CN107239613A - 一种基于在线数据和因子分析模型的智能源类识别方法 - Google Patents
一种基于在线数据和因子分析模型的智能源类识别方法 Download PDFInfo
- Publication number
- CN107239613A CN107239613A CN201710411363.8A CN201710411363A CN107239613A CN 107239613 A CN107239613 A CN 107239613A CN 201710411363 A CN201710411363 A CN 201710411363A CN 107239613 A CN107239613 A CN 107239613A
- Authority
- CN
- China
- Prior art keywords
- factor
- component
- analysis model
- source
- setting
- 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.)
- Pending
Links
- 238000000556 factor analysis Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000007405 data analysis Methods 0.000 title claims abstract description 12
- 239000000126 substance Substances 0.000 claims abstract description 22
- 239000000470 constituent Substances 0.000 claims abstract description 18
- 239000013618 particulate matter Substances 0.000 claims abstract description 14
- 230000002123 temporal effect Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 229910002651 NO3 Inorganic materials 0.000 claims description 19
- NHNBFGGVMKEFGY-UHFFFAOYSA-N nitrate group Chemical group [N+](=O)([O-])[O-] NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- HRKQOINLCJTGBK-UHFFFAOYSA-N dihydroxidosulfur Chemical class OSO HRKQOINLCJTGBK-UHFFFAOYSA-N 0.000 claims description 12
- 239000000428 dust Substances 0.000 claims description 12
- CHCGWNQHGOGCNA-UHFFFAOYSA-N 2,3-dimethyl-4-nitrobenzoic acid Chemical class CC1=C(C)C([N+]([O-])=O)=CC=C1C(O)=O CHCGWNQHGOGCNA-UHFFFAOYSA-N 0.000 claims description 11
- 150000002500 ions Chemical class 0.000 claims description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 8
- 239000003245 coal Substances 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 229910052742 iron Inorganic materials 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 229910052785 arsenic Inorganic materials 0.000 claims description 4
- 229910052802 copper Inorganic materials 0.000 claims description 4
- 229910001385 heavy metal Inorganic materials 0.000 claims description 4
- 229910052745 lead Inorganic materials 0.000 claims description 4
- 229910052748 manganese Inorganic materials 0.000 claims description 4
- 229910052725 zinc Inorganic materials 0.000 claims description 4
- 229910052793 cadmium Inorganic materials 0.000 claims description 3
- 229910052804 chromium Inorganic materials 0.000 claims description 3
- 229910052759 nickel Inorganic materials 0.000 claims description 3
- 229910052700 potassium Inorganic materials 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 229910052787 antimony Inorganic materials 0.000 claims description 2
- 229910052797 bismuth Inorganic materials 0.000 claims description 2
- 229910052733 gallium Inorganic materials 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 229910052718 tin Inorganic materials 0.000 claims description 2
- 238000002485 combustion reaction Methods 0.000 claims 1
- 230000032683 aging Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 13
- 239000000203 mixture Substances 0.000 description 6
- 238000003915 air pollution Methods 0.000 description 3
- 229910052791 calcium Inorganic materials 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 2
- 241001146702 Candidatus Entotheonella factor Species 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 125000003636 chemical group Chemical group 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- 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
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Medicinal Chemistry (AREA)
- Tourism & Hospitality (AREA)
- Food Science & Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Dispersion Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供的基于在线数据和因子分析模型的智能源类识别的方法。包括:利用在线观测仪器观测颗粒物的化学组分,构建多组分在线数据,输入到因子分析模型;设置模型参数;选择进行计算的样品、化学组分、时间分辨率;设定因子个数;然后进行计算,提取因子,计算因子贡献;设定源识别条件,利用因子智能识别技术识别因子。本发明提供的污染源智能识别技术能降低人为因素的影响,缩短模型计算时间,提高模型计算的时效性;智能识别,实现了因子分析模型的自动化计算,具有很好的推广应用前景。
Description
技术领域
本发明涉及大气颗粒物源解析领域,具体涉及一种因子分析模型的智能源识别方法。
背景技术
颗粒物浓度增加是灰霾等污染过程产生的主要内在因素,在不利的气象条件下,由PM2.5污染引发的我国区域性重灰霾持续时间可长达数天(5~10天),持续的重污染过程也成为城市环境空气质量、大气能见度和居民人体健康的重大威胁。对于重污染天气,应急预案的制订应该基于科学分析和污染源解析,找准城市重污染天形成的根源和关键环节。这就需要我们对重污染过程成因快速进行精确解析和对颗粒物来源进行快速、准确溯源,为重污染天气的应急预案提供科学依据,从而有效控制城市颗粒物污染尤其是重污染过程中的颗粒物。
大气颗粒物源解析能为制定城市大气颗粒物污染控制对策提供不可缺少的科学依据,根据源解析结果,能帮助环境决策者们提出更具有针对性、科学性和合理性的颗粒物污染防治政策。传统的基于受体模型的颗粒物源解析是通过滤膜采样、离线分析技术进行分析的。这种长时间、低时间分辨率(一般为24小时)的分析技术不能满足在较短时间内取得足够的样品来解析污染源对颗粒物的影响。目前,利用正定矩阵因子分析模型结合在线监测数据建立的在线源解析技术能快速的解析重污染天气过程中颗粒物的主要来源。但是正定矩阵因子分析模型是基于数学意义提取的公因子,该模型不能自动给出公因子代表的源类,需要根据人为经验判断公因子代表的源类,因此,目前的在线源解析技术需要结合经验判断才能得到污染源对对颗粒物的贡献和影响,无法在线源解析技术的自动化。
发明内容
本发明的目的是解决现有因子分析模型很难自动识别污染源,无法使在线源解析技术的自动化的问题,基于较高时间分辨率的测量仪器来测量受体源解析模型中需要的各种数据,结合因子分析模型,提供了一种智能识别源类的方法。本发明通过对污染源的成分谱特征进行研究,总结规律,首次采用横向归一化因子成分谱的方法,得到污染源标识组分在各个因子中的分布特征,再根据污染源及其标识组分的设定规则,将其转化成计算机语言嵌套到模型中,最终建立污染源的智能识别方法,实现在线源解析技术的自动化。
本发明提供的基于在线数据和因子分析模型的智能源类识别方法,采用的技术方案如下:
第1步.利用在线观测仪器观测颗粒物的化学组分,构建多组分在线数据,输入到因子分析模型;输入的在线数据包括水溶性离子,碳组分,元素和颗粒物浓度;在线数据输入到正定矩阵因子分析实时源解析模型(即因子分析模型)。
颗粒物浓度由颗粒物在线监测仪器测量PM2.5浓度;水溶性离子由在线离子色谱分析仪测量,包括NH4 +、Na+、K+、Ca2+、Mg+、SO4 2-、NO3 -和Cl-;碳组分由半连续OC/EC仪器测量,包括OC和EC;元素由重金属在线分析仪监测,包括K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Ag、Cd、Sn、Sb、Ba、Au、Hg、Tl、Pb和Bi组分。
第2步.设置模型参数;
所述的因子分析模型是正定矩阵因子分析实时源解析模型,需要输入因子分析模型的参数包括两个,第一参数是分析仪器检测限,另一个参数是输入数据中的部分不确定性数据,根据具体的采样和分析情况来设定,模型计算之前,需要同时输入这两个参数。
第3步.选择进行计算的样品、化学组分、时间分辨率;
根据计算需求,选择要分析的样品和时间分辨率;根据需要识别的源类和数据的可靠性,选择合适的化学组分。
第4步.设定模型需要提取出的因子个数,因子个数代表可能的污染源类数量,根据需要观测点位的实际情况设定,且因子设定的个数小于输入数据中化学组分的数量。因子个数设定完成后,进行模型计算,提取因子,并计算因子贡献。
第5步.设定源识别条件,利用因子智能识别技术识别因子;
所述的设定源识别条件包括两个设定,一个是污染源的设定,另一个是污染源标识组分的设定;
因子分析模型根据以下步骤,将因子识别为具体的源类,具体包括如下步骤:
(a)在线数据经因子分析模型计算得到因子成分谱;
(b)将因子成分谱进行归一化得到归一化后的因子成分谱,即对于每一种化学组分,它在各因子的值加和等于1;
(c)设定污染源及其标识组分,第一污染源设定为二次硫酸盐,标识组分设定为SO4 2-,第二个污染源设定为二次硝酸盐,标识组分设定为NO3 -;第三个污染源设定为扬尘,标识组分设定为Ca;第四个污染源设定为机动车,标识组分设定为OC和EC;第五个污染源设定为燃煤,标识组分设定为OC和EC。工业源的标识组分根据地方特点设置;
(d)根据归一化因子成分谱中标识组分在各个因子中的分布特征,将因子识别为具体的源类;所有因子中,SO4 2-值最大的因子识别为二次硫酸盐,NO3 -值最大的因子识别为二次硝酸盐,Ca值最大的因子识别为扬尘,OC和EC加和值最大的因子识别为机动车,OC和EC加和分布第二大的因子识别为燃煤,工业源根据地方特点设置(例如工业源主要是钢铁行业,则标识组分为Fe)。
本发明的优点和有益效果:
与因子分析模型相比,本发明能实现污染源的自动识别。通过智能识别,减少人为因素对源解析结果的干扰,提高模型的运算时效性,实现在线源解析技术的自动化,便于在线源解析技术的推广应用。
附图说明
图1示出了自动源识别的流程图。
具体实施方式
实施例1
本实例利用天津市的在线监测数据和因子分析模型进行污染源的识别,具体步骤如下:
1.构建因子分析模型输入数据。所述的输入数据包括水溶性离子,碳组分,元素,颗粒物浓度。
利用颗粒物在线监测仪器测量PM2.5浓度。
利用半连续OC/EC仪器测量碳组分,包括OC和EC的浓度。
利用在线离子色谱分析仪测量水溶性离子,包括NH4 +、Na+、Mg2+、S04 2-、NO3 -、Cl-的浓度。
利用重金属在线分析仪监测元素,包括K、Ca、Cr、Mn、Fe、Ni、Cu、Zn、As、Se、Ag、Cd、Ba、Hg、Pb的浓度。(每次输入数据的组分类别根据实际监测数据会有一定变化)。
四台监测仪器同时采集22天的样品,监测的数据时间分辨率为1小时。
2、输入因子分析模型的参数。其中包括两个参数,一个是与分析仪器检测限相关的参数,设置为0.2,另一个是与输入数据不确定性相关的参数,设置为0.34。这两个参数要根据实际分析仪器的检测限和输入数据的不确定性进行设置。
3、输入识别的因子数。模型提取的因子个数设置为4。
4、选择计算的样品、化学组分、时间分辨率。选择上述步骤1中的所有输入数据和化学组分进行计算。时间分辨率为1小时,开始运算。
提取因子和计算因子贡献,提取的因子如表1所示。如无智能识别技术,则需要根据经验人为的判断因子代表的源类。根据经验判断的结果如下:因子1中OC、EC含量最高,可认为是机动车源;因子2中OC、EC-等相对含量较高,代表燃煤源,因子3代表二次硫酸盐和二次硝酸盐的混合源,硫酸盐、硝酸盐是该因子的主要组分;因子4中Ca的含量较高,是扬尘。
表1源解析因子成分谱
化学组份 | 因子1 | 因子2 | 因子3 | 因子4 |
Cl- | 0.00 | 0.00 | 0.47 | 0.19 |
NO3 - | 0.33 | 0.51 | 8.60 | 3.85 |
SO4 2- | 0.87 | 0.65 | 11.99 | 0.07 |
Na+ | 0.03 | 0.04 | 0.10 | 0.07 |
NH4 + | 0.16 | 0.00 | 8.70 | 0.00 |
Mg2+ | 0.00 | 0.00 | 0.00 | 0.06 |
Ca | 0.08 | 0.00 | 0.00 | 0.20 |
K | 0.15 | 0.52 | 0.00 | 0.03 |
Cr | 0.00 | 0.00 | 0.00 | 0.00 |
Mn | 0.01 | 0.02 | 0.00 | 0.00 |
Fe | 0.16 | 0.28 | 0.09 | 0.08 |
Ni | 0.00 | 0.00 | 0.00 | 0.00 |
Cu | 0.00 | 0.01 | 0.00 | 0.00 |
Zn | 0.02 | 0.15 | 0.00 | 0.00 |
As | 0.00 | 0.01 | 0.00 | 0.00 |
Se | 0.00 | 0.00 | 0.00 | 0.00 |
Ag | 0.00 | 0.00 | 0.00 | 0.00 |
Cd | 0.00 | 0.00 | 0.00 | 0.00 |
Ba | 0.01 | 0.01 | 0.00 | 0.00 |
Hg | 0.00 | 0.00 | 0.00 | 0.00 |
Pb | 0.01 | 0.05 | 0.01 | 0.00 |
EC | 3.72 | 3.55 | 0.94 | 0.15 |
OC | 1.21 | 0.80 | 0.45 | 0.30 |
5、设定因子识别条件,包括两个设定,一个是污染源的设定,另一个是污染源标识组分的设定。正定矩阵因子分析实时源解析模型根据以下步骤,将因子识别为具体的源类,具体包括如下步骤如下:
(a)在线数据经因子分析模型计算得到因子成分谱(表1);
(b)将因子成分谱归一化得到归一化后的因子成分谱,即对于每一种化学组分,它在各因子的值加和等于1;污染源标识组分在各个因子中的分布特征见表2:
表2横向归一化后的源解析因子成分谱
化学组份 | 因子1 | 因子2 | 因子3 | 因子4 |
Cl- | 0.00 | 0.00 | 0.71 | 0.29 |
NO3 - | 0.02 | 0.04 | 0.65 | 0.29 |
SO4 2- | 0.06 | 0.05 | 0.88 | 0.01 |
Na+ | 0.13 | 0.17 | 0.42 | 0.29 |
NH4 + | 0.02 | 0.00 | 0.98 | 0.00 |
Mg2+ | 0.00 | 0.00 | 0.00 | 1.00 |
Ca | 0.29 | 0.00 | 0.00 | 0.71 |
K | 0.21 | 0.74 | 0.00 | 0.04 |
Cr | 0.00 | 0.00 | 0.00 | 0.00 |
Mn | 0.33 | 0.67 | 0.00 | 0.00 |
Fe | 0.26 | 0.46 | 0.15 | 0.13 |
Ni | 0.00 | 0.00 | 0.00 | 0.00 |
Cu | 0.00 | 1.00 | 0.00 | 0.00 |
Zn | 0.12 | 0.88 | 0.00 | 0.00 |
As | 0.00 | 1.00 | 0.00 | 0.00 |
Se | 0.00 | 0.00 | 0.00 | 0.00 |
Ag | 0.00 | 0.00 | 0.00 | 0.00 |
Cd | 0.00 | 0.00 | 0.00 | 0.00 |
Ba | 0.50 | 0.50 | 0.00 | 0.00 |
Hg | 0.00 | 0.00 | 0.00 | 0.00 |
Pb | 0.14 | 0.71 | 0.14 | 0.00 |
EC | 0.44 | 0.42 | 0.11 | 0.02 |
OC | 0.44 | 0.29 | 0.16 | 0.11 |
(c)设定污染源及其标识组分,第一污染源设定为二次硫酸盐,标识组分设定为SO4 2-,第二个污染源设定为二次硝酸盐,标识组分设定为NO3 -;第三个污染源设定为扬尘,标识组分设定为Ca;第四个污染源设定为机动车,标识组分设定为OC和EC;第五个污染源设定为燃煤,标识组分设定为OC和EC。本次采样点无工业源,故在此不设置工业源;
(d)根据归一化因子成分谱中标识组分在各个因子中的分布特征(表2),将因子识别为具体的源类;所有因子中,SO4 2-值最大的因子(因子3)识别为二次硫酸盐,NO3 -值最大的因子(因子3)识别为二次硝酸盐,Ca值最大的因子(因子4)识别为扬尘,OC和EC加和值最大的因子(因子1)识别为机动车,OC和EC加和分布第二大的因子(因子2)识别为燃煤。根据上述方法,识别因子。结果如表3:
表3因子识别结果
源 | 因子 |
二次硫酸盐 | 因子3 |
二次硝酸盐 | 因子3 |
扬尘 | 因子4 |
机动车 | 因子1 |
燃煤 | 因子2 |
因子智能识别技术得到的结果与人为经验判断的结果一致,说明,因子智能识别技术能正确的识别因子代表的源类。
实施例2
本实例利用天津市的在线监测数据和因子分析模型进行污染源的识别,具体步骤如下:
1.构建因子分析模型输入数据。所述的输入数据包括水溶性离子,碳组分,元素,颗粒物浓度。
利用颗粒物在线监测仪器测量PM2.5浓度。
利用半连续OC/EC仪器测量碳组分,包括OC和EC的浓度。
利用在线离子色谱分析仪测量水溶性离子,包括NH4 +、Na+、Mg2+、S04 2-、NO3 -、Cl-的浓度。
利用重金属在线分析仪监测元素,包括Ca、Mn、Fe、Cu、Zn、As、Se、Ba、Hg、Pb的浓度。(每次输入数据的组分类别根据实际监测数据会有一定变化)。
四台监测仪器同时采集30天的样品,监测的数据时间分辨率为1小时。
2、输入因子分析模型的参数。其中包括两个参数,一个是与分析仪器检测限相关的参数,设置为0.1,另一个是与输入数据不确定性相关的参数,设置为0.34。这两个参数要根据实际分析仪器的检测限和输入数据的不确定性进行设置。
3、输入识别的因子数。模型提取的因子个数设置为4。
4.选择计算的样品、化学组分、时间分辨率。选择所有输入数据和化学组分进行计算。时间分辨率为1小时,开始运算。
提取因子和计算因子贡献。提取的因子如表4所示,如无智能识别技术,则需要根据经验人为的判断因子代表的源类。根据经验判断的结果如下:因子1中OC、EC含量最高,可认为是机动车源;因子2中Ca、Fe等地壳元素的含量较高,是扬尘;因子3代表二次硫酸盐和二次硝酸盐的混合源,硫酸盐、硝酸盐是该因子的主要组分;因子4中OC、EC等相对含量较高,代表燃煤源,
表4源解析因子成分谱
化学组份 | 因子1 | 因子2 | 因子3 | 因子4 |
Cl- | 3.69 | 3.27 | 0.08 | 0.10 |
NO3 - | 0.00 | 0.00 | 20.06 | 0.00 |
SO4 2- | 4.63 | 0.00 | 5.51 | 0.00 |
Na+ | 0.00 | 0.12 | 0.70 | 0.44 |
NH4 + | 6.76 | 2.19 | 2.01 | 0.00 |
Mg2+ | 0.00 | 0.00 | 0.13 | 0.15 |
Ca | 0.00 | 0.98 | 0.00 | 0.00 |
Mn | 0.02 | 0.04 | 0.01 | 0.00 |
Fe | 0.00 | 1.00 | 0.04 | 0.00 |
Cu | 0.01 | 0.03 | 0.00 | 0.00 |
Zn | 0.14 | 0.19 | 0.00 | 0.00 |
As | 0.01 | 0.01 | 0.00 | 0.00 |
Se | 0.00 | 0.00 | 0.00 | 0.00 |
Ba | 0.00 | 0.05 | 0.01 | 0.00 |
Hg | 0.00 | 0.00 | 0.00 | 0.00 |
Pb | 0.04 | 0.06 | 0.01 | 0.00 |
EC | 13.59 | 0.00 | 0.00 | 6.05 |
OC | 4.23 | 0.00 | 0.00 | 1.50 |
5、设定因子识别条件,包括两个设定,一个是污染源的设定,另一个是污染源标识组分的设定。正定矩阵因子分析实时源解析模型根据以下步骤,将因子识别为具体的源类,具体包括如下步骤如下:
(a)在线数据经因子分析模型计算得到因子成分谱(表4);
(b)将因子成分谱归一化得到归一化后的因子成分谱,即对于每一种化学组分,它在各因子的值加和等于1;污染源标识组分在各个因子中的分布特征见见表5:
表5横向归一化后的源解析因子成分谱
化学组份 | 因子1 | 因子2 | 因子3 | 因子4 |
Cl- | 0.52 | 0.46 | 0.01 | 0.01 |
NO3 - | 0.00 | 0.00 | 1.00 | 0.00 |
SO4 2- | 0.46 | 0.00 | 0.54 | 0.00 |
Na+ | 0.00 | 0.10 | 0.56 | 0.35 |
NH4 + | 0.62 | 0.20 | 0.18 | 0.00 |
Mg2+ | 0.00 | 0.00 | 0.46 | 0.54 |
Ca | 0.00 | 1.00 | 0.00 | 0.00 |
K | 0.29 | 0.57 | 0.14 | 0.00 |
Cr | 0.00 | 0.96 | 0.04 | 0.00 |
Mn | 0.25 | 0.75 | 0.00 | 0.00 |
Fe | 0.42 | 0.58 | 0.00 | 0.00 |
Ni | 0.50 | 0.50 | 0.00 | 0.00 |
Cu | 0.00 | 0.00 | 0.00 | 0.00 |
Zn | 0.00 | 0.83 | 0.17 | 0.00 |
As | 0.00 | 0.00 | 0.00 | 0.00 |
Se | 0.36 | 0.55 | 0.09 | 0.00 |
Ag | 0.69 | 0.00 | 0.00 | 0.31 |
Cd | 0.74 | 0.00 | 0.00 | 0.26 |
(c)设定污染源及其标识组分,第一污染源设定为二次硫酸盐,标识组分设定为SO4 2-,第二个污染源设定为二次硝酸盐,标识组分设定为NO3 -;第三个污染源设定为扬尘,标识组分设定为Ca;第四个污染源设定为机动车,标识组分设定为OC和EC;第五个污染源设定为燃煤,标识组分设定为OC和EC。本次采样点无工业源,故在此不设置工业源
(d)根据归一化因子成分谱中标识组分在各个因子中的分布特征(表5),将因子识别为具体的源类;所有因子中,SO4 2-值最大的因子(因子3)识别为二次硫酸盐,NO3 -值最大的因子(因子3)识别为二次硝酸盐,Ca值最大的因子(因子4)识别为扬尘,OC和EC加和值最大的因子(因子1)识别为机动车,OC和EC加和分布第二大的因子(因子2)识别为燃煤。
根据上述方法,识别因子。结果如表6:
表6因子识别结果
源 | 因子 |
二次硫酸盐 | 因子3 |
二次硝酸盐 | 因子3 |
扬尘 | 因子2 |
机动车 | 因子1 |
燃煤 | 因子4 |
因子智能识别技术得到的结果与人为经验判断的结果一致,说明,因子智能识别技术能正确的识别因子代表的源类。
Claims (6)
1.一种基于在线数据和因子分析模型的智能源类识别方法,其特征在于所述方法包括:
第1步、利用在线观测仪器观测颗粒物的化学组分,构建多组分在线数据,输入到因子分析模型;
第2步、设置模型参数;
第3步、选择进行计算的样品、化学组分、时间分辨率;
第4步、设定因子个数;然后进行计算,提取因子,计算因子贡献;
第5步、设定源识别条件,利用因子智能识别技术识别因子。
2.如权利要求1所述的基于在线数据和因子分析模型的智能源类识别方法,其特征在于所述的构建多组分在线数据,是指需要构建因子分析模型的输入数据;所述的输入数据包括水溶性离子,碳组分,元素和颗粒物浓度;
颗粒物浓度由颗粒物在线监测仪器测量PM2.5浓度;水溶性离子由在线离子色谱分析仪测量,包括NH4 +、Na+、K+、Ca2+、Mg+、SO4 2-、NO3 -和Cl-;碳组分由半连续OC/EC仪器测量,包括OC和EC;元素由重金属在线分析仪监测,包括K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Ag、Cd、Sn、Sb、Ba、Au、Hg、Tl、Pb和Bi组分。
3.如权利要求1中所述的基于在线数据和因子分析模型的智能源类识别方法,其特征在于所述的因子分析模型是正定矩阵因子分析实时源解析模型,需要输入因子分析模型的参数包括两个,第一参数是分析仪器检测限,另一个参数是输入数据不确定性数据,根据具体的采样和分析情况来设定,模型计算之前,需要同时输入这两个参数。
4.如权利要求1所述的基于在线数据和因子分析模型的智能源类识别方法,其特征在于所述的选择进行计算的样品、化学组分、时间分辨率是指,根据计算需求,选择要分析的样品和时间分辨率;根据需要识别的源类和数据的可靠性,选择合适的化学组分。
5.如权利要求1中所述的基于在线数据和因子分析模型的智能源类识别方法,其特征在于所述的设定因子个数表示的是污染源的个数,根据需要观测点位的实际情况设定,且因子设定的个数小于输入数据中化学组分的数量,然后进行模型计算,提取因子,并计算因子贡献。
6.如权利要求1所述的基于在线数据和因子分析模型的智能源类识别方法,其特征在于所述的设定源识别条件,包括两个设定,一个是污染源的设定,另一个是污染源标识组分的设定;因子分析模型根据以下步骤,将因子识别为具体的源类,具体包括如下步骤:
(a)在线数据经因子分析模型计算得到因子成分谱;
(b)将因子成分谱进行归一化得到归一化后的因子成分谱,即对于每一种化学组分,它在各因子的值加和等于1;
(c)设定污染源及其标识组分,第一污染源设定为二次硫酸盐,标识组分设定为SO4 2-,第二个污染源设定为二次硝酸盐,标识组分设定为NO3 -;第三个污染源设定为扬尘,标识组分设定为Ca;第四个污染源设定为机动车,标识组分设定为OC和EC;第五个污染源设定为燃煤,标识组分设定为OC和EC;工业源的标识组分根据地方特点设置;
(d)根据归一化因子成分谱中标识组分在各个因子中的分布特征,将因子识别为具体的源类;所有因子中,SO4 2-值最大的因子识别为二次硫酸盐,NO3 -值最大的因子识别为二次硝酸盐,Ca值最大的因子识别为扬尘,OC和EC加和值最大的因子识别为机动车,OC和EC加和分布第二大的因子识别为燃煤,工业源根据地方特点设置,例如工业源主要是钢铁行业,则标识组分为Fe。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710411363.8A CN107239613A (zh) | 2017-06-05 | 2017-06-05 | 一种基于在线数据和因子分析模型的智能源类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710411363.8A CN107239613A (zh) | 2017-06-05 | 2017-06-05 | 一种基于在线数据和因子分析模型的智能源类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107239613A true CN107239613A (zh) | 2017-10-10 |
Family
ID=59985758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710411363.8A Pending CN107239613A (zh) | 2017-06-05 | 2017-06-05 | 一种基于在线数据和因子分析模型的智能源类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239613A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944213A (zh) * | 2017-11-24 | 2018-04-20 | 天津聚研环保科技有限公司 | Pmf在线源解析方法、系统、终端设备及计算机可读存储介质 |
CN108318391A (zh) * | 2018-02-09 | 2018-07-24 | 沈阳建筑大学 | 一种北方低温环境中细颗粒物分析方法 |
CN108446531A (zh) * | 2018-03-08 | 2018-08-24 | 南开大学 | 基于实测源成分谱和源解析技术的受体Si和Al重构方法 |
CN108802262A (zh) * | 2018-06-19 | 2018-11-13 | 南开大学 | 基于多组分在线监测数据与因子分析模型联用的目标因子转换-pmf耦合算法 |
CN108956881A (zh) * | 2018-07-16 | 2018-12-07 | 南开大学 | Sdabb源解析方法、系统、终端设备及计算机可读存储介质 |
CN109785912A (zh) * | 2019-02-13 | 2019-05-21 | 中国科学院大气物理研究所 | 一种用于目标污染物源解析的因子快速识别方法及装置 |
CN110361304A (zh) * | 2019-06-20 | 2019-10-22 | 南开大学 | 基于ams数据估算不同生成路径对颗粒物中二次无机粒子影响的方法 |
CN112562794A (zh) * | 2020-12-09 | 2021-03-26 | 河北先进环保产业创新中心有限公司 | 污染源解析方法、装置及终端设备 |
CN112613675A (zh) * | 2020-12-29 | 2021-04-06 | 南开大学 | 一种分析污染源与气象因素对不同程度pm2.5污染影响贡献和效应的机器学习模型 |
CN112903945A (zh) * | 2021-02-26 | 2021-06-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
CN115453064A (zh) * | 2022-09-22 | 2022-12-09 | 山东大学 | 一种细颗粒物空气污染成因分析方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698255A (zh) * | 2013-12-26 | 2014-04-02 | 中国环境科学研究院 | 一种大气颗粒物来源实时解析方法 |
CN106092834A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院大气物理研究所 | 大气细颗粒物在线源解析系统及方法 |
-
2017
- 2017-06-05 CN CN201710411363.8A patent/CN107239613A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698255A (zh) * | 2013-12-26 | 2014-04-02 | 中国环境科学研究院 | 一种大气颗粒物来源实时解析方法 |
CN106092834A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院大气物理研究所 | 大气细颗粒物在线源解析系统及方法 |
Non-Patent Citations (2)
Title |
---|
周振 等: "大气细颗粒物(PM2.5)实时在线源解析技术", 《中国分析测试协会科学技术奖发展回顾》 * |
杨佳美 等: "关中地区背景点位环境空气PM_2.5来源解析与多模型结果对比", 《环境科学研究》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944213A (zh) * | 2017-11-24 | 2018-04-20 | 天津聚研环保科技有限公司 | Pmf在线源解析方法、系统、终端设备及计算机可读存储介质 |
CN107944213B (zh) * | 2017-11-24 | 2021-09-28 | 天津聚研环保科技有限公司 | Pmf在线源解析方法、系统、终端设备及计算机可读存储介质 |
CN108318391A (zh) * | 2018-02-09 | 2018-07-24 | 沈阳建筑大学 | 一种北方低温环境中细颗粒物分析方法 |
CN108446531A (zh) * | 2018-03-08 | 2018-08-24 | 南开大学 | 基于实测源成分谱和源解析技术的受体Si和Al重构方法 |
CN108446531B (zh) * | 2018-03-08 | 2021-06-29 | 南开大学 | 基于实测源成分谱和源解析技术的受体Si和Al重构方法 |
CN108802262B (zh) * | 2018-06-19 | 2020-08-07 | 南开大学 | 基于在线多组分数据的目标因子转换-pmf源解析方法 |
CN108802262A (zh) * | 2018-06-19 | 2018-11-13 | 南开大学 | 基于多组分在线监测数据与因子分析模型联用的目标因子转换-pmf耦合算法 |
CN108956881A (zh) * | 2018-07-16 | 2018-12-07 | 南开大学 | Sdabb源解析方法、系统、终端设备及计算机可读存储介质 |
CN109785912A (zh) * | 2019-02-13 | 2019-05-21 | 中国科学院大气物理研究所 | 一种用于目标污染物源解析的因子快速识别方法及装置 |
CN110361304A (zh) * | 2019-06-20 | 2019-10-22 | 南开大学 | 基于ams数据估算不同生成路径对颗粒物中二次无机粒子影响的方法 |
CN110361304B (zh) * | 2019-06-20 | 2021-10-01 | 南开大学 | 基于pmf3模型和ams数据估算不同生成路径对颗粒物中二次无机粒子贡献的方法 |
CN112562794A (zh) * | 2020-12-09 | 2021-03-26 | 河北先进环保产业创新中心有限公司 | 污染源解析方法、装置及终端设备 |
CN112562794B (zh) * | 2020-12-09 | 2022-11-08 | 河北先进环保产业创新中心有限公司 | 污染源解析方法、装置及终端设备 |
CN112613675A (zh) * | 2020-12-29 | 2021-04-06 | 南开大学 | 一种分析污染源与气象因素对不同程度pm2.5污染影响贡献和效应的机器学习模型 |
CN112903945A (zh) * | 2021-02-26 | 2021-06-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
CN112903945B (zh) * | 2021-02-26 | 2022-02-22 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
CN115453064A (zh) * | 2022-09-22 | 2022-12-09 | 山东大学 | 一种细颗粒物空气污染成因分析方法及系统 |
CN115453064B (zh) * | 2022-09-22 | 2023-09-05 | 山东大学 | 一种细颗粒物空气污染成因分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107239613A (zh) | 一种基于在线数据和因子分析模型的智能源类识别方法 | |
Gugamsetty et al. | Source characterization and apportionment of PM10, PM2. 5 and PM0. 1 by using positive matrix factorization | |
Hedberg et al. | Source contributions to PM10 and arsenic concentrations in Central Chile using positive matrix factorization | |
CN107300550A (zh) | 一种基于bp神经网络模型预测大气重金属浓度的方法 | |
CN108446531B (zh) | 基于实测源成分谱和源解析技术的受体Si和Al重构方法 | |
CN108802262B (zh) | 基于在线多组分数据的目标因子转换-pmf源解析方法 | |
CN112485319A (zh) | 大气环境走航监测方法及信息处理方法、装置、监测车 | |
CN107944213A (zh) | Pmf在线源解析方法、系统、终端设备及计算机可读存储介质 | |
CN109187287A (zh) | 基于稳定元素粒径分布信息的大气颗粒物来源解析方法 | |
CN107677614A (zh) | 一种水中重金属污染风险在线预警系统及方法 | |
CN112613675A (zh) | 一种分析污染源与气象因素对不同程度pm2.5污染影响贡献和效应的机器学习模型 | |
CN112967764B (zh) | 多技术耦合的污染物源解析方法、装置 | |
CN116205509A (zh) | 一种全面评价土壤重金属污染状况的研究方法 | |
Di Gilio et al. | An integrated approach using high time-resolved tools to study the origin of aerosols | |
CN115453064B (zh) | 一种细颗粒物空气污染成因分析方法及系统 | |
CN112540147A (zh) | 一种炼化企业区域性大气污染物溯源方法 | |
Erisman et al. | Deposition monitoring in Europe | |
CN110687257A (zh) | 一种基于恶臭在线监测系统的溯源方法 | |
CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN109085291B (zh) | 缺失组分迭代反演标定嵌套—pmf源解析算法 | |
Javitz et al. | Results of a receptor modeling feasibility study | |
Percy et al. | Applying the forest health approach to monitoring boreal ecosystems in the Athabasca Oil Sands Region | |
CN205229076U (zh) | 一种大气环境重金属的管理系统 | |
CN112907096B (zh) | 一种重金属污染风险评估系统 | |
CN115170078A (zh) | 一种基于5g网络的工业园区碳排放监控系统及方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171010 |
|
WD01 | Invention patent application deemed withdrawn after publication |