一种基于PCA和相关函数的脱硫系统数据预处理方法与流程

本公开涉及数据处理技术领域，尤其是涉及一种基于pca（principalcomponentanalysis，组成成分分析）和相关函数的脱硫系统数据预处理方法。

背景技术：

目前，燃煤电厂的大气污染物排放已纳入严格监管，各电厂陆续开展了烟气超低排放改造。二氧化硫作为电厂产生的污染源之一，其控制效果对环境质量至关重要。故，烟气排放之前，需进行脱硫处理，烟气脱硫运行过程中，脱硫效率是其关键的因素之一。脱硫效率过低，会导致排放烟气中的二氧化硫浓度排放超标，同时降低石灰石利用率和生成的石膏品质，造成吸收塔内壁表面结垢和堵塞，影响脱硫设备的正常运行，严重时甚至导致整个脱硫系统的停运。脱硫系统的脱硫效率受多种因素影响，故，在预测脱硫系统的脱硫效率时，如果参与预测的影响因素过多，会导致预测效率较低，而参与预测的影响因素过少又会导致预测精度降低，故，如何选择合适的影响因素参与脱硫效率的预测，是目前亟待解决的一个问题。

技术实现要素：

本公开一个或多个实施例提供了一种基于pca和相关函数的脱硫系统数据预处理方法，用以解决相关技术中预测脱硫效率时选择参与预测的影响因素较为困难的问题。

本公开一个或多个实施例提供了一种基于pca和相关函数的脱硫系统数据预处理方法，包括：获取脱硫系统的历史运行数据；通过主成分分析pca算法从所述历史运行数据中提取影响所述脱硫系统的脱硫效率的特征；确定所述特征与所述脱硫效率之间的相关函数值；根据所述相关函数值从所述特征中确定目标特征；根据所述目标特征预测所述脱硫系统的脱硫效率。

可选的，所述方法还包括：在根据所述相关函数值从所述特征中选择目标特征之后，将所述目标特征对应的第一时间序列信号，以及所述第一时间序列信号对应的脱硫效率的第二时间序列信号作为训练数据，训练得到脱硫效率预测模型，其中，所述脱硫效率预测模型的输入为所述脱硫系统的运行数据，所述脱硫效率预测模型的输出为所述脱硫系统的脱硫效率的预测值。

可选的，根据所述目标特征预测所述脱硫系统的脱硫效率，包括：获取与所述目标特征对应的所述脱硫系统当前的运行数据；将所述脱硫系统当前的运行数据输入训练完成的所述脱硫效率预测模型；得到所述脱硫系统当前的脱硫效率的预测值。

可选的，根据所述相关函数值从所述特征中选择目标特征，包括：从所述特征中筛选出与所述脱硫效率之间的相关函数值大于阈值的特征作为所述目标特征。

可选的，所述阈值为0.7或0.8。

可选的，所述特征至少包括以下一种：燃煤机组负荷、烟气量、吸收塔入口so2浓度、浆液ph值、浆液循环泵电流、浆液密度、液气比、钙硫比以及吸收塔出口so2浓度。

可选的，所述目标特征至少包括以下一种：燃煤机组负荷、烟气量、吸收塔入口so2浓度、液气比、钙硫比以及吸收塔出口so2浓度。

可选的，获取脱硫系统的历史运行数据，包括：获取预设的所述脱硫系统脱硫效率的影响因素对应的第三时间序列信号，以及与所述第三时间序列信号对应的所述脱硫效率的第四时间序列信号。

可选的，预设的所述脱硫系统脱硫效率的影响因素至少包括以下两种：燃煤机组负荷、烟气量、吸收塔入口so2浓度、吸收塔入口温度、吸收塔入口氧量、浆液ph值、浆液循环泵电流、浆液供给量、浆液密度、液气比、钙硫比、吸收塔出口so2浓度、吸收塔出口温度以及吸收塔出口氧量。

本公开一个或多个实施例的基于pca和相关函数的脱硫系统数据预处理方法，通过pca算法从脱硫系统的历史运行数据中提取影响脱硫系统的脱硫效率的特征，根据这些特征与脱硫效率之间的相关函数值确定出目标特征，再根据目标特征预测出脱硫效率，该方法可提高脱硫系统脱硫效率的预测精度。

附图说明

为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本公开一个或多个实施例示出的基于pca和相关函数的脱硫系统数据预处理方法的流程图；

图2是根据本公开一个或多个实施例示出的通过pca算法从脱硫系统的历史运行数据中提取影响脱硫效率的特征的示意图；

图3是根据本公开一个或多个实施例示出的各特征与脱硫效率之间的相关函数值的示意图。

具体实施方式

下面将结合实施例对本公开的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

在本公开的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"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公开和简化描述，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公开的限制。

此外，术语"第一"、"第二"仅用于描述目的，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。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本公开的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本公开中的具体含义。

图1是根据本公开一个或多个实施例示出的基于pca和相关函数的脱硫系统数据预处理方法的流程图，如图1所示，该方法包括：

步骤101：获取脱硫系统的历史运行数据；

例如，可通过对燃煤机组锅炉燃烧原理及脱硫系统机理的分析，确定与脱硫效率相关的影响因素，并采集与这些影响因素相关的脱硫系统的历史运行数据。

步骤102：通过主成分分析pca算法从所述历史运行数据中提取影响所述脱硫系统的脱硫效率的特征；

在步骤102中，通过pca算法从历史运行数据中提取影响脱硫系统脱硫效率的特征，可实现数据的降维。

其中，pca算法可包括协方差矩阵的计算、协方差矩阵特征值和特征向量的计算、特征值排序并求取贡献率大于85%的特征向量、主成分确定、主成分与原始特征向量载荷矩阵的求取、确定降维后的数据特征，以图2所示为例，其中，主成分的个数例如可以设置为九个，贡献率可以选择大于85%。

其中，根据采集的历史运行数据，计算协方差矩阵：

上式中，rij为训练样本中xi与xj的相关系数，其计算公式如下：

；

其中，为变量xi的样本均值，为变量xj的样本均值。

计算特征值与特征向量可包括：根据特征方程求解特征值，并按从大到小的顺序排序。分别计算出每个特征值对应的单位特征向量。

主成分贡献率及累计贡献率如下：

贡献率：；

累计贡献率：；

取累计贡献率大于85%的m个特征值，得到所对应的m个主成分。

主成分载荷如下：

计算各主成分矢量矩阵z=[zij]nⅹm：

；

步骤103：确定所述特征与所述脱硫效率之间的相关函数值；

在通过pca计算后，可筛选出相互独立的多个脱硫效率影响因素（即影响脱硫系统的脱硫效率的特征），可将脱硫系统的历史运行数据记为x；脱硫效率的历史数据记为y。则特征与脱硫效率之间的相关函数定义为：

；

式中，cov(x,y)为x与y的协方差，var(x)、var(y)为x和y的方差。

通过上述公式，计算出每个脱硫效率影响因素与脱硫效率之间的相关函数值，筛选出相关函数值大于0.8的参数作为最终脱硝效率建模的辅助变量。

通过上述公式，可计算出每个特征与脱硫效率之间的相关函数值。

步骤104：根据所述相关函数值从所述特征中确定目标特征；

例如，可根据预测精度，预先设置一个阈值，在计算出每个特征与脱硫效率之间的相关函数值后，可筛选出与脱硫效率之间的相关函数值大于阈值的特征作为目标特征。

步骤105：根据所述目标特征预测所述脱硫系统的脱硫效率。

例如，可基于目标特征获取脱硫系统的历史运行数据，设定历史运行数据中对脱硫系统的脱硫效率的影响因素对应的数据为输入，设定脱硫效率为输出，基于获取到的脱硫系统的历史运行数据，得到训练数据集，利用训练数据集训练得到用于预测脱硫系统的脱硫效率的预测模型，基于该预测模型预测脱硫系统的效率。

本公开一个或多个实施例的基于pca和相关函数的脱硫系统数据预处理方法，通过pca算法从脱硫系统的历史运行数据中提取影响脱硫系统的脱硫效率的特征，根据这些特征与脱硫效率之间的相关函数值确定出目标特征，再根据目标特征预测出脱硫效率，该方法可提高脱硫系统脱硫效率的预测精度。

在本公开的一个或多个实施例中，基于pca和相关函数的脱硫系统数据预处理方法还可包括：在根据所述相关函数值从所述特征中确定目标特征之后，将所述目标特征对应的第一时间序列信号，以及所述第一时间序列信号对应的脱硫效率的第二时间序列信号作为训练数据，训练得到脱硫效率预测模型，其中，所述脱硫效率预测模型的输入为所述脱硫系统的运行数据，所述脱硫效率预测模型的输出为所述脱硫系统的脱硫效率的预测值。第一时间序列信号例如采集到的一段时间内的脱硫系统脱硫效率影响因素对应的时间序列号，而第二时间序列信号例如采集到的该段时间内的脱硫系统的实际脱硫效率。在脱硫效率模型预测完成后，将脱硫系统的实时运行数据作为测试样本输入该模型，即可得到脱硫效率的测试值。

在本公开的一个或多个实施例中，根据所述目标特征预测所述脱硫系统的脱硫效率可包括：

获取与所述目标特征对应的所述脱硫系统当前的运行数据；例如，目标特征包括三个维度的特征，则获取这三个维度的特征对应的运行数据。

将所述脱硫系统当前的运行数据输入训练完成的所述脱硫效率预测模型；

得到所述脱硫系统当前的脱硫效率的预测值。

在本公开的一个或多个实施例中，根据所述相关函数值从所述特征中选择目标特征可包括：从所述特征中筛选出与所述脱硫效率之间的相关函数值大于阈值的特征作为所述目标特征，例如，通过计算后得到各特征与脱硫效率之间的相关函数值，从这些相关函数值中筛选出函数值大于阈值的函数值，这些函数值对应的特征即为目标特征。

在本公开的一个或多个实施例中，所述特征至少包括以下一种：燃煤机组负荷、烟气量、吸收塔入口so2浓度、浆液ph值、浆液循环泵电流、浆液密度、液气比、钙硫比以及吸收塔出口so2浓度。在一个例子中，在通过pca算法从脱硫系统的历史运行数据中提取对脱硫效率影响的特征之前，确定出对脱硫系统的脱硫效率的可能影响因素包括：燃煤机组负荷、烟气量、吸收塔入口so2浓度、吸收塔入口温度、吸收塔入口氧量、浆液ph值、浆液循环泵电流、浆液供给量、浆液密度、液气比、钙硫比、吸收塔出口so2浓度、吸收塔出口温度以及吸收塔出口氧量这十四种，在通过pca算法从脱硫系统的历史数据中提取影响脱硫系统脱硫效率的特征之后，剩余了最多上述九种特征，实现了对数据的降维，可减少数据之间的冗余。

在本公开的一个或多个实施例中，所述阈值为0.7或0.8，举例说明，假设各特征与脱硫效率之间的相关函数值如图3所示，在图3中，燃煤机组负荷对应的相关函数值为0.92、烟气量对应的相关函数值为0.94、吸收塔入口so2浓度对应的相关函数值为0.95、浆液ph值对应的相关函数值为0.76、浆液循环泵电流对应的相关函数值为0.65、浆液密度对应的相关函数值为0.80、液气比对应的相关函数值为0.89、钙硫比对应的相关函数值为0.91、吸收塔出口so2浓度对应的相关函数值为0.85，以阈值取值为0.8为例，则相关函数大于阈值0.8的特征包括：燃煤机组负荷、烟气量、吸收塔入口so2浓度、液气比、钙硫比以及吸收塔出口so2浓度。

在本公开的一个或多个实施例中，所述目标特征至少包括以下一种：燃煤机组负荷、烟气量、吸收塔入口so2浓度、液气比、钙硫比以及吸收塔出口so2浓度。沿用上述例子，在确定上述各特征与脱硫效率之间的相关函数值之后，确定与脱硫效率之间的相关函数值大于阈值的特征为目标特征之后，由原本的九种特征进一步降低为六种目标特征，进一步实现了对数据的降维，这六种目标特征被认为是对脱硫效率影响较大的特征，利用这些目标特征对应的数据建立脱硫效率预测模型，可提高模型预测的精度，以及提高模型的计算速度。

在本公开的一个或多个实施例中，获取脱硫系统的历史运行数据可包括：获取预设的脱硫系统脱硫效率的影响因素对应的第三时间序列信号，以及与所述第三时间序列信号对应的所述脱硫效率的第四时间序列信号。仍沿用上述例子，假设预设了上述十四种脱硫效率的影响因素，则在获取脱硫系统的历史运行数据时，可获取一段时间内的这十四种影响因素对应的第三时间序列信号，以及该段时间内脱硫系统的实际脱硫效率的第四时间序列信号。

在本公开的一个或多个实施例中，预设的脱硫系统脱硫效率的影响因素至少可包括以下两种：

燃煤机组负荷、烟气量、吸收塔入口so2浓度、吸收塔入口温度、吸收塔入口氧量、浆液ph值、浆液循环泵电流、浆液供给量、浆液密度、液气比、钙硫比、吸收塔出口so2浓度、吸收塔出口温度以及吸收塔出口氧量。

需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。