CN115561133A - 火电行业cems校准期间异常数据的自动识别方法和系统 - Google Patents
火电行业cems校准期间异常数据的自动识别方法和系统 Download PDFInfo
- Publication number
- CN115561133A CN115561133A CN202211145913.3A CN202211145913A CN115561133A CN 115561133 A CN115561133 A CN 115561133A CN 202211145913 A CN202211145913 A CN 202211145913A CN 115561133 A CN115561133 A CN 115561133A
- Authority
- CN
- China
- Prior art keywords
- data
- calibration
- cems
- abnormal
- time
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 title claims abstract 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 119
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 14
- 239000003546 flue gas Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000002547 anomalous effect Effects 0.000 claims 8
- 230000008030 elimination Effects 0.000 claims 2
- 238000003379 elimination reaction Methods 0.000 claims 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 45
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 30
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 18
- 239000001301 oxygen Substances 0.000 description 18
- 229910052760 oxygen Inorganic materials 0.000 description 18
- 238000012795 verification Methods 0.000 description 15
- 239000013618 particulate matter Substances 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- 239000000779 smoke Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000003344 environmental pollutant Substances 0.000 description 5
- 231100000719 pollutant Toxicity 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000002912 waste gas Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004164 analytical calibration Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0037—NOx
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0042—SO2 or SO3
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Dispersion Chemistry (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种火电行业CEMS校准期间异常数据的自动识别方法和系统，包括：获取目标火电厂的CEMS监测数据，并对该监测数据进行初级识别，识别出该监测数据中数值波动位于预设范围内的时间序列数据；对该时间序列数据进行二级识别，识别出该时间序列数据中满足预设条件的部分数据作为二级识别结果；根据该二级识别结果的波动特征，确认是否存在CEMS校准，并对校准期间异常数据进行分类；根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行进行智能识别，并进行分类标记。
Description
技术领域
本发明涉及废气监测技术领域，尤其涉及一种火电行业CEMS校准期间异常数据的自动识别方法和系统。
背景技术
CEMS(Continuous Emission Monitoring System)指对大气污染源排放的气态污染物和颗粒物进行浓度和排放总量连续监测并将检测得到的固定污染源废气自动监测数据实时传输到主管部门的装置。
固定污染源废气自动监测数据为环境管理部门提供了重要决策依据。但是，由于固定污染源废气的监测过程往往会通过CEMS烟气排放连续监测系统，经历采样单元、监测单元、传输上报单元等多个环节，任何一个环节的仪器校准/故障，或者工作曲线斜率、工作曲线截距等监测仪器输入参数的变化，都有可能导致自动监测数据异常。尤其是CEMS校准期间，导致自动监测数据出现异常情况，此时数据属于无效，在上报到监测部门时理应剔除，不作为排污单位数据超标的判定依据。
火电企业应当按有关法律法规和标准规范安装使用自动监测设备，在现场日常运维过程中，依据《固定污染源烟气(SO2、NOX、颗粒物)排放连续监测技术规范》(HJ 75)等标准规范要求，对CEMS自动监测设备要开展质量控制和质量保证，往往通过现场检查、校准标定、反吹维护等操作，以保证设备正常运行，保存原始监测记录，并确保自动监测数据真实、准确、完整、有效。
要求火电、水泥和造纸排污单位根据现场的实际生产运行情况进行数据标记，那么第一阶段首先需要引导排污单位进行自动监测设备的安装并与生态环境部门联网，在推进过程中发现存在一些普遍问题，尤其在火电行业，大多数火电企业已经运行数十年，所使用的监测设备质量参差不齐，且每个监测站点的实际运行情况不同，其中有大部分CEMS自动监测设备属于老旧设备，目前虽然还能正常运行使用，但是仪器设备故障引起的数据异常波动，人工审核存在运维盲目、识别故障的周期长、识别故障的准确性欠佳、需要现场排查等缺点，导致运维不及时，影响自动监测设备的运行质量和运行效率，还有最重要的是缺乏CEMS维护校准期间自动识别标记的功能，因而在CEMS校准期间无法实现自动标记，如果每次都进行人工标记，其过程繁杂且需要耗费大量人力，还不一定保证在要求时间内完成标记，如果让这些火电企业花费高昂费用更换新的CEMS自动监测设备又不太现实，因此急需寻找一种简单便捷又可靠的方式自动识别火电行业CEMS校准期间的异常数据。
发明内容
针对现有技术的不足，本发明提出一种火电行业CEMS校准期间异常数据的自动识别方法，包括：
步骤1、获取目标火电厂的CEMS监测数据，并对该监测数据进行初级识别，识别出该监测数据中数值波动位于预设范围内的时间序列数据；
步骤2、对该时间序列数据进行二级识别，识别出该时间序列数据中满足预设条件的部分数据作为二级识别结果；
步骤3、根据该二级识别结果的波动特征，确认是否存在CEMS校准，并对校准期间异常数据进行分类；
步骤4、根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行进行智能识别，并进行分类标记。
所述火电行业CEMS校准期间异常数据的自动识别方法，其中：
在该步骤1中，初级识别包括监控点CEMS自动监测数据的完整性，剔除缺失值、烟气流量为零的值、恒值、负值、超量程值，及剔除显著异常值，取[x]-[x+n]时段监控点的CEMS自动监测数据。
所述的火电行业CEMS校准期间异常数据的自动识别方法，其中：
在该步骤2中，根据CEMS自动监测仪器校准期间运行状态和时间序列数据进行二级识别，包括：剔除监测仪器校准期间时间序列数据异常时段的数据，筛取符合校准期间数据在合理变化范围内的浓度差值，若时间序列数据均为异常时段，即重新返回步骤B中重新进行初级识别，提取[x]-[x+n]时段监控点的CEMS自动监测数据。
所述的火电行业CEMS校准期间异常数据的自动识别方法，其中：
在该步骤3中，根据二级识别后满足条件的时段对其时间序列函数进行波动特征计算，默认数据波动过程在时间上是对应连续变化的，则[x]-[x+n]时段监控点的CEMS自动监测数据也为连续数据，满足函数F(x)可微分的计算要求，F′(x0)＝lim{Δx→0}[F(x0+Δx)-F(x0)]/Δx，若F′(x0)＜0，其波动特征值β记为-1，若F′(x0)＞0，其波动特征值β记为1，若F′(x0)＝0，其波动特征值β记为0，以此确认是否存在CEMS校准，并对校准期间异常数据进行分类。
所述的火电行业CEMS校准期间异常数据的自动识别方法，其中：
在该步骤4中，根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行智能识别，并对数据进行分类标记，比较检验波动特征β值，β(t0-3)＝-1∩β(t0-3+n)＝0，则[t]时刻异常数据，通过 BP神经网络识别为‘校准-空气’；β(h0-3)＝1∩β(h0-3+n)＝0；则[h]时刻异常数据，通过BP神经网络识别为‘校准-混标’；β(d0-3)＝0∩β(d0-3+n) ＝0∩β(d2)＝0；则[d]时刻异常数据，通过BP神经网络识别为‘校准-单标1’；β(e0-3)＝0∩β(e0-3+n)＝0∩β(e1)＝0；则[e]时刻异常数据，通过BP 神经网络识别为‘校准-单标2’，经过智能识别后的标记自动随数据一同上报至上位机。
本发明还提出了一种火电行业CEMS校准期间异常数据的自动识别系统，其中包括：
初级识别模块，用于获取目标火电厂的CEMS监测数据，并对该监测数据进行初级识别，识别出该监测数据中数值波动位于预设范围内的时间序列数据；
二识别模块，用于对该时间序列数据进行二级识别，识别出该时间序列数据中满足预设条件的部分数据作为二级识别结果；
第一分类模块，用于根据该二级识别结果的波动特征，确认是否存在 CEMS校准，并对校准期间异常数据进行分类；
第二分类模块，用于根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行进行智能识别，并进行分类标记。
所述火电行业CEMS校准期间异常数据的自动识别系统，其中：
在该初级识别模块中，初级识别包括监控点CEMS自动监测数据的完整性，剔除缺失值、烟气流量为零的值、恒值、负值、超量程值，及剔除显著异常值，取[x]-[x+n]时段监控点的CEMS自动监测数据。
所述的火电行业CEMS校准期间异常数据的自动识别系统，其中：
在该二级识别模块中，根据CEMS自动监测仪器校准期间运行状态和时间序列数据进行二级识别，包括：剔除监测仪器校准期间时间序列数据异常时段的数据，筛取符合校准期间数据在合理变化范围内的浓度差值，若时间序列数据均为异常时段，即重新返回步骤B中重新进行初级识别，提取[x]-[x+n] 时段监控点的CEMS自动监测数据。
所述的火电行业CEMS校准期间异常数据的自动识别系统，其中：
在该第一分类模块中，根据二级识别后满足条件的时段对其时间序列函数进行波动特征计算，默认数据波动过程在时间上是对应连续变化的，则[x]-[x+n] 时段监控点的CEMS自动监测数据也为连续数据，满足函数F(x)可微分的计算要求，F′(x0)＝lim{Δx→0}[F(x0+Δx)-F(x0)]/Δx，若F′(x0)＜0，其波动特征值β记为-1，若F′(x0)＞0，其波动特征值β记为1，若F′(x0) ＝0，其波动特征值β记为0，以此确认是否存在CEMS校准，并对校准期间异常数据进行分类。
所述的火电行业CEMS校准期间异常数据的自动识别系统，其中：
在该第二分类模块中，根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行智能识别，并对数据进行分类标记，比较检验波动特征β值，β(t0-3)＝-1∩β(t0-3+n)＝0，则[t]时刻异常数据，通过BP神经网络识别为‘校准-空气’；β(h0-3)＝1∩β(h0-3+n)＝0；则[h] 时刻异常数据，通过BP神经网络识别为‘校准-混标’；β(d0-3)＝0∩β(d0-3+n) ＝0∩β(d2)＝0；则[d]时刻异常数据，通过BP神经网络识别为‘校准-单标1’；β(e0-3)＝0∩β(e0-3+n)＝0∩β(e1)＝0；则[e]时刻异常数据，通过BP 神经网络识别为‘校准-单标2’，经过智能识别后的标记自动随数据一同上报至上位机。
由以上方案可知，本发明的优点在于：
本发明结合火电行业CEMS自动监测设备校准频繁、异常率较大的特点，提出更具有精确稳定性的方法进行异常数据检测，克服了因异常数据较多、频繁人工干预的影响，能更准确地捕获校准期间异常数据，自动识别CEMS校准，大幅提高现场运维人员的工作效率。
附图说明
图1是本发明的火电行业CEMS校准期间异常数据的自动识别方法及异常原因分类流程图；
图2为本发明火电行业CEMS‘校准-空气’期间氧含量异常数据识别效果示意图；
图3为本发明火电行业CEMS‘校准-混标’期间二氧化硫和氮氧化物异常数据识别效果示意图；
图4为本发明火电行业CEMS‘校准-单标1’期间二氧化硫异常数据识别效果示意图；
图5为本发明火电行业CEMS‘校准-单标2’期间氮氧化物异常数据识别效果示意图。
具体实施方式
本发明的目的在于针对背景技术中的缺陷，提出一种火电行业CEMS校准期间异常数据的自动识别方法，解决背景技术中问题。
为达此目的，本发明采用以下技术方案：
一种火电行业CEMS校准期间异常数据的自动识别方法，包括如下步骤：
步骤A：接入监控点CEMS自动监测数据；
步骤B：对CEMS自动监测数据中时间序列数据进行初级识别；
步骤C：对CEMS自动监测数据中时间序列数据进行二级识别；
步骤D：根据步骤C中进行二级识别后的时间序列函数的波动特征，确认是否存在CEMS校准，并对校准期间异常数据进行分类；
步骤E：根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行进行智能识别，并进行分类标记；
为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。
一种火电行业CEMS校准期间异常数据的自动识别方法，包括如下步骤：
步骤A：接入监控点CEMS自动监测数据；且该监控点CEMS自动监测数据不仅包括校准期间的数据，还包括发电厂正常运行时的数据
步骤B：对CEMS自动监测数据中时间序列数据进行初级识别；
步骤C：对CEMS自动监测数据中时间序列数据进行二级识别；
步骤D：根据步骤C中进行二级识别后的时间序列函数的波动特征，确认是否存在CEMS校准，并对校准期间异常数据进行分类；即此分类是对函数波动特征单值的分类，满足此特征即有CEMS校准。
步骤E：根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行进行智能识别，并进行分类标记。即此分类是针对总值的分类，根据总值识别出CEMS校准的具体类型是混标还是单标校准。
下一步的分类，是针对总值的分类，根据总值识别出CEMS校准的具体类型，是混标还是单标校准。
在步骤B中，初级识别包括监控点CEMS自动监测数据的完整性，首先剔除缺失值、烟气流量为零的值、恒值、负值、超量程值，及剔除显著异常值，然后取[x]-[x+n]时段监控点的CEMS自动监测数据，将系统响应时间≤200秒考虑到内；
(1)假设在[t]时刻进行校准，开始通入纯空气或者氧气，那此时对应污染物浓度二氧化硫、氮氧化物、颗粒物及烟气中氧含量(％)分别为F1(t)、 F2(t)、F3(t)、F0(t)，直到通纯空气或者氧气后持续一段时间内[t+n]，控制n为固定时长(一般取60分钟)，最终各项浓度数据趋于稳定值后，此时对应浓度数值分别为F1(t+n)、F2(t+n)、F3(t+n)、F0(t+n)，在[t]-[t+n] 时段监控点的CEMS自动监测浓度数据F[(t)-(t+n)]会存在相应的差值变化，需要进一步对时间序列数据进行二级识别，筛取符合校准期间数据满足验证条件在合理变化范围内的数据差值。
(2)假设在[h]时刻进行校准，开始通入混合标气(二氧化硫和氮氧化物混合，2倍标)，那此时对应污染物浓度二氧化硫、氮氧化物、颗粒物及烟气中氧含量分别为F1(h)、F2(h)、F3(h)、F0(h)，直到通纯空气或者氧气后持续一段时间内[h+n]，控制n为固定时长(一般取60分钟)，最终各项浓度数据趋于稳定值后，此时对应浓度数值分别为F1(h+n)、F2(h+n)、F3 (h+n)、F0(h+n)，在[h]-[h+n]时段监控点的CEMS自动监测浓度数据F[(t) -(t+n)]会存在相应的差值变化，需要进一步对时间序列数据进行二级识别，筛取符合校准期间数据满足验证条件在合理变化范围内的数据差值。
(3)假设在[d]时刻进行校准，开始通入单一标气(二氧化硫，2倍标)，那此时对应污染物浓度二氧化硫、氮氧化物、颗粒物及烟气中氧含量分别为 F1(d)、F2(d)、F3(d)、F0(d)，直到通纯空气或者氧气后持续一段时间内[d+n]，控制n为固定时长(一般取60分钟)，最终各项浓度数据趋于稳定值后，此时对应浓度数值分别为F1(d+n)、F2(d+n)、F3(d+n)、F0(d+n)，在[d]-[d+n]时段监控点的CEMS自动监测浓度数据F[(d)-(d+n)]会存在相应的差值变化，需要进一步对时间序列数据进行二级识别，筛取符合校准期间数据满足验证条件在合理变化范围内的数据差值。
(4)假设在[e]时刻进行校准，开始通入单一标气(氮氧化物，2倍标)，那此时对应污染物浓度二氧化硫、氮氧化物、颗粒物及烟气中氧含量分别为 F1(e)、F2(e)、F3(e)、F0(e)，直到通纯空气或者氧气后持续一段时间内[e+n]，控制n为固定时长(一般取60分钟)，最终各项浓度数据趋于稳定值后，此时对应浓度数值分别为F1(e+n)、F2(e+n)、F3(e+n)、F0(e+n)，在[e]-[e+n]时段监控点的CEMS自动监测浓度数据F[(e)-(e+n)]会存在相应的差值变化，需要进一步对时间序列数据进行二级识别，筛取符合校准期间数据满足验证条件在合理变化范围内的数据差值。
在步骤C中，根据CEMS自动监测仪器校准期间运行状态和时间序列数据进行二级识别，具体包括：剔除监测仪器校准期间时间序列数据异常时段的数据，筛取符合校准期间数据满足验证条件在合理变化范围内的数据差值，若时间序列数据未通过验证条件为异常时段，即重新返回步骤B中重新进行初级识别，提取[x]-[x+n]时段监控点的CEMS自动监测数据；其中时间序列数据异常时段为不满足以下4个验证条件的即为时段，该时间序列数据异常时段需剔除，重新提取下一段数据。
(1)[t]时刻的校准，时间序列对应烟气中氧含量百分比数值为F0(t)，持续到[t+n]时刻，则其浓度数值为F0(t+n)，首先需验证(|F0(t+n)|→21％) ∩(|F0(t+n)-F0(t)|＞2％)是否成立，如果满足条件，继续验证对应二氧化硫的浓度数值为F1(t)，持续到[t+n]时刻，则其浓度数值为F1(t+n)，验证|F1(t+n)-F1(t)|→F1(t)是否成立，如果满足条件，继续验证对应氮氧化物的浓度数值为F2(t)，持续到[t+n]时刻，则其浓度数值为F2(t+n)，验证|F2(t+n)-F2(t)|→F2(t)是否成立，如果满足条件，最后验证对应颗粒物的浓度数值为F3(t)，持续到[t+n]时刻，则其浓度数值为F3(t+n)，验证|F3(t+n)-F3(t)|→0是否成立，通过验证条件则进行下一步步骤D进行时间序列函数波动特征的识别，若非则返回步骤B中重新进行初级识别；
(2)[h]时刻的校准，时间序列对应二氧化硫的浓度数值为F1(h)和F2 (h)，持续到[h+n]时刻，则其浓度数值分别为F1(h+n)和F2(h+n)，首先需验证(|F1(h+n)-F1(h)|→B(B为恒值))∩(|F2(h+n)-F2(h)|→C(C为恒值))是否成立，如果满足条件，继续验证对应烟气中氧含量百分比数值为 F0(h)，持续到[h+n]时刻，则其浓度数值为F0(h+n)，验证(|F0(h+n)|→0％) ∩(|F0(h+n)-F0(h)|→D(D为恒值))是否成立，如果满足条件，最后验证对应颗粒物的浓度数值为F3(h)，持续到[h+n]时刻，则其浓度数值为F3 (h+n)，验证|F3(h+n)-F3(h)|→0是否成立，通过验证条件则进行下一步步骤D进行时间序列函数波动特征的识别，若非则返回步骤B中重新进行初级识别；
(3)[d]时刻的校准，时间序列对应二氧化硫浓度数值为F1(d)，持续到[d+n]时刻，则其浓度数值为F1(d+n)，首先需验证|F1(d+n)-F1(d)|→B(B 为恒值)是否成立，如果满足条件，继续验证对应氮氧化物浓度数值为F2(d)，持续到[d+n]时刻，则其浓度数值为F2(d+n)，验证|F2(d+n)|→0是否成立，如果满足条件，继续验证对应烟气中氧含量百分比数值为F0(d)，持续到[d+n] 时刻，则其浓度数值为F0(d+n)，验证(|F0(d+n)|→0％)∩(|F0(d+n) -F0(d)|→D(D为恒值))是否成立，如果满足条件，最后验证对应颗粒物的浓度数值为F3(d)，持续到[d+n]时刻，则其浓度数值为F3(d+n)，验证|F3 (d+n)-F3(d)|→0是否成立，通过验证条件则进行下一步步骤D进行时间序列函数波动特征的识别，若非则返回步骤B中重新进行初级识别；
(4)[e]时刻的校准，时间序列对应氮氧化物浓度数值为F2(e)，持续到[e+n]时刻，则其浓度数值为F2(e+n)，首先需验证|F2(e+n)-F2(e)|→C(C 为恒值)是否成立，如果满足条件，继续验证对应二氧化硫浓度数值为F1(e)，持续到[e+n]时刻，则其浓度数值为F1(e+n)，验证|F1(e+n)|→0是否成立，如果满足条件，继续验证对应烟气中氧含量百分比数值为F0(e)，持续到[e+n] 时刻，则其浓度数值为F0(e+n)，验证(|F0(e+n)|→0％)∩(|F0(e+n) -F0(e)|→D(D为恒值))是否成立，如果满足条件，最后验证对应颗粒物的浓度数值为F3(e)，持续到[e+n]时刻，则其浓度数值为F3(e+n)，验证|F3 (e+n)-F3(e)|→0是否成立，通过验证条件则进行下一步步骤D进行时间序列函数波动特征的识别，若非则返回步骤B中重新进行初级识别；
在步骤D中，根据二级识别后满足验证条件的时段对其时间序列函数进行波动特征计算，默认数据波动过程在时间上是对应连续变化的，则[x]-[x+n] 时段监控点的CEMS自动监测数据也为连续数据，满足函数F(x)可微分的计算要求，对自动监测数据随时间变化的函数进行微分无限细分，看数据的增减变化趋势，F′(x0)＝lim{Δx→0}[F(x0+Δx)-F(x0)]/Δx，若F′(x0)＜0，其波动特征值β记为-1，若F′(x0)＞0，其波动特征值β记为1，若F′(x0) ＝0，其波动特征值β记为0，以此确认是否存在CEMS校准，并对校准期间异常数据进行分类；lim{Δx→0}代表差值无限小，F(x0)代表数据初值，F(x0+Δx) 代表数据末值，Δx代表时间差值，F′(x0)代表微分值。
其中确认是否存在CEMS校准是根据多次划分取值后的对应β单值，β(t0)、β(t0+1)、β(t0+2)……β(t0+n)值，来确认是否存在校准时数据的变化趋势，后续再看β总值的特征，比如是否满足β(t0-3)＝-1∩β(t0-3+n)＝0，其中β(t0-3) ＝β(t0)+β(t1)+β(t2)+β(t3)，β(t0-3+n)＝β(t0+n)+β(t1+n)+β(t2+n) +β(t3+n)，满足即确定为CEMS校准，最后一步E中，直接对满足β(t0-3) ＝-1∩β(t0-3+n)＝0，的情况识别分类为CEMS校准-空气’。
(1)从[t]时刻开始，时间序列对应烟气中氧含量百分比数值为F0(t)，持续到[t+n]时刻，则其浓度数值为F0(t+n)，取F′(t0)＝lim{Δt→0}[F(t0 +Δt)-F(t0)]/Δt，(x＝t0，t0+1，t0+2，t0+3，t0+4，……，t0+n)，计算结果F′(t0)＞0，则β(t0)＝1，F′(t0+1)＞0，则β(t0+1)＝1，F′(t0+2) ＞0，则β(t0+2)＝1，……，F′(t0+n)＝0，则β(t0+n)＝0；对应二氧化硫的浓度数值为F1(t)，持续到[t+n]时刻，则其浓度数值为F1(t+n)，将 x＝t1，t1+1，t1+2，t1+3，t1+4，……，t1+n带入时间序列函数中，计算结果F′ (t1)＜0，则β(t1)＝-1，F′(t1+1)＜0，则β(t1+1)＝-1，F′(t1+2)＜0，则β(t1+2)＝-1，……，F′(t1+n)＝0，则β(t1+n)＝0；对应氮氧化物的浓度数值为F2(t)，持续到[t+n]时刻，则其浓度数值为F2(t+n)，将x＝t2， t2+1，t2+2，t2+3，t2+4，……，t2+n带入时间序列函数中，计算结果F′(t2) ＜0，则β(t2)＝-1，F′(t2+1)＜0，则β(t2+1)＝-1，F′(t2+2)＜0，则β(t2+2)＝-1，……，F′(t2+n)＝0，则β(t2+n)＝0；对应颗粒物的浓度数值为F3(t)，持续到[t+n]时刻，则其浓度数值为F3(t+n)，将x＝t3，t3+1， t3+2，t3+3，t3+4，……，t3+n带入时间序列函数中，计算结果F′(t3)＝0，则β(t3)＝0，F′(t3+1)＝0，则β(t3+1)＝0，F′(t3+2)＝0，则β(t3+2) ＝0，……，F′(t3+n)＝0，则β(t3+n)＝0，那么再计算[t]-[t+n]时段波动特征值为β(t0-3)＝-1∩β(t0-3+n)＝0；
(2)从[h]时刻开始，时间序列对应二氧化硫的浓度数值为F1(h)，持续到[h+n]时刻，则其浓度数值为F1(h+n)，将x＝h1，h1+1，h1+2，h1+3，h1+4，……， h1+n带入时间序列函数中，计算结果F′(h1)＞0，则β(h1)＝1，F′(h1+1) ＞0，则β(h1+1)＝1，F′(h1+2)＞0，则β(h1+2)＝1，……，F′(h1+n)＝0，则β(h1+n)＝0；对应氮氧化物的浓度数值为F2(h)，持续到[h+n]时刻，则其浓度数值为F2(h+n)，将x＝h2，h2+1，h2+2，h2+3，h2+4，……，h2+n带入时间序列函数中，计算结果F′(h2)＞0，则β(h2)＝1，F′(h2+1)＞0，则β(h2+1)＝1，F′(h2+2)＞0，则β(h2+2)＝1，……，F′(h2+n)＝0，则β (h2+n)＝0；对应烟气中氧含量百分比数值为F0(h)，持续到[h+n]时刻，则其浓度数值为F0(h+n)，x＝h0，h0+1，h0+2，h0+3，h0+4，……，h0+n带入时间序列函数中，计算结果F′(h0)＜0，则β(h0)＝-1，F′(h0+1)＜0，则β (h0+1)＝-1，F′(h0+2)＜0，则β(h0+2)＝-1，……，F′(h0+n)＝0，则β (h0+n)＝0；对应颗粒物的浓度数值为F3(h)，持续到[h+n]时刻，则其浓度数将值为F3(h+n)，将x＝h3，h3+1，h3+2，h3+3，h3+4，……，h3+n带入时间序列函数中，计算结果F′(h3)＝0，则β(h3)＝0，F′(h3+1)＝0，则β(h3+1) ＝0，F′(h3+2)＝0，则β(h3+2)＝0，……，F′(h3+n)＝0，则β(h3+n)＝0，那么再计算[h]-[h+n]时段波动特征值为β(h0-3)＝1∩β(h0-3+n)＝0；
(3)从[d]时刻开始，时间序列对应二氧化硫的浓度数值为F1(d)，持续到[d+n]时刻，则其浓度数值为F1(d+n)，将x＝d1，d1+1，d1+2，d1+3，d1+4，……， d1+n带入时间序列函数中，计算结果F′(d1)＞0，则β(d1)＝1，F′(d1+1) ＞0，则β(d1+1)＝1，F′(d1+2)＞0，则β(d1+2)＝1，……，F′(d1+n)＝0，则β(d1+n)＝0；对应烟气中氧含量百分比数值为F0(d)，持续到[d+n]时刻，则其浓度数值为F0(d+n)，x＝d0，d0+1，d0+2，d0+3，d0+4，……，d0+n带入时间序列函数中，计算结果F′(d0)＜0，则β(d0)＝-1，F′(d0+1)＜0，则β(d0+1)＝-1，F′(d0+2)＜0，则β(d0+2)＝-1，……，F′(d0+n)＝0，则β(d0+n)＝0；对应氮氧化物的浓度数值为F2(d)，持续到[d+n]时刻，则其浓度数值为F2(d+n)，将x＝d2，d2+1，d2+2，d2+3，d2+4，……，d2+n带入时间序列函数中，计算结果F′(d2)＝0，则β(d2)＝0，F′(d2+1)＝0，则β(d2+1) ＝0，F′(d2+2)＝0，则β(d2+2)＝0，……，F′(d2+n)＝0，则β(d2+n)＝0；对应颗粒物的浓度数值为F3(d)，持续到[d+n]时刻，则其浓度数将值为F3 (d+n)，将x＝d3，d3+1，d3+2，d3+3，d3+4，……，d3+n带入时间序列函数中，计算结果F′(d3)＝0，则β(d3)＝0，F′(d3+1)＝0，则β(d3+1)＝0，F′(d3+2) ＝0，则β(d3+2)＝0，……，F′(d3+n)＝0，则β(d3+n)＝0，那么再计算[d]-[d+n] 时段波动特征值为β(d0-3)＝0∩β(d0-3+n)＝0∩β(d2)＝0；
(4)从[e]时刻开始，时间序列对应氮氧化物的浓度数值为F2(e)，持续到[e+n]时刻，则其浓度数值为F2(e+n)，将x＝e2，e2+1，e2+2，e2+3，e2+4，……， e2+n带入时间序列函数中，计算结果F′(e2)＞0，则β(e2)＝1，F′(e2+1) ＞0，则β(e2+1)＝1，F′(e2+2)＞0，则β(e2+2)＝1，……，F′(e2+n)＝0，则β(e2+n)＝0；对应烟气中氧含量百分比数值为F0(e)，持续到[e+n]时刻，则其浓度数值为F0(e+n)，x＝e0，e0+1，e0+2，e0+3，e0+4，……，e0+n带入时间序列函数中，计算结果F′(e0)＜0，则β(e0)＝-1，F′(e0+1)＜0，则β(e0+1)＝-1，F′(e0+2)＜0，则β(e0+2)＝-1，……，F′(e0+n)＝0，则β(e0+n)＝0；对应二氧化硫的浓度数值为F1(e)，持续到[e+n]时刻，则其浓度数值为F1(e+n)，将x＝e1，e1+1，e1+2，e1+3，e1+4，……，e1+n带入时间序列函数中，计算结果F′(e1)＝0，则β(e1)＝0，F′(e1+1)＝0，则β(e1+1) ＝0，F′(e1+2)＝0，则β(e1+2)＝0，……，F′(e1+n)＝0，则β(e1+n)＝0；对应颗粒物的浓度数值为F3(e)，持续到[e+n]时刻，则其浓度数将值为F3 (e+n)，将x＝e3，e3+1，e3+2，e3+3，e3+4，……，e3+n带入时间序列函数中，计算结果F′(e3)＝0，则β(e3)＝0，F′(e3+1)＝0，则β(e3+1)＝0，F′(e3+2) ＝0，则β(e3+2)＝0，……，F′(e3+n)＝0，则β(e3+n)＝0，那么再计算[e]-[e+n] 时段波动特征值为β(e0-3)＝0∩β(e0-3+n)＝0∩β(e1)＝0；
进一步的，在步骤E：根据步骤D中校准期间异常数据的波动特征β值，对自动监测数据异常现象的原因通过BP神经网络进行智能识别，并对数据进行分类标记，自动随数据一同上报至上位机，推送给监督人员和现场运维人员，既指导监督人员快速准确识别企业现场端异常数据产生的原因，又为运维人员进行仪器故障排查提供支持。
比较检验波动特征β值，β(t0-3)＝-1∩β(t0-3+n)＝0，则[t]时刻异常数据，通过BP神经网络识别为‘校准-空气’；β(h0-3)＝1∩β(h0-3+n)＝0；则[h]时刻异常数据，通过BP神经网络识别为‘校准-混标’；β(d0-3)＝0 ∩β(d0-3+n)＝0∩β(d2)＝0；则[d]时刻异常数据，通过BP神经网络识别为‘校准-单标1’；β(e0-3)＝0∩β(e0-3+n)＝0∩β(e1)＝0；则[e]时刻异常数据，通过BP神经网络识别为‘校准-单标2’，经过智能识别后的标记自动随数据一同上报至上位机，最后推送给监督人员和现场运维人员。
综上，本发明通过分类四种校准情况，将自动监测数据接入，正常期间的数据首先会被识别并剔除，满足验证条件的数据，如果符合四种校准时相应的数据变化情况，即反推，根据数据变化，将这些异常的自动监测数据进行分类。
本发明还提出了一种火电行业CEMS校准期间异常数据的自动识别系统，其中包括：
初级识别模块，用于获取目标火电厂的CEMS监测数据，并对该监测数据进行初级识别，识别出该监测数据中数值波动位于预设范围内的时间序列数据；
二识别模块，用于对该时间序列数据进行二级识别，识别出该时间序列数据中满足预设条件的部分数据作为二级识别结果；
第一分类模块，用于根据该二级识别结果的波动特征，确认是否存在 CEMS校准，并对校准期间异常数据进行分类；
第二分类模块，用于根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行进行智能识别，并进行分类标记。
所述火电行业CEMS校准期间异常数据的自动识别系统，其中：
在该初级识别模块中，初级识别包括监控点CEMS自动监测数据的完整性，剔除缺失值、烟气流量为零的值、恒值、负值、超量程值，及剔除显著异常值，取[x]-[x+n]时段监控点的CEMS自动监测数据。
所述的火电行业CEMS校准期间异常数据的自动识别系统，其中：
在该二级识别模块中，根据CEMS自动监测仪器校准期间运行状态和时间序列数据进行二级识别，包括：剔除监测仪器校准期间时间序列数据异常时段的数据，筛取符合校准期间数据在合理变化范围内的浓度差值，若时间序列数据均为异常时段，即重新返回步骤B中重新进行初级识别，提取[x]-[x+n] 时段监控点的CEMS自动监测数据。
所述的火电行业CEMS校准期间异常数据的自动识别系统，其中：
在该第一分类模块中，根据二级识别后满足条件的时段对其时间序列函数进行波动特征计算，默认数据波动过程在时间上是对应连续变化的，则[x]-[x+n] 时段监控点的CEMS自动监测数据也为连续数据，满足函数F(x)可微分的计算要求，F′(x0)＝lim{Δx→0}[F(x0+Δx)-F(x0)]/Δx，若F′(x0)＜0，其波动特征值β记为-1，若F′(x0)＞0，其波动特征值β记为1，若F′(x0) ＝0，其波动特征值β记为0，以此确认是否存在CEMS校准，并对校准期间异常数据进行分类。
所述的火电行业CEMS校准期间异常数据的自动识别系统，其中：
在该第二分类模块中，根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行智能识别，并对数据进行分类标记，比较检验波动特征β值，β(t0-3)＝-1∩β(t0-3+n)＝0，则[t]时刻异常数据，通过BP神经网络识别为‘校准-空气’；β(h0-3)＝1∩β(h0-3+n)＝0；则[h] 时刻异常数据，通过BP神经网络识别为‘校准-混标’；β(d0-3)＝0∩β(d0-3+n) ＝0∩β(d2)＝0；则[d]时刻异常数据，通过BP神经网络识别为‘校准-单标1’；β(e0-3)＝0∩β(e0-3+n)＝0∩β(e1)＝0；则[e]时刻异常数据，通过BP 神经网络识别为‘校准-单标2’，经过智能识别后的标记自动随数据一同上报至上位机。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (10)
1.一种火电行业CEMS校准期间异常数据的自动识别方法，其特征在于，包括：
步骤1、获取目标火电厂的CEMS监测数据，并对该监测数据进行初级识别，识别出该监测数据中数值波动位于预设范围内的时间序列数据；
步骤2、对该时间序列数据进行二级识别，识别出该时间序列数据中满足预设条件的部分数据作为二级识别结果；
步骤3、根据该二级识别结果的波动特征，确认是否存在CEMS校准，并对校准期间异常数据进行分类；
步骤4、根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行进行智能识别，并进行分类标记。
2.如权利要求1所述火电行业CEMS校准期间异常数据的自动识别方法，其特征在于：
在该步骤1中，初级识别包括监控点CEMS自动监测数据的完整性，剔除缺失值、烟气流量为零的值、恒值、负值、超量程值，及剔除显著异常值，取[x]-[x+n]时段监控点的CEMS自动监测数据。
3.如权利要求1所述的火电行业CEMS校准期间异常数据的自动识别方法，其特征在于：
在该步骤2中，根据CEMS自动监测仪器校准期间运行状态和时间序列数据进行二级识别，包括：剔除监测仪器校准期间时间序列数据异常时段的数据，筛取符合校准期间数据在合理变化范围内的浓度差值，若时间序列数据均为异常时段，即重新返回步骤B中重新进行初级识别，提取[x]-[x+n]时段监控点的CEMS自动监测数据。
4.如权利要求1所述的火电行业CEMS校准期间异常数据的自动识别方法，其特征在于：
在该步骤3中，根据二级识别后满足条件的时段对其时间序列函数进行波动特征计算，默认数据波动过程在时间上是对应连续变化的，则[x]-[x+n]时段监控点的CEMS自动监测数据也为连续数据，满足函数F(x)可微分的计算要求，F′(x0)＝lim{Δx→0}[F(x0+Δx)-F(x0)]/Δx，若F′(x0)＜0，其波动特征值β记为-1，若F′(x0)＞0，其波动特征值β记为1，若F′(x0)＝0，其波动特征值β记为0，以此确认是否存在CEMS校准，并对校准期间异常数据进行分类。
5.如权利要求1所述的火电行业CEMS校准期间异常数据的自动识别方法，其特征在于：
在该步骤4中，根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行智能识别，并对数据进行分类标记，比较检验波动特征β值，β(t0-3)＝-1∩β(t0-3+n)＝0，则[t]时刻异常数据，通过BP神经网络识别为‘校准-空气’；β(h0-3)＝1∩β(h0-3+n)＝0；则[h]时刻异常数据，通过BP神经网络识别为‘校准-混标’；β(d0-3)＝0∩β(d0-3+n)＝0∩β(d2)＝0；则[d]时刻异常数据，通过BP神经网络识别为‘校准-单标1’；β(e0-3)＝0∩β(e0-3+n)＝0∩β(e1)＝0；则[e]时刻异常数据，通过BP神经网络识别为‘校准-单标2’，经过智能识别后的标记自动随数据一同上报至上位机。
6.一种火电行业CEMS校准期间异常数据的自动识别系统，其特征在于，包括：
初级识别模块，用于获取目标火电厂的CEMS监测数据，并对该监测数据进行初级识别，识别出该监测数据中数值波动位于预设范围内的时间序列数据；
二识别模块，用于对该时间序列数据进行二级识别，识别出该时间序列数据中满足预设条件的部分数据作为二级识别结果；
第一分类模块，用于根据该二级识别结果的波动特征，确认是否存在CEMS校准，并对校准期间异常数据进行分类；
第二分类模块，用于根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行进行智能识别，并进行分类标记。
7.如权利要求6所述火电行业CEMS校准期间异常数据的自动识别系统，其特征在于：
在该初级识别模块中，初级识别包括监控点CEMS自动监测数据的完整性，剔除缺失值、烟气流量为零的值、恒值、负值、超量程值，及剔除显著异常值，取[x]-[x+n]时段监控点的CEMS自动监测数据。
8.如权利要求6所述的火电行业CEMS校准期间异常数据的自动识别系统，其特征在于：
在该二级识别模块中，根据CEMS自动监测仪器校准期间运行状态和时间序列数据进行二级识别，包括：剔除监测仪器校准期间时间序列数据异常时段的数据，筛取符合校准期间数据在合理变化范围内的浓度差值，若时间序列数据均为异常时段，即重新返回步骤B中重新进行初级识别，提取[x]-[x+n]时段监控点的CEMS自动监测数据。
9.如权利要求6所述的火电行业CEMS校准期间异常数据的自动识别系统，其特征在于：
在该第一分类模块中，根据二级识别后满足条件的时段对其时间序列函数进行波动特征计算，默认数据波动过程在时间上是对应连续变化的，则[x]-[x+n]时段监控点的CEMS自动监测数据也为连续数据，满足函数F(x)可微分的计算要求，F′(x0)＝lim{Δx→0}[F(x0+Δx)-F(x0)]/Δx，若F′(x0)＜0，其波动特征值β记为-1，若F′(x0)＞0，其波动特征值β记为1，若F′(x0)＝0，其波动特征值β记为0，以此确认是否存在CEMS校准，并对校准期间异常数据进行分类。
10.如权利要求6所述的火电行业CEMS校准期间异常数据的自动识别系统，其特征在于：
在该第二分类模块中，根据校准期间异常数据的波动特征，对自动监测数据异常现象的原因通过BP神经网络进行智能识别，并对数据进行分类标记，比较检验波动特征β值，β(t0-3)＝-1∩β(t0-3+n)＝0，则[t]时刻异常数据，通过BP神经网络识别为‘校准-空气’；β(h0-3)＝1∩β(h0-3+n)＝0；则[h]时刻异常数据，通过BP神经网络识别为‘校准-混标’；β(d0-3)＝0∩β(d0-3+n)＝0∩β(d2)＝0；则[d]时刻异常数据，通过BP神经网络识别为‘校准-单标1’；β(e0-3)＝0∩β(e0-3+n)＝0∩β(e1)＝0；则[e]时刻异常数据，通过BP神经网络识别为‘校准-单标2’，经过智能识别后的标记自动随数据一同上报至上位机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211145913.3A CN115561133B (zh) | 2022-09-20 | 2022-09-20 | 火电行业cems校准期间异常数据的自动识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211145913.3A CN115561133B (zh) | 2022-09-20 | 2022-09-20 | 火电行业cems校准期间异常数据的自动识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115561133A true CN115561133A (zh) | 2023-01-03 |
| CN115561133B CN115561133B (zh) | 2023-08-29 |
Family
ID=84741242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211145913.3A Active CN115561133B (zh) | 2022-09-20 | 2022-09-20 | 火电行业cems校准期间异常数据的自动识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115561133B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030029221A1 (en) * | 2001-01-23 | 2003-02-13 | Juneau Phillip J. | Device and method for introducing a known dust concentration spike for calibrating particulate matter continuous emission monitoring systems |
| US20080282764A1 (en) * | 2007-05-15 | 2008-11-20 | General Electric Company | Calibration checking for continuous emissions monitoring system |
| CN204630994U (zh) * | 2014-12-31 | 2015-09-09 | 力合科技（湖南）股份有限公司 | 烟气排放连续监测装置 |
| CN109557869A (zh) * | 2018-11-27 | 2019-04-02 | 江苏方天电力技术有限公司 | 一种火电机组碳排放在线监测管理系统 |
| CN111061321A (zh) * | 2019-11-15 | 2020-04-24 | 南京埃森环境技术股份有限公司 | 一种cems智能管家系统及管理方法 |
| CN111289697A (zh) * | 2020-03-24 | 2020-06-16 | 山东达斯特信息技术有限公司 | Cems运行状态监控与数据作假识别方法及系统 |
| CN112016050A (zh) * | 2020-08-07 | 2020-12-01 | 汉威科技集团股份有限公司 | 一种基于流形学习的cems系统异常数据监控方法 |
| CN112232571A (zh) * | 2020-10-19 | 2021-01-15 | 广东长天思源环保科技股份有限公司 | 一种废气主要污染物浓度的预测方法 |
| CN112285287A (zh) * | 2020-10-19 | 2021-01-29 | 广东长天思源环保科技股份有限公司 | 一种烟气在线监测数据预处理方法 |
| CN112287988A (zh) * | 2020-10-19 | 2021-01-29 | 广东长天思源环保科技股份有限公司 | 一种水污染源在线监测数据异常的识别方法 |
| CN113449703A (zh) * | 2021-08-31 | 2021-09-28 | 天津联图科技有限公司 | 环境在线监测数据的质控方法、装置、存储介质及设备 |
| WO2022145812A1 (ko) * | 2020-12-31 | 2022-07-07 | 주식회사 이엠코 | 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치 |
| CN114757413A (zh) * | 2022-04-11 | 2022-07-15 | 重庆远达烟气治理特许经营有限公司 | 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法 |
-
2022
- 2022-09-20 CN CN202211145913.3A patent/CN115561133B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030029221A1 (en) * | 2001-01-23 | 2003-02-13 | Juneau Phillip J. | Device and method for introducing a known dust concentration spike for calibrating particulate matter continuous emission monitoring systems |
| US20080282764A1 (en) * | 2007-05-15 | 2008-11-20 | General Electric Company | Calibration checking for continuous emissions monitoring system |
| CN204630994U (zh) * | 2014-12-31 | 2015-09-09 | 力合科技（湖南）股份有限公司 | 烟气排放连续监测装置 |
| CN109557869A (zh) * | 2018-11-27 | 2019-04-02 | 江苏方天电力技术有限公司 | 一种火电机组碳排放在线监测管理系统 |
| CN111061321A (zh) * | 2019-11-15 | 2020-04-24 | 南京埃森环境技术股份有限公司 | 一种cems智能管家系统及管理方法 |
| CN111289697A (zh) * | 2020-03-24 | 2020-06-16 | 山东达斯特信息技术有限公司 | Cems运行状态监控与数据作假识别方法及系统 |
| CN112016050A (zh) * | 2020-08-07 | 2020-12-01 | 汉威科技集团股份有限公司 | 一种基于流形学习的cems系统异常数据监控方法 |
| CN112232571A (zh) * | 2020-10-19 | 2021-01-15 | 广东长天思源环保科技股份有限公司 | 一种废气主要污染物浓度的预测方法 |
| CN112285287A (zh) * | 2020-10-19 | 2021-01-29 | 广东长天思源环保科技股份有限公司 | 一种烟气在线监测数据预处理方法 |
| CN112287988A (zh) * | 2020-10-19 | 2021-01-29 | 广东长天思源环保科技股份有限公司 | 一种水污染源在线监测数据异常的识别方法 |
| WO2022145812A1 (ko) * | 2020-12-31 | 2022-07-07 | 주식회사 이엠코 | 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치 |
| CN113449703A (zh) * | 2021-08-31 | 2021-09-28 | 天津联图科技有限公司 | 环境在线监测数据的质控方法、装置、存储介质及设备 |
| CN114757413A (zh) * | 2022-04-11 | 2022-07-15 | 重庆远达烟气治理特许经营有限公司 | 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李霜.: "《烟气排放连续监测系统（CEMS）异常原因分析及控制措施研究》" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115561133B (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232571B (zh) | 一种废气主要污染物浓度的预测方法 | |
| CN112285287B (zh) | 一种烟气在线监测数据预处理方法 | |
| CN104360667B (zh) | 一种污染源在线监控平台及污染源监控数据防造假方法 | |
| CN108762215B (zh) | 一种污染源动态工况系统及使用方法 | |
| CN104678058B (zh) | 烟气排放连续监测装置及监测数据的有效性自动核查方法 | |
| CN102141415B (zh) | 监测系统的在线诊断装置及方法 | |
| CN111289697B (zh) | Cems运行状态监控与数据作假识别方法及系统 | |
| CN112287988A (zh) | 一种水污染源在线监测数据异常的识别方法 | |
| CN113655189A (zh) | 污染源自动监控数据分析判断系统 | |
| CN111550763A (zh) | 锅炉受热面灰渣污染的监测方法 | |
| CN113792988A (zh) | 一种企业在线监测数据异常识别方法 | |
| CN117690261A (zh) | 一种用于厂区危化气体泄漏监测的区域预警系统 | |
| CN115099360A (zh) | 一种智能化污水处理设备故障评估方法及系统 | |
| CN110500596A (zh) | 一种危险废物焚烧自动控制方法 | |
| CN114137302B (zh) | 一种电能计量器具检定全过程监控系统 | |
| CN115561133A (zh) | 火电行业cems校准期间异常数据的自动识别方法和系统 | |
| CN105808902B (zh) | 用于湿法脱硫系统运行工况分析的定性方法 | |
| CN112763655A (zh) | 一种自动质控方法、系统及装置 | |
| CN117419359A (zh) | 一种电厂锅炉燃烧的优化监控系统及方法 | |
| CN117007476A (zh) | 一种基于物联网的环保智能终端数据采集系统 | |
| CN111722607A (zh) | 一种智慧工厂建设用信息管理监控系统 | |
| CN116399392A (zh) | 一种污染源自动监控数据分析判断系统 | |
| CN203758899U (zh) | 一种双程测量的颗粒物连续自动监测系统 | |
| CN113804595A (zh) | 一种多参数空气质量监测系统 | |
| CN112711911A (zh) | 基于污染源谱库的应用于边界观测的快速污染溯源方法 |
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 |