基于随机时序分析的吸收塔入口SO2浓度预测方法与流程

本发明属于火电技术领域，尤其涉及一种基于随机时序分析的吸收塔入口so2浓度预测方法。

背景技术：

近年来，我国的火电装机容量持续攀升，发电市场的竞争局面日趋严峻。另一方面，煤价成本飞升和国内各种环保规范更严格的约束，在未来一段时间内，发电企业如何提高燃烧效率，减少污染物排放，降低发电成本将成为其重点考虑的问题之一。

为了实现脱硫系统优化运行，降低脱硫设备能耗，就需要实时地对负荷、吸收塔入口so2浓度等参数进行预测，做到有的放矢地优化控制，因此，需要一种可靠的吸收塔入口so2浓度预测方法。

技术实现要素：

为解决上述技术问题，本发明的目的是提供一种基于随机时序分析的吸收塔入口so2浓度预测方法，实时地对负荷、吸收塔入口so2浓度等参数进行可靠预测，以实现对脱硫系统的优化控制。

本发明提供了一种基于随机时序分析的吸收塔入口so2浓度预测方法，该方法基于时间序列分析方法，实时在线建立吸收塔入口so2浓度预测模型，采用随机时间序列算法对吸收塔入口so2浓度进行实时预测。

进一步地，该预测方法具体包括：

检验入口so2浓度序列的平稳性；

对入口so2浓度原始序列进行一阶差分，并进行平稳性和白噪声检验；

对一阶差分之后的入口so2浓度序列拟合arima模型，进行模型定阶；

基于arima模型预测入口so2浓度。

进一步地，检验入口so2浓度序列的平稳性包括：

基于入口so2浓度原始序列的时序图检验入口so2浓度序列的平稳性，当时序图显示具有一定的趋势性或者周期性，判断为非平稳序列。

进一步地，检验入口so2浓度序列的平稳性还包括：

基于入口so2浓度原始序列的自相关图检验入口so2浓度序列的平稳性，当自相关图显示自相关系数长期大于零，判断为非平稳序列。

进一步地，对入口so2浓度原始序列进行一阶差分并进行平稳性和白噪声检验包括：

对一阶差分后的入口so2浓度序列再次进行平稳性判断，若阶差分之后的入口so2浓度序列的时序图在均值附近比较平稳地波动，自相关图具有强短期相关性，判断一阶差分之后的入口so2浓度序列是平稳序列，基于自相关系数不为零，且在零附近随机波动，判断一阶差分之后的入口so2浓度序列是平稳非白噪声序列。

进一步地，对一阶差分之后的入口so2浓度序列拟合arima模型进行模型定阶包括：

计算arima(p,q)当p和q均小于等于向前预测长度的所有组合的bic信息量，取其中bic信息量达到最小的模型阶数，其中，p为自回归项，q为移动平均项数。

进一步地，该方法还包括选取预测模型的参数，所述参数包括建模训练数据集的长度，以及模型向前预测的预测长度。

进一步地，该模型向前预测的预测长度为5，即模型每次向前预测2.5分钟。

借由上述方案，通过基于随机时序分析的吸收塔入口so2浓度预测方法，实现了对吸收塔入口so2浓度的可靠预测，为脱硫系统的优化控制提供了保障。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明基于随机时序分析的吸收塔入口so2浓度预测方法一实施例的流程图；

图2是差分平稳时间序列的建模流程图；

图3是本发明入口so2浓度原始序列的时序图和自相关图；

图4是本发明一阶差分后的入口so2浓度的时序图和自相关图；

图5是本发明向前预测下个3分钟内入口so2浓度的实际值与预测值比较图；

图6是本发明采用不同预测长度的情况下，模型预测的均方根误差率随着建模训练数据集长度变化而变化的趋势比较图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种基于随机时序分析的吸收塔入口so2浓度预测方法，该方法基于时间序列分析方法，实时在线建立吸收塔入口so2浓度预测模型，采用随机时间序列算法对吸收塔入口so2浓度进行实时预测，具体包括：

步骤s1，检验入口so2浓度序列的平稳性。

步骤s2，对入口so2浓度原始序列进行一阶差分，并进行平稳性和白噪声检验。

步骤s3，对一阶差分之后的入口so2浓度序列拟合arima模型，进行模型定阶。

步骤s4，基于arima模型预测入口so2浓度。

本系统使用随机时间序列算法来对吸收塔入口so2浓度进行实时预测。由于在脱硫塔前端提前估计煤质的含硫量非常困难，这时我们就不能采用回归分析法来预测吸收塔入口的so2浓度，而是使用时间序列分析方法arima来进行预测。具体的技术方案包括：

(一)实时在线建立吸收塔入口so2浓度预测模型。

1、关于随机时序预测算法。

arima模型全称为差分自回归移动平均模型(autoregressiveintegratedmovingaveragemodel)，可以表示为arima(p,d,q)，其中ar是自回归，p为自回归项；ma是移动平均，q为移动平均项数，d为将非平稳时间序列转化为平稳时间序列时所做的差分次数。

arima模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。

由于arima模型是arma模型的拓展，因此包含arma模型的三种形式，即ar模型、ma模型和arma模型：

1)ar(p)(p阶自回归模型)：

xt＝δ+φ1xt-1+φ2xt-2+...+φpxt-p+ut(1)

其中，ut是白噪声序列，δ是常数(表示序列数据没有0均值化)。

2)ma(q)(q阶移动平均模型)：

xt＝μ+ut+θ1ut-1+θ2ut-2+...+θqut-q(2)

其中，{ut}是白噪声过程，ma(q)是由ut本身和q个ut的滞后项加权平均构造出来的，因此它是平稳的。

3)arma(p,q)(自回归移动平均过程)：

xt＝δ+φ1xt-1+φ2xt-2+...+φpxt-p+ut+θ1ut-1+θ2ut-2+...+θqut-q(3)

arma模型相当于ar模型和ma模型的叠加。

4)另外一种是经差分的arma模型形式，即：

δxt＝xt-xt-1＝xt-lxt＝(1-l)xt(4)

δ²xt＝δxt-δxt-1＝(1-l)xt-(1-l)xt-1＝(1-l)²xt

δ^dxt＝(1-l)^dxt

对于d阶单整序列xt～i(d)，令：

wt＝δ^dxt＝(1-l)^dxt

则wt是平稳序列，于是可对wt建立arma(p,q)模型，所得到的模型称为xt～arima(p,d,q)模型，故arima(p,d,q)模型可以表示为：

wt＝δ+φ1wt-1+φ2wt-2+...+φpwt-p+ut+θ1ut-1+θ2ut-2+...+θqut-q(5)。

差分平稳时间序列的建模步骤如图2所示。

2、预测入口so2浓度实际应用。

现取最近过去25分钟的入口so2浓度数据作为原始时间序列，并向前预测下个3分钟内入口so2浓度的变化趋势，由于采样频率为每半分钟一个采样数据，因此预测长度为6，其建模和预测的步骤如下：

1)检验入口so2浓度序列的平稳性。

图3a所示为入口so2浓度原始序列的时序图，显示该序列具有一定的趋势性或者周期性，可以判断为非平稳序列；图3a所示为入口so2浓度原始序列的自相关图，显示自相关系数长期大于零，说明序列间具有很强的长期相关性，且自相关系数衰减的速度比较慢，也可说明该序列为非平稳序列。

2)对入口so2浓度原始序列进行一阶差分，并进行平稳性和白噪声检验。

对一阶差分后的入口so2浓度序列再次进行平稳性判断，过程如上。

如图4所示，4a是一阶差分后的入口so2浓度的时序图，4b是一阶差分后的入口so2浓度的自相关图，一阶差分之后的入口so2浓度序列的时序图在均值附近比较平稳地波动，自相关图有很强的短期相关性，所以一阶差分之后的入口so2浓度序列是平稳序列。

由于一阶差分之后的入口so2浓度序列的自相关系数不为零，且在零附近随机波动，所以一阶差分之后的入口so2浓度序列是平稳非白噪声序列。

3)对一阶差分之后的入口so2浓度序列拟合arima模型，进行模型定阶。

模型定阶就是确定p和q。

方法：计算arima(p,q)当p和q均小于等于向前预测长度的所有组合的bic(bayesianinformationcriterion，bic，贝叶斯信息准则)信息量，取其中bic信息量达到最小的模型阶数。

4)基于arima模型的入口so2浓度预测。

如图5所示为模型向前预测下个3分钟内入口so2浓度的实际值与预测值比较，可见其变化趋势基本一致。

(二)预测模型的参数选取依据。

在时间序列预测过程中，预测模型的参数选取非常重要。其中包括建模训练数据集的长度，以及模型向前预测的预测长度。

如图6所示，分别采用不同预测长度4、5、6、7、8、9、10，即模型每次向前预测2分钟、2.5分钟、3分钟、3.5分钟、4分钟、4.5分钟、5分钟(采用频率为每半分钟一个采样数据)，对应于每一个预测长度，采用不同的训练数据集长度进行建模，可见模型预测的均方根误差率随着建模训练数据集长度的变化而变化。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。