CN105809304B - 电厂和治污设施生产运行参数相关性分析的方法 - Google Patents

Abstract

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。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。本发明具有精度高、算法复杂度低、运算速度快等特点，能满足实际应用要求。

Description

电厂和治污设施生产运行参数相关性分析的方法

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。

发明内容

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的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的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的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的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，…，P_m}、截止当前的一段时间内的历史数据，如按照每秒一次采样频率获取到的参数P₁时间序列数据{x₁，x₂，x₃，…，x_n}。

步骤S202，根据时间序列数据采样频率设定跳变检验周期，计算在跳变检验周期内的波动程度指标index和平均波动与均值ratio的比值，计算公式如下：

F＝|x_max-x_min|，

式中，x_i是数据点；

n是点的个数；

F是点的振幅；

F是点的平均振幅，计算时把数据分成长度为m个点的若干段，求其平均振幅；

当index>0.05且ratio>20％，，则进入步骤S203，否则，进入步骤S204。

步骤S203，对测点报警，提示数据跳变严重，并且从样本中删除此跳变检验周期内所有时间序列数据。

步骤S204，进行吹扫跳变检验，采用1hour计算一次，每次取数据片段为本小时和前1hour作为数据样本，进行2hour数据的方差计算，数据小周期初步设定为5min，每1min进行前5min的均值计算，再设定方差范围，如果数据点或者数据片段超过设定的方差范围，则认为数据吹扫跳变，还需要进一步的处理。如果数据跳变长度大于1min，进入步骤S205，否则进入步骤S206。

步骤S205，把跳变长度大于1min时间段内的数据剔除，并对缺失数据进行差值运算，补全时间序列数据。

步骤S206，对于跳变长度小于1min的时间序列数据段，则直接获取的数据中剔除。

步骤S207，取得当前数据，计算每组时间序列数据的算术移动平均值，替代当前数据，从而得到一组经过降噪处理的新数据。与之前的数据相比，新数据更加平滑，并保证了趋势一致性。

步骤S208，降噪处理之后，再进行皮尔森(Pearson)相关系数r计算，首先进行两个参数之间的皮尔森相关系数计算，每个参数都和其他参数做相关系数计算。然后建立各参数之间的皮尔森相关系数矩阵，如表1所示：

表1：

相关系数r计算公式为：

式中x、y表示模型参数，r_xy∈[-1,1]表示参数x与参数y之间的皮尔森相关系数。

表1中：r₁₂为第1列标题栏“机组负荷”和第2行标题栏“燃煤量”的皮尔森相关系数，r_ij为第i列标题栏和第j行标题栏的皮尔森相关系数，以此类推；

FGD(即Flue gas desulfurization)表示烟气脱硫装置；

所选的模型参数之间都呈现强正相关性。

步骤S209，首先另外选取正常数据样本进行统计，计算出的正常样本的皮尔森相关系数的均值3sigma的上下限，以此作为皮尔森相关系数的预设范围。对于本发明所选取的电厂和治污设施生产运行参数之间都呈现强正相关关系，经过计算预设范围为R∈(0.67,0.995)。验证皮尔森相关系数矩阵的值是否在预设范围内，如果在此范围内，则判定所有数据的参数相关性正常，进行步骤S217；否则，记录超限参数P_i(i>0)，进行步骤S210。

步骤S210，对时间序列数据进行波动扫描，计算出数据相对波动较大的数据段，截取并整理合并大幅波动的数据段，以作进一步相关性分析。

步骤S211，计算大幅波动段的参数之间的皮尔森相关系数矩阵。

步骤S212，相对于降噪处理后的数据的皮尔森相关系数预设范围R，大幅波动段的预设范围更宽松记为R'∈(0.6,1)，统计超限参数P_i与其他参数在大幅波动段的皮尔森系数超出R'数量k，计算超限参数P_i的皮尔森相关系数再次超限占比λ＝k/(m-1)，λ∈[0,1]其中m为模型参数的数量。

步骤S213，首先本发明选取机组负荷作为主参数，并计算主参数的数据在大幅波动段对时间积分α；其次获取超限参数P_i，计算P_i的数据在大幅波动段对时间积分β。最后计算积分α和积分β的比值δ，δ即为超限参数P_i和主参数之间的积分相关系数。

步骤S214，另外选取多个正常数据样本，计算超限参数P_i的对时间积分和主参数对时间积分之间的拟合公式F，并通过自学习模型，不断校正拟合公式。

步骤S215，根据拟合公式F，计算在主参数对时间积分值为α时的积分相关系数，并把结果记为δ'，超限参数P_i和主参数之间积分相关系数误差率(ξ)计算公式为：

步骤S216，通过检验超限参数的皮尔森相关系数再次超限占比λ范围和积分相关系数误差率ξ范围，进行异常判定，判定条件如下：

1.积分相关系数误差率超过ξ的10％，并且超限参数的皮尔森相关系数再次超限占比超过λ的30％；

2.积分相关系数误差率超过ξ的5％，并且超限参数的皮尔森相关系数再次超限占比超过λ的70％。

满足上述两条中任何其中一条即判定：此超限参数P_i的数据相关性异常；否则，超限参数P_i的数据相关性正常。

步骤S217，结束参数相关性分析。

Claims (7)

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，其特征是：由三个步骤组成，分别是：降噪处理、长周期相关性计算和精细化相关性计算，

降噪处理：对获取到的时间序列数据进行的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，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：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：确定超限参数后，扫描数据相对波动幅度比较大数据段即超过3个标准差范围的数据段，整理合并大幅波动数据段，并进行精细化相关性计算共同确定超限参数的相关性是否异常；

所述精细化相关性计算包括：

积分相关系数误差率计算：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：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：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。

2.如权利要求1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。

3.如权利要求1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：所述降噪处理包括跳变检查、吹扫检查和数据降噪：

跳变检查：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，该段周期内的数据无法做相关性分析，直接删除该段周期内的数据；

吹扫检查：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：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周期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；

根据时间序列数据采样频率设定跳变检验周期，计算在跳变检验周期内的波动程度指标index和平均波动与均值ratio的比值，计算公式如下：

F＝|x_max-x_min|，

式中，x_i是数据点；

n是点的个数；

F是点的振幅；

是点的平均振幅，计算时把数据分成长度为m个点的若干段，求其平均振幅；

当index≤0.05或ratio≤20％时，则认为时间序列数据发生了程度较轻的频繁跳动。

4.如权利要求1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三倍标准差的上限和下限之间的范围作为预设相关系数范围。

5.如权利要求1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，主参数选取机组负荷。

6.如权利要求1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％。

7.如权利要求1至6中任意一项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的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，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，以作进一步相关性分析，其中进一步相关性分析包括如下步骤S211～S217：

步骤S211，计算大幅波动段的参数之间的皮尔森相关系数矩阵；

步骤S212，相对于降噪处理后的数据的皮尔森相关系数预设范围R，大幅波动段的预设范围更宽松记为R'∈(0.6,1)，统计超限参数P_i与其他参数在大幅波动段的皮尔森系数超出R'数量k，计算超限参数P_i的皮尔森相关系数再次超限占比λ＝k/(m-1)，λ∈[0,1]，其中m为模型参数的数量；

步骤S213，首先选取机组负荷作为主参数，并计算主参数的数据在大幅波动段对时间积分α；其次获取超限参数P_i，计算P_i的数据在大幅波动段对时间积分β，最后计算积分α和积分β的比值δ，δ即为超限参数P_i和主参数之间的积分相关系数；

步骤S214，另外选取多个正常数据样本，计算超限参数P_i的对时间积分和主参数对时间积分之间的拟合公式F，并通过自学习模型，不断校正拟合公式；

步骤S215，根据拟合公式F，计算在主参数对时间积分值为α时的积分相关系数，并把结果记为δ'，超限参数P_i和主参数之间积分相关系数误差率(ξ)计算公式为：

步骤S216，通过检验超限参数的皮尔森相关系数再次超限占比λ范围和积分相关系数误差率ξ范围，进行异常判定，判定条件如下：

1.积分相关系数误差率超过ξ的10％，并且超限参数的皮尔森相关系数再次超限占比超过λ的30％；

2.积分相关系数误差率超过ξ的5％，并且超限参数的皮尔森相关系数再次超限占比超过λ的70％；

满足上述两条中任何其中一条即判定：此超限参数P_i的数据相关性异常；否则，超限参数P_i的数据相关性正常；

步骤S217，结束参数相关性分析。

Images