工业大学 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法
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
CN111832222B (zh) * 2020-06-28 2023-07-25 成都佳华物链云科技有限公司 一种污染物浓度的预测模型训练方法、预测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4622922A (en) * 1984-06-11 1986-11-18 Hitachi, Ltd. Combustion control method
CN106611090A (zh) * 2016-12-31 2017-05-03 中国科学技术大学 一种基于重构深度学习的道边空气污染物浓度预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于PCA固体垃圾焚烧炉的早期故障诊断;黄建超等;《化工进展》;20061231;第25卷(第12期);全文 *

Also Published As

Publication number Publication date
CN113094986A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113094986B (zh) 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用
CN107243257B (zh) 适合全负荷的智能喷氨控制系统
CN106681381A (zh) 一种基于智能前馈信号的scr脱硝系统喷氨量优化控制系统及方法
CN112580250A (zh) 基于深度学习的火电机组脱硝系统及优化控制方法
CN110263452B (zh) 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统
CN105116855B (zh) 一种烟气循环流化床脱硫的优化控制方法
US7712306B2 (en) Dynamic control of selective non-catalytic reduction system for semi-batch-fed stoker-based municipal solid waste combustion
CN113433911B (zh) 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法
CN105069185A (zh) 一种利用烟气压差法建立空预器清洁因子计算模型的方法及应用
CN111026017A (zh) 垃圾焚烧厂尾气处理的双工艺联合脱硝连锁控制系统
CN113065765A (zh) 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用
CN203816509U (zh) 低温焦炉废气脱硫脱硝系统
CN106621738A (zh) 一种降低脱硝逃逸氨控制方法
CN115685743A (zh) 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法
Yin et al. Optimized fluegas denitrification control strategy to enhance SCR performance during load-cycling transient processes in coal-fired power plants
CN109933884B (zh) 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法
CN110652856B (zh) 一种基于模型的sncr控制系统
CN114218760A (zh) 焚烧炉二次污染物排放量预测模型的构建方法及装置
CN105953251A (zh) 烟气再循环节能减排智能装置和控制方法
CN205783024U (zh) 烟气再循环节能减排智能装置
CN214233498U (zh) 一种双pid的循环流化床锅炉sncr控制系统
CN207999828U (zh) 一种低nox排放的垃圾焚烧炉燃烧系统
CN113217941B (zh) 空预器堵塞预测与喷水喷氨优化防堵方法
CN116146983B (zh) 用于燃煤锅炉掺烧负荷调变的固废自适应热解系统及方法
CN218599730U (zh) 垃圾焚烧炉装置及垃圾焚烧炉防腐蚀自动控制系统

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
GR01 Patent grant
GR01 Patent grant