一种火电厂垃圾焚烧降污染控制方法及系统与流程

所属的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd－rom、或内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。以上，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

背景技术：

1、垃圾发电是把各种垃圾收集后，进行分类处理。对燃烧值较高的进行高温焚烧，在高温焚烧中产生的热能转化为高温蒸气，推动涡轮机转动，使发电机产生电能。对不能燃烧的有机物进行发酵、厌氧处理，最后干燥脱硫，产生甲烷气体即沼气，再经燃烧把热能转化为蒸气，推动涡轮机转动，带动发电机产生电能。垃圾焚烧发电主体装置主要技术包括机械炉排焚烧炉、流化床焚烧炉、回转式焚烧炉、cao式焚烧炉、脉冲抛式焚烧炉等五类技术。

2、然而现有技术中，对于火电厂垃圾焚烧产生的污染问题无法进行有效监测，继而导致不能对污染进行有效的控制处理，垃圾焚烧产生的硫化物和氮氧化物都是重要的污染物，因此，如何提供一种火电厂垃圾焚烧降污染控制方法及系统是本领域技术人急需解决的技术问题。

技术实现思路

1、本发明的目的是提供一种火电厂垃圾焚烧降污染控制方法及系统，本发明通过构建贝叶斯网络模型，寻找影响焚烧污染的关键因子，并基于关键因子进行降污处理，减少了烟气污染物的排放，保护环境。

2、为了实现上述目的，本发明提供了如下的技术方案：

3、一种火电厂垃圾焚烧降污染控制方法，包括：

4、确定火电厂垃圾焚烧不稳定的焚烧炉作为目标焚烧炉，并获取所述目标焚烧炉的燃烧变量数据，根据所述燃烧变量数据形成数据集；

5、通过pc结构学习算法对所述数据集进行数据深度挖掘并识别所述数据集中强相关的所述燃烧变量数据，并构建贝叶斯网络模型；

6、通过mle算法对所述数据集进行处理，并对处理后的所述数据集构建的所述贝叶斯网络模型进行优化，并验证优化后的所述贝叶斯网络模型的准确率；其中，

7、当所述贝叶斯网络模型的准确率大于等于80％时，根据所述贝叶斯网络模型的准确率确定影响所述目标焚烧炉污染的关键因子，并根据所述关键因子对所述目标焚烧炉进行垃圾焚烧降污染控制；

8、当所述贝叶斯网络模型的准确率小于80％时，通过nsga－3算法对处理后的所述数据集进行若干次处理，直至所述贝叶斯网络模型的准确率大于等于80％。

9、在本技术的一些实施例中，所述确定火电厂垃圾焚烧不稳定的焚烧炉作为目标焚烧炉，并获取所述目标焚烧炉的燃烧变量数据，根据所述燃烧变量数据形成数据集，包括：

10、根据若干所述焚烧炉的历史运行数据，确定所述焚烧炉的污染情况k，并确定导致所述焚烧炉的污染情况k导致所述燃烧变量数据异常的风险因子，根据若干导致所述燃烧变量数据异常的风险因子和所述燃烧变量数据形成所述数据集；其中，

11、所述燃烧变量数据包括二氧化硫排放量和氮氧化物排放量。

12、在本技术的一些实施例中，所述通过pc结构学习算法对所述数据集进行数据深度挖掘并识别所述数据集中强相关的所述燃烧变量数据后，还包括：

13、根据所述数据集中强相关的所述燃烧变量数据构建模型树，并对所述模型树中所述燃烧变量数据的关键因子进行逐层逻辑排列，根据关联度分析算法分析逐层逻辑排列后各层之间的关联度，当关联度大于等于70％时，根据逐层逻辑排列的所述模型树构建所述贝叶斯网络模型；

14、其中，所述逻辑排列分为三层，包括上顶层、中间层和下底层；

15、所述上顶层包括垃圾焚烧污染排放过量，所述中间层包括垃圾焚烧不充分以及焚烧炉故障，所述下底层包括焚烧烟气直接排放以及焚烧炉工况不佳。

16、在本技术的一些实施例中，所述根据逐层逻辑排列的所述模型树构建所述贝叶斯网络模型，包括：

17、将所述事故树的上顶层、中间层和下底层分别相应转化为所述贝叶斯网络的叶节点、中间节点和根节点，且所述贝叶斯网络的叶节点与所述事故树的上顶层之间具有映射关系，所述贝叶斯网络的中间节点与所述事故树的中间层具有映射关系，所述贝叶斯网络的根节点与所述事故树的下底层之间具有映射关系。

18、在本技术的一些实施例中，所述对所述目标焚烧炉进行垃圾焚烧降污染控制，包括：

19、对所述目标焚烧炉的垃圾焚烧产生的烟气进行除尘，对所述目标焚烧炉的垃圾焚烧产生的气味进行吸附以及对所述目标焚烧炉的垃圾焚烧产生的炉渣和飞灰进行磁选分离处理。

20、为了实现上述目的，本发明还提供了一种火电厂垃圾焚烧降污染控制系统，应用于所述的火电厂垃圾焚烧降污染控制方法中，包括：

21、数据获取单元，用于确定火电厂垃圾焚烧不稳定的焚烧炉作为目标焚烧炉，并获取所述目标焚烧炉的燃烧变量数据，根据所述燃烧变量数据形成数据集；

22、模型构建单元，用于通过pc结构学习算法对所述数据集进行数据深度挖掘并识别所述数据集中强相关的所述燃烧变量数据，并构建贝叶斯网络模型；

23、终端处理单元，用于通过mle算法对所述数据集进行处理，并对处理后的所述数据集构建的所述贝叶斯网络模型进行优化，并验证优化后的所述贝叶斯网络模型的准确率；其中，

24、当所述贝叶斯网络模型的准确率大于等于80％时，根据所述贝叶斯网络模型的准确率确定影响所述目标焚烧炉污染的关键因子，并根据所述关键因子对所述目标焚烧炉进行垃圾焚烧降污染控制；

25、当所述贝叶斯网络模型的准确率小于80％时，通过nsga－3算法对处理后的所述数据集进行若干次处理，直至所述贝叶斯网络模型的准确率大于等于80％。

26、在本技术的一些实施例中，所述数据获取单元还用于根据若干所述焚烧炉的历史运行数据，确定所述焚烧炉的污染情况k，并确定导致所述焚烧炉的污染情况k导致所述燃烧变量数据异常的风险因子，根据若干导致所述燃烧变量数据异常的风险因子和所述燃烧变量数据形成所述数据集；其中，

27、所述燃烧变量数据包括二氧化硫排放量和氮氧化物排放量。

28、在本技术的一些实施例中，所述模型构建单元还用于根据所述数据集中强相关的所述燃烧变量数据构建模型树，并对所述模型树中所述燃烧变量数据的关键因子进行逐层逻辑排列，根据关联度分析算法分析逐层逻辑排列后各层之间的关联度，当关联度大于等于70％时，根据逐层逻辑排列的所述模型树构建所述贝叶斯网络模型；

29、其中，所述逻辑排列分为三层，包括上顶层、中间层和下底层；

30、所述上顶层包括垃圾焚烧污染排放过量，所述中间层包括垃圾焚烧不充分以及焚烧炉故障，所述下底层包括焚烧烟气直接排放以及焚烧炉工况不佳。

31、在本技术的一些实施例中，所述模型构建单元还用于将所述事故树的上顶层、中间层和下底层分别相应转化为所述贝叶斯网络的叶节点、中间节点和根节点，且所述贝叶斯网络的叶节点与所述事故树的上顶层之间具有映射关系，所述贝叶斯网络的中间节点与所述事故树的中间层具有映射关系，所述贝叶斯网络的根节点与所述事故树的下底层之间具有映射关系。

32、在本技术的一些实施例中，所述终端处理单元还用于当需要对所述目标焚烧炉进行垃圾焚烧降污染控制时，对所述目标焚烧炉的垃圾焚烧产生的烟气进行除尘，对所述目标焚烧炉的垃圾焚烧产生的气味进行吸附以及对所述目标焚烧炉的垃圾焚烧产生的炉渣和飞灰进行磁选分离处理。

33、本发明提供了一种火电厂垃圾焚烧降污染控制方法及系统，与现有技术相比，其有益效果在于：

34、本发明通过结合燃烧变量数据构建模型树，并将模型树映射到贝叶斯网络模型中，基于关键因子确定影响垃圾焚烧造成污染的关键因子，根据关键因子进行有效地降污染处理，有效地减少了烟气污染物排放，同时为垃圾焚烧发电行业提供了环境污染风险防控的先决条件。