CN116228017A - 基于企业环保大数据汇聚实现污染源全过程智能管控方法 - Google Patents
基于企业环保大数据汇聚实现污染源全过程智能管控方法 Download PDFInfo
- Publication number
- CN116228017A CN116228017A CN202310196942.0A CN202310196942A CN116228017A CN 116228017 A CN116228017 A CN 116228017A CN 202310196942 A CN202310196942 A CN 202310196942A CN 116228017 A CN116228017 A CN 116228017A
- Authority
- CN
- China
- Prior art keywords
- data
- enterprise
- cems
- concentration
- pollution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000002776 aggregation Effects 0.000 title claims description 16
- 238000004220 aggregation Methods 0.000 title claims description 16
- 238000004886 process control Methods 0.000 title description 4
- 238000004519 manufacturing process Methods 0.000 claims abstract description 94
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 27
- 230000005611 electricity Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 claims abstract 19
- 239000003344 environmental pollutant Substances 0.000 claims description 63
- 231100000719 pollutant Toxicity 0.000 claims description 63
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 54
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 48
- 239000002912 waste gas Substances 0.000 claims description 26
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 25
- 239000003546 flue gas Substances 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 12
- 239000003245 coal Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000009960 carding Methods 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 4
- 238000011109 contamination Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 238000007430 reference method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000012937 correction Methods 0.000 abstract description 4
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 239000002002 slurry Substances 0.000 description 4
- 239000000428 dust Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 230000003009 desulfurizing effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明公开了基于企业环保大数据汇聚实现污染源全过程智能管控方法，属于污染源监控技术领域，方法如下：梳理CEMS排口的排污许可证编号；将不同编号排口与DCS系统生产设施、污染治理设施、用电模块进行对应匹配；分别标记CEMS、DCS系统和用电模块中生产设施和污染治理设施中的正常和非正常工况参数作为训练样本；将标记的训练样本，进行数据建模；并将模型部署到服务器中；判断生产设施和污染治理设施的工况；对判断结果进行验证，并同时对CEMS设备、企业无组织逸散、重点管控期间企业对管控措施的落实情况等进行判断；上述算法对企业生产异常情况形成“智能识别、及时推送、限时整改、督办验收”闭环式管理模式，提升环境监督执法、监控监测能力。
Description
技术领域
本发明属于企业环保大数据接入汇聚和污染源全过程智能管控技术领域，具体地说，涉及基于企业环保大数据汇聚实现污染源全过程智能管控方法。
背景技术
以往我国大气污染控制主要通过重点行业提标改造、燃煤锅炉治理、民用散煤清洁替代、黄标车及老旧车辆淘汰与油品升级、扬尘综合整治等措施的实施来推动，其中工业点源的污染控制成为一段时期我国大气污染控制的最佳突破环节，资料显示包括“大气十条”、“蓝天保卫战”、“大气攻关”等在内的一系列措施、方案、行动计划实施以来，我国北方地区仅工业点源管控对细颗粒物浓度的下降就贡献了40％以上；但是随着控制措施的进一步深化，在当前管控思路下可挖掘的减排空间明显收窄，给后续的环境管理工作带来前所未有的巨大压力；
现有社会中大小型企业均设有污染管控措施，在污染治理上具有相应的手段及设备，但监控企业的生产设施和治理设施的运行、污染物的排放情况，判定污染物排放监测CEMS数据的真实性并没有得到真实、全过程管控，部分企业为了节约成本，存在关停污染治理设备的情况，从而实现对企业污染源进行全过程管控尤为重要。
发明内容
要解决的问题
针对企业污染源全过程智能管控，依据企业生产过程中对影响污染物排放的生产设施、污染治理设施运行的DCS系统和用电模块关键参数(温度、含氧量、压力等工艺参数和诸如电流、电压、频率、转速等之电气参数)及CEMS参数(如温度、污染物浓度、含氧量、压力、流量等)进行监测；同时结合企业生产开停机记录、生产设施技术参数、污染治理设施技术参数等生产资料，监控企业的生产设施和治理设施的运行、污染物的排放情况，判定污染物排放监测CEMS数据的真实性，实现对企业污染源进行全过程管控的问题，本发明提供基于企业环保大数据汇聚实现污染源全过程智能管控方法。
技术方案
为解决上述问题，本发明采用如下的技术方案。
基于企业环保大数据汇聚实现污染源全过程智能管控方法，具体方法如下：
步骤一、梳理企业固定污染源装有CEMS排口的排污许可证编号；
步骤二、将不同编号CEMS排放口与DCS系统生产设施、污染治理设施、用电模块进行对应匹配；
步骤三、分别标记CEMS、DCS系统和用电模块中生产设施和污染治理设施中的正常和各种非正常工况参数作为训练样本；
步骤四、将标记的的非正常工况作为训练样本，进行数据建模；
步骤五、将建模后的模型部署到服务器中；
步骤六、根据服务器初步分析判断生产设施、污染治理设施工况；
步骤七、对步骤六中初步判断的结果进行验证，并判断CEMS设备、企业无组织逸散、重点管控期间企业对管控措施的落实情况等内容进行判断。
优选地，所述步骤七中的验证具体包括以下方式方法：
S1、采用DCS系统生产设施参数和用电模块进行监控数据验证生产设施和污染治理设施生产工况判断结果；
S2、判断验证污染治理设施运行是否正常；
S3、判断CEMS设备运行状态进行判断；
S4、对废气无组织逸散判断；
S5、判断重点管控期间企业对管控措施的落实情况。
进一步地，所述生产设施和污染治理设施初步判断结果验证的方式方法S1中的监控数据主要包括DCS系统中生产设施的工作测定监控数据和污染治理设施工作及未工作状态下，用电模块的用电量的监控数据。
进一步地，所述染治理设施运行正常与否结果判断S2中的判断方法采用污染物浓度基准法，所述判断方法的具体内容如下：
在生产设施和治理设施正常运行的条件下，通过CEMS测定的污染物质量流量,连续测定、计算720h气态污染物浓度的小时平均值和平均值的标准偏差，以浓度平均值为基准，标准偏差的±3倍为限值；
当测定的污染物浓度在基准值的±3倍标准偏差以内时，判定治理设施运行正常；以后每获得168个整点小时有效数据后，重新计算后720h气态污染物的浓度小时平均值和平均值的标准偏差，作为新的判定标准；以后，每获得30个单位时间的平均浓度有效数据后，重新计算后180个单位时间的平均浓度数据的平均值和标准偏差值，作为新的判定标准：
式中：ci为污染物i的浓度值，单位mg/m3；
n为污染物的小时个数，即样品数量。
当：
时，判定治理设施运行正常。
进一步地，所述所述CEMS设备运行状态进行判断S3中的CEMS设备所述企业废气无组织逸散判断运行状态主要包括数据缺失、数据异常、数据超标、数据可接受性和正常，所述判断的优先次序为数据缺失>数据异常>数据超标>数据可接受性>正常。
进一步地，所述企业废气无组织逸散判断S4中所述的废气无组织逸散为企业废气收集设施和污染治理设施未正常开启情况下，废气通过无组织逸散，影响企业标准站数据,通过企业标准站数据判定依据如下：
计算企业正常生产时段30日内24h的企业标准站SO2、NOx和CO污染物小时平均浓度值为ci,j(i为SO2、NOx和CO，j为1,2,3……,24)作为小时浓度值基准值，在平台发出企业生产设施处于非正常工况报警后时段内，当SO2、NOx和CO中有一种污染物存在
时，判断企业废气存在无组织逸散，判断企业废气存在无组织逸散。
进一步地，所述S5中管控措施的落实情况具体包括对企业停产、限产和移动源管控。
再进一步地，所述数据缺失的判断依据为CEMS监测实时传入的数据中流量、烟气压力、氮氧化物实测浓度、氮氧化物折算浓度、氮氧化物排放量、烟气温度、氧含量、烟尘实测浓度、烟尘折算浓度、烟尘排放量、烟气流速、二氧化硫实测浓度、二氧化硫折算浓度、二氧化硫排放量、烟气湿度中有一项缺失，则进行标记缺失；
所述数据异常的判断依据为基于对企业排口对应生产工艺和污染治理工艺特征，分析废气排放特征，基于对排口的CEMS历史数据、用电模块历史数据及DCS系统历史分析的基础上，通过对数据间的联动分析，发现CEMS数据与排放特征明显不符的特征情况；
所述数据超标的判断依据为通过将CEMS在线监测实时数据与企业排口对应的排污许可证执行浓度限值和管控期间特殊浓度限值进行比较，若CEMS实时数据中污染物浓度超过其浓度限值则判断未超标；
所述数据可接受性采用排放系数法进行计算，排放系数涉及到与排放活动相关的排放源释放物质的量，表示为单位质量排放物质的重量或排放物质活动时间排放物质的重量，当可获得排放系数时，与需要专门的设备获取信息相比，估算排放量，排放系数更适合。当估算值与与实测值的相对误差不超过25％时，判定实测值可接受；
所述正常的判断依据为当CEMS未出现上述四种状态时，则判断CEMS为正常。
更进一步地，所述排放系数法的具体计算公式为：
式中：Gi—污染物i的排放速率，单位为kg/h；
Mf—燃料消耗量，单位为kg/h；
EFi—污染物的产生系数，单位为kg/t；
η为污染物的去除效率，单位为％；
估算排放污染物PM排放量的计算方法
Qant,ar—煤的收到基低位发热量,单位为kJ/kg
有益效果
相比于现有技术，本发明的有益效果为：
(1)本发明中通过对现有企业环保大数据的汇聚和联动分析，基于两层算法实时对企业主要生产设施工况、生产设施配套的污染治理设施工况、企业CEMS在线监测数据可接受性及在重点管控期间企业对管控措施的落实情况进行判断，并对企业生产设施非正常工况、污染治理设施非正常工况、企业CEMS在线监测数据不可接受、企业管控措施未落实到位及无组织逸散等异常情况进行标记，对企业生产异常情况形成“智能识别、及时推送、限时整改、督办验收”闭环式管理模式，提升生态环境监督执法、监控监测能力。
具体实施方式
实施例1：
基于企业环保大数据汇聚实现污染源全过程智能管控方法，具体方法如下：
步骤一、梳理企业固定污染源装有CEMS排口的排污许可证编号；
步骤二、将不同编号CEMS排放口与DCS系统生产设施、污染治理设施、用电模块进行对应匹配；
步骤三、分别标记CEMS、DCS系统和用电模块中生产设施和污染治理设施中的正常和各种非正常工况参数作为训练样本；
步骤四、将标记的的非正常工况作为训练样本，进行数据建模；
步骤五、将建模后的模型部署到服务器中；
步骤六、根据服务器初步分析判断生产设施、污染治理设施工况；
步骤七、对步骤六中初步判断的结果进行验证，并判断CEMS设备、企业无组织逸散、重点管控期间企业对管控措施的落实情况等内容进行判断。
步骤四中在数据建模时，基于机器学习模型进行建模，其中机器学习模型具体包括随机森林、KNN、梯度提升树算法及AdaBoost等算法。
步骤七中的验证具体包括以下方式方法
S1、采用DCS系统生产设施参数和用电模块进行监控数据验证生产设施和污染治理设施生产工况判断结果；
S2、判断验证污染治理设施运行是否正常；
S3、判断CEMS设备运行状态进行判断；
S4、对废气无组织逸散判断；
S5、判断重点管控期间企业对管控措施的落实情况。
方法S1中的数据监控主要包括生产设施的工作测定数据监控和污染治理设施工作及未工作状态下，用电模块的用电量的数据监控。
方法S2中的判断方法采用污染物浓度基准法，判断方法的具体内容如下：
在生产设施和治理设施正常运行的条件下，通过CEMS测定的污染物质量流量,连续测定、计算720h气态污染物浓度的小时平均值和平均值的标准偏差，以浓度平均值为基准，标准偏差的±3倍为限值；
当测定的污染物浓度在基准值的±3倍标准偏差以内时，判定治理设施运行正常；以后每获得168个整点小时有效数据后，重新计算后720h气态污染物的浓度小时平均值和平均值的标准偏差，作为新的判定标准；以后，每获得30个单位时间的平均浓度有效数据后，重新计算后180个单位时间的平均浓度数据的平均值和标准偏差值，作为新的判定标准：
式中：ci为污染物i的浓度值，单位mg/m3；
n为污染物的小时个数，即样品数量。
当：
时，判定治理设施运行正常。
方法S3中的CEMS设备运行状态主要包括数据缺失、数据异常、数据超标、数据可接受性和正常，判断的优先次序为数据缺失>数据异常>数据超标>数据可接受性>正常。
方法S4中的废气无组织逸散为企业废气收集设施和污染治理设施未正常开启情况下，废气通过无组织逸散，影响企业标准站数据,通过企业标准站数据判定依据如下：
计算企业正常生产时段30日内24h的企业标准站SO2、NOx和CO污染物小时平均浓度值为ci,j(i为SO2、NOx和CO，j为1,2,3……,24)作为小时浓度值基准值，在平台发出企业生产设施处于非正常工况报警后时段内，当SO2、NOx和CO中有一种污染物存在
时，判断企业废气存在无组织逸散，判断企业废气存在无组织逸散。
方法S5中管控措施的落实情况具体包括对企业停产、限产和移动源管控。
数据缺失的判断依据为CEMS监测实时传入的数据中流量、烟气压力、氮氧化物实测浓度、氮氧化物折算浓度、氮氧化物排放量、烟气温度、氧含量、烟尘实测浓度、烟尘折算浓度、烟尘排放量、烟气流速、二氧化硫实测浓度、二氧化硫折算浓度、二氧化硫排放量、烟气湿度中有一项缺失，则进行标记缺失；
数据异常的判断依据为基于对企业排口对应生产工艺和污染治理工艺特征，分析废气排放特征，基于对排口的CEMS历史数据、用电模块历史数据及DCS系统历史分析的基础上，通过对数据间的联动分析，发现CEMS数据与排放特征明显不符的特征情况；
数据超标的判断依据为通过将CEMS在线监测实时数据与企业排口对应的排污许可证执行浓度限值和管控期间特殊浓度限值进行比较，若CEMS实时数据中污染物浓度超过其浓度限值则判断未超标；
数据可接受性采用排放系数法进行计算，排放系数涉及到与排放活动相关的排放源释放物质的量，表示为单位质量排放物质的重量或排放物质活动时间排放物质的重量，当可获得排放系数时，与需要专门的设备获取信息相比，估算排放量，排放系数更适合。当估算值与与实测值的相对误差不超过25％时，判定实测值可接受；
正常的判断依据为当CEMS未出现上述四种状态时，则判断CEMS为正常。
排放系数法的具体计算公式为：
式中：Gi—污染物i的排放速率，单位为kg/h；
Mf—燃料消耗量，单位为kg/h；
EFi—污染物的产生系数，单位为kg/t；
η为污染物的去除效率，单位为％；
估算排放污染物PM排放量的计算方法
Qant,ar—煤的收到基低位发热量,单位为kJ/kg
通过对现有企业环保大数据的汇聚和联动分析，基于两层算法实时对企业主要生产设施工况、生产设施配套的污染治理设施工况、企业CEMS在线监测数据可接受性及在重点管控期间企业对管控措施的落实情况进行判断，并对企业生产设施非正常工况、污染治理设施非正常工况、企业CEMS在线监测数据不可接受、企业管控措施未落实到位及无组织逸散等异常情况进行标记，对企业生产异常情况形成“智能识别、及时推送、限时整改、督办验收”闭环式管理模式，提升生态环境监督执法、监控监测能力。
实施例2：
基于企业环保大数据汇聚实现污染源全过程智能管控方法，具体方法如下：
步骤一、梳理企业固定污染源装有CEMS排口的排污许可证编号；
步骤二、将不同编号CEMS排放口与DCS系统生产设施、污染治理设施、用电模块进行对应匹配；
步骤三、分别标记CEMS、DCS系统和用电模块中生产设施和污染治理设施中的正常和各种非正常工况参数作为训练样本；
步骤四、将标记的的非正常工况作为训练样本，进行数据建模；
步骤五、将建模后的模型部署到服务器中；
步骤六、根据服务器初步分析判断生产设施、污染治理设施工况；
步骤七、对步骤六中初步判断的结果进行验证，并判断CEMS设备、企业无组织逸散、重点管控期间企业对管控措施的落实情况等内容进行判断。
步骤七中的验证具体包括以下方式方法
S1、采用DCS系统生产设施参数和用电模块进行监控数据验证生产设施和污染治理设施生产工况判断结果；
S2、判断验证污染治理设施运行是否正常；
S3、判断CEMS设备运行状态进行判断；
S4、对废气无组织逸散判断；
S5、判断重点管控期间企业对管控措施的落实情况。
方法S1中的数据监控主要包括生产设施的工作测定数据监控和污染治理设施工作及未工作状态下，用电模块的用电量的数据监控。
方法S2中的判断方法采用污染物浓度基准法，判断方法的具体内容如下：
在生产设施和治理设施正常运行的条件下，通过CEMS测定的污染物质量流量,连续测定、计算720h气态污染物浓度的小时平均值和平均值的标准偏差，以浓度平均值为基准，标准偏差的±3倍为限值；
当测定的污染物浓度在基准值的±3倍标准偏差以内时，判定治理设施运行正常；以后每获得168个整点小时有效数据后，重新计算后720h气态污染物的浓度小时平均值和平均值的标准偏差，作为新的判定标准；以后，每获得30个单位时间的平均浓度有效数据后，重新计算后180个单位时间的平均浓度数据的平均值和标准偏差值，作为新的判定标准：
式中：ci为污染物i的浓度值，单位mg/m3；
n为污染物的小时个数，即样品数量。
当：
时，判定治理设施运行正常。
方法S3中的CEMS设备运行状态主要包括数据缺失、数据异常、数据超标、数据可接受性和正常，判断的优先次序为数据缺失>数据异常>数据超标>数据可接受性>正常。
方法S4中的废气无组织逸散为企业废气收集设施和污染治理设施未正常开启情况下，废气通过无组织逸散，影响企业标准站数据,通过企业标准站数据判定依据如下：
计算企业正常生产时段30日内24h的企业标准站SO2、NOx和CO污染物小时平均浓度值为ci,j(i为SO2、NOx和CO，j为1,2,3……,24)作为小时浓度值基准值，在平台发出企业生产设施处于非正常工况报警后时段内，当SO2、NOx和CO中有一种污染物存在
时，判断企业废气存在无组织逸散，判断企业废气存在无组织逸散；
同时根据排口状态判断出的生产设施工况，判定有组织废气无组织逸散的位置；如某火电企业则根据排口状态判断锅炉工况，当DA001排口对应的锅炉处于非正常工况，则位置为1号机组；当DA002排口对应的锅炉处于非正常工况，则位置为2号机组。
方法S5中管控措施的落实情况具体包括对企业停产、限产和移动源管控。
停产可基于用电模块和DCS系统数据进行判断，判断依据为关键生产设施用电量≤生产设施额定用电量的10％；
限产可基于用电模块数据和CEMS数据进行判断，判断依据如下：
基于用电模块数据：计算企业限产前30日内24h的给煤机小时平均用电量为(j为1,2,3,……,24)作为小时基准用电量，在管控时段内，通过与管控时段当前小时给煤机用电量比较，为限产系数，当时，判定满足限产要求。
基于CEMS数据：计算企业限产前30日内24h的污染物小时平均排放量为(i为氮氧化物、颗粒物和二氧化硫，j为1,2,3……,24)，作为小时基准排放量，在管控时段内，通过与管控时段当前小时各项污染物实际小时排放量比较，当时判定满足限产要求,p为限产系数；
通过企业门禁系统数据统计，可计算显示管控时段内进出企业运输车辆的数量和车牌(车牌信息可链接车排放执行标准和功能)，根据计算结果和具体管控措施，判断企业对于移动源管控要求是否落实到位；
如2月19-20日期间，要求所有大宗物料运输企业(含煤矿及配套洗煤厂)停止中重型载货车运输(国六、新能源、危化品车辆、排灰、排渣、排矸除外，排灰、排渣、排矸车辆必须使用国五及以上车辆)，则通过门禁系统判断管控期间进入企业的车辆类型和数量判断。
数据缺失的判断依据为CEMS监测实时传入的数据中流量、烟气压力、氮氧化物实测浓度、氮氧化物折算浓度、氮氧化物排放量、烟气温度、氧含量、烟尘实测浓度、烟尘折算浓度、烟尘排放量、烟气流速、二氧化硫实测浓度、二氧化硫折算浓度、二氧化硫排放量、烟气湿度中有一项缺失，则进行标记缺失；
数据异常的判断依据为基于对企业排口对应生产工艺和污染治理工艺特征，分析废气排放特征，基于对排口的CEMS历史数据、用电模块历史数据及DCS系统历史分析的基础上，通过对数据间的联动分析，发现CEMS数据与排放特征明显不符的特征情况，如火电行业在用电模块数据、DCS系统数据均为正常运行的情况下，CEMS监测数据中氮氧化物浓度小于1mg/m3等情况；
数据超标的判断依据为通过将CEMS在线监测实时数据与企业排口对应的排污许可证执行浓度限值和管控期间特殊浓度限值进行比较，若CEMS实时数据中污染物浓度超过其浓度限值则判断未超标；
如针对钢铁行业：
A：正常时段污染物超标排放浓度限值
氮氧化物浓度限值：100mg/m3；
颗粒物浓度值：5mg/m3；
二氧化硫浓度值：35mg/m3。
B：管控时段污染物超标排放浓度限值
氮氧化物浓度限值：35mg/m3；
颗粒物浓度值：5mg/m3；
二氧化硫浓度值：20mg/m3。
数据可接受性采用排放系数法进行计算，排放系数涉及到与排放活动相关的排放源释放物质的量，表示为单位质量排放物质的重量或排放物质活动时间排放物质的重量，当可获得排放系数时，与需要专门的设备获取信息相比，估算排放量，排放系数更适合。当估算值与与实测值的相对误差不超过25％时，判定实测值可接受；
正常的判断依据为当CEMS未出现上述四种状态时，则判断CEMS为正常。
排放系数法的具体计算公式为：
/>
式中：Gi—污染物i的排放速率，单位为kg/h；
Mf—燃料消耗量，单位为kg/h；
EFi—污染物的产生系数，单位为kg/t；
η为污染物的去除效率，单位为％；
估算排放污染物PM排放量的计算方法
Qant,ar—煤的收到基低位发热量,单位为kJ/kg
该管控方法共有两种算法，第一层算法是利用机器学习模型对CEMS排口数据、DCS系统数据及用电模块历史数据进行建模分析，初步判断企业安装CEMS排口对应的生产设施和污染治理设施工况；第二层算法是在第一层算法的基础上，基于DCS系统数据、CEMS实时数据、用电模块数据对第一层算法结果进行验证，同时对该排口CEMS设备状态、CEMS监测数据是否超标、CEMS监测数据可接受性进行判断，同时基于对CEMS实时数据、用电模块实时数据、企业DCS涉及生产和治理设施关键参数实时数据、企业标准站环境空气质量数据及TSP监测数据间的联动分析，判断企业是否存在无组织逸散，及重点管控期间企业对管控措施是否落实到位进行判断。
通过对现有企业环保大数据的汇聚和联动分析，基于两层算法实时对企业主要生产设施工况、生产设施配套的污染治理设施工况、企业CEMS在线监测数据可接受性及在重点管控期间企业对管控措施的落实情况进行判断，并对企业生产设施非正常工况、污染治理设施非正常工况、企业CEMS在线监测数据不可接受、企业管控措施未落实到位及无组织逸散等异常情况进行标记，对企业生产异常情况形成“智能识别、及时推送、限时整改、督办验收”闭环式管理模式，提升生态环境监督执法、监控监测能力。
实施例3：
基于企业环保大数据汇聚实现污染源全过程智能管控方法，与实施例2基本相同，所不同的是，S1中监控数据为锅炉负荷测量值：小于额定负荷值10％；发电量测量值：小于额定发电量的10％；引风机工作电流：小于引风机额定电流的10％；给煤机、磨煤机流量测量值：小于额定流量的10％。
实施例4：
基于企业环保大数据汇聚实现污染源全过程智能管控方法，与实施例3基本相同，所不同的是，方法S1中的污染治理设施采用石灰石/石灰-石膏湿法脱硫工艺，要接入的参数时旁路挡板开度、增压风机电流、浆液循环泵电流、脱硫塔内浆液pH值。浆液循环泵开启的数量与入炉煤含硫量、机组负荷以及脱硫设施设计处理能力密切相关，入炉煤含硫量越高、机组负荷越高需开启的浆液循环泵的数量越多。
A：引风机未开(工作电流小于额定电流的10％)；
B：循环泵未开(工作电流小于额定电流的10％)；
C：增压风机未开(工作电流小于额定电流的10％)。
实施例5：
基于企业环保大数据汇聚实现污染源全过程智能管控方法，与实施例3基本相同，所不同的是，方法S1中的污染治理设施采用SCR脱硝工艺，SCR脱硝工艺需要接入参数时氨喷射系统、脱硝反应器电流等。
A：氨喷射系统未开(工作电流小于额定电流的10％)；
B：脱硝反应器未开(工作电流小于额定电流的10％)。
实施例6：
基于企业环保大数据汇聚实现污染源全过程智能管控方法，与实施例3基本相同，所不同的是，方法S1中的污染治理设施采用电除尘措施工艺，电除尘工艺需要接入的参数为电场高压整流器电流。
A：电场高压整流器电流小于额定电流的10％。
以上实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。
Claims (9)
1.基于企业环保大数据汇聚实现污染源全过程智能管控方法，其特征在于，具体方法如下：
步骤一、梳理企业固定污染源装有CEMS排口的排污许可证编号；
步骤二、将不同编号CEMS排放口与DCS系统生产设施、污染治理设施、用电模块进行对应匹配；
步骤三、分别标记CEMS、DCS系统和用电模块中生产设施和污染治理设施中的正常和各种非正常工况参数作为训练样本；
步骤四、将标记的的非正常工况作为训练样本，进行数据建模；
步骤五、将建模后的模型部署到服务器中；
步骤六、根据服务器初步分析判断生产设施、污染治理设施工况；
步骤七、对步骤六中初步判断的结果进行验证，并判断CEMS设备、企业无组织逸散、重点管控期间企业对管控措施的落实情况等内容进行判断。
2.根据权利要求1所述的基于企业环保大数据汇聚实现污染源全过程智能管控方法，其特征在于：所述步骤七中生产设施和污染治理设施的结果进行验证和相关判断具体包括以下方式方法：
S1、采用DCS系统生产设施参数和用电模块进行监控数据验证生产设施和污染治理设施生产工况判断结果；
S2、判断验证污染治理设施运行是否正常；
S3、CEMS设备运行状态进行判断；
S4、对废气无组织逸散判断；
S5、判断重点管控期间企业对管控措施的落实情况。
3.根据权利要求2所述的基于企业环保大数据汇聚实现污染源全过程智能管控方法，其特征在于：所述生产设施和污染治理设施初步判断结果验证的方式方法S1中的监控数据主要包括DCS系统中生产设施的工作测定监控数据，污染治理设施工作及未工作状态下用电模块的用电量的监控数据。
4.根据权利要求2所述的基于企业环保大数据汇聚实现污染源全过程智能管控方法，其特征在于：所述S2中污染治理设施运行正常与否结果判断的方式方法采用污染物浓度基准法，所述判断方法的具体内容如下：
在生产设施和治理设施正常运行的条件下，通过CEMS测定的污染物质量流量,连续测定、计算720h气态污染物浓度的小时平均值和平均值的标准偏差，以浓度平均值为基准，标准偏差的±3倍为限值；
当测定的污染物浓度在基准值的±3倍标准偏差以内时，判定治理设施运行正常；以后每获得168个整点小时有效数据后，重新计算后720h气态污染物的浓度小时平均值和平均值的标准偏差，作为新的判定标准；以后，每获得30个单位时间的平均浓度有效数据后，重新计算后180个单位时间的平均浓度数据的平均值和标准偏差值，作为新的判定标准：
式中：ci为污染物i的浓度值，单位mg/m3；
n为污染物的小时个数，即样品数量。
当：
时，判定治理设施运行正常。
5.根据权利要求2所述的基于企业环保大数据汇聚实现污染源全过程智能管控方法，其特征在于：所述S3中CEMS设备运行状态进行判断中，CEMS设备运行状态主要包括数据缺失、数据异常、数据超标、数据可接受性和正常，所述判断的优先次序为数据缺失>数据异常>数据超标>数据可接受性>正常。
6.根据权利要求2所述的基于企业环保大数据汇聚实现污染源全过程智能管控方法，其特征在于：所述S4企业废气无组织逸散判断中的废气无组织逸散为企业废气收集设施和污染治理设施未正常开启情况下，废气通过无组织逸散，影响企业标准站数据,通过企业标准站数据判定依据如下：
计算企业正常生产时段30日内24h的企业标准站SO2、NOx和CO污染物小时平均浓度值为ci,j(i为SO2、NOx和CO，j为1,2,3……,24)作为小时浓度值基准值，在平台发出企业生产设施处于非正常工况报警后时段内，当SO2、NOx和CO中有一种污染物存在
时，判断企业废气存在无组织逸散，判断企业废气存在无组织逸散。
7.根据权利要求2所述的基于企业环保大数据汇聚实现污染源全过程智能管控方法，其特征在于：所述S5中管控措施的落实情况具体包括对企业停产、限产和移动源管控。
8.根据权利要求5所述的基于企业环保大数据汇聚实现污染源全过程智能管控方法，其特征在于：所述数据缺失的判断依据为CEMS监测实时传入的数据中流量、烟气压力、氮氧化物实测浓度、氮氧化物折算浓度、氮氧化物排放量、烟气温度、氧含量、烟尘实测浓度、烟尘折算浓度、烟尘排放量、烟气流速、二氧化硫实测浓度、二氧化硫折算浓度、二氧化硫排放量、烟气湿度中有一项缺失，则进行标记缺失；
所述数据异常的判断依据为基于对企业排口对应生产工艺和污染治理工艺特征，分析废气排放特征，基于对排口的CEMS历史数据、用电模块历史数据及DCS系统历史分析的基础上，通过对数据间的联动分析，发现CEMS数据与排放特征明显不符的特征情况；
所述数据超标的判断依据为通过将CEMS在线监测实时数据与企业排口对应的排污许可证执行浓度限值和管控期间特殊浓度限值进行比较，若CEMS实时数据中污染物浓度超过其浓度限值则判断未超标；
所述数据可接受性采用排放系数法进行计算，排放系数涉及到与排放活动相关的排放源释放物质的量，表示为单位质量排放物质的重量或排放物质活动时间排放物质的重量，当可获得排放系数时，与需要专门的设备获取信息相比，估算排放量，排放系数更适合。当估算值与与实测值的相对误差不超过25％时，判定实测值可接受；
所述正常的判断依据为当CEMS未出现上述四种状态时，则判断CEMS为正常。
9.根据权利要求8所述的基于企业环保大数据汇聚实现污染源全过程智能管控方法，其特征在于，所述排放系数法的具体计算公式为：
式中：Gi—污染物i的排放速率，单位为kg/h；
Mf—燃料消耗量，单位为kg/h；
EFi—污染物的产生系数，单位为kg/t；
η为污染物的去除效率，单位为％；
估算排放污染物PM排放量的计算方法
Qant,ar—煤的收到基低位发热量,单位为kJ/kg
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310196942.0A CN116228017A (zh) | 2023-03-03 | 2023-03-03 | 基于企业环保大数据汇聚实现污染源全过程智能管控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310196942.0A CN116228017A (zh) | 2023-03-03 | 2023-03-03 | 基于企业环保大数据汇聚实现污染源全过程智能管控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116228017A true CN116228017A (zh) | 2023-06-06 |
Family
ID=86588838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310196942.0A Pending CN116228017A (zh) | 2023-03-03 | 2023-03-03 | 基于企业环保大数据汇聚实现污染源全过程智能管控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228017A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976733A (zh) * | 2023-07-31 | 2023-10-31 | 青岛熙正数字科技有限公司 | 一种基于大数据的大气污染源在线监测数据评估系统 |
| CN117075567A (zh) * | 2023-10-16 | 2023-11-17 | 昆山千友工业环保设备有限公司 | 一种应用于工业废气排放的监管方法及系统 |
-
2023
- 2023-03-03 CN CN202310196942.0A patent/CN116228017A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976733A (zh) * | 2023-07-31 | 2023-10-31 | 青岛熙正数字科技有限公司 | 一种基于大数据的大气污染源在线监测数据评估系统 |
| CN116976733B (zh) * | 2023-07-31 | 2024-04-02 | 青岛熙正数字科技有限公司 | 一种基于大数据的大气污染源在线监测数据评估系统 |
| CN117075567A (zh) * | 2023-10-16 | 2023-11-17 | 昆山千友工业环保设备有限公司 | 一种应用于工业废气排放的监管方法及系统 |
| CN117075567B (zh) * | 2023-10-16 | 2024-01-30 | 昆山千友工业环保设备有限公司 | 一种应用于工业废气排放的监管方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116228017A (zh) | 基于企业环保大数据汇聚实现污染源全过程智能管控方法 | |
| CN107748955B (zh) | 一种燃煤电厂超低排放环保岛能效评估方法 | |
| CN110580936B (zh) | 中低温scr脱硝催化剂的寿命预测方法及系统 | |
| CN111811572A (zh) | 一种基于大数据的船舶废气排放实时监测方法 | |
| CN103034130B (zh) | 水泥在线模拟系统及其实现方法 | |
| CN205127741U (zh) | 一种焦炉燃烧废气脱硝系统 | |
| CN107316112A (zh) | 一种成本效益最优的火电机组减排方案定制方法和系统 | |
| CN202715319U (zh) | 小型烧结炉烟气收集与处理检测控制系统 | |
| CN106770890A (zh) | 一种火电厂脱硝催化剂使用寿命的在线评估方法 | |
| CN111582639B (zh) | 一种脱硝系统运行状态评估系统 | |
| CN116757500A (zh) | 一种工业互联网平台监测系统及方法 | |
| CN104061794B (zh) | 一种烧结风箱废气余热循环利用装置及方法 | |
| CN211628078U (zh) | 一种环境治理过程监控系统 | |
| CN112926826B (zh) | 一种钢铁企业烟气除尘系统运行状态在线评价方法及系统 | |
| CN116797649A (zh) | 一种基于工业大数据的焚烧处理性能分析方法及系统 | |
| CN108872487B (zh) | 大气污染源多污染物在线自动监测装置 | |
| CN113064390B (zh) | 基于案例推理的水泥生产企业污染物排放主动告警方法 | |
| CN114870626A (zh) | 一种喷氨脱硝控制系统及方法 | |
| CN113674381A (zh) | 工业废气排放的监控方法、系统、终端和存储介质 | |
| CN103257645B (zh) | 水泥厂选择性催化还原NOx的环境负荷评价与监控方法 | |
| CN112684757A (zh) | 一种火电厂废气监测控制系统 | |
| CN105528515A (zh) | 燃煤电站锅炉烟气污染物排放的环保经济性评价分析方法 | |
| CN111142481A (zh) | 一种环保设备状态智能监测平台系统 | |
| CN216498407U (zh) | 污染气体的处理系统 | |
| CN112957885B (zh) | 一种脱硝NOx近零排放系统 |
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 |