CN113537695B - 垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法 - Google Patents
垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法 Download PDFInfo
- Publication number
- CN113537695B CN113537695B CN202110592723.5A CN202110592723A CN113537695B CN 113537695 B CN113537695 B CN 113537695B CN 202110592723 A CN202110592723 A CN 202110592723A CN 113537695 B CN113537695 B CN 113537695B
- Authority
- CN
- China
- Prior art keywords
- flue gas
- power plant
- incineration power
- risk
- node
- 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
Links
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 131
- 239000003546 flue gas Substances 0.000 title claims abstract description 131
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 121
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 121
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 22
- 238000004056 waste incineration Methods 0.000 claims abstract description 68
- 239000000779 smoke Substances 0.000 claims abstract description 28
- 230000002265 prevention Effects 0.000 claims abstract description 14
- 238000012954 risk control Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 11
- 230000002950 deficient Effects 0.000 claims description 10
- 239000003517 fume Substances 0.000 claims description 9
- 239000002994 raw material Substances 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000012550 audit Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000032683 aging Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000010234 longitudinal analysis Methods 0.000 claims description 3
- 239000000356 contaminant Substances 0.000 claims description 2
- 230000006698 induction Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 208000028659 discharge Diseases 0.000 description 46
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- HGUFODBRKLSHSI-UHFFFAOYSA-N 2,3,7,8-tetrachloro-dibenzo-p-dioxin Chemical compound O1C2=CC(Cl)=C(Cl)C=C2OC2=C1C=C(Cl)C(Cl)=C2 HGUFODBRKLSHSI-UHFFFAOYSA-N 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明公开一种垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，包括如下步骤：识别垃圾焚烧发电厂目标风险控制事故、识别导致目标控制风险事故发生的风险因子、构建“垃圾焚烧发电厂烟气污染物过量排放”事故树模型与化简处理、将“垃圾焚烧发电厂烟气污染物过量排放”事故树转化为贝叶斯网络模型、基于“垃圾焚烧发电厂烟气污染物过量排放”贝叶斯网络模型的风险量化评估、确定关键风险因子，采取防控措施。本发明为垃圾焚烧发电厂烟气污染物过量排放关键风险因子识别、减少烟气污染物排放提供科学有效的新方法和新途经，同时为垃圾焚烧发电行业环境风险防控和管理提供了科学有效理论和决策支持。
Description
技术领域
本发明涉及烟气污染物排放环境风险评估技术，尤其是指一种垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法。
背景技术
近年来，中国垃圾焚烧发电逐渐取代卫生填埋成为城市垃圾主流处理模式，但垃圾焚烧产生的NOX、SO2、PM、二噁英等烟气污染物若处理不当则会对生态环境和人体健康构成严重的潜在危害。相比先进的垃圾焚烧发电厂，部分电厂由于技术、设备、管理等方面较为落后，存在较为严重的烟气污染物过量排放环境污染问题，并因此引发了一系列群众抗议的“邻避效应”事件。以往有关垃圾焚烧发电厂烟气污染物致因机理的研究均是从化学反应机理、工程技术原理等复杂、专业的角度出发，但是未能综合技术、设备和管理等角度全方位分析垃圾焚烧发电厂烟气污染物过量排放致因机理。
若开发出一种能简单、有效地为政府、企业和公众全面阐明和揭示垃圾焚烧发电厂烟气污染物过量排放的致因机理并利于他们了解并熟知的评估方法，对于垃圾焚烧发电厂烟气污染物减排、政府制定垃圾焚烧行业烟气污染相关政策以及解决“邻避效应”问题具有非常重要的科学和现实意义。
发明内容
有鉴于此，本发明针对现有技术存在之缺失，其主要目的是提供一种垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，其为垃圾焚烧发电厂烟气污染物过量排放关键风险因子识别、减少烟气污染物排放提供科学有效的新方法和新途经，同时为垃圾焚烧发电行业环境风险防控和管理提供了科学有效理论和决策支持。
为实现上述目的，本发明采用如下之技术方案：
一种垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，包括有如下步骤
步骤1：识别垃圾焚烧发电厂目标风险控制事故T；
步骤2：识别导致目标控制风险事故T发生的风险因子；
步骤3：构建“垃圾焚烧发电厂烟气污染物过量排放”事故树模型与化简处理；
步骤4：将“垃圾焚烧发电厂烟气污染物过量排放”事故树转化为贝叶斯网络BN模型；
步骤5：基于“垃圾焚烧发电厂烟气污染物过量排放”贝叶斯网络模型的风险量化评估；
步骤6：确定关键风险因子，采取防控措施。
作为一种优选方案，步骤1中，首先通过若干垃圾焚烧发电厂历史运行管理数据结合具体电厂清洁生产审核研究技术资料，确定量化评估对象为“垃圾焚烧发电厂烟气污染物过量排放”因果系统；
鉴于垃圾焚烧发电厂烟气污染物过量排放会对生态环境和人体健康造成严重的潜在危害，确定具体分析对象和目标控制风险事故T为“垃圾焚烧发电厂烟气污染物过量排放”。
作为一种优选方案，步骤2中，通过调研垃圾焚烧发电厂设备、技术和管理等方面的若干历史数据和资料并结合具体电厂清洁生产审核研究技术资料辨识导致“垃圾焚烧厂烟气污染物过量排放T”发生的风险因子。
作为一种优选方案，步骤3中，基于事故树理论进行逻辑演绎推理，对导致“垃圾焚烧发电厂烟气污染物过量排放”的风险因子进行逐层逻辑排列，直至“垃圾焚烧发电厂烟气污染物过量排放”事故树的纵向分析程度到达基本事件为止，构建“垃圾焚烧发电厂烟气污染物过量排放”事故树模型。
作为一种优选方案，所述“垃圾焚烧发电厂烟气污染物过量排放”事故树模型包括如下的事件类型：顶上事件、中间事件及基本事件，其中，顶上事件为“垃圾焚烧发电厂烟气污染物过量排放T”；
中间事件为“使用不合格的烟气污染物处理原料M1”、“使用有缺陷的烟气处理设备M2”、“烟气直接排放M3”、“垃圾焚烧不充分M4”、“利益驱动M5”、“设备故障M6”、“焚烧炉工况不佳M7”；
基本事件为“对于原料的不严格监管X1”、“烟气处理工艺落后X2”、“未运行烟气处理设备X3”、“在线监测不严格监管X4”、“垃圾成分复杂X5”、“非法销售X6”、“市场需求X7”、“烟气处理设备老化X8”、“设备维护不足X9”、“未添加辅助燃料X10”、“焚烧温度≤850℃X11”；
每个中间事件受一个以上的相应基本事件直接关联；
当中间事件“使用不合格的烟气污染物处理原料M1”、“使用有缺陷的烟气处理设备M2”、“烟气直接排放M3”、“垃圾焚烧不充分M4”中有一个发生时，就会导致顶上事件“垃圾焚烧发电厂烟气污染物过量排放T”的发生；对于中间事件“使用不合格的烟气污染物处理原料M1”、“烟气直接排放M3”、“利益驱动M5”、“设备故障M6”、“焚烧炉工况不佳M7”，当与它们直接关联的基本事件同时发生时，就会导致它们发生；对于中间事件“使用有缺陷的烟气处理设备M2”、“垃圾焚烧不充分M4”，与它们直接关联的基本事件中有一个发生时就会导致它们发生。
将“垃圾焚烧发电厂烟气污染物过量排放”事故树模型简化处理：
结合最小割集理念确定导致顶上事件“垃圾焚烧发电厂烟气污染物过量排放T”发生的六种基本事件组合方式，第1种包含有“对于原料的不严格监管X1”、“非法销售X6”、“市场需求X7”，第2种包含有“烟气处理工艺落后X2”，第3种包含有“烟气处理设备老化X8”、“设备维护不足X9”，第4种包含有“未运行烟气处理设备X3”、“在线监测不严格监管X4”，第5种包含有“垃圾成分复杂X5”，第6种包含有“未添加辅助燃料X10”、“焚烧温度≤850℃X11”；任一一种组合方式中的基本事件全部发生时，就会诱发垃圾焚烧发电厂烟气污染物过量排放目标控制风险事故。
作为一种优选方案，步骤4中，根据事故树和贝叶斯网络原理，事故树映射到贝叶斯网络上的过程如下：
首先是图形转化，事故树的顶上事件、中间事件和基本事件分别相应转化贝叶斯网络的叶节点、中间节点和根节点，用单向箭头将节点联系起来，箭头的起始节点为原因节点，箭头指向的节点为结果节点；
其次是参数转化，将基本事件的发生概率作为根节点的先验概率，事件间的逻辑关系转化为条件概率，最终得到“垃圾焚烧发电厂烟气污染物过量排放”贝叶斯网络模型。
获取基本事件的发生概率时，在若干垃圾焚烧发电厂数据抽取与归纳的基础上结合模糊集合理论将基本事件的发生概率表述为三角模糊数，综合事件发生概率的技术统计与数据抽取耦合α-加权估值解模糊，采用的公式如下所示：
式(1)中为专家的综合意见，/>表示第n个专家表述基本事件Xi的发生概率的三角模糊数，l'Xi,m'Xi,u'Xi分别代表基本事件Xi的发生概率的下边界，中值和上边界，式(2)中P(Xi)为基本事件Xi的发生概率，进而可以转化为根节点Xi的先验概率。
作为一种优选方案，步骤5中，先通过“垃圾焚烧发电厂烟气污染物过量排放”贝叶斯网络模型的双向分析功能评估计算节点的发生概率，正向预测未知变量的先验概率；在已知证据的情况下反向诊断获得根节点的后验概率，后验概率越大，则越需要及时采取措施进行防控；
其次进行重要度分析，采用伯恩鲍姆重要度系数IBIM(Xi)衡量根节点Xi对叶节点“垃圾焚烧发电厂烟气污染物过量排放T”的贡献和影响程度，若IBIM(Xa)＞IBIM(Xb)，则根节点Xa比Xb对垃圾焚烧发电厂烟气污染物过量排放的影响程度更大。
作为一种优选方案，正向预测计算公式如式(3)所示，反向诊断计算公式如式(4)所示：
式(3)中，P(A)为BN网络中节点A的先验概率，P(Bi)为节点A的原因节点Bi的先验概率，P(A|Bi)表示在原因节点Bi的处于某种状态时节点A的条件概率，n为原因节点的数量，i＝1,2,...,n；
式(4)中，P(Bj|A)表示在节点A处于某种状态时节点Bj的后验概率，P(A|Bj)表示在节点Bj处于某种状态时节点A的条件概率。P(Bj)表示节点Bj的先验概率；
作为一种优选方案，所述伯恩鲍姆重要度系数IBIM(Xi)的计算公式如下：
IBIM(Xi)＝P(T＝yes|Xi＝yes)-P(T＝yes|Xi＝no) (5)
式中：P(T＝yes|Xi＝yes)表示根节点Xi在发生状态下(Xi＝yes)叶节点T的发生概率，P(T＝yes|Xi＝no)表示根节点Xi在不发生状态下(Xi＝no)叶节点T的发生概率。
作为一种优选方案，步骤6中，根据步骤5的风险量化分析结果，确定了有哪些基本风险因子对垃圾焚烧发电厂烟气污染物过量排放的影响程度较大，进而采取相应的防控措施。
本发明与现有技术相比具有明显的优点和有益效果，具体而言，由上述技术方案可知，其主要是通过构建的“垃圾焚烧发电厂烟气污染物过量排放”事故树耦合贝叶斯网络的量化风险评估方法，可以预测“垃圾焚烧发电厂烟气污染物过量排放T”的发生概率，或者在事故T发生时诊断获取具体基本风险因子的实时发生概率(后验概率)，并且确定需要优先重点防控的关键风险因子；如此，为垃圾焚烧发电厂烟气污染物过量排放关键风险因子识别、减少烟气污染物排放提供科学有效的新方法和新途经，同时为垃圾焚烧发电行业环境风险防控和管理提供了科学有效理论和决策支持。
为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对本发明进行详细说明：
附图说明
图1是本发明之实施例的评估方法程序示意图；
图2是本发明之实施例的“垃圾焚烧发电厂烟气污染物过量排放”事故模型示意图；
图3是本发明之实施例的“垃圾焚烧发电厂烟气污染物过量排放”简化树模型示意图；
图4是本发明之实施例的“垃圾焚烧发电厂烟气污染物过量排放”贝叶斯网络模型示意图。
具体实施方式
请参照图1至图4所示，一种垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，包括有如下步骤
步骤1：识别垃圾焚烧发电厂目标风险控制事故T。
首先通过大量垃圾焚烧发电厂历史运行管理数据结合具体电厂清洁生产审核研究技术资料，确定量化评估对象为“垃圾焚烧发电厂烟气污染物过量排放”因果系统。
鉴于垃圾焚烧发电厂烟气污染物过量排放会对生态环境和人体健康造成严重的潜在危害，确定具体分析对象和目标控制风险事故T为“垃圾焚烧发电厂烟气污染物过量排放”。
步骤2：识别导致目标控制风险事故T发生的风险因子。
通过深入调研垃圾焚烧发电厂设备、技术和管理等方面的大量历史数据和资料并结合具体电厂清洁生产审核研究技术资料精确辨识导致“垃圾焚烧厂烟气污染物过量排放T”发生的风险因子。
步骤3：构建“垃圾焚烧发电厂烟气污染物过量排放”事故树模型与化简处理。
基于事故树理论进行逻辑演绎推理，对导致“垃圾焚烧发电厂烟气污染物过量排放”的风险因子进行逐层逻辑排列，直至“垃圾焚烧发电厂烟气污染物过量排放”事故树的纵向分析程度到达基本事件为止，最终所构建的“垃圾焚烧发电厂烟气污染物过量排放”事故树模型如附图2所示。所述“垃圾焚烧发电厂烟气污染物过量排放”事故树模型包括如下的事件类型：顶上事件、中间事件及基本事件，其中，顶上事件为“垃圾焚烧发电厂烟气污染物过量排放T”；
中间事件为“使用不合格的烟气污染物处理原料M1”、“使用有缺陷的烟气处理设备M2”、“烟气直接排放M3”、“垃圾焚烧不充分M4”、“利益驱动M5”、“设备故障M6”、“焚烧炉工况不佳M7”；
基本事件为“对于原料的不严格监管X1”、“烟气处理工艺落后X2”、“未运行烟气处理设备X3”、“在线监测不严格监管X4”、“垃圾成分复杂X5”、“非法销售X6”、“市场需求X7”、“烟气处理设备老化X8”、“设备维护不足X9”、“未添加辅助燃料X10”、“焚烧温度≤850℃X11”；
每个中间事件受一个以上的相应基本事件直接关联；
当中间事件“使用不合格的烟气污染物处理原料M1”、“使用有缺陷的烟气处理设备M2”、“烟气直接排放M3”、“垃圾焚烧不充分M4”中有一个发生时，就会导致顶上事件“垃圾焚烧发电厂烟气污染物过量排放T”的发生；对于中间事件“使用不合格的烟气污染物处理原料M1”、“烟气直接排放M3”、“利益驱动M5”、“设备故障M6”、“焚烧炉工况不佳M7”，当与它们直接关联的基本事件同时发生时，就会导致它们发生；例如：当“未运行烟气处理设备X3”和“在线监测不严格监管X4”同时发生时，会引起“烟气直接排放M3”的发生，并进一步导致顶上事件T发生；其他分支结构含义以此类推；对于中间事件“使用有缺陷的烟气处理设备M2”、“垃圾焚烧不充分M4”，与它们直接关联的基本事件中有一个发生时就会导致它们发生。
将“垃圾焚烧发电厂烟气污染物过量排放”事故树模型简化处理：
结合最小割集理念确定导致顶上事件“垃圾焚烧发电厂烟气污染物过量排放T”发生的六种基本事件组合方式，如附图3简化树模型所示。第1种包含有“对于原料的不严格监管X1”、“非法销售X6”、“市场需求X7”，第2种包含有“烟气处理工艺落后X2”，第3种包含有“烟气处理设备老化X8”、“设备维护不足X9”，第4种包含有“未运行烟气处理设备X3”、“在线监测不严格监管X4”，第5种包含有“垃圾成分复杂X5”，第6种包含有“未添加辅助燃料X10”、“焚烧温度≤850℃X11”；任一一种组合方式中的基本事件全部发生时，就会诱发垃圾焚烧发电厂烟气污染物过量排放目标控制风险事故。例如：当“烟气处理工艺落后X2”或者“垃圾成分复杂X5”发生时，就会诱发垃圾焚烧发电厂烟气污染物过量排放目标控制风险事故；简化树的其他分支结构含义以此类推。
步骤4：将“垃圾焚烧发电厂烟气污染物过量排放”事故树转化为贝叶斯网络(BN)
模型。
(1)根据事故树和贝叶斯网络原理，事故树映射到贝叶斯网络上的过程如下：首先是图形转化，事故树的顶上事件“垃圾焚烧发电厂烟气污染物过量排放T”、使用不合格的烟气污染物处理原料M1”等7个中间事件和“对于原料的不严格监管X1”等11个基本事件分别转化贝叶斯网络的叶节点、中间节点和根节点，用单向箭头将节点联系起来，箭头的起始节点为原因节点，箭头指向的节点为结果节点；其次是参数转化，将基本事件的发生概率作为根节点的先验概率，事件间的逻辑关系转化为条件概率，最终得到“垃圾焚烧发电厂烟气污染物过量排放”贝叶斯网络模型如附图4所示。
基本事件的发生概率的获取存在较大的难度，在大量垃圾焚烧发电厂数据抽取与归纳的基础上结合模糊集合理论获取基本风险因子的发生概率。由垃圾焚烧行业领域专家将基本事件的发生概率表述为三角模糊数，综合事件发生概率的技术统计与数据抽取耦合α-加权估值解模糊，采用的公式如下所示：
式(1)中为专家的综合意见，/>表示第n个专家表述基本事件Xi的发生概率的三角模糊数，/>分别代表基本事件Xi的发生概率的下边界，中值和上边界，式(2)中P(Xi)为基本事件Xi的发生概率，进而可以转化为根节点Xi的先验概率。
步骤5：基于“垃圾焚烧发电厂烟气污染物过量排放”贝叶斯网络模型的风险量化
评估。
先通过“垃圾焚烧发电厂烟气污染物过量排放”贝叶斯网络模型的双向分析功能评估计算节点的发生概率，正向预测未知变量的先验概率，即用于计算“垃圾焚烧发电厂烟气污染物过量排放T”的发生概率；在已知证据的情况下反向诊断获得根节点的后验概率，即当垃圾焚烧发电厂烟气污染物过量排放事故发生时，诊断具体根节点Xi的后验概率，后验概率越大，则越需要及时采取措施进行防控。正向预测计算公式如式(3)所示，反向诊断计算公式如式(4)所示：
式(3)中，P(A)为BN网络中节点A的先验概率，P(Bi)为节点A的原因节点Bi的先验概率，P(A|Bi)表示在原因节点Bi的处于某种状态下节点A的条件概率，n为原因节点的数量，i＝1,2,...,n；叶节点“垃圾焚烧发电厂烟气污染物过量排放T”的发生概率可以通过其原因节点“使用不合格的烟气污染物处理原料M1”、“使用有缺陷的烟气处理设备M2”、“烟气直接排放M3”、“垃圾焚烧不充分M4”以及条件概率计算获得；式(4)中，P(Bj|A)表示在节点A处于某种状态下节点Bj的后验概率，P(A|Bj)表示在节点Bj处于某种状态下节点A的条件概率。P(Bj)表示节点Bj的先验概率；“对于原料的不严格监管X1”等11个根节点的后验概率可以通过相应节点的条件概率以及先验概率计算获得。
其次进行重要度分析，采用伯恩鲍姆重要度系数IBIM(Xi)衡量根节点Xi对叶节点“垃圾焚烧发电厂烟气污染物过量排放T”的贡献和影响程度，若IBIM(Xa)＞IBIM(Xb)，则根节点Xa比Xb对垃圾焚烧发电厂烟气污染物过量排放的影响程度更大，其计算公式如下：
IBIM(Xi)＝P(T＝yes|Xi＝yes)-P(T＝yes|Xi＝no) (5)
式中：P(T＝yes|Xi＝yes)表示根节点Xi在发生状态下(Xi＝yes)叶节点T的发生概率，P(T＝yes|Xi＝no)表示根节点Xi在不发生状态下(Xi＝no)叶节点T的发生概率。
步骤6：确定关键风险因子，采取防控措施。
根据上述风险量化分析结果，确定了有哪些基本风险因子对垃圾焚烧发电厂烟气污染物过量排放的影响程度较大，进而采取相应的防控措施。例如，若分析得出“烟气处理工艺落后X2”和“垃圾成分复杂X5”对垃圾焚烧发电厂烟气污染物过量排放的影响程度较大，则应淘汰落后工艺，采取国内外先进、处理效率更高的烟气处理工艺；做好入炉垃圾分类和预处理机制，减少工业固体废弃物入炉。
需要说明的是：
事故树分析法(FTA)是一种自上而下的事故风险分析模型，常用于剖析复杂系统中的重大风险事故的潜在原因，由于其简明易懂的优点被广泛用于煤矿爆炸、火灾等场景的事故分析。与事故树分析法类似，贝叶斯网络(BN)作为一种有向概率图模型可同时正向预测目标控制风险事件发生概率或反向诊断获取基本风险因子的后验概率，曾用于天然气站安全评估、城市生态风险评估等各领域，它能清晰地将风险因子之间的逻辑关系用有向概率图表达出来。
在事故树耦合贝叶斯网络模型建立的过程中，首先调研大量垃圾焚烧发电厂历史运行维护资料并结合具体电厂清洁生产审核研究技术资料精确辨识引起“垃圾焚烧发电厂烟气污染物过量排放”目标风险控制事件的风险因子，并进行逻辑演绎推理，编制符合中国垃圾焚烧发电厂实际情况的事故树模型，简化事故树获得简化树及导致“垃圾焚烧发电厂烟气污染物过量排放”事故发生的基本事件组合；其次，耦合并运用贝叶斯网络理论将该致因系统映射转化为对应的“垃圾焚烧发电厂烟气污染物过量排放”BN有向图模型，正向预测垃圾焚烧发电厂发生烟气污染物过量排放事故的概率，并在垃圾焚烧发电厂已经发生烟气污染物过量排放事故时反向诊断获得基本风险因子的后验概率，结合伯恩鲍姆重要度表征基本风险因子对“垃圾焚烧发电厂烟气污染物过量排放”的贡献度和影响程度；最终确定需要优先防控的影响因子。在进行风险量化评估前，结合具体电厂清洁生产审核技术资料与模糊集合理论获取基本风险因子的发生概率，进一步提高量化评估的准确性和科学性。通过应用上述风险量化评估方法，可有效地协助垃圾焚烧发电厂确定导致烟气污染物过量排放的重点防控风险因子，并及时采取措施促进烟气污染物减排。
本发明的设计重点在于，其主要是通过构建的“垃圾焚烧发电厂烟气污染物过量排放”事故树耦合贝叶斯网络的量化风险评估方法，可以预测“垃圾焚烧发电厂烟气污染物过量排放T”的发生概率，或者在事故T发生时诊断获取具体基本风险因子的实时发生概率(后验概率)，并且结合伯恩鲍姆重要度确定需要优先重点防控的关键风险因子；如此，为垃圾焚烧发电厂烟气污染物过量排放关键风险因子识别、减少烟气污染物排放提供科学有效的新方法和新途经，同时为垃圾焚烧发电行业环境风险防控和管理提供了科学有效理论和决策支持。
Claims (8)
1.一种垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，其特征在于：包括有如下步骤
步骤1：识别垃圾焚烧发电厂目标风险控制事故T；
步骤2：识别导致目标控制风险事故T发生的风险因子；
步骤3：构建“垃圾焚烧发电厂烟气污染物过量排放”事故树模型与化简处理；基于事故树理论进行逻辑演绎推理，对导致“垃圾焚烧发电厂烟气污染物过量排放”的风险因子进行逐层逻辑排列，直至“垃圾焚烧发电厂烟气污染物过量排放”事故树的纵向分析程度到达基本事件为止，构建“垃圾焚烧发电厂烟气污染物过量排放”事故树模型；
所述“垃圾焚烧发电厂烟气污染物过量排放”事故树模型包括如下的事件类型：顶上事件、中间事件及基本事件，其中，顶上事件为“垃圾焚烧发电厂烟气污染物过量排放T”；
中间事件为“使用不合格的烟气污染物处理原料M1”、“使用有缺陷的烟气处理设备M2”、“烟气直接排放M3”、“垃圾焚烧不充分M4”、“利益驱动M5”、“设备故障M6”、“焚烧炉工况不佳M7”；
基本事件为“对于原料的不严格监管X1”、“烟气处理工艺落后X2”、“未运行烟气处理设备X3”、“在线监测不严格监管X4”、“垃圾成分复杂X5”、“非法销售X6”、“市场需求X7”、“烟气处理设备老化X8”、“设备维护不足X9”、“未添加辅助燃料X10”、“焚烧温度≤850℃X11”；
每个中间事件受一个以上的相应基本事件直接关联；
当中间事件“使用不合格的烟气污染物处理原料M1”、“使用有缺陷的烟气处理设备M2”、“烟气直接排放M3”、“垃圾焚烧不充分M4”中有一个发生时，就会导致顶上事件“垃圾焚烧发电厂烟气污染物过量排放T”的发生；对于中间事件“使用不合格的烟气污染物处理原料M1”、“烟气直接排放M3”、“利益驱动M5”、“设备故障M6”、“焚烧炉工况不佳M7”，当与它们直接关联的基本事件同时发生时，就会导致它们发生；对于中间事件“使用有缺陷的烟气处理设备M2”、“垃圾焚烧不充分M4”，与它们直接关联的基本事件中有一个发生时就会导致它们发生；
将“垃圾焚烧发电厂烟气污染物过量排放”事故树模型简化处理：结合最小割集理念确定导致顶上事件“垃圾焚烧发电厂烟气污染物过量排放T”发生的六种基本事件组合方式，第1种包含有“对于原料的不严格监管X1”、“非法销售X6”、“市场需求X7”，第2种包含有“烟气处理工艺落后X2”，第3种包含有“烟气处理设备老化X8”、“设备维护不足X9”，第4种包含有“未运行烟气处理设备X3”、“在线监测不严格监管X4”，第5种包含有“垃圾成分复杂X5”，第6种包含有“未添加辅助燃料X10”、“焚烧温度≤850℃X11”；任一一种组合方式中的基本事件全部发生时，就会诱发垃圾焚烧发电厂烟气污染物过量排放目标控制风险事故；
步骤4：将“垃圾焚烧发电厂烟气污染物过量排放”事故树转化为贝叶斯网络BN模型；
步骤5：基于“垃圾焚烧发电厂烟气污染物过量排放”贝叶斯网络模型的风险量化评估；
步骤6：确定关键风险因子，采取防控措施。
2.根据权利要求1所述的垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，其特征在于：步骤1中，首先通过若干垃圾焚烧发电厂历史运行管理数据结合具体电厂清洁生产审核研究技术资料，确定量化评估对象为“垃圾焚烧发电厂烟气污染物过量排放”因果系统；
鉴于垃圾焚烧发电厂烟气污染物过量排放会对生态环境和人体健康造成严重的潜在危害，确定具体分析对象和目标控制风险事故T为“垃圾焚烧发电厂烟气污染物过量排放”。
3.根据权利要求1所述的垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，其特征在于：步骤2中，通过调研垃圾焚烧发电厂设备、技术和管理方面的若干历史数据和资料并结合具体电厂清洁生产审核研究技术资料辨识导致“垃圾焚烧厂烟气污染物过量排放T”发生的风险因子。
4.根据权利要求1所述的垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，其特征在于：步骤4中，根据事故树和贝叶斯网络原理，事故树映射到贝叶斯网络上的过程如下：
首先是图形转化，事故树的顶上事件、中间事件和基本事件分别相应转化贝叶斯网络的叶节点、中间节点和根节点，用单向箭头将节点联系起来，箭头的起始节点为原因节点，箭头指向的节点为结果节点；
其次是参数转化，将基本事件的发生概率作为根节点的先验概率，事件间的逻辑关系转化为条件概率，最终得到“垃圾焚烧发电厂烟气污染物过量排放”贝叶斯网络模型；
获取基本事件的发生概率时，在若干垃圾焚烧发电厂数据抽取与归纳的基础上结合模糊集合理论将基本事件的发生概率表述为三角模糊数，综合事件发生概率的技术统计与数据抽取耦合α-加权估值解模糊，采用的公式如下所示：
式(1)中为专家的综合意见，/>表示第n个专家表述基本事件Xi的发生概率的三角模糊数，l'Xi,m'Xi,u'Xi分别代表基本事件Xi的发生概率的下边界，中值和上边界，式(2)中P(Xi)为基本事件Xi的发生概率，进而可以转化为根节点Xi的先验概率。
5.根据权利要求1所述的垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，其特征在于：步骤5中，先通过“垃圾焚烧发电厂烟气污染物过量排放”贝叶斯网络模型的双向分析功能评估计算节点的发生概率，正向预测未知变量的先验概率；在已知证据的情况下反向诊断获得根节点的后验概率，后验概率越大，则越需要及时采取措施进行防控；
其次进行重要度分析，采用伯恩鲍姆重要度系数IBIM(Xi)衡量根节点Xi对叶节点“垃圾焚烧发电厂烟气污染物过量排放T”的贡献和影响程度，若IBIM(Xa)＞IBIM(Xb)，则根节点Xa比Xb对垃圾焚烧发电厂烟气污染物过量排放的影响程度更大。
6.根据权利要求5所述的垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，其特征在于：正向预测计算公式如式(3)所示，反向诊断计算公式如式(4)所示：
式(3)中，P(A)为BN网络中节点A的先验概率，P(Bi)为节点A的原因节点Bi的先验概率，P(A|Bi)表示在原因节点Bi的处于某种状态时节点A的条件概率，n为原因节点的数量，i＝1,2,...,n；
式(4)中，P(Bj|A)表示在节点A处于某种状态时节点Bj的后验概率，P(A|Bj)表示在节点Bj处于某种状态时节点A的条件概率，P(Bj)表示节点Bj的先验概率。
7.根据权利要求5所述的垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，其特征在于：所述伯恩鲍姆重要度系数IBIM(Xi)的计算公式如下：
IBIM(Xi)＝P(T＝yes|Xi＝yes)-P(T＝yes|Xi＝no) (5)
式中：P(T＝yes|Xi＝yes)表示根节点Xi在发生状态下即Xi＝yes时叶节点T的发生概率，P(T＝yes|Xi＝no)表示根节点Xi在不发生状态下即Xi＝no时叶节点T的发生概率。
8.根据权利要求1所述的垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法，其特征在于：步骤6中，根据步骤5的风险量化分析结果，确定了有哪些基本风险因子对垃圾焚烧发电厂烟气污染物过量排放的影响程度较大，进而采取相应的防控措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110592723.5A CN113537695B (zh) | 2021-05-28 | 2021-05-28 | 垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110592723.5A CN113537695B (zh) | 2021-05-28 | 2021-05-28 | 垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113537695A CN113537695A (zh) | 2021-10-22 |
| CN113537695B true CN113537695B (zh) | 2023-11-21 |
Family
ID=78094852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110592723.5A Active CN113537695B (zh) | 2021-05-28 | 2021-05-28 | 垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537695B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114764641B (zh) * | 2022-04-29 | 2023-11-14 | 中国能源建设集团广东省电力设计研究院有限公司 | 基于安全验证的两票管理方法、系统、计算机设备及介质 |
| CN116911832B (zh) * | 2023-09-14 | 2023-12-08 | 江苏达泽节能环保科技有限公司 | 一种垃圾焚烧厂渗滤液处理装备运行状况监管方法及系统 |
| CN117436532B (zh) * | 2023-12-21 | 2024-03-22 | 中用科技有限公司 | 一种洁净室气态分子污染物根因分析方法 |
| CN118690974A (zh) * | 2024-08-26 | 2024-09-24 | 江苏电力信息技术有限公司 | 一种基于发用电数据的污染物排放分析方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4932334A (en) * | 1988-04-11 | 1990-06-12 | Sogea | Method and apparatus for removing pollutants from incinerator fumes |
| CN102867105A (zh) * | 2012-06-29 | 2013-01-09 | 常州大学 | 一种城市天然气管道失效多因素多态概率分析方法及其应用 |
| CN106846155A (zh) * | 2017-03-29 | 2017-06-13 | 哈尔滨理工大学 | 基于模糊贝叶斯网络的海底管道泄漏事故风险评估方法 |
| CN109118039A (zh) * | 2018-06-27 | 2019-01-01 | 武汉理工大学 | 一种面向内河水域船舶自沉重要风险识别与防控装置及方法 |
| CN109815441A (zh) * | 2017-11-20 | 2019-05-28 | 洛阳中科晶上智能装备科技有限公司 | 一种采用贝叶斯网络模型诊断及预测发动机故障的方法 |
| CN110059963A (zh) * | 2019-04-20 | 2019-07-26 | 北京交通大学 | 一种基于模糊多态贝叶斯网络的隧道风险评价方法 |
| CN110147956A (zh) * | 2019-05-21 | 2019-08-20 | 重庆科技学院 | 一种井喷事故风险分析方法 |
| CN110363375A (zh) * | 2019-05-22 | 2019-10-22 | 上海大学 | 一种生活垃圾焚烧厂烟气中铅的环境污染评估方法 |
| CN110427015A (zh) * | 2019-08-02 | 2019-11-08 | 广东职业技术学院 | 一种锅炉余热爆炸故障诊断分析方法 |
| CN112183979A (zh) * | 2020-09-18 | 2021-01-05 | 浙江省安全生产科学研究院 | 一种基于多源信息融合的危化品装卸安全风险评估方法 |
| CN114638469A (zh) * | 2022-02-11 | 2022-06-17 | 华南理工大学 | 一种基于模糊Petri网的垃圾焚烧炉故障风险评估方法 |
-
2021
- 2021-05-28 CN CN202110592723.5A patent/CN113537695B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4932334A (en) * | 1988-04-11 | 1990-06-12 | Sogea | Method and apparatus for removing pollutants from incinerator fumes |
| CN102867105A (zh) * | 2012-06-29 | 2013-01-09 | 常州大学 | 一种城市天然气管道失效多因素多态概率分析方法及其应用 |
| CN106846155A (zh) * | 2017-03-29 | 2017-06-13 | 哈尔滨理工大学 | 基于模糊贝叶斯网络的海底管道泄漏事故风险评估方法 |
| CN109815441A (zh) * | 2017-11-20 | 2019-05-28 | 洛阳中科晶上智能装备科技有限公司 | 一种采用贝叶斯网络模型诊断及预测发动机故障的方法 |
| CN109118039A (zh) * | 2018-06-27 | 2019-01-01 | 武汉理工大学 | 一种面向内河水域船舶自沉重要风险识别与防控装置及方法 |
| CN110059963A (zh) * | 2019-04-20 | 2019-07-26 | 北京交通大学 | 一种基于模糊多态贝叶斯网络的隧道风险评价方法 |
| CN110147956A (zh) * | 2019-05-21 | 2019-08-20 | 重庆科技学院 | 一种井喷事故风险分析方法 |
| CN110363375A (zh) * | 2019-05-22 | 2019-10-22 | 上海大学 | 一种生活垃圾焚烧厂烟气中铅的环境污染评估方法 |
| CN110427015A (zh) * | 2019-08-02 | 2019-11-08 | 广东职业技术学院 | 一种锅炉余热爆炸故障诊断分析方法 |
| CN112183979A (zh) * | 2020-09-18 | 2021-01-05 | 浙江省安全生产科学研究院 | 一种基于多源信息融合的危化品装卸安全风险评估方法 |
| CN114638469A (zh) * | 2022-02-11 | 2022-06-17 | 华南理工大学 | 一种基于模糊Petri网的垃圾焚烧炉故障风险评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| Cause factors in emergency process of fire accident for oil-gas storage and transporation based on fault tree analysis and modified Bayesian network model;Yuan, CF;ENERGY & ENVIRONMENT;第29卷(第5期);全文 * |
| 基于贝叶斯网络的垃圾焚烧发电烟气污染环境风险研究;李瀚;知网;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113537695A (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113537695B (zh) | 垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法 | |
| Na et al. | An improved text mining approach to extract safety risk factors from construction accident reports | |
| Zhang et al. | Bayesian-network-based safety risk analysis in construction projects | |
| CN100470416C (zh) | 一种电厂热工设备智能状态诊断分析系统 | |
| CN112183709B (zh) | 一种垃圾焚烧废气二噁英超标预测预警方法 | |
| WO2021159585A1 (zh) | 一种二噁英排放浓度预测方法 | |
| CN111311092B (zh) | 一种基于煤气化设备动态风险的评估方法 | |
| Norhayati et al. | Adaptive neuro-fuzzy prediction of carbon monoxide emission from a clinical waste incineration plant | |
| CN117563184B (zh) | 一种基于物联网的储能消防控制系统 | |
| CN116050665B (zh) | 供热设备故障预测方法 | |
| KR20230104500A (ko) | 인공지능 기반 배출가스 정밀 예측 시스템 | |
| CN114881470A (zh) | 基于数据的垃圾焚烧发电污染物排放风险诊断预警方法 | |
| CN113793227A (zh) | 一种用于社交网络事件的类人智能感知与预测方法 | |
| KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
| CN117057668A (zh) | 基于深度学习模型的工业污染物排放量预测方法 | |
| CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
| CN113947142B (zh) | 一种酸性气体排放浓度预测方法、系统及存储介质 | |
| CN114116843A (zh) | 基于用电数据的村镇小型污水处理设施运行监测方法 | |
| Li et al. | Prediction of typical flue gas pollutants from municipal solid waste incineration plants | |
| CN111476433A (zh) | 基于数据分析的烟气排放预测方法及系统 | |
| Liu et al. | MSWI Multi-Temperature Prediction Based on Patch Time Series Transformer | |
| CN118863901A (zh) | 基于深度学习的钢铁生产排放污染物工艺根因追溯方法 | |
| CN118569449A (zh) | 一种基于人机交互的燃料智能感知监测系统 | |
| Zhang et al. | Study on Gas Concentration Prediction of Tunnel Engineering Based on UMAP-BiLSTM | |
| CN114472491B (zh) | 一种分段热脱附工艺处置油污土壤的物料衡算与工艺优化方法 |
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 |