一种基于运行班组特性分析的污染物排放量预测方法
【技术领域】
[0001]本发明涉及一种基于运行班组特性分析的污染物排放量预测方法，可对二氧化硫、氮氧化物、烟尘排放浓度等污染物排放量进行预测。
【背景技术】
[0002]目前，燃煤机组污染物排放量预测主要根据电力企业历史统计排放量数据，采用时间序列方法进行计算，该方法将所有外在影响因素混为一体，无法实现污染物排放量数据的精确预测，现实参考意义不大，亟需改进。
【发明内容】
[0003]为解决现有技术的不足，本发明的目的在于提供一种基于运行班组特性分析的污染物排放量预测方法，提升机组燃煤机组污染物排放量预测的准确性，提高环境信息决策能力。
[0004]为了实现上述目标，本发明采用如下的技术方案:
[0005]一种基于运行班组特性分析的污染物排放量预测方法，包括如下3个大步骤:
[0006]S1、通过对机组海量运行数据进行大数据分析，挖掘不同班组的污染物控制操作行为特性，大数据分析过程主要包括两步:样本数据聚类、污染物排放浓度控制特性提取。
[0007]其中，样本数据聚类的维度划分标准包括:运行班组、大气环境温度。在样本聚类分析时，选择k-means算法，该算法以空间中k个点为中心进行聚类，对最靠近他们的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。具体方法为:首先对机组运行及计算数据按照排班表进行分类划分，然后按照环境温度(以1°C为间隔进行划分)进行数据细分归类，将海量数据按照班组-环境温度两个维度进行归类筛选；初步划分完成后，使用k-means算法对样本空间进行梳理，对部分样本数据较少类空间进行自动合并。
[0008]样本数据聚类后，对每个小类进行数据分布度量特征因子统计分析，即:通过对各类样本空间数据的统计分析，定量挖掘不同班组污染物排放浓度指标数据分布度量特征因子；其中，数据分布度量特征因子包括:污染物排放浓度平均值、分布方差、最大值、最小值、数据分布频率及概率密度函数。数据分布频率用于绘制直方图，每一个元素包括:区间下限、区间上限、频率及样本数；数据分布概率密度函数用点集表示，每个点包括:参数值、概率密度值。
[0009]S2、开展燃煤机组发电量预测，采用自回归移动平均模型+外在因素的修正方法；当日发电量预测的具体公式如下:Pd= Φ Λ ! + - + Φ 30Pd 30+ Φ y iPy !+f (T)，其中Pd p Pd 30、Py 1分别代表前一天、前30天发电量、去年当日发电量，Φ ρ Φ3。、<i>yl代表前一天、前30天、去年历史数据的权重系数，而f(T)代表外加环境温度修正函数。在实际求解中，首先运用线性回归方法，确定Φ:、Φ3。、<i>y:等系数，然后利用最小二乘法确定P d-( Φ Λ:+...+ Φ30ρ, 30+φυ & D与环境温度的关系，以确定f⑴。
[0010]其中自回归移动平均模型基本思路为: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，用数学模型来近似描述这个序列，一旦使用历史数据获得这个模型中的参数，就可以使用该模型预测未来时刻的序列值。在自回归移动平均模型应用过程中，我们使用过去一个月的历史数据、过去一年同期历史数据来预测未来一周每天发电量数据。对于外在因素修正方法，主要考虑外在环境温度的变化的影响。
[0011]S3、预测当日污染物排放量数据。具体预测方法为:根据发电量预测数据、前一日及一年前的同一天三个班组发电量分布情况，计算出预测日内三个班组的平均负荷，再根据气象局大气环境温度预测数据，在步骤S1划分的聚类中寻找最匹配的空间类别，然后在该类别中寻找最大概率分布污染物排放浓度，通过发电量计算出机组烟气排放量，即可预测出当日各种污染物排放量数据。
[0012]本发明的有益之处在于:本发明的污染物排放量预测方法基于燃煤机组海量运行数据，通过对不同运行班组的污染物控制操作特性进行大数据提取分析，利用不同班组污染物排放浓度操作控制特性分析结果，预测机组污染物排放浓度水平，然后结合发电量预测数据，计算出污染物排放量预测数据，有效提升机组燃煤机组污染物排放量预测的准确性，有利于提高环境信息决策能力。
【具体实施方式】
[0013]以下结合具体实施例对本发明作具体的介绍。
[0014]以600MW等级超临界机组为实施例，其正常运行班组运转机制为五班三倒方式，下面以该机组为例阐述污染物排放量的预测方法:
[0015](1)、样本数据聚类:首先对机组运行及计算数据按照排班表进行分类划分，然后按照环境温度(以1°C为间隔进行划分)进行数据细分归类，将海量数据按照班组-环境温度两个维度进行归类筛选。初步划分完成后，使用k-means算法对样本空间进行梳理，对部分样本数据较少类空间进行自动合并。
[0016](2)、运行班组污染物排放浓度控制特性提取:样本数据聚类后，对每个小类进行数据分布度量特征因子统计分析。其中，数据分布度量特征因子包括:污染物排放浓度平均值、分布方差、最大值、最小值、数据分布频率及概率密度函数。
[0017](3)、发电量预测:发电量预测采用自回归移动平均模型+外在因素修正方法，具体公式如下:Pd= Φ兄广"+巾3(^3。+巾^匕#0')，其中？^、？^。、己1分别代表前一天、前30天发电量、去年当日发电量，Φρ Φ3。、<i)y i代表前一天、前30天、去年历史数据的权重系数，而f(T)代表外加环境温度修正函数。在实际求解中，首先运用线性回归方法，确定Φ η Φ 30' Φ y 1等系数，然后利用最小二乘法确定P d_ ( Φ lPd 1 +...+ Φ 3()Pd 3。+Φ y lPy 1)与环境温度的关系，以确定f(T)。
[0018](4)、污染物排放量预测:根据发电量预测数据、前一日及一年前的同一天三个班组发电量分布情况，计算出预测日内三个班组的平均负荷，再根据气象局大气环境温度预测数据，在(1)划分的聚类中寻找最匹配的空间类别，然后在该类别中寻找最大概率分布污染物排放浓度，通过发电量计算出机组烟气排放量，即可预测出当日各种污染物排放量数据。
[0019]以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
【主权项】
1.一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，包括如下步骤: 51、通过对机组海量运行数据进行大数据分析，挖掘不同班组的污染物控制操作行为特性，大数据分析过程主要包括两步:样本数据聚类、污染物排放浓度控制特性提取； 52、开展燃煤机组发电量预测，采用自回归移动平均模型+外在因素的修正方法； 53、预测当日污染物排放量数据。2.根据权利要求1所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述样本数据聚类的方法为:首先对机组运行及计算数据按照排班表进行分类划分，然后按照环境温度进行数据细分归类，将海量数据按照班组-环境温度两个维度进行归类筛选；初步划分完成后，使用k-means算法对样本空间进行梳理，对部分样本数据较少类空间进行自动合并。3.根据权利要求2所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述污染物排放浓度控制特性提取的方法为:样本数据聚类后，对每个小类进行数据分布度量特征因子统计分析；其中，数据分布度量特征因子包括:污染物排放浓度平均值、分布方差、最大值、最小值、数据分布频率及概率密度函数。4.根据权利要求3所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述数据分布频率用于绘制直方图，每一个元素包括:区间下限、区间上限、频率及样本数。5.根据权利要求3所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述数据分布概率密度函数用点集表示，每个点包括:参数值、概率密度值。6.根据权利要求1所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述步骤S2中，当日发电量预测的具体公式如下:Pd= Φ iPdl+...+ ΦΛ 30+ΦΥ iPy #⑴，其中Pd ^Pd 3(:、Py没别代表前一天、前30天发电量、去年当曰发电量，φη φ3。、(J)y i代表前一天、前30天、去年历史数据的权重系数，f (T)代表外加环境温度修正函数。7.根据权利要求1-6任一项所述的一种基于运行班组特性分析的污染物排放量预测方法，其特征在于，所述步骤S3中，当日污染物排放量数据的具体预测方法为:根据发电量预测数据、前一日及一年前的同一天三个班组发电量分布情况，计算出预测日内三个班组的平均负荷，再根据气象局大气环境温度预测数据，在步骤SI划分的聚类中寻找最匹配的空间类别，然后在该类别中寻找最大概率分布污染物排放浓度，通过发电量计算出机组烟气排放量，即可预测出当日各种污染物排放量数据。
【专利摘要】本发明公开了一种基于运行班组特性分析的污染物排放量预测方法，该方法基于燃煤机组海量运行数据，通过对不同运行班组的污染物控制操作特性进行大数据提取分析，利用不同班组污染物排放浓度操作控制特性分析结果，预测机组污染物排放浓度水平，然后结合发电量预测数据，计算出污染物排放量预测数据，有效提升机组燃煤机组污染物排放量预测的准确性，有利于提高环境信息决策能力。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105335798
【申请号】CN201510738185
【发明人】孙栓柱, 孙虹, 代家元, 周春蕾, 王林, 张友卫, 孙彬, 王其祥, 高进, 王明, 许国强, 刘成, 李春岩
【申请人】国家电网公司, 江苏省电力公司, 江苏方天电力技术有限公司
【公开日】2016年2月17日
【申请日】2015年11月3日