焚烧炉二次污染物排放量预测模型的构建方法及装置与流程

1.本发明涉及二次污染物产生与排放技术领域，尤其涉及一种焚烧炉二次污染物排放量预测模型的构建方法及装置。


背景技术：

2.垃圾焚烧炉烟气中的二次污染物脱除工艺主要由脱硝、脱酸、除尘、除二噁英和重金属等各独立系统组成。目前，垃圾焚烧烟气中酸性气体去除主要采用半干法脱酸技术，用cao粉剂或氢氧化钙粉剂作为吸收剂，直接向脱酸塔内喷入粉剂或制备成石灰浆后喷入达到脱酸目的。在脱销工艺中，主要是去除no
x
，主要采用sncr、scr还原法。通过在合适的位置，温度区间、喷入适当的还原剂，从而达到去除no
x
的效果。除尘、除二噁英和重金属脱除工艺的，则主要采用活性炭喷射吸附加布袋除尘器技术，通过武力吸附的方式降低排放浓度。
3.然而，现阶段的脱酸和脱销工艺均需要在合适的范围，尤其是脱销环节，温度以及还原剂的量控制不当，容易引起下游空气预热器的堵塞，还原剂过量或不足均造成环保超标或氨逃逸造成换热器腐蚀。脱酸过程中，由于入炉垃圾中含有大量的废塑料、废橡胶、餐厨垃圾、生物质类物质，是导致烟气中cl2和hcl的主要来源。同时，污泥掺混燃烧中，添加了无机高分子混凝剂，三氯化铁、硫酸亚铁、聚铝、聚合氯化铝铁等铁盐和铝盐在污泥改性调理中起到静电中和作用和吸附架桥作用。这些都将造成燃烧过程中产生二氧化硫超标问题。因此，炉外脱酸已经不满足当前垃圾焚烧现状，炉内高浓度的hcl和烟气颗粒中的氯化物会沉积在受热管道上，导致管道腐蚀爆管。此外，脱硝、脱硫工艺中现阶段主要采用人工操作和自动化控制模式，但两种模式均依赖于尾部烟气的检测指标，具有滞后性，且垃圾焚烧炉燃料特性的波动性大，容易造成还原剂的错配。因此，在脱酸、脱硝过程中，均无法实现烟气二次污染物的排放与抑制工艺的有效配合，从而造成以下难题：
4.(1)污染物排放超标：由于燃料物性的波动较大，排放检测指标与脱酸、脱硝工艺联动的滞后性，造成突发性的排放超标，影响排放的可控性。
5.(2)增加还原剂与脱酸试剂的成本：为了避免突发性排放超标以及还原剂、脱酸试剂过程调节的限制，需要通过增加用量，以降低排放量，保障环保指标。
6.(3)难以在源头上控制二次污染物的产量，尤其是no
x
与hcl的产生，致使在烟气流动过程中，引起过程设备的腐蚀。


技术实现要素：

7.为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种焚烧炉二次污染物排放量预测模型的构建方法及装置。
8.本发明所采用的技术方案是：
9.一种焚烧炉二次污染物排放量预测模型的构建方法，包括以下步骤：
10.获取焚烧炉设备的历史数据，根据所述历史数据获取样本数据；
11.确定影响二次污染物排放量的影响因素，根据所述影响因素确定初步原始特征变量；
12.根据二次污染物的生成机理和对所述历史数据的分析，对所述初步原始特征变量进行特征重构，确定初步重构特征变量和初步特征变量重构方法；
13.根据所述样本数据对所述初步原始特征变量、所述初步重构特征变量和初步特征变量重构方法进行相关性分析，获取原始特征变量、重构特征变量和特征变量重构方法；
14.根据所述原始特征变量、所述重构特征变量和所述特征变量重构方法构建预测模型。
15.进一步，当所述预测模型用于对no
x
排放量进行预测时，所述原始特征变量包括：炉排的速度v，进料量m，一次风室的压力p1和流量q1，二次风的压力p2、温度t2和流量q2，吸附剂添加量m
t
，还原剂喷入量ms，第一烟道出口烟温t1，烟气中氧气的浓度m1和流速，汽包压力pa以及过热器温度tg；
16.所述重构特征变量包括：总风量，烟气含氧量平均值和过热器温度t，其中，总风量＝一次风量 二次风量；
17.所述特征变量重构方法为纯逻辑判断法。
18.进一步，当所述预测模型用于对hcl排放量进行预测时，所述原始特征变量包括：炉排的速度v和温度t0，第一烟道出口烟温t1，烟气中氧气的浓度m2和流速，添加剂的投入量，脱酸塔的入口烟气温度、出口烟气温度，停留时间，石灰浆浓度以及尾气排放中hcl的浓度；
19.所述重构特征变量包括：总风量；烟气含氧量平均值和过热器温度t，其中，总风量＝一次风量 二次风量；
20.所述特征变量重构方法为神经网络算法。
21.进一步，当所述预测模型用于对nh3逃逸排放量进行预测时，所述原始特征变量包括：第一烟道出口温度，烟气流速，还原剂流量与压力，烟气no
x
折算浓度，一次风流量，二次风流量和温度；
22.所述重构特征变量包括：总风量，烟气含氧量均值，还原剂流量和一烟道出口no
x
浓度，其中，总风量＝一次风量 二次风量；
23.所述特征变量重构方法为神经网络算法。
24.进一步，所述根据所述样本数据对所述初步原始特征变量、所述初步重构特征变量和初步特征变量重构方法进行相关性分析，包括：
25.采用逻辑比较控制法对所述初步原始特征变量和所述初步重构特征变量进行有效性与精度分析；
26.采用统计关系分析法对所述初步原始特征变量和所述初步重构特征变量进行相关性分析。
27.进一步，所述构建方法还包括：
28.根据所述样本数据、原始特征变量、重构特征变量和和特征变量重构方法获取训练集，采用训练预测引擎对所述预测模型进行训练。
29.进一步，所述构建方法，还包括对训练后的预测模型进行验证的步骤：
30.采用预测误差的方差和标准差对训练后的所述预测模型进行精确度验证，以预测
精度s作为模型验证的评估效果指标，其中预测准确度s＝1-预测值与实际值的差值的方差。
31.进一步，所述构建方法还包括：
32.获取训练后的多个预测模型，所述多个预测模型包括预测no
x
排放量的预测模型、预测hcl排放量的预测模型或预测nh3逃逸排放量的预测模型中的至少两个；
33.根据获得的所述预测模型构建二次污染物炉内协同脱除模型。
34.进一步，所述获取训练后的所述预测模型，包括：
35.通过在线算法加载离线训练后的所述预测模型。
36.本发明所采用的另一技术方案是：
37.一种焚烧炉二次污染物排放量预测模型的构建装置，包括：
38.至少一个处理器；
39.至少一个存储器，用于存储至少一个程序；
40.当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
41.本发明所采用的另一技术方案是：
42.一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
43.本发明的有益效果是：本发明基于垃圾焚烧炉二次污染物的生成机理及历史运行数据的分析，以及进行相关性分析，获取用于构建预测模型的原始特征变量、重构特征变量和特征变量重构方法，能够根据实际结果进行有效性地判断和选择，有利于提高预测模型的精度。
附图说明
44.为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
45.图1是本发明实施例中一种焚烧炉二次污染物排放量预测模型的构建方法的步骤流程图；
46.图2是本发明实施例中垃圾焚烧炉二次污染物排放量预测模型的构建方法的流程图；
47.图3是本发明实施例中垃圾焚烧炉二次污染物炉内协同脱除模型构建方法的流程图；
48.图4是本发明实施例中纯逻辑判断法的结构示意图。
具体实施方式
49.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下
实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
50.在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
51.在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
52.本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
53.如图1和图2所示，本实施例提供一种焚烧炉二次污染物排放量预测模型的构建方法，包括以下步骤：
54.s1、获取焚烧炉设备的历史数据，根据历史数据获取样本数据。
55.数据获取和处理：选取数据区间，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行过滤和预测处理，得到样本数据。其中，对历史数据进行预处理具体指对所获取的历史数据中的不合理数据进行清洗，该不合理数据包括错误数据、异常数据和重复数据。
56.s2、选取特征变量，所属特征变量包括原始特征变量和重构特征变量。
57.步骤s2具体包括步骤s21-s22：
58.s21、确定影响二次污染物排放量的影响因素，根据影响因素确定初步原始特征变量；根据二次污染物的生成机理和对历史数据的分析，对初步原始特征变量进行特征重构，确定初步重构特征变量和初步特征变量重构方法。
59.初步原始特征变量和初步重构特征变量的确定：根据炉内二次污染物的生成机理和对历史数据的分析，确定影响二次污染物排放量的影响因素，根据影响因素确定初步原始特征变量；根据二次污染物的生成机理和对历史数据的分析，对初步原始特征变量进行特征重构，确定初步重构特征变量和特征变量重构方法。
60.s22、根据样本数据对初步原始特征变量、初步重构特征变量和初步特征变量重构方法进行相关性分析，获取原始特征变量、重构特征变量和特征变量重构方法。
61.用样本数据对各初步原始特征变量，初步重构特征变量和特征变量重构方法进行相关性分析以及重要性计算，选取用于预测模型建立的原始特征变量，重构特征变量和特征变量重构方法。
62.s3、根据原始特征变量、重构特征变量和特征变量重构方法构建预测模型。
63.预测模型建立：用样本数据通过特征变量重构方法进行计算重构特征变量的数据值，与原始特征变量对应的历史数据一起形成预测训练样本，采用预测训练模型进行数据建模训练，生成预测模型。
64.在本实施例中，采用训练预测引擎对预测模型进行训练，其中，在进行数据建模训
练前，还包括对数据进行转换，这里的转换指的是将数据转换为信号。该预测训练引擎可采用华为云预测训练引擎。
65.s4、对训练生成的预测进行精度验证，评估模型应用于实际工况的效果。
66.采用预测误差的方差和标准差对生成的预测模型进行精确度验证，具体地，以预测精度s作为模型验证的评估效果指标，其中预测准确度s＝1-预测值与实际值的差值的方差。
67.s5、根据步骤s1-s4的炉内二次污染物预测模型产生的预测结果，获得训练后的预测模型，即二次污染物排放量预测模型。
68.本实施例通过根据炉内二次污染物的生成机理和对历史数据的分析，确定影响二次污染物排放量的影响因素，根据影响因素(如总风量、一次风和二次风的比例，烟气的温度和含氧量等)，确定初步原始特征变量；根据二次污染物的生成机理和对历史数据的分析，对初步原始特征变量进行特征重构，确定初步重构特征变量和特征变量重构方法，此外，利用所述样本数据对各初步原始特征变量，初步重构特征变量和特征变量重构方法进行相关性分析以及重要性计算，能够基于实际情况对若相关的变量进行适当的取舍，有利于提高数据样本的精度，采用所述样本数据通过特征变量重构方法进行计算重构特征变量的数据值，与原始特征变量对应的历史数据一起形成预测训练样本，然后利用预测训练引擎进行数据建模训练，生成的预测模型能够对垃圾焚烧炉炉内烟气中二次污染物的排放量进行预测，对预测排放偏工况的现象进行警示，预测结果可以有效解决目前对烟气中污染物排放量的控制存在偏差的问题，且进行进行预测和控制模型的精度高，能够有效指导生产人员提前介入调整垃圾炉内焚烧二次污染物排放控制。
69.作为一种可选的实施方式，当对垃圾焚烧炉二次污染物no
x
排放量进行预测模型构建时，用于预测模型建立的原始特征变量包括：炉排的速度v，进料量m，一次风室的压力p1和流量q1，二次风的压力p2、温度t2和流量q2，吸附剂添加量m
t
，还原剂喷入量ms，第一烟道出口烟温t1，烟气中氧气的浓度m1和流速，过热器的温度t3，汽包压力pa，过热器温度tg。
70.用于预测模型建立的重构特征变量包括：总风量(一次风量 二次风量)，烟气含氧量平均值和过热器温度t。
71.用于预测模型建立的特征变量重构方法为纯逻辑判断法。该纯逻辑判断法是指通过逻辑定值判断的方法，如：测量值与设定值的大小比较，大于则调整控制策略，小于则进行下一个动作，如图4所示。
72.其中，燃料型no
x
是燃料中氮化合物在燃烧中氧化而成，在600-800℃时就会产生燃料型；热力型no
x
是燃烧时，空气中的氮在高温条件下氧化产生，其生成过程可用捷里多维奇反应式表示，温度大于1500℃时，没增加100℃，反应速率增大6-7倍；快速型no
x
是由于燃料挥发物中碳氢化合物高温分解生成的ch自由基与空气中的氮气反应生成。
73.从氮氧化物的生成机理上看，no
x
的生成主要与燃烧过程、燃烧温度、含氧量有直接关联，炉内温度越高，no
x
的生成量越大，炉温低，no
x
的生成量越小，炉温主要受到总风量和一次风、二次风的比例影响，尤其是一次风在炉排上的而分布，通过检测炉排上干燥段、燃烧段和燃尽段的情况可以反映炉内燃烧情况；一次风风量大，烟气含氧量高，则燃烧过程中氮氧化物反应充分，生成量大，在烟道中停留时间短。二次风的流速越大，烟气湍流度效果越好，有利于烟气的充分燃烧，烟气中的含氧量越低，则垃圾中的n与o2反应越缓慢，生成
no
x
的量就会降低。
74.通过根据nox的生成机理和对运行历史数据的分析，确定影响no
x
排放量的影响因素，根据影响因素(如总风量、一次风和二次风的比例，烟气的温度和含氧量等)确定初步原始特征变量，需要说明的是，初步原始特征变量包括与no
x
排放量的影响因素相关的特征变量，对所述初步原始特征变量进行特征重构，确定初步重构特征变量，具体采用逻辑比较控制法对各初步原始特征变量和初步重构特征变量进行有效性与精度分析，以及采用统计关系分析法对各初步原始特征变量和初步重构特征变量进行相关性分析后，选取用于预测模型建立的原始特征变量和重构特征变量，构建得到的预测模型能够对no
x
的排放量进行有效的预测，其中，用于预测模型建立的重构特征变量可以辅助反映燃料过程中炉排上干燥段、燃烧段和燃尽段的燃烧程度和特征。具体地，所述烟气含氧量具体包括第一烟道出口烟气的含氧量，所述温度包括第一烟道出口的温度，二次风的温度及过热器的温度，所述总风量包括一次风和二次风的风量，一次风和二次风的测量值包括一次风室的压力和流量，二次风的压力、温度和流量。通过根据垃圾焚烧炉设备中不同位置将所述的原始特征变量精确到一次风、二次风的特征，或者烟道中以烟道出口的特征，避免不同位置的特征变量出现偏差、从而使得特征变量的结果发生偏差的情况，采用预测误差的方差和标准差对生成的预测模型进行精确度验证，保障预测训练引擎进行数据建模训练的训练效果。
75.作为一种可选的实施方式，当对垃圾焚烧炉烟气中的hcl排放量进行预测模型构建时，用于预测模型建立的原始特征变量包括：炉排的速度和温度，第一烟道出口烟温，烟气中氧气的浓度和流速，添加剂的投入量，脱酸塔入口烟气温度、出口烟气温度，停留时间，石灰浆浓度，尾气排放中hcl的浓度。
76.用于预测模型建立的重构特征变量包括总风量(一次风量 二次风量)，烟气含氧量平均值和过热器温度t。用于预测模型建立的特征变量重构方法为神经网络算法。
77.垃圾焚烧过程中产生的二次污染物中主要还包括hcl，其主要来源有两个：(1)垃圾中的有机氯，如pvc塑料、橡胶、皮革等燃烧时分解生成hcl；(2)垃圾中的无机氯化物如nacl(来自厨房垃圾)与其他物质反应生成hcl,化学反应为:
78.h2o 2nacl so2 0.5o2＝na2so4 2hcl
ꢀꢀꢀ
(1)
79.2nacl msio2 h2o＝2hcl na2o
·
msio2ꢀꢀꢀ
(2)(其中m＝2,4)
80.h2o mgcl2 so2 0.5o2＝mgso4 2hcl
ꢀꢀꢀ
(3)
81.烟气流动过程中，hcl和烟气颗粒中的氯化物会沉积在受热管道上，对余热锅炉会造成过热器高温腐蚀和尾部受热面的低温腐蚀，烟气中的hcl会提供额外的氯原子，促进二噁英的形成。
82.通过根据hcl的生成机理与危害特点对样本数据的分析，确定影响hcl排放的影响因素，根据影响因素(如炉温、一次风流量、烟气中氧气的浓度和流速等)确定初步原始特征变量，需要说明的是，初步原始特征变量包括与hcl排放量相关的特征变量，对所述的初步原始特征变量进行特征重构，确定初步重构特征变量，采用逻辑比较控制法对各初步原始特征变量和初步重构特征变量进行有效性与精度分析，采用统计关系分析法对各初步原始特征变量和初步重构特征变量进行相关性分析后，选取用于预测模型建立的原始特征变量和重构特征变量，构建得到的预测模型能够对hcl的排放量进行有效的预测。具体的，所述炉温包括第一烟道出口烟温，炉排上干燥段温度、燃烧段温度和燃尽段温度的值，所述第一
烟道出口烟温具体包括烟道出口截面上下、左右温度的平均值。
83.作为一种可选的实施方式，当对垃圾焚烧炉烟气中nh3逃逸排放量进行预测模型构建时，用于预测模型建立的原始特征变量包括：第一烟道出口温度，烟气流速，还原剂流量与压力，烟气nox折算浓度，一次风流量，二次风流量和温度。
84.用于预测模型建立的重构特征变量包括：总风量(一次风量 二次风量)，烟气含氧量均值，还原剂流量，一烟道出口nox浓度。用于预测模型建立的特征变量重构方法为神经网络算法。
85.氨逃逸是指烟气经过脱硝设备或工艺之后烟气中存在未参与还原反应的氨的现象。在sncr脱硝反应中，采用nh3作为还原剂，在温度为900℃～1 100℃的范围内，还原nox的化学反应方程式主要为：
86.4nh3 4no o2→
4n2 6h2o
ꢀꢀꢀ
(1)
87.4nh3 2no 2o2→
3n2 6h2o
ꢀꢀꢀ
(2)
88.8nh3 6no2→
7n2 12h2o
ꢀꢀꢀ
(3)
89.而采用尿素作为还原剂还原nox的主要化学反应为：
90.co(nh2)2→
2nh2 co
ꢀꢀꢀ
(4)
91.nh2 no
→
n2 h2o
ꢀꢀꢀ
(5)
92.co no
→
n2 co2ꢀꢀꢀ
(6)
93.由于烟气中大部分nox以no形式存在，以上反应中根据还原剂的类型主要以反应(1)或(5)为主，理论上1mol的nh3可以完全还原1mol的no。氨逃逸率的高低主要受脱硝系统中还原剂喷入量的影响，而喷入还原剂的量主要是根据固定的氨氮摩尔比或脱硝系统的sncr出口nox质量浓度的控制方式来调整。当系统由于烟气温度波动或者烟气流量、流速状态波动，导致脱硝效率下降或出口检测nox局部浓度上升，还原剂的喷入量会随之上调，未能参与反应的氨量上升，造成氨逃逸率的升高。引起氨逃逸率升高的主要原因包括：(1)每只喷枪的还原剂喷入量分布不均，颗粒度不均且大颗粒占比较大，流速不均，一起未能充分混合和反应；(2)烟气温度，反应温度过低，nox与氨的反应速率降低，会造成nh3的逃逸增加，温度过高时，氨会分解并产生no，所以nh3需要在最佳的温度区间[900-1100℃]；(3)还原剂的类型以及浓度的配置，还原剂的类型基本在焚烧炉建设期间就确定，但还原剂的浓度配置需要凭借经验进行配置和调节，操作难度大。(4)燃烧和燃料波动时，还原剂的喷入量与烟气中的nox浓度波动幅度大，为了实现达标排放而增加喷入还原剂量，引起氨逃逸，引起后端设备的腐蚀和系统影响安全运行。
[0094]
本实施例通过根据nh3逃逸的机理和对运行历史数据的分析，确定影响nh3排放的影响因素，根据影响因素(如第一烟道温度、还原剂喷入量等)确定初步原始特征变量，需要说明的是，初步原始特征变量包括与nh3排放量相关的特征变量，对所述的初步原始特征变量进行特征重构，确定初步重构特征变量，采用逻辑比较控制法对各初步原始特征变量和初步重构特征变量进行有效性与精度分析，采用统计关系分析法对各初步原始特征变量和初步重构特征变量进行相关性分析后，选取用于预测模型建立的原始特征变量和重构特征变量，构建得到的预测模型能够对nh3的排放量进行有效的预测。
[0095]
作为一种可选的实施方式，第一烟道出口烟温包括还原剂喷枪前端的体平均温度，该还原剂喷入量具体包括喷入还原剂的流速，流量和颗粒度直径大小。
[0096]
作为一种可选的实施方式，在步骤s22中，具体采用逻辑比较控制法对各初步原始特征变量和初步重构特征变量进行有效性与精度分析，以及采用统计关系分析法对各初步原始特征变量和初步重构特征变量进行相关性计算。
[0097]
通过对各初步原始特征变量，初步重构特征变量和特征变量重构方法进行相关性分析以及重要性计算，选取用于预测模型建立的原始特征变量，重构特征变量和特征变量重构方法；具体采用逻辑比较控制法对各初步原始特征变量和初步重构特征变量进行有效性与精度分析，以及采用统计关系分析法对各初步原始特征变量和初步重构特征变量进行相关性分析，提高模型的效率和精度。其中逻辑比较控制法的一种基本的泛布尔代数逻辑控制方法，模型采用变化率进行纯逻辑判断。优势在于有效针对垃圾焚烧炉燃烧状态，二次污染物排放状态波动大的问题进行及时自适应参数调整和响应。可以根据多变量的判断结果进行优化，并给出最优输出结果。
[0098]
作为一种可选的实施方式，在步骤s1中，数据获取和处理：选取数据区间，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行过滤和预测处理，得到样本数据。
[0099]
具体地，所述对所获取的历史数据进行预处理具体指对所获取的历史数据中的不合理数据进行清洗，所述不合理数据包括错误数据、异常数据和重复数据，所述错误的数据主要指由于终端设备采集错误或突变的数据，采用拟合的方法进行纠正，异常数据包括空值数据和偏离数据50％以上的数据，具体采用插值法对数据进行替换和修正；所述的重复数据为相同数据及重复多次出现的数据。通过对所述所获取的历史数据进行预处理，可以避免在模型构建时受到错误数据的干扰，有效提高数据的质量，提高模型的预测效果和精度，减少重复数据，从而提高预测模型的建模和预测效率。
[0100]
作为一种可选的实施方式，在步骤s3中，采用训练预测引擎进行数据建模训练前还包括对数据进行转换。
[0101]
预测引擎首先对数据进行离散傅里叶变换，能够提取更多的深层次信息(指数据没办法直接体现的信息)，以保证生成的预测模型的预测效果，变换完后采用预测训练引擎进行数据建模训练，具体地，对数据的离散傅里叶变换分别体现为数据的变化率，加速度。
[0102]
作为一种可选的实施方式，在步骤s4中，采用预测误差的方差和标准差对生成的预测模型进行精确度验证，具体方法为：以预测精度s作为模型验证的评估效果指标，其中预测准确度s＝1-预测值与实际值的差值的方差。
[0103]
通过采用预测误差的方差和标准差对生成的预测模型进行精确度验证，当对垃圾焚烧炉烟气中连续测量的二次污染物进行效果验证时，需要根据污染物排放量的波动情况进行修正，对拟合度有较高的要求，预测误差的方差和标准差的方法可以较好的体现模型的精度和数据的拟合度，更合理地反应模型的预测效果。
[0104]
作为一种可选的实施方式，还包括根据步骤s4得到预测模型的精确度，对重构特征变量以及对数据建模训练的训练特征参数进行优化调整。通过根据对训练生产的预测模型就那些效果验证得到的效果，即采用预测训练引擎进行数据建模训练的训练结果，对重构特征变量以及对进行数据建模训练的训练特征参数进行适当调整，以使预测模型的预测效果达到最优，提高预测模型的预测精度。
[0105]
如图3所示，本实施例还提供一种垃圾焚烧炉二次污染物炉内协同脱除预测模型构建方法，包括以下步骤a1-a3：
[0106]
a1、在线算法加载离线训练好的预测模型，同时将实时计算的原始特征变量数据值和重构特征变量的实时计算数据值接入模型进行计算，实时产生预测结果。该预测模型为二次污染物排放量预测模型，具体包括预测no
x
排放量的预测模型、预测hcl排放量的预测模型以及预测nh3逃逸排放量的预测模型。该预测模型可通过上述方法构建获得。
[0107]
a2、根据预测模型构建二次污染物炉内协同脱除模型，并进行预测结果验证。
[0108]
a3、通过应用程序编程接口将炉内协同脱除模型的预测值发送到用户终端，一线运行人员根据预测结果作为运行调整的参考。
[0109]
烟气排放预测算法通过应用程序编程接口的方式发布预测和警示结果，支持由第三方系统调取数据和存储数据，在垃圾焚烧发电厂的生产场景中，污染物预测结果实时展示在调度室与终端生产现场，以辅助管理人员决策和工人现场进行生产。在线算法优先加载离线训练好的预测模型，同时将实时计算的原始特征变量的实时值接入模型进行计算，实时产生预测结果和炉内协同脱除方案。
[0110]
具体地，通过应用程序编程接口，将预测值发送到用户终端显示界面，前端运行人员根据终端显示的预测值以及协同脱除方案进行提前干预调整，达到提前调节的目的，预测效果以及协同脱除方案的显示直观方便，能够提前辅助人工对污染物脱除的控制操作方便，有效指导人员提前介入精准调整污染物控制。
[0111]
更进一步说明，在垃圾焚烧炉设备中应用数据上云的方法，采集自动测试终端系统的采集数据，包含历史数据，、实时采集数据与预测数据，设备实时同步到云数据存储平台，实现长期存储，用于后续数据分析。
[0112]
综上所述，本实施例方法相对于现有技术，具有如下有益效果：本实施例方法基于垃圾焚烧炉二次污染物的生成机理及历史运行数据、实时运行数据的分析，确定影响二次污染物排放量的影响因素(配风的温度、流量、氧含量等)，确定初步原始特征变量，并对所述初步特征变量进行特征变量重构，确定初步重构特征变量，此外，通过用所述样本数据对个初步原始特征变量和初步重构特征变量进行相关性分析以及准确性计算，能够根据实际结果进行有效性的判断和选择，有利于提高预测模型的精度，然后，采用预测训练模型进行数据建模训练，生成预测模型能够对垃圾焚烧炉燃烧二次污染物的排放量进行预测，并通过优化分级配风、sncr调整实现高效掺混焚烧和no
x
炉内高效控制；结合炉内脱氯技术抑制炉内二噁英生成，并实现了hcl、hf、so2等酸性气体的协同脱除，构建得到的预测模型能够对垃圾焚烧炉烟气中的二次污染物进行提前预测且预测精度高，能够实现对人工操作的提前指导，解决了现阶段污染物突发性排放超标，降低还原剂用量并从源头上减少污染物的产生，有效指导生产人员提前介入调整垃圾炉内焚烧二次污染物排放控制。
[0113]
本实施例还提供一种焚烧炉二次污染物排放量预测模型的构建装置，其特征在于，包括：
[0114]
至少一个处理器；
[0115]
至少一个存储器，用于存储至少一个程序；
[0116]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如图1所示的方法。
[0117]
本实施例的一种焚烧炉二次污染物排放量预测模型的构建装置，可执行本发明方法实施例所提供的一种焚烧炉二次污染物排放量预测模型的构建方法，可执行方法实施例
的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0118]
本技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0119]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0120]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0121]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0122]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0123]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。