烟气排放监测数据的不确定度来源检测方法、装置、设备及介质与流程

摘要: 本发明涉及烟气排放监测领域,特别涉及烟气排放监测数据的不确定度来源检测方法、装置、设备及介质。背景技术:1、现有火电机组碳排放在线监测系统通常能够连续计算co2...
烟气排放监测数据的不确定度来源检测方法、装置、设备及介质与流程

本发明涉及烟气排放监测领域,特别涉及烟气排放监测数据的不确定度来源检测方法、装置、设备及介质。

背景技术:

1、现有火电机组碳排放在线监测系统通常能够连续计算co2排放速率,但在对该排放速率进行不确定度评定时,往往默认co2浓度、烟气流量、温度、压力、湿度等输入量相互独立,或者只分别评定各输入量的a类、b类不确定度。对于实际燃煤机组而言,负荷调节、燃烧控制、引风量调节、脱硫脱硝及湿法处理过程会使多个烟气参数存在显著相关关系。

2、目前,人工智能技术的正在大幅度引入烟气排放监测的应用,数据驱动的机器学习模型可以从机组历史运行数据中自动挖掘多参数间的非线性相关结构,推动碳计量从粗放核算走向精细评估。

3、综上所述,如何考虑烟气参数相关性以准确评定二氧化碳排放速率不确定度是目前亟待解决的问题。

技术实现思路

1、有鉴于此,本发明的目的在于提供烟气排放监测数据的不确定度来源检测方法、装置、设备及介质,能够考虑烟气参数相关性以准确评定二氧化碳排放速率不确定度。其具体方案如下:

2、第一方面,本技术提供了一种烟气排放监测数据的不确定度来源检测方法,包括:

3、获取烟气排放监测系统中用于计算烟气排放速率的各输入量的历史烟气监测数据,并对所述历史烟气监测数据进行数据质量控制操作,得到有效监测数据;

4、以第一预设窗口在所述有效监测数据的时间序列上滑动,剔除满足预设非稳定工况条件的数据,得到稳定工况数据,根据第二预设窗口对所述稳定工况数据进行窗口划分,以提取各所述输入量的窗口统计特征,并根据各窗口内所述稳定工况数据的离散统计量确定对应的a类不确定度真值;

5、基于所述a类不确定度真值与所述窗口统计特征确定样本集,基于所述样本集训练初始模型,以得到表征窗口统计特征与a类不确定度之间映射关系的不确定度预测模型;

6、获取实时烟气监测数据,并利用所述不确定度预测模型预测所述实时烟气监测数据中各输入量对应的目标a类不确定度预测值,并获取各所述输入量对应的目标b类不确定度,并根据所述目标a类不确定度预测值和所述目标b类不确定度确定所述实时烟气监测数据中各输入量对应的目标不确定度;

7、根据预设烟气排放速率计算模型确定各所述输入量的灵敏系数,并根据不确定度传播定律,基于所述输入量的所述目标不确定度及对应的灵敏系数确定所述烟气排放速率的合成标准不确定度,并基于所述合成标准不确定度输出烟气排放监测数据的不确定度测算结果,以基于所述不确定度测算结果从所述实时烟气监测数据中确定目标不确定度来源。

8、可选的,所述对所述历史烟气监测数据进行数据质量控制操作,得到有效监测数据,包括:

9、对所述历史烟气监测数据进行时间戳对齐检查和单位换算处理,以得到对齐后数据;

10、根据各输入量对应的预设量程范围,从所述对齐后数据中剔除超出所述预设量程范围的监测数据,生成第一剔除后数据;

11、根据各输入量对应的预设物理合理范围,从所述第一剔除后数据中剔除超出所述物理合理范围的监测数据,生成第二剔除后数据;

12、根据所述烟气排放监测系统的仪表状态标志,从所述第二剔除后数据中剔除在维护、校准和/或反吹期间采集的监测数据,生成第三剔除后数据;

13、从所述第三剔除后数据中剔除缺失值和/或空值,生成第四剔除后数据;

14、根据相邻时间点的数据变化率,从所述第四剔除后数据中剔除满足突变判定条件的异常跳变数据,生成第五剔除后数据;

15、识别机组启停和/或非正常工况时段,从所述第五剔除后数据中剔除对应时段的监测数据,生成有效监测数据。

16、可选的,所述以第一预设窗口在所述有效监测数据的时间序列上滑动,剔除满足预设非稳定工况条件的数据,得到稳定工况数据,根据第二预设窗口对所述稳定工况数据进行窗口划分,以提取各所述输入量的窗口统计特征,并根据各窗口内所述稳定工况数据的离散统计量确定对应的a类不确定度真值,包括:

17、根据所述有效监测数据中各时间点的输入量,确定各时间点对应的所述烟气排放速率,以基于所述烟气排放速率构建排放速率时间序列;

18、根据第一预设窗口以预设步长在所述排放速率时间序列上滑动,确定各个所述预设步长内排放速率的相对标准差;

19、剔除各所述预设步长内所述相对标准差超过预设波动阈值的数据,以得到稳定工况数据;

20、基于第二预设窗口对所述稳定工况数据中的各输入量进行非重叠窗口划分操作,得到若干数据窗口;

21、提取各所述数据窗口内各输入量的所述稳定工况数据的第一均值,以及所述稳定工况数据的样本标准差;

22、基于所述第一均值与所述样本标准差确定所述数据窗口的变异系数;

23、根据各输入量的各所述数据窗口的所述变异系数,确定各输入量对应的变异系数阈值;

24、判断各所述数据窗口的变异系数是否大于所述变异系数阈值;

25、若是,则判定对应的所述数据窗口为异常窗口,并剔除对应的所述异常窗口;

26、若否,则保留所述数据窗口的数据,并利用贝塞尔公式基于所述数据窗口的所述样本标准差确定对应的a类不确定度真值。

27、可选的,所述基于所述a类不确定度真值与所述窗口统计特征确定样本集,基于所述样本集训练初始模型,以得到表征窗口统计特征与a类不确定度之间映射关系的不确定度预测模型,包括:

28、确定各所述数据窗口的所述第一均值的目标对数;

29、基于所述a类不确定度真值与所述目标对数确定样本集;

30、根据预设划分比例将所述样本集划分为训练集和测试集;

31、构建初始模型;所述初始模型包括随机森林模型和梯度提升回归模型;

32、基于所述训练集对所述初始模型进行训练,以得到训练后模型;

33、判断所述测试集的数据值是否符合预设数据值范围;所述预设数据值范围为所述训练集中数据的数据值范围;

34、若是,则利用所述测试集对所述训练后模型进行性能评估,以输出目标预测值以及相应的评估指标,基于所述目标预测值以及相应的评估指标,确定所述不确定度预测模型;

35、若否,则输出预设缺省值并结束。

36、可选的,所述获取实时烟气监测数据,并利用所述不确定度预测模型预测所述实时烟气监测数据中各输入量对应的目标a类不确定度预测值,包括:

37、获取实时烟气监测数据,并对所述实时烟气监测数据进行所述数据质量控制操作,得到实时有效数据;

38、以所述第一预设窗口在所述实时有效数据的时间序列上滑动,剔除满足预设非稳定工况条件的数据,得到实时稳定工况数据;

39、根据所述第二预设窗口对所述实时稳定工况数据进行窗口划分,提取当前数据窗口内各输入量的实时窗口统计特征;所述实时窗口统计特征包括用于表征所述当前数据窗口内数据集中趋势的实时统计量;

40、将所述实时窗口统计特征分别输入所述不确定度预测模型中的随机森林模型和梯度提升回归模型,对应得到第一预测值和第二预测值;

41、分别基于所述第一预测值和所述第二预测值,确定第一a类不确定度和第二a类不确定度;

42、确定所述第一a类不确定度和所述第二a类不确定度的第二均值,以作为所述当前数据窗口对应的目标a类不确定度预测值。

43、可选的,所述获取各所述输入量对应的目标b类不确定度,并根据所述目标a类不确定度预测值和所述目标b类不确定度确定所述实时烟气监测数据中各输入量对应的目标不确定度,包括:

44、获取各所述输入量的b类不确定度评定信息;所述b类不确定度评定信息包括预设最大允许误差或扩展不确定度;

45、根据所述预设最大允许误差,通过均匀分布换算方式确定对应输入量的目标b类不确定度;

46、或,根据所述扩展不确定度及预设包含因子,确定对应输入量的目标b类不确定度;

47、将各所述输入量的所述目标a类不确定度预测值和所述目标b类不确定度进行合成,得到各所述输入量对应的目标不确定度。

48、可选的,所述根据预设烟气排放速率计算模型确定各所述输入量的灵敏系数,并根据不确定度传播定律,基于所述输入量的所述目标不确定度及对应的灵敏系数确定所述烟气排放速率的合成标准不确定度,并基于所述合成标准不确定度输出烟气排放监测数据的不确定度测算结果,以基于所述不确定度测算结果从所述实时烟气监测数据中确定目标不确定度来源,包括:

49、根据预设烟气排放速率计算模型,分别对各所述输入量求偏导,得到各所述输入量对应的灵敏系数;

50、根据不确定度传播定律,将各所述输入量的所述目标不确定度与对应的灵敏系数进行加权合成,得到所述烟气排放速率的合成标准不确定度;

51、根据所述烟气排放速率以及所述合成标准不确定度,确定所述烟气排放速率的相对标准不确定度;

52、根据预设包含因子对所述合成标准不确定度进行扩展,得到扩展不确定度,并根据所述相对标准不确定度与所述预设包含因子确定相对扩展不确定度;

53、判断当前测算周期的有效数据量是否满足预设数据量条件,以及所述目标a类不确定度预测值是否处于预设数据值范围内;

54、若满足,则基于预设排列规则输出各所述输入量的所述目标a类不确定度预测值、所述目标b类不确定度、所述目标不确定度、所述合成标准不确定度、所述扩展不确定度和所述相对扩展不确定度,得到相应的排列结果,以便用户端根据所述排列结果确定目标不确定度来源;

55、若不满足,则输出预设缺省值并生成提示信息。

56、第二方面,本技术提供了一种烟气排放监测数据的不确定度来源检测装置,包括:

57、数据获取模块,用于获取烟气排放监测系统中用于计算烟气排放速率的各输入量的历史烟气监测数据,并对所述历史烟气监测数据进行数据质量控制操作,得到有效监测数据;

58、标签确定模块,用于以第一预设窗口在所述有效监测数据的时间序列上滑动,剔除满足预设非稳定工况条件的数据,得到稳定工况数据,根据第二预设窗口对所述稳定工况数据进行窗口划分,以提取各所述输入量的窗口统计特征,并根据各窗口内所述稳定工况数据的离散统计量确定对应的a类不确定度真值;

59、模型获取模块,用于基于所述a类不确定度真值与所述窗口统计特征确定样本集,基于所述样本集训练初始模型,以得到表征窗口统计特征与a类不确定度之间映射关系的不确定度预测模型;

60、不确定度确定模块,用于获取实时烟气监测数据,并利用所述不确定度预测模型预测所述实时烟气监测数据中各输入量对应的目标a类不确定度预测值,并获取各所述输入量对应的目标b类不确定度,并根据所述目标a类不确定度预测值和所述目标b类不确定度确定所述实时烟气监测数据中各输入量对应的目标不确定度;

61、测算结果获取模块,用于根据预设烟气排放速率计算模型确定各所述输入量的灵敏系数,并根据不确定度传播定律,基于所述输入量的所述目标不确定度及对应的灵敏系数确定所述烟气排放速率的合成标准不确定度,并基于所述合成标准不确定度输出烟气排放监测数据的不确定度测算结果,以基于所述不确定度测算结果从所述实时烟气监测数据中确定目标不确定度来源。

62、第三方面,本技术提供了一种电子设备,包括:

63、存储器,用于保存计算机程序;

64、处理器,用于执行所述计算机程序,以实现如前述的烟气排放监测数据的不确定度来源检测方法。

65、第四方面,本技术提供了一种计算机可读存储介质,用于保存计算机程序;其中,所述计算机程序被处理器执行时实现如前述的烟气排放监测数据的不确定度来源检测方法。

66、综上可知,本技术获取烟气排放监测系统中用于计算烟气排放速率的各输入量的历史烟气监测数据,并对所述历史烟气监测数据进行数据质量控制操作,得到有效监测数据;以第一预设窗口在所述有效监测数据的时间序列上滑动,剔除满足预设非稳定工况条件的数据,得到稳定工况数据,根据第二预设窗口对所述稳定工况数据进行窗口划分,以提取各所述输入量的窗口统计特征,并根据各窗口内所述稳定工况数据的离散统计量确定对应的a类不确定度真值;基于所述a类不确定度真值与所述窗口统计特征确定样本集,基于所述样本集训练初始模型,以得到表征窗口统计特征与a类不确定度之间映射关系的不确定度预测模型;获取实时烟气监测数据,并利用所述不确定度预测模型预测所述实时烟气监测数据中各输入量对应的目标a类不确定度预测值,并获取各所述输入量对应的目标b类不确定度,并根据所述目标a类不确定度预测值和所述目标b类不确定度确定所述实时烟气监测数据中各输入量对应的目标不确定度;根据预设烟气排放速率计算模型确定各所述输入量的灵敏系数,并根据不确定度传播定律,基于所述输入量的所述目标不确定度及对应的灵敏系数确定所述烟气排放速率的合成标准不确定度,并基于所述合成标准不确定度输出烟气排放监测数据的不确定度测算结果,以基于所述不确定度测算结果从所述实时烟气监测数据中确定目标不确定度来源。

67、由上可知,本技术首先采集历史监测数据,并对历史监测数据进行质量控制以筛选出有效监测数据。随后,利用第一预设滑动窗口在有效数据的时间序列上剔除不稳定的非工况数据,保留稳定工况数据,再通过第二预设窗口对稳定数据分段,提取各窗口内输入量的统计特征,并依据窗口内数据的离散程度计算得到a类不确定度真值。基于这些窗口统计特征和对应的a类不确定度真值构建样本集,用于训练初始模型,从而获得能够根据窗口统计特征预测a类不确定度的预测模型。在实际应用中,获取实时烟气监测数据,借助该模型预测各输入量的目标a类不确定度预测值,同时结合各输入量的目标b类不确定度,综合得出各输入量的目标不确定度。最后,依据预设烟气排放速率计算模型求出各输入量的灵敏系数,并遵循不确定度传播定律,将各输入量的目标不确定度与其灵敏系数合成,得到烟气排放速率的合成标准不确定度,并据此输出完整的烟气排放监测数据不确定度测算结果,再根据测算结果确定不确定度来源。这样一来,先以碳排放速率cv为判据剔除跨工况数据,再对各变量进行固定长度非重叠窗口划分,确保每个窗口内数据平稳,为a类不确定度评定提供可靠统计基础。