CN111289697B - Cems运行状态监控与数据作假识别方法及*** - Google Patents
Cems运行状态监控与数据作假识别方法及*** Download PDFInfo
- Publication number
- CN111289697B CN111289697B CN202010212422.0A CN202010212422A CN111289697B CN 111289697 B CN111289697 B CN 111289697B CN 202010212422 A CN202010212422 A CN 202010212422A CN 111289697 B CN111289697 B CN 111289697B
- Authority
- CN
- China
- Prior art keywords
- flue gas
- cems
- data
- pipeline
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 title claims abstract 27
- 239000003546 flue gas Substances 0.000 claims abstract description 82
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 81
- 238000005070 sampling Methods 0.000 claims abstract description 74
- 239000007789 gas Substances 0.000 claims abstract description 28
- 239000000779 smoke Substances 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims description 27
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 28
- 238000004458 analytical method Methods 0.000 description 19
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 12
- 239000001301 oxygen Substances 0.000 description 12
- 229910052760 oxygen Inorganic materials 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 239000003344 environmental pollutant Substances 0.000 description 6
- 231100000719 pollutant Toxicity 0.000 description 6
- 239000002912 waste gas Substances 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000013618 particulate matter Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000003570 air Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本公开提供了一种CEMS运行状态监控与数据作假识别方法及***,涉及烟气排放连续监测***技术领域,包括以下步骤:采集CEMS采样管路首端和尾端烟气中至少一种组分的浓度或含量;将采集到的首端和尾端烟气数据分别按照组分绘制波形曲线;通过对比两端烟气波形曲线中相同组分实测值的波形差异,判断CEMS采样管路两端的烟气是否为同一气体样本,进而判断是否存在管路造假;本公开解决了现有的CEMS造假难以识别的问题,根据检测到的CEMS采样管路两端的烟气是否为同一气体样本,判别是否存在管路造假,极大的提升了CEMS造假识别能力。
Description
技术领域
本公开涉及烟气排放连续监测***技术领域,特别涉及一种CEMS运行状态监控与数据作假识别方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
固定污染源CEMS(Continuous Emission Monitoring System,烟气排放连续监测***)作为重点污染源烟气排放监管的重要抓手,在我国已取得了广泛的应用。目前我国重点废气排放污染源基本全部安装了CEMS。根据生态环境部发布的《固定污染源烟气(SO2、NOx、颗粒物)排放连续监测技术规范》的要求,CEMS主要实现对烟气中颗粒物浓度、SO2浓度、NOx浓度、烟气参数(温度、压力、流速或流量、湿度、含氧量等)、污染源排放速率、污染物排放量的监测、计算和数据上传。该监测数据已经成为环保税征收、污染源企业排污情况分析的主要依据。
固定污染源CEMS主要由采样管路、分析仪器、数据采集和传输设备几部分组成,如附图1所示。其中,采样管路主要负责抽取、传输、预处理烟道内的烟气,为分析仪器分析提供合格的烟气样品;分析仪器主要包括颗粒物监测单元、烟气参数测量监测单元、气态污染物监测单元,用于分析烟气样品中颗粒物浓度、烟气温度、烟气压力、烟气流速、烟气湿度、烟气含氧量、SO2浓度、NOx浓度;数据采集和传输设备主要负责将以上监测数据上传到生态环境部门的***平台,以便查看。
本公开发明人发现,在生态环境部门实际执法中发现,受经济利益驱使,部分废气污染源企业存在着CEMS弄虚作假、运行不规范等问题,导致监测数据无法真实反映废气污染源企业排污情况,大大影响了监测数据的权威性和政府公信力。具体来讲,CEMS弄虚作假(或运行不规范)主要有两种方式。
一种是通过分析仪器作假,这种作假方式主要通过修改在线分析仪器的工作参数(如斜率、截距等),使最终测定的监测数据偏离真实值,从而达到数据造假的目的。目前行业内的监测设备动态管控解决方案可有效解决该种作假问题。
另一种是通过采样管路作假,这种作假方式主要通过松动或部分拔出采样探头、破坏采样管路混入空气或其他气体等手段来稀释被测烟气中的污染物组分的浓度,使最终测定的监测数据偏离真实值,从而达到数据造假的目的。由于采样管路较长(一般在几十米),且位置比较危险,因此难以排查、不易发现。目前行业内通过安装对采样管路的全流程校准装置,来排查管路造假和管路泄漏等问题。但是由于实施难度大,设备密封性要求高、成本高,运行成本高(每次校准消耗大量标气)等问题,实际应用并不广泛。
发明内容
为了解决现有技术的不足,本公开提供了一种CEMS运行状态监控与数据作假识别方法及***,通过分别采集CEMS采样管路两端的烟气,进行单一或者多种组分的波形对比分析,根据CEMS采样管路两端的烟气是否为同一气体样本,判断是否存在管路造假,极大的提高了CEMS造假的识别能力。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种CEMS运行状态监控与数据作假识别方法。
一种CEMS运行状态监控与数据作假识别方法,包括以下步骤:
采集CEMS采样管路首端和尾端烟气中至少一种组分的浓度或含量;
将采集到的首端和尾端烟气数据分别按照组分绘制波形曲线;
通过对比两端烟气波形曲线中相同组分的波形差异,判断CEMS采样管路两端的烟气是否为同一气体样本,进而判断是否存在管路造假。
作为可能的一些实现方式,管路不存在作假问题的判定条件,具体为:
CEMS采样管路首端和尾端的烟气气体中同一组分的波形上对应节点的测量值的差异在第一阈值范围之内,和/或同一组分的波形上对应节点附近预设区间的两组波形拟合度在第二阈值范围之内。
本公开第二方面提供了一种CEMS运行状态监控与数据作假识别***。
包括相互通信连接的处理器和管路烟气气体组分测量装置;
所述管路烟气气体组分测量装置,被配置为检测固定污染源CEMS采样管路两端的烟气中至少一种组分的浓度或含量;
所述处理器,被配置为:将采集到的首端和尾端烟气数据分别按照组分绘制波形曲线;通过对比两端烟气波形曲线中相同组分实测值的波形差异,判断CEMS采样管路两端的烟气是否为同一气体样本,进而判断是否存在管路造假。
作为可能的一些实现方式,所述处理器,还被配置为执行如下管路不存在作假问题的判定条件,具体为:
CEMS采样管路首端和尾端的烟气气体中同一组分的波形上对应节点的测量值的差异在第一阈值范围之内,和/或同一组分的波形上对应节点附近区间的两组波形拟合度在第二阈值范围之内。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法及***,通过分别采集CEMS采样管路两端的烟气并进行单一或者多种组分的波形对比分析,根据检测到的CEMS采样管路两端的烟气是否为同一气体样本,判别是否存在管路造假,极大的提升了CEMS造假识别能力。
2、本公开所述的方法及***,通过CEMS采样管路首端和尾端的烟气气体中同一组分的波形上对应节点的测量值的差异在第一阈值范围之内,和/或同一组分的波形上对应节点附近预设区间的两组波形拟合度在第二阈值范围之内,通过两种判别方式相结合或者单一的方式,既能保证检测的灵活性,也能实现高精度的检测。
附图说明
图1为本公开背景技术中提供的固定污染源CEMS的结构示意图。
图2为本公开实施例1中提供的CEMS运行状态监控与数据作假识别方法的流程示意图。
图3为本公开实施例1中提供的固定污染源CEMS采样管路的示意图。
图4为本公开实施例2中提供的CEMS运行状态监控与数据作假识别***的框图。
图5为本公开实施例2中提供的正常的CEMS采样管路入口处连续50分钟的氧含量采样值。
图6为本公开实施例2中提供的正常的CEMS采样管路出口处连续50分钟的氧含量采样值。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
由于CEMS采样管路的预处理只对烟气进行除湿冷凝和杂质过滤,并不影响烟气的主要气体成分,因此理论上CEMS采样管路两端的烟气气体组分应该是一致的(同一状态下),CEMS采样管路如图3所示。
具体到某一固定污染源企业,如CEMS采样管路两端的烟气气体组分一致,则说明采样管路运行正常;如CEMS采样管路两端的烟气气体组分不一致,则采样管路处于非正常运行状态,存在弄虚作假嫌疑,该企业CEMS应作为重点检查对象。
基于以上原理,本实施例提出一种CEMS运行状态监控与数据作假识别方法,如图2所示,具体步骤如下:
分别采集CEMS采样管路两端(即采样管入口附近和采样管路尾端进入CEMS检测仪器之前两处)的烟气,通过增设两套内含低成本、高测量密度或实时检测的仪表或传感器的测量与数据采集装置(如单一组分或多组分的在线式烟气测量仪表),测量烟气中某一组分或多个组分的浓度或含量,并利用软件***将这两组数值(均为标准状态下)在笛卡尔坐标系中绘制波形曲线,通过对比两组波形曲线中相同组分实测值的波形差异,来侦测CEMS采样管路两端的烟气是否为同一气体样本,从而发现是否存在管路造假或泄露。
由于CEMS采样管路的预处理只对烟气进行除湿冷凝和杂质过滤,并不影响烟气的主要气体成分,因此理论上同一被测量样本在以上两处测量点的烟气气体组分测量值应该大致相当,只是由于在管路中被测气体到达两个测点有时间差,所以两个测点测量值曲线在时间轴上有一定位移差距,但是波形应当大致形状相似。
如CEMS采样管路两端的烟气气体组分对应节点的测量值(根据波形位移可以计算两个测点时间差,并找到同一气体流经两个测点的对应测量值)的差异在预设的预警阈值之内,和/或比对节点附近区间的两组波形拟合度也在预设的预警阈值之内,则说明管路不存在作假问题;反之,则存在作假嫌疑,该企业CEMS应作为重点检查对象。
具体识别方法如下:
对两组增设的气体组分测量装置产生的数据进行笛卡尔坐标希的波形绘制,波形绘制之前的数据要转换为标准状态并通过去噪算法进行过滤,X轴为时间,Y轴为组分浓度。
首先,利用两组增设的气体组分测量装置产生的数据进行比对,由于被测样本流经两个测点的时间不一样,所以在坐标系的时间轴上存在一定位移差,可以利用机器学习的算法提取波形位移差,并寻找到两组数据中的对应近似测量点,将两点的测量值进行比较,判断其差异是否超出预设的预警阈值(此阈值可根据运行效果优化调整)作为一个预警条件;
其次,利用波形拟合或者波形特征分析算法(该算法可以是欧几里得算法、皮尔逊相关系数算法和曼哈顿算法等算法,以及Tensorflow等人工智能引擎,或者上述算法的结合),本实施例中优选的采用皮尔逊相关系数算法来分析比对此两个近似测量点附近一定区间内的波形拟合度,判断其是否超出预设的预警阈值(此阈值可根据运行效果优化调整)作为另一个预警条件;
其中,通过机器学习算法学习采样管路两端烟气测量值之间的关系,与基于皮尔逊相关系数的比较算法相结合快速找出两组数据中的对应的测量点,所述机器学习算法可以为支持向量机、BP神经网络模型或者长短期记忆网络等机器学习算法。
最后,根据两个预警条件的组合情况,设置预警规则(可以是“与”也可以是“或”),来给出是否疑似存在管路造假的预警结果。
实施例2:
本公开实施例2提供了一种CEMS运行状态监控与数据作假识别***,如图4所示,包括CEMS采样管路烟气气体组分测量装置(两套)和云端数据比对与分析***两部分。
CEMS采样管路烟气气体组分测量装置内含测量模块和数据传输模块两部分,其中测量模块包括单一组分或多组分的在线式烟气测量仪表,分别安装在CEMS采样管路的首尾两端(即烟囱端和分析仪器端),用于监测CEMS采样管路首尾两端的烟气的单一组分或多组分的浓度。
如果测量模块监测的烟气气体组分(如含氧量)与CEMS分析仪器的监测指标相同,则CEMS采样管路尾端可共用CEMS分析仪器,而无需安装相应烟气测量仪表。
数据传输模块负责将测量模块的监测数据上传到云端数据比对与分析***中。其通讯方式采用无线通讯方式,可以采用NB-IoT、4G、5G等通讯模块直传到互联网端,也可以通过Lora组网的方式,与另外部署的通讯集中器或DTU组网再统一上传至云端数据比对与分析***。
云端数据对比与分析***作为处理器,接收两个测点的组分测量数据,利用这两组数据进行分析比对,以此侦测采样管路造假的可能性。
其工作原理如下:
对两组增设的气体组分测量装置产生的数据进行笛卡尔坐标希的波形绘制,波形绘制之前的数据要转换为标准状态并进行去噪处理,X轴为时间,Y轴为组分浓度。
首先,利用两组增设的气体组分测量装置产生的数据进行比对,由于被测样本流经两个测点的时间不一样,所以在坐标系的时间轴上存在一定位移差,可以利用算法提取波形位移差,并寻找到两组数据中的对应近似测量点,将两点的测量值进行比较,判断其差异是否超出预设的预警阈值(此阈值可根据运行效果优化调整)作为一个预警条件;
其次,同时利用波形拟合、波形特征分析算法(该算法可以是欧几里得算法、皮尔逊相关系数算法和曼哈顿算法等算法,以及Tensorflow等人工智能引擎,或者上述算法的结合),本实施例中优选的采用皮尔逊相关系数算法来分析比对此两个近似测量点附近一定区间内的波形拟合度,判断其是否超出预设的预警阈值(此阈值可根据运行效果优化调整)作为另一个预警条件;
最后,根据两个预警条件的组合情况,设置预警规则(可以是“与”也可以是“或”),来给出是否疑似存在管路造假的预警结果。
云端数据比对与分析***加入人工智能方法进行机器学习,还可以帮助消除以下问题对分析结果的干扰,从而保证比对效果。
(1)由于CEMS烟气采样管路有一定长度,原始烟气从采样管路烟囱端(首端)到分析仪器端(尾端)会有一定时间延迟,因此出口处测出的波形会比入口处测出值有时间延迟。而此延迟值跟采样烟气流速有关,并非一成不变,因此很难把握。
(2)CEMS采样管路烟气气体组分监测模块中CEMS采样管路首端安装的在线式烟气测量仪表的测量位置与CEMS采样管路的探头位置并无法保证完全一致,而烟囱中不同位置的烟气组分是有轻微差异的。
(3)由于采用了两组在线式烟气测量仪表,虽为相同规格型号,但不同测量仪表会有测量误差。
下面以单一组分含氧量来举例说明。
在CEMS采样管路烟囱端安装氧含量检测仪,CEMS采样管路分析仪器端(尾端)利用现有的氧含量分析仪,通过云端数据对比与分析***进行氧含量波形比较。如果波形拟合度较高,则表示正常;如果两个波形有较大差异,则表示有问题而进行报警。
本实施例中采用皮尔逊相关系数进行烟气波形拟合,具体方法如下:
两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商:
上式定义了总体相关系数,常用希腊小写字母,ρ作为代表符号。估算样本的协方差和标准差,可得到皮尔逊相关系数,常用英文小写字母r代表:
r亦可由(Xi,Yi)样本点的标准分数均值估计,得到与上式等价的表达式:
其中及σx分别是对Xi样本的标准分数、样本平均值和样本标准差。总体和样本皮尔逊系数的绝对值小于或等于1。如果样本数据点精确的落在直线上(计算样本皮尔逊系数的情况),或者双变量分布完全在直线上(计算总体皮尔逊系数的情况),则相关系数等于1或-1。
皮尔逊相关系数有一个重要的数学特性是因两个变量的位置和尺度的变化并不会引起该系数的改变。也就是说,我们如果把X移动到a+bX和把Y移动到c+dY,其中a、b、c和d是常数,并不会改变两个变量的相关系数(该结论在总体和样本皮尔逊相关系数中都成立)。
在CEMS采样管路入口端和出口端分别设置采集装置,以1分钟为间隔,连续采集氧气浓度,得到以下采集值,入口处连续50分钟采集值如图5所示,出口处连续50分钟采集值如图6所示。
可以看到入口处与出口处的采集数值具有相似的波形,但是又有以下主要不同点:
A)出口处的波形与入口处的波形有若干个点的位移,也即若干分钟的偏差,这是由于烟气从入口处到出口处的缓慢流动造成的时间差。
B)由于测量仪器精度的偏差,在入口处与出口处在对应点的测量值具有一定偏差。
把入口处的采集样本值作为Xi,出口处的同一时间段采集样本值作为Yi,带入皮尔逊相关公式,得出(Xi,Yi)的相关度为0.526169。
根据皮尔逊相关系数的特性,相关系数越接近为1,则样本Xi与样本Yi越接近,反之,则相关性较低。由上面得到的值可见,CEMS采样管路两端同一时间段采集值Xi与Yi的相关度并不高。
但是,由图5和图6的可以看到,波形具有明显的位移偏差,这种波形的偏差是由于烟气在采集管路中缓慢流动造成的同一烟气采集时间差造成的。所以下面对样本采集值进行移动比较。即X1与Y2比较,X2与Y3比较,以此类推。此比较的物理意义为,入口处的烟气采集值与出口处1分钟后的采集值进行比较,从而进行波形拟合。此时,我们得到的皮尔逊相关度值为0.767346。
可以看到,得到的相关度有所提高,但是仍然没有达到我们的理想效果。
事实上,由于采集管路的长度、烟气流动速度的不同,造成入口处与出口处的同一烟气测出时间差是难以把握的。于是我们继续对样本值进行移动比较,也即X1与Y3比较,X2与Y4比较,以此类推。其物理意义是,入口处的采集值与出口处2分钟后的采集值进行比较。经过此番比较,得到的皮尔逊相关度值为0.99999,此时可以认定入口处的烟气连续采集样本值与出口处的连续采集样本值具有高度相似性,为相同波形。
由上面数据分析,本实施例可以利用以下算法,对CEMS采样管路两端的测量采集值进行数据拟合比较,当无法匹配波形时,产生报警。
1)根据不同采集管路的长度、烟气流速,设置不同的时间位移范围,对入口处的采集连续值,与位移时间后的出口处的采集连续值进行比较;
2)采取类似上述皮尔逊相关系数的比较算法,设置合理阈值,当入口处与出口处的采集值比较结果超出阈值范围时,认为入口处与出口处的采样波形没有匹配;
3)循环比较某时间点入口处与最小位移时间后的出口处的采集值一直到最大位移时间后的出口处的采集值,当所有比较结果都超出阈值范围,也即所有结果没有匹配波形时,则认为入口处与出口处的测量结果有异,产生报警。
本实施例所述的***与行业内现存比较先进的解决方案相比,在企业端只增加了两套低成本、低精度、高测量密度或实时测量的测量装置,其中所用仪表为一般工业仪表,成本较低。
本实施例所述的***中现场端设备安装实施不需要依赖于CEMS仪器厂商的设备改造与技术对接为前提,安装实施效率高。
本实施例所述的***中现场端设备运行无耗材,即使随着时间推移电化学传感器的精度下降,由于本发明采用的波形比对和人工智能机器学习算法为主,也并不影响比对效果。
本实施例所述的***所侦测的主要造假行为之一是采样管路造假行为,由于该行为的实施多是在采样管路中混入空气等气体,众所周知不同气体中各组分的含量很难保持一致,如果采用单一组分比对(例如氧含量),那么混入气体必须与被测气体时刻保持氧含量一致才不会被本***所侦测发现。如果采用双组份乃至更多组分对比,混入气体想保持两种以上气体组分与被测气体时刻一致,其代价之大不可想象,其实施可能性几乎为零,故而可以使管路造假行为无处可逃。
本实施例所述的***中也可以通过引人工智能引擎,以CEMS的实测值为训练数据,如此可以循环往复,使每个企业都拥有“个性化”算法,因“企”制宜,越使用越精准。
本实施例所述的***具体实施简单、成本较低,可以有效提升生态环境部门非现场执法水平,实现固定污染源烟气排放的精细化管理。具体效益分析如下。
(1)主动发现企业CEMS采样管路问题,提升非现场执法水平,避免盲目执法。
通过本实施例所述的***,变盲目被动式、现场式执法为精细主动、非现场式执法,降低生态环境部门的现场执法工作量,提升污染源企业监管效率和水平。
(2)保障监测数据准确性,提升政府公信力。
通过本实施例所述的***,有效发现并降低固定污染源企业通过CEMS采样管路作假的行为和概率,提升固定污染源CEMS监测数据的准确性和政府公信力。
(3)规范废气污染源企业排污行为,形成遵纪守法的良性氛围。
通过本实施例所述的***,生态环境部门可精准发现、主动处罚废气污染源企业CEMS采样管路作假行为,对相关企业具有很强的震慑作用,从而进一步规范废气污染源企业排污行为,逐渐形成遵纪守法的良性经营氛围。
(4)减少污染物偷排漏排,提升环境质量。
通过本实施例所述的***,可减少乃至规避气态污染物(SO2、NOx)、颗粒物的偷排漏排,提升环境空气质量。
实施例3:
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.一种CEMS运行状态监控与数据作假识别方法,其特征在于,包括以下步骤:
采集CEMS采样管路首端和尾端烟气中至少一种组分的浓度或含量;
将采集到的首端和尾端烟气数据分别按照组分绘制波形曲线;
通过对比两端烟气相同组分的波形差异,判断CEMS采样管路两端的烟气是否为同一气体样本,进而判断是否存在管路造假;
寻找到两组数据中的对应的测量点,利用基于皮尔逊相关系数的比较算法,分析比对两个测量点附近预设区间内的波形拟合度,判断其是否超出预设的第二阈值范围;
通过机器学习算法学习采样管路两端烟气测量值之间的关系,与基于皮尔逊相关系数的比较算法相结合快速找出两组数据中的对应的测量点;
分别采集CEMS采样管路首端和尾端的烟气,测量烟气中某一组分或多个组分的浓度或含量为Y轴,以测量时间为X轴,利用软件***将这两组数值在笛卡尔坐标系中绘制波形曲线。
2.如权利要求1所述的CEMS运行状态监控与数据作假识别方法,其特征在于,管路不存在作假问题的判定条件,具体为:
CEMS采样管路首端和尾端的烟气气体中同一组分的波形上对应节点的测量值的差异在第一阈值范围之内,和/或同一组分的波形上对应节点附近预设区间的两组波形拟合度在第二阈值范围之内。
3.如权利要求1所述的CEMS运行状态监控与数据作假识别方法,其特征在于,对采集到的CEMS采样管路首端和尾端烟气数据利用去噪算法过滤后,进行笛卡尔坐标系下的波形绘制,其中X轴为时间,Y轴为组分浓度。
4.如权利要求1所述的CEMS运行状态监控与数据作假识别方法,其特征在于,利用波形提取算法提取波形位移差,并寻找到两组数据中的对应的测量点,将两点的测量值进行比较,判断其差异是否超出预设的第一阈值范围。
5.一种CEMS运行状态监控与数据作假识别***,其特征在于,包括相互通信连接的处理器和管路烟气气体组分测量装置;
所述管路烟气气体组分测量装置,被配置为检测固定污染源CEMS采样管路两端的烟气中至少一种组分的浓度或含量;
所述处理器,被配置为:将采集到的首端和尾端烟气数据分别按照组分绘制波形曲线;通过对比两端烟气波形曲线中相同组分实测值的波形差异,判断CEMS采样管路两端的烟气是否为同一气体样本,进而判断是否存在管路造假;
寻找到两组数据中的对应的测量点,利用基于皮尔逊相关系数的比较算法,分析比对两个测量点附近预设区间内的波形拟合度,判断其是否超出预设的第二阈值范围;
通过机器学习算法学习采样管路两端烟气测量值之间的关系,与基于皮尔逊相关系数的比较算法相结合快速找出两组数据中的对应的测量点;
分别采集CEMS采样管路首端和尾端的烟气,测量烟气中某一组分或多个组分的浓度或含量为Y轴,以测量时间为X轴,利用软件***将这两组数值在笛卡尔坐标系中绘制波形曲线。
6.如权利要求5所述的CEMS运行状态监控与数据作假识别***,其特征在于,所述管路烟气气体组分测量装置还包括数据传输模块,用于将采集到的烟气数据传输给处理器。
7.如权利要求5所述的CEMS运行状态监控与数据作假识别***,其特征在于,所述管路烟气气体组分测量装置包括两个单一组分或多组分的在线式烟气测量仪表,分别安装在CEMS采样管路的首端和尾端;
或者,当固定污染源CEMS监测的气体组分与待检测的气体一致时,所述管路烟气气体组分测量装置包括一个单一组分或多组分的在线式烟气测量仪表,用于检测CEMS采样管路的首端的烟气数据,CEMS采样管路的尾端的烟气数据共享固定污染源CEMS采集的数据。
8.如权利要求5所述的CEMS运行状态监控与数据作假识别***,其特征在于,所述处理器,还被配置为执行如下管路不存在作假问题的判定条件,具体为:
CEMS采样管路首端和尾端的烟气气体中同一组分的波形上对应节点的测量值的差异在第一阈值范围之内,和/或同一组分的波形上对应节点附近区间的两组波形拟合度在第二阈值范围之内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212422.0A CN111289697B (zh) | 2020-03-24 | 2020-03-24 | Cems运行状态监控与数据作假识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212422.0A CN111289697B (zh) | 2020-03-24 | 2020-03-24 | Cems运行状态监控与数据作假识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111289697A CN111289697A (zh) | 2020-06-16 |
CN111289697B true CN111289697B (zh) | 2022-07-12 |
Family
ID=71019391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010212422.0A Active CN111289697B (zh) | 2020-03-24 | 2020-03-24 | Cems运行状态监控与数据作假识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111289697B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931414A (zh) * | 2020-06-22 | 2020-11-13 | 山东师范大学 | 基于大数据分析的企业烟气排放数据检测方法及*** |
CN112764383B (zh) * | 2020-12-22 | 2022-04-26 | 中国核电工程有限公司 | 不同管路信号的显示及报警方法及*** |
CN115561133B (zh) * | 2022-09-20 | 2023-08-29 | 生态环境部环境工程评估中心 | 火电行业cems校准期间异常数据的自动识别方法和*** |
CN116372662B (zh) * | 2023-06-06 | 2023-09-29 | 成都飞机工业(集团)有限责任公司 | 数控锪窝尺寸预补偿修正方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107655637B (zh) * | 2016-07-26 | 2021-06-18 | 中国辐射防护研究院 | 一种碘吸附器泄漏检测的脉冲式卤素气体检测方法及设备 |
CN206223496U (zh) * | 2016-12-07 | 2017-06-06 | 上海兰博贸易有限公司 | 一种气体采样记录仪 |
CN106706487B (zh) * | 2016-12-26 | 2023-08-25 | 山东省生态环境监测中心 | 烟气与环境空气在线监测设备远程全流程校准*** |
CN108871712A (zh) * | 2018-07-02 | 2018-11-23 | 杭州宜清自动化控制技术有限公司 | 一种基于tdlas的省煤器泄漏诊断的方法和装置 |
CN209979595U (zh) * | 2019-05-24 | 2020-01-21 | 河北鸿海环保科技有限公司 | 烟气在线监测***远程质控装置 |
-
2020
- 2020-03-24 CN CN202010212422.0A patent/CN111289697B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111289697A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111289697B (zh) | Cems运行状态监控与数据作假识别方法及*** | |
CN116128260B (zh) | 基于数据样本的重点企业环境分析方法 | |
CN108762215B (zh) | 一种污染源动态工况***及使用方法 | |
CN111898691A (zh) | 一种河流突发水污染预警溯源方法、***、终端及介质 | |
CN114444259B (zh) | 一种雨污管网溯源追踪***及方法 | |
CN109033037A (zh) | 浮标自动监测***数据质量控制方法 | |
CN113783272B (zh) | 一种基于超级电容监控管理***的安全控制方法 | |
CN102507676B (zh) | 基于多重自组织神经网络的电子鼻在线漂移补偿方法 | |
CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警*** | |
CN111596002A (zh) | 一种用检测废气的lel及v0c智能在线分析处理*** | |
CN113655189A (zh) | 污染源自动监控数据分析判断*** | |
CN115659195A (zh) | 一种大气污染在线识别方法 | |
CN113267462A (zh) | 一种应用紫外光谱对水体有机污染特征进行表征的方法 | |
CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及*** | |
CN116359285A (zh) | 一种基于大数据的油气浓度智能检测***及方法 | |
CN114839343A (zh) | 一种便携式水质监测巡检仪装置及使用方法 | |
CN112083132A (zh) | 一种污水污染溯源方法 | |
CN117310093A (zh) | 基于物联网的大气环境监测*** | |
CN112037106A (zh) | 一种基于特征互相关性和概率密度的数据异常分析方法 | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN113804595B (zh) | 一种多参数空气质量监测*** | |
CN111007220B (zh) | 一种生猪养殖污水水质敏捷监测的方法 | |
CN215297288U (zh) | 气体监测*** | |
Kim | Anomaly detection of water pollution prevention ecosystem based on artificial intelligence | |
CN114459971B (zh) | 一种β射线法颗粒物测定仪在线运维方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |