CN106650159A - 一种城市路网大气污染物浓度时空分布实时监测系统 - Google Patents

Abstract

本发明涉及一种城市路网大气污染物浓度时空分布实时监测系统，包括：数据中心和传感器网络；所述传感器网络包括分布在路网中的多个传感器构成，将多个传感器形成的实时监测数据传输到数据中心，数据中心结合其他外部数据库的数据，所述其他外部数据库为车辆信息数据库、车辆年检数据库、城市路网地理信息数据库、城市空气污染监测数据库，使用自校正异步互补滤波算法对数据进行融合，最终实现大气污染物浓度时空分布的实时精确监测。本发明利用了道路上已有的各类交通传感器设备，通过大气建模与数据融合技术，在不需要增加额外设备的条件下，实现了道路大气污染物浓度的较为准确的实时监测，为制定治理污染的相关政策提供数据支撑。

Description

一种城市路网大气污染物浓度时空分布实时监测系统

技术领域

本发明涉及一种城市路网大气污染物浓度时空分布实时监测系统，属于大气污染实时监测技术

背景技术

随着城市机动车保有量的增加与工业污染源的移出，机动车尾气排放已经渐渐成为城市大气的主要污染源，大量的研究表明，居住在靠近主干道的生活区中的居民，由于长时间的暴露在尾气污染之中，其患哮喘、肺结核以及各种心脑血管疾病的概率都会大大增加。因此，如果能够实时的获取城市路网大气污染物浓度的时空分布，这将会对制定治理污染的相关政策提供巨大的帮助。但是，由于城市路网庞大、污染物化学反应复杂、扩散模型不精确等因素，实现这种实时监测一直是十分困难的。

常用的方法是不另行增加设备或者增加少量的监测设备，结合扩散模型(如OSPM等)并利用已有信息(如交通流量、排放因子、气象参数等)来推算出污染物浓度。由于扩散模型十分复杂而且不够精确，所以只能得到大概的污染情况。用神经网络模型、最小方差模型以及自回归模型来辨识出已有的数据与浓度之间的关系是一种较为精确的方法，但是由于每条街道都需要事先做实验来确定这种数学关系，而且需要定期校正，该方法的实用性也不是很强。

发明内容

本发明技术解决问题：克服现有技术的不足，提出一种城市路网大气污染物浓度时空分布实时监测系统，利用了道路上已有的各类交通传感器设备，通过大气建模与数据融合技术，在不需要增加额外设备的条件下，实现了道路大气污染物浓度的较为准确的实时监测，为制定治理污染的相关政策提供数据支撑。

本发明技术解决方案：

一种城市路网大气污染物浓度时空分布实时监测系统，包括：数据中心和传感器网络；所述传感器网络包括分布在路网中的多个传感器构成，将多个传感器形成的实时监测数据传输到数据中心，数据中心结合其他外部数据库(车辆信息数据库、车辆年检数据库、城市路网地理信息数据库、城市空气污染监测数据库)的数据，使用自校正异步互补滤波算法对数据进行融合，最终实现大气污染物浓度时空分布的实时精确监测。

所述的传感器网络由固定式交通排放监测器、移动式大气污染监测器、交通流传感器以及道路气象监测器组成。分别实现对交通污染排放的监测、对道路大气污染物浓度的监测、对交通流量的监测以及对道路气象的监测。

所述自校正异步互补滤波算法包括污染物扩散随机差分方程模型、异步互补滤波器和自校正调节器；污染物扩散随机差分方程描述了大气污染物的扩散过程，异步互补滤波器可以将传感器网络产生的数据进行融合以获得准确的污染物浓度时空分布，自校正调节器可以调节异步互补滤波器中的权重系数以保证滤波器的性能。

所述污染物扩散随机差分方程模型具有如下形式：

x_t＝kx_t-1+χ+u_t-1+w_t-1

其中x_t代表道路气体污染物浓度，χ＝(1-k)μ代表污染物静态浓度，μ代表高层空气中的平均污染物浓度，u_t代表由交通引起的大气污染物浓度增加量，w_t表示高斯白噪声，k∈(0,1)是扩散系数，t表示时间；

所述异步互补滤波器，为如下形式：

其中是在时间t的最优估计；y_t表示移动式大气污染监测器对大气污染物浓度的检测值，是移动式大气污染监测器的噪声，为高斯白噪声，p_t与q_t为误差方差。

假设p_t＝p，P_t＝P及q_t＝q，则权重系数 其中N为同步周期系数，K＝k^N为同步扩散系数，为同步噪声，也是一个高斯白噪声，同步方差

所述自校正调节器，具有如下形式：

其中为P_Nt的估计，为q_Nt的估计， 为相关函数r⁽⁰⁾与r⁽¹⁾的估计，0＜λ＜1代表遗忘因子，检测差分序列z_Nt+N＝y_Nt+N-Ky_Nt-U_Nt是两个独立随机过程W_Nt和v_Nt+N-Kv_Nt之和。

本发明与现有技术相比的优点在于：

(1)实现城市路网的大气污染物浓度时空分布实时监测能够对制定治理污染的相关政策提供巨大的帮助。直接监测的方法是在每条路上都安装空气污染监测器，但是成本无疑是巨大且无法接受的。所以目前国内外在这个方面的研究还比较少，而且没有有效的成果能够实现这个项目。由此可见，本发明在领域中是首创的。

(2)结合扩散模型(如OSPM等)并利用已有信息(如交通流量、排放因子、气象参数等)来推算出污染物浓度。由于扩散模型十分复杂而且不够精确，所以只能得到大概的污染情况。

(3)用神经网络模型、最小方差模型以及自回归模型来辨识出已有的数据与浓度之间的关系是一种较为精确的方法，但是由于每条街道都需要事先做实验来确定这种数学关系，而且需要定期校正，该方法的实用性也不是很强。

(4)本发明的最大优点是利用了已有的交通传感器，结合了污染物扩散的物理模型，在适当的假设前提条件下提出了简化的扩散模型，以利于计算机的实现。然后针对项目实际背景提出了自校正互补滤波器以实现对各种传感器的数据融合，最终实现相对精确的道路空气污染物浓度的实时监测。

附图说明

图1为本发明系统组成框图；

图2为污染物扩散示意图，用来直观的展示峡谷型街道的空气流动与污染物扩散模式，进而确定自校正异步互补滤波算法的数学模型。

具体实施方式

下面结合附图及实施例对本发明进行详细说明。

如图1所示，本发明一种城市路网大气污染物浓度时空分布实时监测系统，主要由数据中心和传感器网络组成。基于已有的智能交通技术，通过对移动式大气污染监测器、固定式交通排放监测器、交通流监测器等分布在路网中的传感器进行集成，形成传感器网络并将实时监测数据传输到数据中心。其中如何对大量的、多样的监测数据进行数据融合是一个关键难题。本发明提出的自校正异步滤波器主要包括随机差分方程模型的建立、异步互补滤波对浓度的估计以及自校正调节器自动的调节滤波器的参数。从而实现相对精确的城市路网大气污染物浓度时空分布实时监测，为制定治理污染的相关政策提供数据支撑。

污染物扩散过程是一个十分复杂的物理过程，结合已有的流行的扩散模型并且基于一些合理的假设，给出了一种形式上较为简单的模型。由于考虑的受污染地点与污染源之间的距离很近，所以对于峡谷型道路，只有快速的化学反应才会对污染物在大气中的转化过程有较大影响，也就是说在峡谷型道路大气中的化学反应是很微弱的，这意味着机动车尾气排放的所有污染气体可以看作是惰性气体成分。

由于高排放工厂的迁出及能源产业的发展，机动车尾气排放已经成为道路大气污染的主要因素，尤其是在交通繁忙的地区。因此假设空气污染物浓度的增加主要由机动车尾气排放引起。

由于现在道路两旁的建筑多为高层建筑，因此峡谷型道路可看作是封闭的箱式模型，它的上方和较高的大气层产生物质交换。峡谷内部的大气环境是相对稳定的，污染物浓度以固定的比例降低，这一比例由道路结构决定。

由于再循环区域对污染物浓度的直接贡献可以用烟羽模型来计算，而烟羽模型假设污染物随距离呈线性扩散，所以假设道路上机动车尾气排放也以同样的模式分布。

基于以上四个假设将会给出一个详细的建模过程。第一个假设说明道路上的大气污染物可以看作惰性成分，因此污染物浓度估计过程与化学反应无关。浓度估计的数学模型可以转化为几个低阶方程式以降低计算的复杂度。第二个假设告诉我们道路上的大气污染物主要由交通产生，固定式交通排放监测器可以获得每条道路上由机动车排放引起的污染物浓度的增加量。第三个假设简化了气体污染物的扩散，也说明在没有交通引起的空气污染的情况下，经过足够时间的物质交换，道路上大气污染物浓度会趋于高层空气中的污染物浓度。根据以上得到：

x_t-μ＝k(x_t-1-μ)+u_t-1+w_t-1

其中x_t代表道路气体污染物浓度，μ代表高层空气中的平均污染物浓度，u_t代表由交通引起的大气污染物浓度增加量，w_t表示高斯白噪声，k∈(0，1)是扩散系数，t表示时间。上式揭示了箱式模型内部与外部的浓度差随时间变化的规律。考虑到季节变换会导致参数的变化，尤其是μ，所以引入一个高斯白噪声w_t来提高模型的精确度。

使用移动式大气污染监测器来修正污染物浓度的估计，但是这样的修正并不是实时的，加入移动式大气污染监测器的测量结果进行建模并重新整理上式得到如下的两个随机差分方程：

x_t＝kx_t-1+χ+u_t-1+w_t-1

y_Nt＝x_Nt+v_Nt

其中，χ＝(1-k)μ代表污染物静态浓度，y_t表示移动式大气污染监测器对大气污染物浓度的检测值，和是两个独立的高斯白噪声，p_t与q_t为误差方差。时间t通常选取为一个小时以实现对道路气体污染物浓度的每小时的估计。移动式大气污染监测器在每个周期Nt通过某一街道时可以测量该街道的气体污染物浓度。上式的同步模型可以通过x_t的递归得到，如下所示：

x_Nt＝Kx_Nt-N+U_Nt-N+W_Nt-N

y_Nt＝x_Nt+υ_Nt

其中，K＝k^N为同步扩散系数，为同步输入值， 为同步噪声，也是一个高斯白噪声，同步方差

解决上述问题的传统方法是使用基于模型的卡尔曼滤波器，这在理论上虽然是可行的，但是其计算却很复杂，同时要求测量时同步的。在实际中通常假设时变的噪声方差p_t和q_t是恒定不变的，以此来简化分析。这一假设降低了计算复杂性，但同时也降低了滤波精确性。因此考虑这种情况下存在的问题并提出一种融合算法。以下的滤波器设计和性能分析都基于之前提出的两个数学模型，故可以忽略其物理特性。

提出一种融合算法，名为异步互补滤波器，它需要更少的计算量，并且具有渐进最优性。考虑到时变的噪声统计特性，提出一种自校正调节器来自适应地调整滤波器的参数，从而提高滤波准确性。

异步互补滤波器具有如下数学形式：

其中是在时间t的最优估计；假设p_t＝p，P_t＝P及q_t＝q，则权重系数

推导过程如下所示：

假设移动式大气污染监测器输出数据为{y₀,y_N,…,y_Nt+N}，对{y₁,y_N,…,y_Nt}的线性和x_Nt的最优估计是对于下一时间，没有测量结果时的形式为：

这显然是一个无误差的估计。定义误差估计误差方差其中ε代表统计期望，得到的估计误差方差为：

所以在周期{Nt+τ,τ＝1,2,…,N-1}内有：

其估计误差方差为：

在时间Nt+N做出预估计

其估计误差方差为：

其中

最终的估计将在预估计和测量结果y_Nt+N之间进行比较，得到如下形式滤波器

其估计误差方差为：

为得出使得e_Nt+N最小化的α_Nt+N的值，解方程式得：

进而可得：

假设e _Nt＞0，易知e _Nt+N＞0。初值e ₀＞0，对每个t＞0，使用数学归纳法可知不等式e _Nt+N＞0成立。这也完成了有界性的证明。

由上式可知e _Nt+N-e _Nt和e _Nt-e _Nt-N保持符号一致，因此对于每个t＞0，e _Nt是单调的。事实上，对于e ₀＞e ₁，e _Nt是单调衰减的。当t→∞时，e _Nt→e，e的值如下所示：

那么可以得出t＝0,N,2N,…时的α值，而且t=0,N,2N,…时的滤波器是渐进最优的，当t→∞时α接近最优。由此导出了异步互补滤波器，也证明了它的渐进最优性。

需要注意的是，由于滤波器的递归性，估计结果会被选取的初值影响。为解决这个问题，考虑两个不同的初值和以及在时间Nt分别得出的两个估计和有

两个估计的差值为：

其中由于0＜αK＜1，则当t→∞时δ_Nt→0。初值任意选择，该滤波器都是渐进稳定的。以上就是渐进稳定性的证明。

由于滤波器的α值由噪声方差P和q决定，而P和q会因季节转换而随时间缓慢变化。也就是本发明在滤波器中使用某一种情况下计算出来的α的特定值，得到的结果并不是最优的。因此必须设计一种可以自适应地调节α值的校准器。对于t≠0,N,2N,…时的测量，α与噪声统计特性不相关，因此只有当t＝0,N,2N,…时的α_t才需要进行校正。采用α的估计代替α可得：

联合以下三个方程式：

y_Nt+N＝x_Nt+N+v_Nt+N

y_Nt＝x_Nt+v_Nt

x_Nt+N＝Kx_Nt+U_Nt+W_Nt

可得：

y_Nt+N-Ky_Nt＝U_Nt+W_Nt+v_Nt+N-Kx_Nt

整理可得检测差分序列：

z_Nt+N＝y_Nt+N-Ky_Nt-U_Nt＝W_Nt+v_Nt+N-Kv_Nt

由于z_Nt+N是两个独立随机过程W_Nt和v_Nt+N-Kv_Nt之和，所以z_Nt+N也是一个独立过程，其阶与它的具有较高阶数的分量的阶数相同。

计算上式两边的两个随机过程的相关函数r⁽⁰⁾与r⁽¹⁾得：

r⁽¹⁾＝ε[z_Nt+Nz_Nt]＝-Kq

那么定义在时间Nt时r₀和r₁的估计量分别为：

考虑噪声统计特性的变化，估计量和必须逐步地遗忘旧数据，因此：

其中0＜λ＜1，它代表遗忘因子，正数λ的值越小，遗忘速率越大。因为噪声是缓慢变化的，所以λ的值应当选取一个较大的数。为简化实现过程，上式的递归形式：

其初值同理可得：

其初值根据平稳随机过程的遍历性可得：

其中w.p.1是指以概率1。可以得到估计量和的表达式：

还能得出如下结论：

结果可得：

由此证明了自校正调节器的收敛性。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (6)

1.一种城市路网大气污染物浓度时空分布实时监测系统，其特征在于：包括数据中心和传感器网络；所述传感器网络包括分布在路网中的多个传感器构成，将多个传感器形成的实时监测数据传输到数据中心，数据中心结合其他外部数据库的数据，所述其他外部数据库为车辆信息数据库、车辆年检数据库、城市路网地理信息数据库、城市空气污染监测数据库，使用自校正异步互补滤波算法对数据进行融合，最终实现大气污染物浓度时空分布的实时精确监测。

2.根据权利要求1所述的城市路网大气污染物浓度时空分布实时监测系统，其特征在于：所述传感器网络由固定式交通排放监测器、移动式大气污染监测器、交通流传感器以及道路气象监测器组成。

3.根据权利要求1所述的城市路网大气污染物浓度时空分布实时监测系统，其特征在于：所述自校正异步互补滤波算法包括污染物扩散随机差分方程模型、异步互补滤波器和自校正调节器；污染物扩散随机差分方程描述了大气污染物的扩散过程，异步互补滤波器将传感器网络产生的数据进行融合以获得准确的污染物浓度时空分布，自校正调节器调节异步互补滤波器中的权重系数以保证滤波器的性能。

4.根据权利要求3所述的城市路网大气污染物浓度时空分布实时监测系统，其特征在于：所述污染物扩散随机差分方程模型具有如下形式：

x_t＝kx_t-1+χ+u_t-1+w_t-1

其中x_t，x_t-1代表在时间t和t-1的道路气体污染物浓度，χ＝(1-k)μ代表污染物静态浓度，μ代表高层空气中的平均污染物浓度，u_t-1代表在时间t-1的由交通引起的大气污染物浓度增加量，w_t表示高斯白噪声， 表示均值为0，方差为p_t的高斯分布，k∈(0,1)是扩散系数，下标t和t-1表示采样时间。

5.根据权利要求3所述的城市路网大气污染物浓度时空分布实时监测系统，其特征在于：所述异步互补滤波器，为如下形式：

${\hat{x}}_t=\mathrm{\α}(k{\hat{x}}_{t-1}+\mathrm{\χ}+u_{t-1})+(1-\mathrm{\α})y_t$

其中是在时间t的最优估计；y_t表示在时间t的移动式大气污染监测器对大气污染物浓度的检测值，u_t-1代表在时间t-1的由交通引起的大气污染物浓度增加量， 是移动式大气污染监测器的噪声，为高斯白噪声；表示均值为0，方差为q_t的高斯分布，下标t表示采样时间，χ＝(1-k)μ代表污染物静态浓度，μ代表高层空气中的平均污染物浓度，k∈(0,1)是扩散系数；

假设p_t＝p，P_t＝P及q_t＝q，其中p_t为w_t的方差，q_t为υ_t的方差，为同步方差，p,q,P表示常数，

则权重系数其中N为同步周期系数，K＝k^N为同步扩散系数，为同步噪声，也是一个高斯白噪声。

6.根据权利要求3所述的城市路网大气污染物浓度时空分布实时监测系统，其特征在于：所述自校正调节器，具有如下形式：

${\hat{P}}_{Nt}={\hat{r}}_{Nt}^{\left(0\right)}+\frac{K+1}{K}{\hat{r}}_{Nt}^{\left(1\right)}$

${\hat{q}}_{Nt}=\frac{-1}{K}{\hat{r}}_{Nt}^{\left(1\right)}$

其中为同步方差P_Nt的估计，为q_Nt的估计， 为相关函数r⁽⁰⁾与r⁽¹⁾的估计，λ遗忘因子，取值为0＜λ＜1，检测差分序列z_Nt+N＝y_Nt+N-Ky_Nt-U_Nt是两个独立随机过程W_Nt和v_Nt+N-Kv_Nt之和，K为同步扩散系数，q_Nt为v_Nt的方差，v_Nt为移动式大气污染监测器的噪声，W_Nt为同步噪声，y_Nt表示在时间Nt的移动式大气污染监测器对大气污染物浓度的检测值，U_Nt为同步输入值，下标表示采样时间。