技术领域本发明涉及用于污染物的直接或分布数字控制系统领域，具体为一种电厂和治污设施生产运行参数相关性分析的方法。
背景技术：
目前，污染源自动监控是实施环境监管的先进手段，具有自动、实时、在线等特性，可提供海量的排污口监测数据，使环保部门能在第一时间掌握最新的污染源排放及治理设施运行情况，有着传统环境监察、监测手段无可比拟的优势。自我国提出污染源自动监控系统的概念以来，各级环保部门在相关领域的投入就呈现快速增长势头。环保监控使用的在线监测系统，大多是监控治污设施的结果数据(如CEMS数据和COD数据)，即通过现场各种采集手段，建立传输通道，将企业环保设施运行结果直接传送到环保部门，利用传统的手段加以保存和分析。随着经济发展和环保建设的需求，“末端监控”的方式难以对污染治理设施进行有效的监控及有力的监督。工况在线监控系统可以改变只对企业的污染物排放浓度、排放量进行在线监控的方式，实现了从末端监控向全过程监控的转变，提高数据的真实性和准确性，提高重点污染源监控数据的科学性和公信性，将对提升环境监管水平提供强有力的技术支持，对及时发现环境违法问题，加强环境监督执法的力度起到了积极的推动作用。但是，目前在线监控还存在如下问题：一是管理制度不健全。目前，污染源自动监控装置的设计和产品标准尚待进一步制定完善。二是使用维护不规范。许多企业虽购置了在线监控装置，但配套装置和辅助设施跟不上，有的企业甚至将污染源自动监控装置与化学药剂混放在一起，导致污染源在线监测设备受到腐蚀。三是数据可信度不高。少数企业唯恐超标排污受罚，便在显示器上动手脚，让数据常年在一定范围内波动，从不超标，与环保部门的抽检性监测数据相差很大。随着污染源自动监控设施数据应用范围不断扩大，如何进一步强化污染源自动监控设施运行管理，保证污染源自动监控系统运行稳定性和数据准确性越来越重要。其中数据可信度不高是制约污染源自动监控系统应用的最直接的原因，具体表现为数据缺失、数据异常、数据超限、恒定值、数据跳变、数据有效性异常、数据相关性异常等等，而数据相关性异常是最隐晦最难发现的问题。现有的相关性分析的理论和方法，都不够全面，无法解决环保领域的生产实际问题。
技术实现要素：
为了克服现有技术的缺陷，提供一种能确定污染源自动监控数据中相关性异常数据的方法，本发明公开了一种电厂和治污设施生产运行参数相关性分析的方法。本发明通过如下技术方案达到发明目的：一种用于电厂和治污设施生产运行参数相关性分析的方法，其特征是：由三个模块组成，分别是：降噪处理模块、长周期相关性计算模块和精细化相关性计算模块，降噪处理模块：对获取到的时间序列数据进行降噪处理包括删除其中不可用的数据、补充缺失的数据、使时间序列数据更加平滑的降噪处理，通过降噪处理模块，确保生产运行数据可用于相关性分析，并保留数据原有主要的特性；长周期相关性计算模块：对获取的数据进行全时间段内的相关性分析，根据Pearson相关系数公式，计算时间序列数据的参数指标之间的相关性系数，并检查时间序列数据的参数指标之间的相关系数是否在预设相关系数范围之内，从而确定在大趋势上相关系数超限参数；精细化相关性计算模块：确定超限参数后，扫描数据相对波动幅度比较大数据段，整理合并大幅波动数据段，并进行多项相关性方法共同确定超限参数的相关性是否异常。所述的电厂和治污设施生产运行参数相关性分析的方法，其特征是：相关性分析涉及到两类数据：模型参数和时间序列数据，模型参数包括机组负荷、燃煤量、机组总送风量、入口烟气流量、出口烟气流量、增压风机电流、引风机电流；时间序列数据是从电厂和治污设施生产运行中取得的实时数据，每个数据点都具有时间标签。所述的电厂和治污设施生产运行参数相关性分析的方法，其特征是：所述降噪处理模块包括跳变检查模块、吹扫检查模块和数据降噪模块：跳变检查模块：检查读取的时间序列数据跳变的剧烈程度，如果在一段周期内的时间序列数据发生频繁的剧烈跳变，该时间段内数据无法做相关性分析，直接删除这个时间段内的数据；吹扫检查模块：检查读取的时间序列数据，对于只是一段时间内偶尔发生数据跳变的，称之为吹扫现象，进行吹扫过滤，即把发生跳变的数据删除掉，并做线性插值运算补全缺失的数据；数据降噪模块：检查读取的时间序列数据跳变的剧烈程度，如果在一段周期内的时间序列数据发生了程度较轻的频繁跳动，采用算术移动平均算法对该段时间内的数据进行降噪处理，经过降噪处理后的数据用于相关性分析。所述的电厂和治污设施生产运行参数相关性分析的方法，其特征是：所述的长周期相关性计算模块包括：皮尔森相关系数矩阵：由模型参数两两之间皮尔森相关系数组成皮尔森相关系数矩阵，并且皮尔森相关系数矩阵是一个对称矩阵；预设相关系数范围：通过对正常数据样本的统计分析，得到皮尔森相关系数均值的多倍标准差的上下限作为预设相关系数范围。所述的电厂和治污设施生产运行参数相关性分析的方法，其特征是：所述精细化相关性计算模块包括：积分相关系数误差率计算模块：计算当前数据的超限参数的积分相关系数，并与积分相关系数自学习模型计算出的标准积分相关系数进行比对，计算积分相关系数误差率；超限参数的皮尔森相关系数再次超限占比计算模块：计算在大幅波动段的模型参数之间皮尔森相关系数矩阵，并统计超限参数的皮尔森相关系数再次超限的数量，计算超限参数的皮尔森相关系数再次超限占比。异常判定模块：根据积分相关系数误差率和超限参数的皮尔森相关系数再次超限占比确定异常判定条件，从而判定超限参数的数据是否存在相关性异常。所述的电厂和治污设施生产运行参数相关性分析的方法，其特征是：计算预设相关系数范围中的多倍标准差选取根据实验结果调整，一般选取3个标准差范围。所述的电厂和治污设施生产运行参数相关性分析的方法，其特征是：积分相关系数的计算要依据主参数的选取，主参数是电厂和治污设施生产运行中最重要的参数，本发明选取机组负荷。所述的电厂和治污设施生产运行参数相关性分析的方法，其特征是：异常判定条件包括两种情况，满足其中之一即判定超限参数异常：一是积分相关系数误差率超过10％，并且超限参数的皮尔森相关系数超限占比超过30％；二是积分相关系数误差率超过5％，并且超限参数的皮尔森相关系数超限占比超过70％。所述的电厂和治污设施生产运行参数相关性分析的方法，其特征是：按如下步骤依次实施：a.初始化系统，启动模型和实时数据库，读入模型参数和时间序列数据；b.对获取到的时间序列数据进行降噪处理包括删除其中不可用的数据、补充缺失的数据、平滑降噪处理，通过降噪处理模块，确保生产运行数据可用于相关性分析，并保留数据原有主要的特性；c.根据Pearson相关系数公式，计算实时数据的参数指标之间的相关性系数；d.通过对历史数据统计分析，确定参数指标长周期强相关系数数据预设范围，检查实时数据的参数指标之间的相关系数是否在预设相关系数范围之内；e.抓取相关系数波动超过预设范围的数据段，进行整理合并，如果相关系数在预设范围之内，则模型结束；f.计算波动段数据相关性矩阵，通过精细化相关性计算，结合积分相关系数误差率和超限参数的皮尔森相关系数再次超限占比，判断超限参数的数据相关性是否异常。所述的模型是指电厂和治污设施生产运行参数相关性分析方法，模型参数包括：机组负荷、燃煤量、机组总送风量、入口烟气流量、出口烟气流量、增压风机电流、引风机电流。参数指标之间关系如下：1.负荷—燃煤量：正相关(负荷变大，燃煤量变大)；2.负荷—机组总送风量：正相关；3.负荷—入口烟气流量：正相关；4.负荷—增压风机电流：正相关；5.负荷—引风机电流：正相关；6.燃煤量—机组总送风量：正相关；7.燃煤量—入口烟气流量：正相关；8.燃煤量—增压风机电流：正相关；9.燃煤量—引风机电流：正相关；10.机组总送风量—入口烟气流量：正相关；11.机组总送风量—增压风机电流：正相关；12.机组总送风量—引风机电流：正相关；13.入口烟气流量—出口烟气流量：正相关，且出口烟气流量＞入口烟气流量；14.入口烟气流量—增压风机电流：正相关；15.入口烟气流量—引风机电流：正相关；16.增压风机电流—风机电流：正相关。本发明提出的用于电厂和治污设施生产运行参数相关性分析的方法。该方法在保证数据结果的正确前提下，具有精度高、算法复杂度低、运算速度快等特点，能满足实际应用要求。附图说明图1为本发明中用于电厂和治污设施生产运行参数相关性分析方法的流程图；图2为本发明中积分相关系数计算方法示意图。具体实施方式以下通过具体实施例进一步说明本发明。实施例1一种用于电厂和治污设施生产运行参数相关性分析的方法，由三个模块组成，分别是：降噪处理模块、长周期相关性计算模块和精细化相关性计算模块，降噪处理模块：对获取到的时间序列数据进行降噪处理包括删除其中不可用的数据、补充缺失的数据、使时间序列数据更加平滑的降噪处理，通过降噪处理模块，确保生产运行数据可用于相关性分析，并保留数据原有主要的特性；本实施例中，所述降噪处理模块包括跳变检查模块、吹扫检查模块和数据降噪模块：跳变检查模块：检查读取的时间序列数据跳变的剧烈程度，如果在一段周期内的时间序列数据发生频繁的剧烈跳变，该时间段内数据无法做相关性分析，直接删除这个时间段内的数据；吹扫检查模块：检查读取的时间序列数据，对于只是一段时间内偶尔发生数据跳变的，称之为吹扫现象，进行吹扫过滤，即把发生跳变的数据删除掉，并做线性插值运算补全缺失的数据；数据降噪模块：检查读取的时间序列数据跳变的剧烈程度，如果在一段周期内的时间序列数据发生了程度较轻的频繁跳动，采用算术移动平均算法对该段时间内的数据进行降噪处理，经过降噪处理后的数据用于相关性分析。长周期相关性计算模块：对获取的数据进行全时间段内的相关性分析，根据Pearson相关系数公式，计算时间序列数据的参数指标之间的相关性系数，并检查时间序列数据的参数指标之间的相关系数是否在预设相关系数范围之内，从而确定在大趋势上相关系数超限参数；本实施例中，所述的长周期相关性计算模块包括：皮尔森相关系数矩阵：由模型参数两两之间皮尔森相关系数组成皮尔森相关系数矩阵，并且皮尔森相关系数矩阵是一个对称矩阵；预设相关系数范围：通过对正常数据样本的统计分析，得到皮尔森相关系数均值的多倍标准差的上下限作为预设相关系数范围。精细化相关性计算模块：确定超限参数后，扫描数据相对波动幅度比较大数据段，整理合并大幅波动数据段，并进行多项相关性方法共同确定超限参数的相关性是否异常。本实施例中，所述精细化相关性计算模块包括：积分相关系数误差率计算模块：计算当前数据的超限参数的积分相关系数，并与积分相关系数自学习模型计算出的标准积分相关系数进行比对，计算积分相关系数误差率；超限参数的皮尔森相关系数再次超限占比计算模块：计算在大幅波动段的模型参数之间皮尔森相关系数矩阵，并统计超限参数的皮尔森相关系数再次超限的数量，计算超限参数的皮尔森相关系数再次超限占比；异常判定模块：根据积分相关系数误差率和超限参数的皮尔森相关系数再次超限占比确定异常判定条件，从而判定超限参数的数据是否存在相关性异常。所述的电厂和治污设施生产运行参数相关性分析的方法，其特征是：相关性分析涉及到两类数据：模型参数和时间序列数据，模型参数包括机组负荷、燃煤量、机组总送风量、入口烟气流量、出口烟气流量、增压风机电流、引风机电流；时间序列数据是从电厂和治污设施生产运行中取得的实时数据，每个数据点都具有时间标签。计算预设相关系数范围中的多倍标准差选取根据实验结果调整，一般选取3个标准差范围。积分相关系数的计算要依据主参数的选取，主参数是电厂和治污设施生产运行中最重要的参数，本实施例选取机组负荷。异常判定条件包括两种情况，满足其中之一即判定超限参数异常：一是积分相关系数误差率超过10％，并且超限参数的皮尔森相关系数超限占比超过30％；二是积分相关系数误差率超过5％，并且超限参数的皮尔森相关系数超限占比超过70％。实施时按如下步骤依次进行：a.初始化系统，启动模型和实时数据库，读入模型参数和时间序列数据；b.对获取到的时间序列数据进行降噪处理包括删除其中不可用的数据、补充缺失的数据、平滑降噪处理，通过降噪处理模块，确保生产运行数据可用于相关性分析，并保留数据原有主要的特性；c.根据Pearson相关系数公式，计算实时数据的参数指标之间的相关性系数；d.通过对历史数据统计分析，确定参数指标长周期强相关系数数据预设范围，检查实时数据的参数指标之间的相关系数是否在预设相关系数范围之内；e.抓取相关系数波动超过预设范围的数据段，进行整理合并，如果相关系数在预设范围之内，则模型结束；f.计算波动段数据相关性矩阵，通过精细化相关性计算，结合积分相关系数误差率和超限参数的皮尔森相关系数再次超限占比，判断超限参数的数据相关性是否异常。所述的模型是指电厂和治污设施生产运行参数相关性分析方法，模型参数包括：机组负荷、燃煤量、机组总送风量、入口烟气流量、出口烟气流量、增压风机电流、引风机电流。参数指标之间关系如下：1.负荷—燃煤量：正相关(负荷变大，燃煤量变大)；2.负荷—机组总送风量：正相关；3.负荷—入口烟气流量：正相关；4.负荷—增压风机电流：正相关；5.负荷—引风机电流：正相关；6.燃煤量—机组总送风量：正相关；7.燃煤量—入口烟气流量：正相关；8.燃煤量—增压风机电流：正相关；9.燃煤量—引风机电流：正相关；10.机组总送风量—入口烟气流量：正相关；11.机组总送风量—增压风机电流：正相关；12.机组总送风量—引风机电流：正相关；13.入口烟气流量—出口烟气流量：正相关，且出口烟气流量＞入口烟气流量；14.入口烟气流量—增压风机电流：正相关；15.入口烟气流量—引风机电流：正相关；16.增压风机电流—风机电流：正相关。下面参照图1和图2，具体说明本发明涉及的用于电厂和治污设施生产运行参数相关性分析的方法：步骤S201，初始化阶段。本发明中涉及到两类基本数据，一类是电厂和治污设施生产运行模型参数，另外一类是电厂和治污设施生产运行中产生的实时数据，每个数据都有时间属性和唯一的参数属性。在本步骤，选取模型参数{P1，P2，P3，…，Pm