CN114881470A - 基于数据的垃圾焚烧发电污染物排放风险诊断预警方法 - Google Patents
基于数据的垃圾焚烧发电污染物排放风险诊断预警方法 Download PDFInfo
- Publication number
- CN114881470A CN114881470A CN202210493232.XA CN202210493232A CN114881470A CN 114881470 A CN114881470 A CN 114881470A CN 202210493232 A CN202210493232 A CN 202210493232A CN 114881470 A CN114881470 A CN 114881470A
- Authority
- CN
- China
- Prior art keywords
- pollutants
- flue gas
- emission
- variable
- power plant
- 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 152
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 152
- 238000004056 waste incineration Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010248 power generation Methods 0.000 title claims abstract description 21
- 238000003745 diagnosis Methods 0.000 title description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 73
- 239000003546 flue gas Substances 0.000 claims abstract description 73
- 239000000779 smoke Substances 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000002265 prevention Effects 0.000 claims abstract description 11
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 15
- 239000010813 municipal solid waste Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000009412 basement excavation Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000010206 sensitivity analysis Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000012502 risk assessment Methods 0.000 claims 1
- 238000005065 mining Methods 0.000 abstract 1
- 238000003915 air pollution Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010791 domestic waste Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 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
- G06Q10/06—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Incineration Of Waste (AREA)
Abstract
一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，包括如下步骤：S1：确定烟气污染物排放不稳定的垃圾焚烧发电厂作为目标电厂；S2：获取目标电厂变量数据样本，识别强相关的变量；S3：利用PC结构学习算法进行变量数据的深度挖掘；S4：利用MLE算法处理步骤S2产生的数据样本，进一步对烟气污染物不稳定排放的贝叶斯网络模型进行样本训练；S5：验证准确率是否大于90％；S6：基于目标电厂“烟气污染物不稳定排放”贝叶斯网络模型的风险量化评估；S7：确定关键风险因子，采取关键防控措施；本发明可实现垃圾焚烧发电厂烟气污染物排放浓度波动情况预测以及关键风险因子溯源，为中国垃圾焚烧发电厂烟气污染物稳定排放提供新方法和新途径。
Description
技术领域
本发明属于空气污染防治领域，特别涉及一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法。
背景技术
近年来，垃圾焚烧发电迅速发展成为中国生活垃圾无害化处理的主流方式，但由于垃圾焚烧发电系统构成、技术参数极其复杂，若运行管理不当则会引发烟气污染物排放浓度不稳定甚至超标排放等恶性污染事件，严重危害生态环境以及居民身体健康。如何实现烟气污染物达标稳定排放已成为垃圾焚烧发电领域所面临的巨大挑战。垃圾焚烧发电厂烟气污染物排放浓度受到垃圾含水率、焚烧炉工况、烟气处理技术以及设备参数等各种复杂因素影响，如何利用垃圾焚烧过程所衍生的各类数据信息促进烟气污染物达标稳定排放有待进一步探索。
发明内容
有鉴于现有技术的上述缺陷，本发明的目的在于提供一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法。
一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法包括如下步骤：
S1：确定烟气污染物排放不稳定的垃圾焚烧发电厂作为目标电厂；
S2：获取目标电厂变量数据样本，识别强相关的变量；
S3：利用PC结构学习算法进行变量数据的深度挖掘，初步构建烟气污染物不稳定排放的贝叶斯网络模型；
S4：利用MLE算法处理步骤S2产生的数据样本，进一步对烟气污染物不稳定排放的贝叶斯网络模型进行样本训练；
S5：验证准确率是否大于90％；
S6：基于目标电厂“烟气污染物不稳定排放”贝叶斯网络模型的风险量化评估；
S7：确定关键风险因子，采取关键防控措施。
步骤S1的所述目标电厂需满足以下条件：(1)垃圾焚烧发电厂已正常运行6个月以上，可获得较为完整的烟气污染物日均排放浓度数据集合；(2)垃圾焚烧发电厂的烟气污染物日均排放浓度的标准差，均大于同等垃圾焚烧规模以及使用相同焚烧及烟气处理技术的其他电厂，或垃圾焚烧发电厂曾出现烟气污染物超标排放污染案例。
所述步骤S2通过目标电厂的运行维护数据记录，结合获取有关垃圾进料系统、垃圾焚烧系统、预热回收系统、烟气污染物处理系统、自动控制系统等主要子系统的监测数据样本，包括：垃圾进料量、垃圾含水率、各燃烧区间内烟气温度、烟气排放流量、尾气处理设备物料喷射量及喷射频率等观察变量数据以及控制变量烟气污染物不稳定排放浓度数据样本；耦合Pearson相关性系数判定观察变量和控制变量烟气污染物不稳定排放浓度之间的相关性强度，若相关性较弱，则不纳入烟气污染物不稳定排放贝叶斯网络模型建模中。
步骤S2使用公式
计算其他观察变量与控制变量“烟气污染物不稳定排放浓度”之间的相关性系数；式中，r表示变量之间的Pearson相关系数，xi、和N分别表示观察变量的样本数据、样本平均值和样本大小，yi和
分别表示控制变量烟气污染物不稳定排放浓度的样本数据和样本均值，Max和Min分别表示原始变量数据的最大值和最小值，Sx和Sy分别表示观察变量和控制变量烟气污染物不稳定排放浓度的标准差。
步骤S3通过目标电厂的运维情况，初步识别其他观察变量对控制变量烟气污染物不稳定排放浓度的影响关系、以及观察变量之间的影响关系；利用步骤2预处理所产生的数据样本结合PC结构学习算法进行变量数据的深度挖掘，测试变量之间的条件独立性，初步构建烟气污染物不稳定排放贝叶斯网络模型。
步骤S4利用步骤S2预处理所产生的数据样本，采用区间等宽法、等频数法对连续的样本数据进行离散化处理，将模型中各变量均离散化为高(H)、中(M)、低(L)三个状态区间；进一步结合MLE算法对烟气污染物不稳定排放贝叶斯网络模型进行样本训练，计算模型中节点不同状态下的概率分布并作为节点的参数，直至该参数可使得似然函数最大化，最终获得包括控制变量烟气污染物不稳定排放浓度在内的其他变量参数，即条件概率表。
步骤S5结合K折交叉验证，将目标电厂的监测数据样本随机分成K份，用其中的K-1份训练烟气污染物不稳定排放贝叶斯网络模型的参数，以控制变量烟气污染物不稳定排放浓度作为验证对象，剩余1份用于验证模型对于预测烟气污染物不稳定排放浓度的准确性，循环重复K次直至目标电厂的监测数据样本已经全面覆盖；所述烟气污染物不稳定排放的贝叶斯网络模型验证的准确性判定公式为：
其中OA表示模型预测烟气污染物不稳定排放浓度的准确率，TP表示准确预测烟气污染物不稳定排放浓度的案例数量，AP表示目标电厂的监测数据样本案例总数，若预测烟气污染物不稳定排放浓度的准确率大于或等于90％，则代表该模型可靠性强；若准确率低于90％，则重启上述步骤S3及步骤S4，直至模型准确率满足该电厂需求。
步骤S6所建立的目标电厂烟气污染物不稳定排放贝叶斯网络模型进行风险量化评估，使用贝叶斯网络理论的正向推理功能计算概率分布，如公式：
式中，P(A)为BN中任意节点A的概率分布，P(Bi)为节点A的父节点Bi的处于某状态下的概率分布，P(A|Bi)表示在节点Bi处于某状态的前提下节点A的概率分布，n为节点A的父节点数量；根据上述正向推理功能可计算预测控制变量“烟气污染物排放浓度(T)”离散化后在不同状态区间的概率分布，进而确定目标电厂是否出现烟气污染物不稳定排放的环境风险；其次，通过敏感度分析功能进行关键风险因子识别，结合贝叶斯定理以及风险重要度评估，计算观察变量Xi对控制变量烟气污染物排放浓度(T)处于某状态Tq的概率重要度，若
表示观察变量Xi比Xj对目标电厂烟气污染物不稳定排放的贡献更大，需要采取更严格的防控措施。
观察变量Xi对控制变量烟气污染物不稳定排放浓度(T)处于某状态Tq的概率重要度
计算方式如下：
式中：
表示观察变量Xi处于某状态
的情况下控制变量烟气污染物排放浓度(T)处于某状态Tq的后验概率，
表示控制变量烟气污染物排放浓度(T)处于某状态Tq和观察变量Xi处于某状态
的联合概率分布，
表示观察变量Xi处于某状态
的概率，
表示观察变量Xi处于某状态
的情况下对控制变量烟气污染物排放浓度(T)处于某状态Tq的概率重要度，P(T＝Tq)表示控制变量烟气污染物排放浓度(T)处于某状态Tq的概率，ki表示观察变量的状态数量。
步骤S7基于风险量化评估结果，预测目标城市烟气污染物排放浓度的波动情况，并确定导致目标电厂烟气污染物不稳定排放的关键风险因子，从而识别采取关键的风险防控措施，从而协助目标电厂烟气污染物达标稳定排放。
本发明的有益技术效果在于：
1.可预测烟气污染物排放浓度，实现垃圾焚烧发电厂烟气污染物不稳定排放导致的空气污染预警；
2.通过敏感性分析识别关键风险因子，促进垃圾焚烧发电厂烟气污染物实现达标稳定排放。本发明可实现垃圾焚烧发电厂烟气污染物排放浓度波动情况预测以及关键风险因子溯源，为中国垃圾焚烧发电厂烟气污染物稳定排放提供新方法和新途径。
附图说明
图1是本发明提供的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法的预测与量化评估方法流程图；
图2是本发明提供的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法的贝叶斯网络模型。
具体实施方式
下面对本发明的实施例作详细说明，下述的实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，在不冲突的情况下，本文所描述的实施例可以与其它实施例相结合。
本发明的目的就是为了克服现有技术存在的缺陷而提供一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，本发明能够预测烟气污染物的排放浓度，对垃圾焚烧发电厂烟气污染物不稳定排放导致的空气污染进行预警；通过敏感性分析识别关键风险因子，促进垃圾焚烧发电厂烟气污染物实现达标稳定排放。
本发明的目的可以通过以下技术方案来实现：一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，所述方法具体包括如下步骤：
S1：确定烟气污染物排放不稳定的垃圾焚烧发电厂作为目标电厂；
S2：获取目标电厂变量数据样本，识别强相关的变量；
S3：利用PC结构学习算法进行变量数据的深度挖掘，初步构建烟气污染物不稳定排放的贝叶斯网络模型；
S4：利用MLE算法处理步骤S2产生的数据样本，进一步对烟气污染物不稳定排放的贝叶斯网络模型进行样本训练；
S5：验证准确率是否大于90％；
S6：基于目标电厂“烟气污染物不稳定排放”贝叶斯网络模型的风险量化评估；
S7：确定关键风险因子，采取关键防控措施。
所述步骤S1的所述目标电厂需满足以下条件：(1)所述垃圾焚烧发电厂已正常运行6个月以上，可获得较为完整的烟气污染物日均排放浓度数据集合；(2)所述垃圾焚烧发电厂的烟气污染物日均排放浓度的标准差，均大于同等垃圾焚烧规模以及使用相同焚烧及烟气处理技术的其他电厂，或垃圾焚烧发电厂曾出现烟气污染物超标排放污染案例。
所述步骤S2通过深入调研目标电厂的运行维护数据记录，结合获取大量有关垃圾进料系统、垃圾焚烧系统、预热回收系统、烟气污染物处理系统、自动控制系统等主要子系统的监测数据样本，例如垃圾进料量、垃圾含水率、各燃烧区间内烟气温度、烟气排放流量、尾气处理设备物料喷射量及喷射频率等观察变量数据以及控制变量烟气污染物不稳定排放浓度数据样本；耦合Pearson相关性系数判定观察变量和控制变量烟气污染物不稳定排放浓度之间的相关性强度，若相关性较弱，则不纳入烟气污染物不稳定排放贝叶斯网络模型建模中。
所述步骤S2使用公式
所述步骤S3通过深入调研目标电厂的运维情况，结合垃圾焚烧领域自身专家的头脑风暴意见，初步识别其他观察变量对控制变量烟气污染物不稳定排放浓度的影响关系、以及观察变量之间的影响关系；基于专家经验所确定的影响关系，利用步骤2预处理所产生的数据样本结合PC结构学习算法进行变量数据的深度挖掘，测试变量之间的条件独立性，初步构建烟气污染物不稳定排放贝叶斯网络模型。
所述步骤S4利用所述步骤S2预处理所产生的数据样本，采用区间等宽法、等频数法并结合专家经验对连续的样本数据进行离散化处理，将模型中各变量均离散化为高(H)、中(M)、低(L)三个状态区间；进一步结合MLE算法对烟气污染物不稳定排放贝叶斯网络模型进行样本训练，计算模型中节点不同状态下的概率分布并作为节点的参数，直至该参数可使得似然函数最大化，最终获得包括控制变量烟气污染物不稳定排放浓度在内的其他变量参数，即条件概率表。
所述步骤S5结合K折交叉验证理念，将目标电厂的监测数据样本随机分成K份，用其中的K-1份训练烟气污染物不稳定排放贝叶斯网络模型的参数，以控制变量烟气污染物不稳定排放浓度作为验证对象，剩余1份用于验证模型对于预测烟气污染物不稳定排放浓度的准确性，循环重复K次直至目标电厂的监测数据样本已经全面覆盖；所述烟气污染物不稳定排放的贝叶斯网络模型验证的准确性判定公式为：
其中OA表示模型预测烟气污染物不稳定排放浓度的准确率，TP表示准确预测烟气污染物不稳定排放浓度的案例数量，AP表示目标电厂的监测数据样本案例总数，若预测烟气污染物不稳定排放浓度的准确率大于或等于90％，则代表该模型可靠性强；若准确率低于90％，则重启上述步骤S3及步骤S4，直至模型准确率满足该电厂需求。
所述步骤S6所建立的目标电厂烟气污染物不稳定排放贝叶斯网络模型进行风险量化评估，使用贝叶斯网络理论的正向推理功能计算概率分布，如公式：
式中，P(A)为BN中任意节点A的概率分布，P(Bi)为节点A的父节点Bi的处于某状态下的概率分布，P(A|Bi)表示在节点Bi处于某状态的前提下节点A的概率分布，n为节点A的父节点数量；根据上述正向推理功能可计算预测控制变量“烟气污染物排放浓度(T)”离散化后在不同状态区间的概率分布，进而确定目标电厂是否出现烟气污染物不稳定排放的环境风险；其次，通过敏感度分析功能进行关键风险因子识别，结合贝叶斯定理以及风险重要度评估理念，计算观察变量Xi对控制变量烟气污染物排放浓度(T)处于某状态Tq的概率重要度，若
表示观察变量Xi比Xj对目标电厂烟气污染物不稳定排放的贡献更大，需要采取更严格的防控措施。
所述观察变量Xi对控制变量烟气污染物不稳定排放浓度(T)处于某状态Tq的概率重要度
计算方式如下：
式中：
表示观察变量Xi处于某状态
的情况下控制变量烟气污染物排放浓度(T)处于某状态Tq的后验概率，
表示控制变量烟气污染物排放浓度(T)处于某状态Tq和观察变量Xi处于某状态
的联合概率分布，
表示观察变量Xi处于某状态
的概率，
表示观察变量Xi处于某状态
的情况下对控制变量烟气污染物排放浓度(T)处于某状态Tq的概率重要度，P(T＝Tq)表示控制变量烟气污染物排放浓度(T)处于某状态Tq的概率，ki表示观察变量的状态数量。
所述步骤S7基于风险量化评估结果，预测目标城市烟气污染物排放浓度的波动情况，并确定导致目标电厂烟气污染物不稳定排放的关键风险因子，从而识别采取关键的风险防控措施，从而协助目标电厂烟气污染物达标稳定排放。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，包括如下步骤：
S1：确定烟气污染物排放不稳定的垃圾焚烧发电厂作为目标电厂；
S2：获取目标电厂变量数据样本，识别强相关的变量；
S3：利用PC结构学习算法进行变量数据的深度挖掘，初步构建烟气污染物不稳定排放的贝叶斯网络模型；
S4：利用MLE算法处理步骤S2产生的数据样本，进一步对烟气污染物不稳定排放的贝叶斯网络模型进行样本训练；
S5：验证准确率是否大于90％；
S6：基于目标电厂“烟气污染物不稳定排放”贝叶斯网络模型的风险量化评估；
S7：确定关键风险因子，采取关键防控措施。
2.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S1的所述目标电厂需满足以下条件：(1)垃圾焚烧发电厂已正常运行6个月以上，可获得完整的烟气污染物日均排放浓度数据集合；(2)垃圾焚烧发电厂的烟气污染物日均排放浓度的标准差，均大于同等垃圾焚烧规模以及使用相同焚烧及烟气处理技术的其他电厂，或垃圾焚烧发电厂曾出现烟气污染物超标排放污染案例。
3.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S2通过目标电厂的运行维护数据记录，结合获取垃圾进料系统、垃圾焚烧系统、预热回收系统、烟气污染物处理系统、自动控制系统等子系统的监测数据样本：垃圾进料量、垃圾含水率、各燃烧区间内烟气温度、烟气排放流量、尾气处理设备物料喷射量及喷射频率，观察变量数据以及控制变量烟气污染物不稳定排放浓度数据样本；耦合Pearson相关性系数判定观察变量和控制变量烟气污染物不稳定排放浓度之间的相关性强度，若相关性较弱，则不纳入烟气污染物不稳定排放贝叶斯网络模型建模中。
4.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S2使用公式
5.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S3通过获得目标电厂的运维情况，初步识别其他观察变量对控制变量烟气污染物不稳定排放浓度的影响关系、以及观察变量之间的影响关系；基于所述影响关系，利用步骤2预处理所产生的数据样本结合PC结构学习算法进行变量数据的深度挖掘，测试变量之间的条件独立性，初步构建烟气污染物不稳定排放贝叶斯网络模型。
6.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S4利用所述步骤S2预处理所产生的数据样本，采用区间等宽法、等频数法对连续的样本数据进行离散化处理，将模型中各变量均离散化为高H、中M、低L三个状态区间；进一步结合MLE算法对烟气污染物不稳定排放贝叶斯网络模型进行样本训练，计算模型中节点不同状态下的概率分布并作为节点的参数，直至该参数可使得似然函数最大化，最终获得包括控制变量烟气污染物不稳定排放浓度在内的其他变量参数，即条件概率表。
7.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S5结合K折交叉验证，将目标电厂的监测数据样本随机分成K份，用其中的K-1份训练烟气污染物不稳定排放贝叶斯网络模型的参数，以控制变量烟气污染物不稳定排放浓度作为验证对象，剩余1份用于验证模型对于预测烟气污染物不稳定排放浓度的准确性，循环重复K次直至目标电厂的监测数据样本全面覆盖；所述烟气污染物不稳定排放的贝叶斯网络模型验证的准确性判定公式为：
其中OA表示模型预测烟气污染物不稳定排放浓度的准确率，TP表示准确预测烟气污染物不稳定排放浓度的案例数量，AP表示目标电厂的监测数据样本案例总数，若预测烟气污染物不稳定排放浓度的准确率大于或等于90％，则代表该模型可靠性强；若准确率低于90％，则重启上述步骤S3及步骤S4，直至模型准确率满足该电厂需求。
8.根据权利要求书1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S6对所建立的目标电厂烟气污染物不稳定排放贝叶斯网络模型进行风险量化评估，使用贝叶斯网络理论的正向推理功能计算概率分布：
式中，P(A)为BN中任意节点A的概率分布，P(Bi)为节点A的父节点Bi的处于某状态下的概率分布，P(A|Bi)表示在节点Bi处于某状态的前提下节点A的概率分布，n为节点A的父节点数量；根据上述正向推理功能可计算预测控制变量“烟气污染物排放浓度(T)”离散化后在不同状态区间的概率分布，进而确定目标电厂是否出现烟气污染物不稳定排放的环境风险；其次，通过敏感度分析功能进行关键风险因子识别，结合贝叶斯定理以及风险重要度评估，计算观察变量Xi对控制变量烟气污染物排放浓度(T)处于某状态Tq的概率重要度，若
表示观察变量Xi比Xj对目标电厂烟气污染物不稳定排放的贡献更大，需要采取更严格的防控措施。
9.根据权利要求8所述的步骤S6，其特征在于，所述观察变量Xi对控制变量烟气污染物不稳定排放浓度(T)处于某状态Tq的概率重要度
计算方式如下：
式中：
表示观察变量Xi处于某状态
的情况下控制变量烟气污染物排放浓度(T)处于某状态Tq的后验概率，
表示控制变量烟气污染物排放浓度(T)处于某状态Tq和观察变量Xi处于某状态
的联合概率分布，
表示观察变量Xi处于某状态
的概率，
表示观察变量Xi处于某状态
的情况下对控制变量烟气污染物排放浓度(T)处于某状态Tq的概率重要度，P(T＝Tq)表示控制变量烟气污染物排放浓度(T)处于某状态Tq的概率，ki表示观察变量的状态数量。
10.根据权利要求1所述的基于数据的垃圾焚烧发电污染物排放风险诊断预警方法，其特征在于，所述步骤S7基于风险量化评估结果，预测目标城市烟气污染物排放浓度的波动情况，并确定导致目标电厂烟气污染物不稳定排放的关键风险因子，从而识别采取关键的风险防控措施，从而协助目标电厂烟气污染物达标稳定排放。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210493232.XA CN114881470A (zh) | 2022-05-07 | 2022-05-07 | 基于数据的垃圾焚烧发电污染物排放风险诊断预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210493232.XA CN114881470A (zh) | 2022-05-07 | 2022-05-07 | 基于数据的垃圾焚烧发电污染物排放风险诊断预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114881470A true CN114881470A (zh) | 2022-08-09 |
Family
ID=82672813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210493232.XA Pending CN114881470A (zh) | 2022-05-07 | 2022-05-07 | 基于数据的垃圾焚烧发电污染物排放风险诊断预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114881470A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117131444A (zh) * | 2023-10-25 | 2023-11-28 | 南京海关工业产品检测中心 | 一种基于深度学习的固废风险自动识别方法和系统 |
-
2022
- 2022-05-07 CN CN202210493232.XA patent/CN114881470A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117131444A (zh) * | 2023-10-25 | 2023-11-28 | 南京海关工业产品检测中心 | 一种基于深度学习的固废风险自动识别方法和系统 |
| CN117131444B (zh) * | 2023-10-25 | 2023-12-22 | 南京海关工业产品检测中心 | 一种基于深度学习的固废风险自动识别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
| CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
| CN111260149B (zh) | 一种二噁英排放浓度预测方法 | |
| CN111461355A (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
| CN110991756B (zh) | 基于ts模糊神经网络的mswi炉膛温度预测方法 | |
| Norhayati et al. | Adaptive neuro-fuzzy prediction of carbon monoxide emission from a clinical waste incineration plant | |
| CN110135057A (zh) | 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 | |
| CN112183709A (zh) | 一种垃圾焚烧废气二噁英超标预测预警方法 | |
| 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 | |
| Strušnik et al. | Optimisation of an old 200 MW coal-fired boiler with urea injection through the use of supervised machine learning algorithms to achieve cleaner power generation | |
| CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
| Yang et al. | Environmental investment prediction using extended belief rule-based system and evidential reasoning rule | |
| CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
| Xu et al. | A novel online combustion optimization method for boiler combining dynamic modeling, multi-objective optimization and improved case-based reasoning | |
| CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
| Gopalakrishnan et al. | Neuro-fuzzy approach to predictive modeling of emissions from biodiesel powered transit buses | |
| Xu et al. | A bran-new performance evaluation model of coal mill based on GA-IFCM-IDHGF method | |
| Movahed et al. | Modeling and optimization of NO emission for a steam power plant by data‐driven methods | |
| Qiao et al. | A comprehensively improved interval type-2 fuzzy neural network for nox emissions prediction in mswi process | |
| Chongwatpol et al. | Applying analytics in the energy industry: A case study of heat rate and opacity prediction in a coal-fired power plant | |
| Wang et al. | Interval estimation of urban ozone level and selection of influential factors by employing automatic relevance determination model | |
| He et al. | Prediction of MSWI furnace temperature based on TS fuzzy neural network | |
| CN111476433A (zh) | 基于数据分析的烟气排放预测方法及系统 | |
| Chen et al. | Diagnosis for monitoring system of municipal solid waste incineration plant | |
| Zhang et al. | CO emission predictions in municipal solid waste incineration based on reduced depth features and long short-term memory optimization |
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 |