本發(fā)明屬于火電技術(shù)領(lǐng)域，尤其涉及一種基于隨機(jī)時序分析的吸收塔入口so2濃度預(yù)測方法。

背景技術(shù)：

近年來，我國的火電裝機(jī)容量持續(xù)攀升，發(fā)電市場的競爭局面日趨嚴(yán)峻。另一方面，煤價成本飛升和國內(nèi)各種環(huán)保規(guī)范更嚴(yán)格的約束，在未來一段時間內(nèi)，發(fā)電企業(yè)如何提高燃燒效率，減少污染物排放，降低發(fā)電成本將成為其重點(diǎn)考慮的問題之一。

為了實(shí)現(xiàn)脫硫系統(tǒng)優(yōu)化運(yùn)行，降低脫硫設(shè)備能耗，就需要實(shí)時地對負(fù)荷、吸收塔入口so2濃度等參數(shù)進(jìn)行預(yù)測，做到有的放矢地優(yōu)化控制，因此，需要一種可靠的吸收塔入口so2濃度預(yù)測方法。

技術(shù)實(shí)現(xiàn)要素：

為解決上述技術(shù)問題，本發(fā)明的目的是提供一種基于隨機(jī)時序分析的吸收塔入口so2濃度預(yù)測方法，實(shí)時地對負(fù)荷、吸收塔入口so2濃度等參數(shù)進(jìn)行可靠預(yù)測，以實(shí)現(xiàn)對脫硫系統(tǒng)的優(yōu)化控制。

本發(fā)明提供了一種基于隨機(jī)時序分析的吸收塔入口so2濃度預(yù)測方法，該方法基于時間序列分析方法，實(shí)時在線建立吸收塔入口so2濃度預(yù)測模型，采用隨機(jī)時間序列算法對吸收塔入口so2濃度進(jìn)行實(shí)時預(yù)測。

進(jìn)一步地，該預(yù)測方法具體包括：

檢驗(yàn)入口so2濃度序列的平穩(wěn)性；

對入口so2濃度原始序列進(jìn)行一階差分，并進(jìn)行平穩(wěn)性和白噪聲檢驗(yàn)；

對一階差分之后的入口so2濃度序列擬合arima模型，進(jìn)行模型定階；

基于arima模型預(yù)測入口so2濃度。

進(jìn)一步地，檢驗(yàn)入口so2濃度序列的平穩(wěn)性包括：

基于入口so2濃度原始序列的時序圖檢驗(yàn)入口so2濃度序列的平穩(wěn)性，當(dāng)時序圖顯示具有一定的趨勢性或者周期性，判斷為非平穩(wěn)序列。

進(jìn)一步地，檢驗(yàn)入口so2濃度序列的平穩(wěn)性還包括：

基于入口so2濃度原始序列的自相關(guān)圖檢驗(yàn)入口so2濃度序列的平穩(wěn)性，當(dāng)自相關(guān)圖顯示自相關(guān)系數(shù)長期大于零，判斷為非平穩(wěn)序列。

進(jìn)一步地，對入口so2濃度原始序列進(jìn)行一階差分并進(jìn)行平穩(wěn)性和白噪聲檢驗(yàn)包括：

對一階差分后的入口so2濃度序列再次進(jìn)行平穩(wěn)性判斷，若階差分之后的入口so2濃度序列的時序圖在均值附近比較平穩(wěn)地波動，自相關(guān)圖具有強(qiáng)短期相關(guān)性，判斷一階差分之后的入口so2濃度序列是平穩(wěn)序列，基于自相關(guān)系數(shù)不為零，且在零附近隨機(jī)波動，判斷一階差分之后的入口so2濃度序列是平穩(wěn)非白噪聲序列。

進(jìn)一步地，對一階差分之后的入口so2濃度序列擬合arima模型進(jìn)行模型定階包括：

計算arima(p,q)當(dāng)p和q均小于等于向前預(yù)測長度的所有組合的bic信息量，取其中bic信息量達(dá)到最小的模型階數(shù)，其中，p為自回歸項(xiàng)，q為移動平均項(xiàng)數(shù)。

進(jìn)一步地，該方法還包括選取預(yù)測模型的參數(shù)，所述參數(shù)包括建模訓(xùn)練數(shù)據(jù)集的長度，以及模型向前預(yù)測的預(yù)測長度。

進(jìn)一步地，該模型向前預(yù)測的預(yù)測長度為5，即模型每次向前預(yù)測2.5分鐘。

借由上述方案，通過基于隨機(jī)時序分析的吸收塔入口so2濃度預(yù)測方法，實(shí)現(xiàn)了對吸收塔入口so2濃度的可靠預(yù)測，為脫硫系統(tǒng)的優(yōu)化控制提供了保障。

上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，并可依照說明書的內(nèi)容予以實(shí)施，以下以本發(fā)明的較佳實(shí)施例并配合附圖詳細(xì)說明如后。

附圖說明

圖1是本發(fā)明基于隨機(jī)時序分析的吸收塔入口so2濃度預(yù)測方法一實(shí)施例的流程圖；

圖2是差分平穩(wěn)時間序列的建模流程圖；

圖3是本發(fā)明入口so2濃度原始序列的時序圖和自相關(guān)圖；

圖4是本發(fā)明一階差分后的入口so2濃度的時序圖和自相關(guān)圖；

圖5是本發(fā)明向前預(yù)測下個3分鐘內(nèi)入口so2濃度的實(shí)際值與預(yù)測值比較圖；

圖6是本發(fā)明采用不同預(yù)測長度的情況下，模型預(yù)測的均方根誤差率隨著建模訓(xùn)練數(shù)據(jù)集長度變化而變化的趨勢比較圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例，對本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

參圖1所示，本實(shí)施例提供了一種基于隨機(jī)時序分析的吸收塔入口so2濃度預(yù)測方法，該方法基于時間序列分析方法，實(shí)時在線建立吸收塔入口so2濃度預(yù)測模型，采用隨機(jī)時間序列算法對吸收塔入口so2濃度進(jìn)行實(shí)時預(yù)測，具體包括：

步驟s1，檢驗(yàn)入口so2濃度序列的平穩(wěn)性。

步驟s2，對入口so2濃度原始序列進(jìn)行一階差分，并進(jìn)行平穩(wěn)性和白噪聲檢驗(yàn)。

步驟s3，對一階差分之后的入口so2濃度序列擬合arima模型，進(jìn)行模型定階。

步驟s4，基于arima模型預(yù)測入口so2濃度。

本系統(tǒng)使用隨機(jī)時間序列算法來對吸收塔入口so2濃度進(jìn)行實(shí)時預(yù)測。由于在脫硫塔前端提前估計煤質(zhì)的含硫量非常困難，這時我們就不能采用回歸分析法來預(yù)測吸收塔入口的so2濃度，而是使用時間序列分析方法arima來進(jìn)行預(yù)測。具體的技術(shù)方案包括：

(一)實(shí)時在線建立吸收塔入口so2濃度預(yù)測模型。

1、關(guān)于隨機(jī)時序預(yù)測算法。

arima模型全稱為差分自回歸移動平均模型(autoregressiveintegratedmovingaveragemodel)，可以表示為arima(p,d,q)，其中ar是自回歸，p為自回歸項(xiàng)；ma是移動平均，q為移動平均項(xiàng)數(shù)，d為將非平穩(wěn)時間序列轉(zhuǎn)化為平穩(wěn)時間序列時所做的差分次數(shù)。

arima模型的基本思想是：將預(yù)測對象隨時間推移而形成的數(shù)據(jù)序列視為一個隨機(jī)序列，用一定的數(shù)學(xué)模型來近似描述這個序列。這個模型一旦被識別后就可以從時間序列的過去值及現(xiàn)在值來預(yù)測未來值。

由于arima模型是arma模型的拓展，因此包含arma模型的三種形式，即ar模型、ma模型和arma模型：

1)ar(p)(p階自回歸模型)：

xt＝δ+φ1xt-1+φ2xt-2+...+φpxt-p+ut(1)

其中，ut是白噪聲序列，δ是常數(shù)(表示序列數(shù)據(jù)沒有0均值化)。

2)ma(q)(q階移動平均模型)：

xt＝μ+ut+θ1ut-1+θ2ut-2+...+θqut-q(2)

其中，{ut}是白噪聲過程，ma(q)是由ut本身和q個ut的滯后項(xiàng)加權(quán)平均構(gòu)造出來的，因此它是平穩(wěn)的。

3)arma(p,q)(自回歸移動平均過程)：

xt＝δ+φ1xt-1+φ2xt-2+...+φpxt-p+ut+θ1ut-1+θ2ut-2+...+θqut-q(3)

arma模型相當(dāng)于ar模型和ma模型的疊加。

4)另外一種是經(jīng)差分的arma模型形式，即：

δxt＝xt-xt-1＝xt-lxt＝(1-l)xt(4)

δ²xt＝δxt-δxt-1＝(1-l)xt-(1-l)xt-1＝(1-l)²xt

δ^dxt＝(1-l)^dxt

對于d階單整序列xt～i(d)，令：

wt＝δ^dxt＝(1-l)^dxt

則wt是平穩(wěn)序列，于是可對wt建立arma(p,q)模型，所得到的模型稱為xt～arima(p,d,q)模型，故arima(p,d,q)模型可以表示為：

wt＝δ+φ1wt-1+φ2wt-2+...+φpwt-p+ut+θ1ut-1+θ2ut-2+...+θqut-q(5)。

差分平穩(wěn)時間序列的建模步驟如圖2所示。

2、預(yù)測入口so2濃度實(shí)際應(yīng)用。

現(xiàn)取最近過去25分鐘的入口so2濃度數(shù)據(jù)作為原始時間序列，并向前預(yù)測下個3分鐘內(nèi)入口so2濃度的變化趨勢，由于采樣頻率為每半分鐘一個采樣數(shù)據(jù)，因此預(yù)測長度為6，其建模和預(yù)測的步驟如下：

1)檢驗(yàn)入口so2濃度序列的平穩(wěn)性。

圖3a所示為入口so2濃度原始序列的時序圖，顯示該序列具有一定的趨勢性或者周期性，可以判斷為非平穩(wěn)序列；圖3a所示為入口so2濃度原始序列的自相關(guān)圖，顯示自相關(guān)系數(shù)長期大于零，說明序列間具有很強(qiáng)的長期相關(guān)性，且自相關(guān)系數(shù)衰減的速度比較慢，也可說明該序列為非平穩(wěn)序列。

2)對入口so2濃度原始序列進(jìn)行一階差分，并進(jìn)行平穩(wěn)性和白噪聲檢驗(yàn)。

對一階差分后的入口so2濃度序列再次進(jìn)行平穩(wěn)性判斷，過程如上。

如圖4所示，4a是一階差分后的入口so2濃度的時序圖，4b是一階差分后的入口so2濃度的自相關(guān)圖，一階差分之后的入口so2濃度序列的時序圖在均值附近比較平穩(wěn)地波動，自相關(guān)圖有很強(qiáng)的短期相關(guān)性，所以一階差分之后的入口so2濃度序列是平穩(wěn)序列。

由于一階差分之后的入口so2濃度序列的自相關(guān)系數(shù)不為零，且在零附近隨機(jī)波動，所以一階差分之后的入口so2濃度序列是平穩(wěn)非白噪聲序列。

3)對一階差分之后的入口so2濃度序列擬合arima模型，進(jìn)行模型定階。

模型定階就是確定p和q。

方法：計算arima(p,q)當(dāng)p和q均小于等于向前預(yù)測長度的所有組合的bic(bayesianinformationcriterion，bic，貝葉斯信息準(zhǔn)則)信息量，取其中bic信息量達(dá)到最小的模型階數(shù)。

4)基于arima模型的入口so2濃度預(yù)測。

如圖5所示為模型向前預(yù)測下個3分鐘內(nèi)入口so2濃度的實(shí)際值與預(yù)測值比較，可見其變化趨勢基本一致。

(二)預(yù)測模型的參數(shù)選取依據(jù)。

在時間序列預(yù)測過程中，預(yù)測模型的參數(shù)選取非常重要。其中包括建模訓(xùn)練數(shù)據(jù)集的長度，以及模型向前預(yù)測的預(yù)測長度。

如圖6所示，分別采用不同預(yù)測長度4、5、6、7、8、9、10，即模型每次向前預(yù)測2分鐘、2.5分鐘、3分鐘、3.5分鐘、4分鐘、4.5分鐘、5分鐘(采用頻率為每半分鐘一個采樣數(shù)據(jù))，對應(yīng)于每一個預(yù)測長度，采用不同的訓(xùn)練數(shù)據(jù)集長度進(jìn)行建模，可見模型預(yù)測的均方根誤差率隨著建模訓(xùn)練數(shù)據(jù)集長度的變化而變化。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，并不用于限制本發(fā)明，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變型，這些改進(jìn)和變型也應(yīng)視為本發(fā)明的保護(hù)范圍。