污染排放预测方法及装置与流程

本发明涉及石油炼化企业中催化裂化装置外排污染源监测控制技术领域，尤其涉及一种污染排放预测方法及装置。

背景技术：

催化裂化是炼油工业中重要的二次加工过程，是重油轻质化的重要手段。随着催化裂化装置处理的原料掺炼渣油比例增加，原料变重，原料残炭增加，重金属、硫等杂质也增加，表现在催化裂化反应产品分布上，装置生焦增加，汽油、液化气收率降低。原料硫含量增加导致产品及生焦中的硫含量增加，会增加产品精制、全厂产品调和的压力，并使再生烟气硫化物排放量增加。在炼油企业，催化裂化(fcc)再生装置是nox排放的主要来源，约占总排放量的50％。近年来，随着人们对环保污染问题愈加关注，国家出台了越来越严格的污染物排放控制标准，特别是2017年7月1日起执行的《石油炼制工业污染物排放标准》，对催化裂化再生烟气二氧化硫、氮氧化物排放浓度限定值为100mg/m³、200mg/m³，这对炼化企业的烟气外排控制提出了更为严格的要求。

尽管越来越多的企业也已经开始使用信息化技术和手段指导生产，但现有的信息化产品仅能监控污染排放的实时数据，仍停留在为管理层提供信息这个层面，而不能依据监控到的实时数据进行预测、分析，从而为决策层提供更有价值的决策支持信息。例如国家生态环境部污染源监控中心建立的重点污染源自动监控系统等现有在线监测系统都是将数据进行采集和存储，但不能找到各种数据之间的联系，更不能对未来的污染物排放进行预测。

技术实现要素：

本发明实施例提供一种污染排放预测方法，用以分析在线监控系统采集到的大量生产监控数据，从而根据实时生产情况，预测未来的污染排放数据，该方法包括：

获取实时生产要素数据；

根据所述实时生产要素数据以及预先建立的污染排放浓度预测模型，得到污染排放浓度预测数据；所述污染排放浓度预测模型根据多个污染排放浓度预测样本数据预先训练生成。

本发明实施例还提供一种污染排放预测装置，用以分析在线监控系统采集到的大量生产监控数据，从而根据实时生产情况，预测未来的污染排放数据，该装置包括：

数据获取模块，用于获取实时生产要素数据；

数据预测模块，用于根据所述实时生产要素数据以及预先建立的污染排放浓度预测模型，得到污染排放浓度预测数据；所述污染排放浓度预测模型根据多个污染排放浓度预测样本数据预先训练生成。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述污染排放预测方法。

本发明实施例也提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述污染排放预测方法的计算机程序。

本发明实施例中，通过获取到的实时生产要素数据以及预先建立的污染排放浓度预测模型，得到污染排放浓度预测数据。实现了根据实时生产情况，进一步挖掘和发挥污染源在线监控系统的作用，深入分析在线监控系统采集到的大量生产过程的监控数据，对未来污染排放数据进行预测，根据预测值，有针对性地调整生产决策方案，减少或避免环境污染事件及其他重大环境问题的发生。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例中污染排放预测方法示意图。

图2为本发明实施例中预先建立污染排放浓度预测模型方法流程示意图。

图3为本发明一具体实施例中污染排放预测方法示意图。

图4为本发明一具体实施例中污染排放预测方法的流程示意图。

图5为本发明再一具体实施例中污染排放预测方法示意图。

图6为本发明再一具体实施例中步骤501的具体流程示意图。

图7为本发明再一具体实施例中污染排放预测方法的流程示意图。

图8为本发明实施例中污染排放预测装置示意图。

图9为本发明具体实施例中污染排放预测装置示意图。

图10为本发明一具体实施例中在线修正模块的结构框图。

图11为本发明再一具体实施例中在线修正模块的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

为了解决现有的污染监测系统无法对未来的污染物排放进行预测的问题，本发明实施例提供了一种污染排放预测方法，用以分析在线监控系统采集到的大量生产监控数据，从而根据实时生产情况，预测未来的污染排放数据，如图1所示，该方法包括如下步骤：

步骤101：获取实时生产要素数据；

步骤102：根据实时生产要素数据以及预先建立的污染排放浓度预测模型，得到污染排放浓度预测数据；污染排放浓度预测模型根据多个污染排放浓度预测样本数据预先训练生成。

从图1可以看出，本发明实施例中，通过获取到的实时生产要素数据以及预先建立的污染排放浓度预测模型，得到污染排放浓度预测数据；实现了根据实时生产情况，进一步挖掘和发挥污染源在线监控系统的作用，深入分析在线监控系统采集到的大量生产过程的监控数据，对未来污染排放数据进行预测，根据预测值，有针对性地调整生产决策方案，减少或避免环境污染事件及其他重大环境问题的发生。

具体实施时，首先获取实时生产要素数据，上述实时生产要素数据可以是催化裂化装置在运行过程中所保证稳定运行的百余项生产指标参数的实时数据，例如包括：原料组分、炉膛温度、反应器温度、主风量、炉膛氧含量等。本领域技术人员可以理解，上述包括内容仅为举例，不用于限定本发明的保护范围。

获取实时生产要素数据后，根据实时生产要素数据以及预先建立的污染排放浓度预测模型，得到污染排放浓度预测数据。其中，污染排放浓度预测模型根据多个污染排放浓度预测样本数据预先训练生成，如图2所示，按照如下方法预先建立污染排放浓度预测模型：

步骤201：获取污染排放浓度预测样本数据；污染排放浓度预测样本数据包括历史生产要素数据以及对应的历史污染排放浓度数据；

步骤202：根据污染排放浓度预测样本数据，建立生产要素与污染排放浓度的映射模型，该映射模型用于表征各个生产要素与污染排放浓度之间的映射关系；

步骤203：根据生产要素与污染排放浓度的映射模型，基于主成分分析法，筛选出与污染排放浓度的相关性高于预设值的特征生产要素；

步骤204：根据特征生产要素的历史数据以及对应的历史污染排放浓度数据，训练污染排放浓度预测神经网络，得到污染排放浓度预测模型。

具体实施时，首先获取污染排放浓度预测样本数据，该污染排放浓度预测样本数据包括历史生产要素数据以及对应的历史污染排放浓度数据。历史生产要素数据可以是催化裂化装置在运行过程中所保证稳定运行的百余项生产指标参数的历史数据。对应的历史污染排放浓度数据例如可以是对应的外排烟气nox、so2的排放浓度。

获取污染排放浓度预测样本数据后，根据污染排放浓度预测样本数据，建立生产要素与污染排放浓度的映射模型，该映射模型用于表征各个生产要素与污染排放浓度之间的映射关系。由于生产要素种类过多，为了减少工作量、提高工作效率，在一具体实施示例中，可在建立生产要素与污染排放浓度的映射模型前，进行文献查阅或专家访谈调研，初步筛选出催化裂化装置在反应、再生两个主要生产工艺段中与nox、so2排放相关的生产要素，建立上述初步筛选出的生产要素与污染排放浓度的映射模型。

建立上述映射模型后，根据该映射模型，基于主成分分析法，筛选出与污染排放浓度的相关性高于预设值的特征生产要素。根据该映射模型，基于主成分分析法，计算各个生产要素对污染排放浓度影响的权重，预先设置权重值，筛选出与污染排放浓度的相关性高于预设值的特征生产要素，例如预先设置的权重值为5％，对污染排放浓度影响的权重值高于5％的生产要素即为特征生产要素，或将所有生产要素对污染排放浓度影响的权重值进行排序，例如可取前10种生产要素为特征生产要素。在本发明一具体实施例中，根据该映射模型，基于主成分分析法，分别寻找出与nox、so2相关的关键生产要素，遴选出sox转移助剂、剂油比、停留时间等13种关键生产要素。本领域技术人员可以理解，上述根据映射模型，基于主成分分析法，计算各个生产要素对污染排放浓度影响的权重，预先设置权重值，筛选出与污染排放浓度的相关性高于预设值的特征生产要素的具体实施仅为举例，不用于限定本发明的保护范围。

筛选出特征生产要素后，根据特征生产要素的历史数据以及对应的历史污染排放浓度数据，训练污染排放浓度预测神经网络，得到污染排放浓度预测模型。具体实施例中，训练污染排放浓度预测神经网络例如可通过lstm算法、pb神经网络、小波神经网络、卷积神经网络等方法，通过对比分析，通过lstm算法训练污染排放浓度预测神经网络的预测效果更准确，为较佳实施例。具体实施例中，可将特征生产要素的历史数据以及对应的历史污染排放浓度数据分成三部分，第一部分用来训练污染排放浓度预测神经网络，得到污染排放浓度预测模型；第二部分用来测试训练得到的污染排放浓度预测模型；第三部分用来验证得到的污染排放浓度预测模型，例如较佳实施例中，将特征生产要素的历史数据以及对应的历史污染排放浓度数据的1/3作为训练集，将特征生产要素的历史数据以及对应的历史污染排放浓度数据的1/2作为测试集，将特征生产要素的历史数据以及对应的历史污染排放浓度数据的1/6作为验证集。

为了优化污染排放浓度预测模型，提高预测的精确度，图3所示的一具体实施例中的污染排放预测方法在图1的基础上，还包括：

步骤301：获取实时污染排放浓度数据；

步骤302：根据污染排放浓度预测数据，实时污染排放浓度数据，以及损失函数，确定预测误差值；

步骤303：根据预测误差值，优化污染排放浓度预测模型。

首先获取实时污染排放浓度数据，例如包括实时外排烟气nox的排放浓度和外排烟气so2的排放浓度。

获取实时污染排放浓度数据后，根据实时污染排放浓度数据，步骤103中得到的对应时刻的污染排放浓度预测数据，以及损失函数，确定预测误差值。举例说明，以so2的排放浓度预测为例，so2的排放浓度预测数据与对应时刻的真实排放的so2的排放浓度做残差，作为预测误差值。

最后，根据预测误差值，优化污染排放浓度预测模型。举例来说，将上述残差值反馈到污染排放浓度预测模型，根据该残差值去调节污染排放浓度预测模型中so2的排放浓度相关的特征生产要素的参数。

图4为一具体实施例中污染排放预测方法的流程示意图，将t0时刻的实时生产要素数据输入预先建立的污染排放浓度预测模型中，得到t1时刻的排污浓度预测值。将t1时刻的排污浓度预测值与t1时刻的实时污染排放浓度数据一同输入到损失函数中，得到预测误差值，将上述残差值反馈到污染排放浓度预测模型中，根据该残差值去调节污染排放浓度预测模型的参数，更新优化污染排放浓度预测模型。

为了避免异常数据带来的误差，图5所示的本发明再一具体实施例中污染排放预测方法，在图3的基础上，还可以包括：

步骤501：将实时污染排放浓度数据输入预先建立的异常诊断模型中，对实时污染排放浓度数据进行异常检测，剔除异常值，得到正常的实时污染排放浓度数据；该异常诊断模型基于孤立森林法，根据历史污染排放浓度样本数据，进行训练预先建立。

步骤302相应地调整为：根据污染排放浓度预测数据，正常的实时污染排放浓度数据，以及损失函数，确定预测误差值。

具体实施时，异常诊断模型基于孤立森林法，根据历史污染排放浓度样本数据，进行训练预先建立。将实时污染排放浓度数据输入预先建立的异常诊断模型中，对实时污染排放浓度数据进行异常检测，剔除异常值，得到正常的实时污染排放浓度数据的具体过程如图6所示，包括：

步骤601：读取历史污染排放浓度样本数据；

步骤602：根据历史污染排放浓度样本数据绘制“森林”图；

步骤603：实时污染排放浓度数据输入预先建立的异常诊断模型中，运行异常诊断算法，遍历“森林”图中的每棵树；

步骤604：判断是否有异常；

判断结果为否，结束流程，输出正常的实时污染排放浓度数据

判断结果为是，执行步骤605：异常数据颜色标识；

步骤606：存储异常数据；

步骤607：剔除异常数据；

执行完步骤607后，重新执行步骤603、步骤604，直至结束流程。

图7为再一具体实施例中污染排放预测方法的流程示意图，将t0时刻的实时生产要素数据输入预先建立的污染排放浓度预测模型中，得到t1时刻的排污浓度预测值。将t1时刻的实时排污浓度数据输入到预先建立的异常诊断模型中，得到t1时刻的正常的实时污染排放浓度数据。将t1时刻的排污浓度预测值与t1时刻的正常的实时污染排放浓度数据一同输入到损失函数中，预测误差值，将上述残差值反馈到污染排放浓度预测模型中，根据该残差值去调节污染排放浓度预测模型的参数，更新优化污染排放浓度预测模型。

基于同一发明构思，本发明实施例还提供一种污染排放预测装置，由于污染排放预测置所解决问题的原理与污染排放预测方法相似，因此污染排放预测装置的实施可以参见污染排放预测方法的实施，重复之处不再赘述，具体结构如图8所示：

数据获取模块801，用于获取实时生产要素数据；

数据预测模块802，用于根据实时生产要素数据以及预先建立的污染排放浓度预测模型，得到污染排放浓度预测数据；该污染排放浓度预测模型根据多个污染排放浓度预测样本数据预先训练生成。

其中，数据预测模块802还包括：建立单元，用于：

获取污染排放浓度预测样本数据；污染排放浓度预测样本数据包括历史生产要素数据以及对应的历史污染排放浓度数据；

根据污染排放浓度预测样本数据，建立生产要素与污染排放浓度的映射模型，映射模型用于表征各个生产要素与污染排放浓度之间的映射关系；

根据生产要素与污染排放浓度的映射模型，基于主成分分析法，筛选出与污染排放浓度的相关性高于预设值的特征生产要素；

根据特征生产要素的历史数据以及对应的历史污染排放浓度数据，训练污染排放浓度预测神经网络，得到污染排放浓度预测模型。

在本发明具体实施例中，为了提高预测的准确度，图9所示的污染排放预测装置，在图8的基础上，还包括：在线修正模块901，用于修正更新污染排放浓度预测模型。

在本发明一具体实施例中，在线修正模块901的结构框图如图10所示，具体包括：

实时排污数据获取单元1001，用于获取实时污染排放浓度数据；

误差损失单元1002，用于根据污染排放浓度预测数据，实时污染排放浓度数据，以及损失函数，确定预测误差值；

优化更新单元1003，用于根据预测误差值，优化污染排放浓度预测模型。

为了避免异常数据带来的误差，图11所示的本发明再一具体实施例中在线修正模块901的结构框图，在图10的基础上，还可以包括：

数据验证单元1101，用于将实时污染排放浓度数据输入预先建立的异常诊断模型中，对实时污染排放浓度数据进行异常检测，剔除异常值，得到正常的实时污染排放浓度数据；该异常诊断模型基于孤立森林法，根据历史污染排放浓度样本数据，进行训练预先建立。

相应地，误差损失单元1002，具体用于：根据污染排放浓度预测数据，正常的实时污染排放浓度数据，以及损失函数，确定预测误差值。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述污染排放预测方法。

本发明实施例还提供一种计算机可读存储介质，存储有执行上述污染排放预测方法的计算机程序。

综上所述，本发明实施例提供的污染排放预测方法及装置，具有如下优点：

通过获取到的实时生产要素数据以及预先建立的污染排放浓度预测模型，得到污染排放浓度预测数据。实现了根据实时生产情况，进一步挖掘和发挥污染源在线监控系统的作用，深入分析在线监控系统采集到的大量生产过程的监控数据，对未来污染排放数据进行预测，根据预测值，有针对性地调整生产决策方案，减少或避免环境污染事件及其他重大环境问题的发生。

通过建立生产要素与污染排放浓度的映射模型，基于主成分分析法，筛选出与污染排放浓度的相关性高于预设值的特征生产要素，根据特征生产要素的历史数据以及对应的历史污染排放浓度数据，训练污染排放浓度预测神经网络，得到污染排放浓度预测模型。对全生产过程进行综合分析后，采用数据融合及特征选择等技术，筛选与污染排放浓度数据密切相关的特征生产要素，减少了运算工作量，降低预测成本。

通过获取实时污染排放浓度数据，并结合污染排放浓度预测数据以及损失函数，确定预测误差值，根据预测误差值，优化污染排放浓度预测模型。实现了将实时排污情况作为环境反馈，对预测系统中的参数进行在线调节，提高了污染排放浓度预测模型的鲁棒性和预测准确性。

通过获取实时污染排放浓度数据之后，将实时污染排放浓度数据输入预先建立的异常诊断模型中，进行异常检测，剔除异常值，得到正常的实时污染排放浓度数据。实现了在引入排污情况的环境反馈前，对实时污染排放浓度数据进行异常检测，剔除掉异常值，减小异常值对模型的影响，提高预测的准确度。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、装置和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。