CN110531030B - 一种基于物联网大数据大气污染物分析的方法及装置 - Google Patents
一种基于物联网大数据大气污染物分析的方法及装置 Download PDFInfo
- Publication number
- CN110531030B CN110531030B CN201910757346.9A CN201910757346A CN110531030B CN 110531030 B CN110531030 B CN 110531030B CN 201910757346 A CN201910757346 A CN 201910757346A CN 110531030 B CN110531030 B CN 110531030B
- Authority
- CN
- China
- Prior art keywords
- data
- pollutant
- pollution source
- atmospheric
- pollution
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种基于物联网大数据大气污染物分析的方法及装置,属于大气污染治理技术领域;解决了现有方法分析结果波动范围与误差偏大的问题,包括基于物联网的环保大数据监测装置网络模块、用于储存数据的环保大数据存储装置、用于分析大气污染源的大气污染物扩散分析装置和用于追溯污染源头的大气污染物溯源装置,所述基于物联网的环保大数据监测装置网络模块通信连接有环保大数据存储装置,环保大数据存储装置电性连接有大气污染物扩散分析装置,大气污染物扩散分析装置通过蓝牙连接有大气污染物溯源装置;本发明基于大数据处理技术与人工智能算法,对污染物扩散监测的真实历史大数据实现分析建模,解决大气污染物的溯源问题。
Description
技术领域
本发明涉及大气污染治理技术领域,具体是一种基于物联网大数据大气污染物分析的方法及装置。
背景技术
随着我国工业化与城镇化进程持续推进,各类环境污染事故开始增多,其中大气污染直接危害居民身体健康,已经成为一个突出的社会问题。比如在工业园区附近,各类工业企业众多,周边居民受到影响更加显著,当监测到大气污染事件时,快速确定污染的来源是治理各类大气污染事件的重要手段。
目前大气污染物的溯源方法,使用最广泛的是基于经典大气物理理论的高斯烟羽模型,高斯烟羽模型用来描述连续泄露到大气中的污染物沿下风向扩散浓度分布。高斯烟羽模型假设污染物的浓度在y、z轴上的分布是高斯分布,整个扩散过程中风速大小、方向保持不变;在实际场景中,模型的很多假设并不成立,如污染物实际扩散情况受各种现实情况等影响,使得高斯烟羽模型的分析结果波动范围与误差偏大。
随着我国环保力度的不断加强,各地开始对大气污染状况进行实时监测,通过物联网环保监测终端,实时采集各区域的污染物排放、空气质量(细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等污染物浓度)等环保指标,并积累形成了相关的环保大数据资源。实际上,通过分析环保大数据,能够在现有理论模型上,优化构建更加精准的大气污染物溯源模型,为空气质量治理提供数据支撑,具有重要的社会价值。
发明内容
本发明的目的在于提供一种基于物联网大数据大气污染物分析的方法及装置,以解决现有方法分析结果波动范围与误差偏大的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于物联网大数据大气污染物分析装置,包括基于物联网的环保大数据监测装置网络模块、用于储存数据的环保大数据存储装置、用于分析大气污染源的大气污染物扩散分析装置和用于追溯污染源头的大气污染物溯源装置,所述基于物联网的环保大数据监测装置网络模块通信连接有环保大数据存储装置,环保大数据存储装置电性连接有大气污染物扩散分析装置,大气污染物扩散分析装置通过蓝牙连接有大气污染物溯源装置。
作为本发明进一步的方案:基于物联网的环保大数据监测装置网络为一组物联网装置,能够实时采集并上传区域环保大数据,物联网装置包括废气排放监测装置、空气质量监测装置、气象采集装置。
作为本发明再进一步的方案:环保大数据存储装置为一组可靠的分布式数据存储服务,能够存储区域环保相关数据,保证数据完整性、安全性,支持大量数据快速读写。
作为本发明再进一步的方案:分布式数据存储服务包括数据存储模块、数据备份模块、数据读取模块、权限控制模块、数据交换网络。
作为本发明再进一步的方案:大气污染物扩散分析装置是基于统一的大气污染物扩散模型,统一的大气污染物扩散模型为基于人工神经网络模拟的扩散模型,其输入为污染源数据、气象数据、相对位置信息。
作为本发明再进一步的方案:污染源数据包括排放污染物成分、排放污染物强度、排放污染物高度。
作为本发明再进一步的方案:气象数据包括风速、风向、湿度和温度。
一种基于物联网大数据大气污染物分析方法,步骤如下:
S1、收集物联网收集环保大数据,所述环保大数据监测装置为一组污染物在线监测设备,包括废气排放监测设备、空气质量监测设备和气象监测设备;
S2、构建统一大气污染物扩散模型,基于一套统一的大气污染物扩散模型,利用高斯烟羽模型模拟学习;
其中,统一的大气污染物扩散模型,能够计算污染源对监测点污染物浓度贡献值,可表示为函数f(x,y,z,H,v,q,h,w);其中,x、y、z为监测点在污染源下风向方向、下风向垂直方向、水平高度距离,其中H为污染源高度与烟羽排放上冲高度之和,其中v为平均风速(m/s),其中q为污染源单位排放强度,即单位时间污染物排放量mg/s,其中h为日照强度,其中w为天气状况(多云、雾、下雨等),输出值为污染源对监测点的污染物浓度影响情况;
其中大气污染物扩散模型,使用包含多个全连接层、激活层的人工神经网络拟合得到;其输入包括污染源大气污染物排放数据、污染源气象数据、污染源位置信息,其输出为监测点大气污染物浓度受该污染源影响值,单位为mg/m3;
其中,高斯烟羽模型公式为其中x、y、z为监测点在污染源下风向方向、下风向垂直方向、水平高度距离,其中p(x,y,z,H)为空气质量监测点处的污染物浓度(mg/m3),其中α为污染物的地面反射系数,其中qm为单位排放强度,即单位时间污染物排放量mg/s,其中,v为平均风速(m/s),其中σyσz为扩散系数,与大气稳定度和水平距离x有关,其中H为污染源高度与烟羽排放上冲高度之和;
S3、基于区域环保大数据分析学习区域大气污染物扩散特性,其中,区域大气污染物扩散特性是指,由于建筑物、地形差异导致区域内大气污染物扩散的特殊性,区域环保大数据学习,基于单污染源变化分析进行;单污染源变化分析是指,采用单个污染源变化数据,分析该污染源对任意污染监测点的影响情况;
污染源对任意空气质量监测点的影响情况为:设区域内污染源集合为S={s1,s2...sn},区域内空气质量监测点集合为D={d1,d2...dm},则在t时刻区域内污染源si对空气质量监测点dj空气质量影响为rt,i,j,单位为mg/m3;
其中,单污染源变化数据是指,区域内仅有一个污染源排放数据未发生显著变化数据;设区域内所有污染排放点在t时刻,所有污染源的排放强度为Pt=(p1,t,p2,t...pn,t),若两个不同时刻t1和t2,对于区域内所有污染源S,仅有一个污染源si发生显著变化,其他污染源均未发生显著变化,同一位置采集空气质量数据,则和为一组单污染源变化数据;
其中,对于t1和t2时刻一组单污染源变化数据,污染源si发生显著变化,则污染源si污染物排放强度变化值为对于任意污染物排放监测点dj(位置未发生变化),由污染源si污染物排放强度变化导致的污染物浓度变化值为
其中,污染源未发生显著变化,是指污染源各种污染物排放强度和气象数据变化未超过变化率阈值;对于t1和t2时刻,变化率为若V>0.4,认为发生显著变化,若0.1<V<0.4则认为发生一般变化,若V<0.1则为未发生显著变化;
其中,若一组单污染源变化数据内仅有污染源si发生显著变化,其他污染源均未发生变化,则这组单污染源变化数据属于污染源si;属于污染源si的单污染源变化数据集合为DS,若则其中,x、y、z为监测点dj在污染源si下风向方向、下风向垂直方向、水平高度距离,其中H为污染源si高度与烟羽排放上冲高度之和,其中v为平均风速(m/s),其中为污染源si单位排放强度变化绝对值,其中h为日照强度,其中w为天气状况(多云、雾、下雨等),为污染源si对监测点dj的污染物浓度影响变化值;使用属于污染源si的单污染源变化数据集合DS拟合统一大气污染物扩散模型,学习得到该污染源大气污染物扩散特性;所有污染源分别使用其单污染源变化数据集合学习得到大气污染物扩散特性,实现区域污染物扩散特性精确建模;
S4、对区域大气污染物进行溯源,区域大气污染物溯源是指,在任意时刻,确定任意空气质量监测点污染物来源、主要污染物来源,任意空气质量监测点污染物来源为1个或多个,在t时刻,空气质量监测点dj溯源结果为SR={s1,s2...sk},则其中,rt,i,j为t时刻污染源si对空气质量监测点dj污染物浓度影响值,通过区域大气污染物扩散模型根据污染源数据、气象数据、位置信息等计算得到。设区域内污染源集合为S={s1,s2...sn},则任意空气质量监测点dj,其t时刻污染物浓度受所有污染源影响为{rt,1,j,rt,2,j...rt,n,j};
与现有技术相比,本发明的有益效果是:本发明提出一种基于物联网大数据大气污染物分析装置,该装置基于大数据处理技术与人工智能算法,对污染物扩散监测的真实历史大数据实现分析建模,解决大气污染物的溯源问题。该装置能够解决高斯烟羽模型在实际场景下由于假设条件不成立造成的分析结果波动与误差偏大问题,能够学习区域污染物扩散特性,为大气污染物精准溯源提供可靠基础。
同时该基于物联网大数据大气污染物分析装置基于大气污染物扩散模型,结合实时环保大数据,将区域大气污染物生成、扩散过程数字化。基于区域大气污染物生成、扩散动态,能够精确分析任意监测点污染物来源情况,为区域大气质量监测、治理提供数据支撑。
附图说明
图1为基于物联网大数据大气污染物分析的方法的工作流程示意图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步详细地说明,显然,所描述的实施例仅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。
实施例1
请参阅图1,本发明实施例中,一种基于物联网大数据大气污染物分析装置,包括基于物联网的环保大数据监测装置网络模块、用于储存数据的环保大数据存储装置、用于分析大气污染源的大气污染物扩散分析装置和用于追溯污染源头的大气污染物溯源装置,所述基于物联网的环保大数据监测装置网络模块通信连接有环保大数据存储装置,环保大数据存储装置电性连接有大气污染物扩散分析装置,大气污染物扩散分析装置通过蓝牙连接有大气污染物溯源装置。
基于物联网的环保大数据监测装置网络模块能够实时采集并上传区域环保大数据,基于物联网的环保大数据监测装置网络为一组物联网装置,能够实时采集并上传区域环保大数据,物联网装置包括废气排放监测装置、空气质量监测装置、气象采集装置;
其中,废气排放监测装置能够实时采集区域内所有污染源(烟囱等)污染物排放情况;
其中,空气质量监测装置能够实时采集所有空气质量监测点污染物浓度情况;
其中,区域气象采集装置能够实时采集所有气象采集点的气象信息;区域气象采集装置可以为单独部署的采集装置,也可以集成到废气排放监测装置或空气质量监测装置;
其中,污染物包括细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳;
气象信息包括风速、风向、温度、湿度、大气压力、天气情况等。
环保大数据存储装置,为一组可靠的分布式数据存储服务,能够存储区域环保相关数据,保证数据完整性、安全性,支持大量数据快速读写。
其中,分布式数据存储服务包括数据存储模块、数据备份模块、数据读取模块、权限控制模块、数据交换网络等。
其中数据存储模块接受数据写请求,将数据存储到磁盘特定位置。
其中,数据备份模块,能够按照数据备份配置信息,自动在多个服务器磁盘上分配数据,保证数据完整性。数据备份模块使数据均匀分布于多个存储服务器上,在任意服务器出现故障时自动将数据迁移到其他服务器上。
其中,数据读取模块,能够根据读取请求,获取所有数据存储及备份地址,优化读取逻辑,实现准确、高效加载数据。
其中,权限控制模块,能够利用账户、用户组、密钥认证等策略保证数据安全。
大气污染物扩散分析装置是基于统一的大气污染物扩散模型,同时针对区域特定场景进行建模,能够消除高斯烟羽模型在具体场景中的偏差,准确量化污染源对区域及周边任意点的空气质量影响;
其中,统一的大气污染物扩散模型能够根据污染源数据、气象数据、相对位置信息计算区域及周边任意点空气质量受污染源影响值;
其中,统一的大气污染物扩散模型为基于人工神经网络模拟的扩散模型,其输入为污染源数据、气象数据、相对位置信息,其输出为受污染源影响导致污染物浓度上升值(由污染源排放导致监测点污染物浓度上升);
其中,统一的大气污染物扩散模型使用模拟数据进行拟合,模拟数据为基于高斯烟羽模型仿真得到的数据(即理想情况下大气污染物扩散数据);
其中,针对区域特定场景进行建模,是指利用区域各污染源污染物扩散真实监测数据调整大气污染物扩散模型,学习区域污染物扩散特性;统一的大气污染物扩散模型为理想状态下的大气污染物扩散模型,使用区域真实污染物扩散数据拟合能够对模型参数进行微调,得到特定区域的大气污染物扩散模型;
其中,区域污染物扩散特性是指,由于区域内建筑物遮挡、地形原因等导致大气污染物扩散的特殊性;
其中,区域各污染源污染物扩散真实数据,包括污染源数据、空气质量监测点数据等;
其中,污染源数据包括排放污染物成分、排放污染物强度、排放污染物高度等;
其中,空气质量监测点数据包括污染物成分、污染物浓度等;
其中,气象数据包括风速、风向、湿度、温度等;
其中各污染源和监测点的位置信息为其经纬度坐标值。
大气污染物溯源装置基于大气污染物溯源模型进行,能够分析区域内任意监测点污染物来源,发现主要污染源。
其中,任意监测点污染物来源,是指该监测点污染物由哪些污染源扩散而来。任意监测点的污染物来源可以为1个或多个,多个污染物来源对监测点污染物浓度影响为累加关系。主要污染源是指对监测点污染物浓度影响最大的污染源(一个或多个)。
其中,大气污染物溯源模型基于大气污染物扩散模型进行,通过计算区域所有污染源对监测点污染物浓度影响值来量化污染源对监测点影响。
实施例2
一种基于物联网大数据大气污染物分析方法,步骤如下:
S1、收集物联网收集环保大数据,环保大数据收集通过环保大数据监测装置进行,所有环保大数据监测装置均为物联网装置,能够将监测数据实时上传到环保大数据存储装置;
所述环保大数据监测装置为一组污染物在线监测设备,包括废气排放监测设备、空气质量监测设备、气象监测设备等;
其中,所述废气排放监测设备固定于污染源,采集污染源所有监测指标信息(各类污染物排放明细);
其中,所述污染源为烟囱等废气排放装置;
其中,所述空气质量监测设备部署于区域内部及周边区域,采集部署位置所有监测指标信息;其中,所述空气质量监测设备可以为固定式空气质量监测设备(空气质量监测站等)也可以为移动式空气质量监测设备(空气质量监测车等);
其中,所述监测指标包括二氧化硫、臭氧、烟尘、温度、压力、湿度等;
其中,区域气象监测设备能够实时采集所有气象采集点的气象信息;区域气象监测装置可以单独部署,也可以集成到废气排放设备或空气质量监测设备内;
其中,气象信息包括风速、风向、温度、湿度、大气压力、天气情况等;
其中,环保大数据存储装置,包括一套分布式存储系统,能够稳定地存储海量环保数据、能够快速响应环保数据查询请求;
S2、构建统一大气污染物扩散模型,基于一套统一的大气污染物扩散模型,利用高斯烟羽模型模拟学习;
其中,统一的大气污染物扩散模型,能够计算污染源对监测点污染物浓度贡献值,可表示为函数f(x,y,z,H,v,q,h,w);其中,x、y、z为监测点在污染源下风向方向、下风向垂直方向、水平高度距离,其中H为污染源高度与烟羽排放上冲高度之和,其中v为平均风速(m/s),其中q为污染源单位排放强度,即单位时间污染物排放量mg/s,其中h为日照强度,其中w为天气状况(多云、雾、下雨等),输出值为污染源对监测点的污染物浓度影响情况;
其中大气污染物扩散模型,使用包含多个全连接层、激活层的人工神经网络拟合得到;其输入包括污染源大气污染物排放数据、污染源气象数据、污染源位置信息,其输出为监测点大气污染物浓度受该污染源影响值,单位为mg/m3;
其中,高斯烟羽模型公式为其中x、y、z为监测点在污染源下风向方向、下风向垂直方向、水平高度距离,其中p(x,y,z,H)为空气质量监测点处的污染物浓度(mg/m3),其中α为污染物的地面反射系数,其中qm为单位排放强度,即单位时间污染物排放量mg/s,其中,v为平均风速(m/s),其中σyσz为扩散系数,与大气稳定度和水平距离x有关,其中H为污染源高度与烟羽排放上冲高度之和;
其中,利用高斯烟羽模型模拟学习是指,利用高斯烟羽模型计算得到接近实际分布的仿真数据,利用模拟数据训练大气污染物扩散模型,使大气污染物扩散模型学习到接近高斯烟羽模型的效果;高斯烟羽模型仿真数据为理想状况下大气污染物扩散数据,基于仿真数据拟合得到的统一大气污染物扩散模型为理想状况下的大气污染物扩散模型;
其中,利用高斯烟羽模型计算得到接近实际分布的仿真数据是指,污染源排放强度、污染源与监测点距离、风速等因素均接近实际分布;各项指标的实际分布,由区域环保大数据统计得到;
S3、基于区域环保大数据分析学习区域大气污染物扩散特性,学习区域大气污染物扩散特性是指,通过分析区域真实环保大数据,对大气污染扩散模型进行调整,使模型学习到区域大气污染物扩散特性;
其中,区域大气污染物扩散特性是指,由于建筑物、地形差异导致区域内大气污染物扩散的特殊性;
其中,区域环保大数据学习,基于单污染源变化分析进行;单污染源变化分析是指,采用单个污染源变化数据,分析该污染源对任意污染监测点的影响情况;
其中,污染源对任意空气质量监测点的影响情况为:设区域内污染源集合为S={s1,s2...sn},区域内空气质量监测点集合为D={d1,d2...dm},则在t时刻区域内污染源si对空气质量监测点dj空气质量影响为rt,i,j,单位为mg/m3;
其中,单污染源变化数据是指,区域内仅有一个污染源排放数据未发生显著变化数据;设区域内所有污染排放点在t时刻,所有污染源的排放强度为Pt=(p1,t,p2,t...pn,t),若两个不同时刻t1和t2,对于区域内所有污染源S,仅有一个污染源si发生显著变化,其他污染源均未发生显著变化,同一位置采集空气质量数据,则和为一组单污染源变化数据;
其中,对于t1和t2时刻一组单污染源变化数据,污染源si发生显著变化,则污染源si污染物排放强度变化值为对于任意污染物排放监测点dj(位置未发生变化),由污染源si污染物排放强度变化导致的污染物浓度变化值为
其中,污染源未发生显著变化,是指污染源各种污染物排放强度和气象数据变化未超过变化率阈值;对于t1和t2时刻,变化率为若V>0.4,认为发生显著变化,若0.1<V<0.4则认为发生一般变化,若V<0.1则为未发生显著变化;
其中,若一组单污染源变化数据内仅有污染源si发生显著变化,其他污染源均未发生变化,则这组单污染源变化数据属于污染源si;属于污染源si的单污染源变化数据集合为DS,若则其中,x、y、z为监测点dj在污染源si下风向方向、下风向垂直方向、水平高度距离,其中H为污染源si高度与烟羽排放上冲高度之和,其中v为平均风速(m/s),其中为污染源si单位排放强度变化绝对值,其中h为日照强度,其中w为天气状况(多云、雾、下雨等),为污染源si对监测点dj的污染物浓度影响变化值;使用属于污染源si的单污染源变化数据集合DS拟合统一大气污染物扩散模型,学习得到该污染源大气污染物扩散特性;所有污染源分别使用其单污染源变化数据集合学习得到大气污染物扩散特性,实现区域污染物扩散特性精确建模;
S4、对区域大气污染物进行溯源,区域大气污染物溯源是指,在任意时刻,确定任意空气质量监测点污染物来源、主要污染物来源;
任意空气质量监测点污染物来源可以为1个或多个,在t时刻,空气质量监测点dj溯源结果为SR={s1,s2...sk},则其中,rt,i,j为t时刻污染源si对空气质量监测点dj污染物浓度影响值,通过区域大气污染物扩散模型根据污染源数据、气象数据、位置信息等计算得到。设区域内污染源集合为S={s1,s2...sn},则任意空气质量监测点dj,其t时刻污染物浓度受所有污染源影响为{rt,1,j,rt,2,j...rt,n,j};
相关的方法由Python语言开发实现,完成了一种基于物联网监测大数据实现大气污染物溯源分析的方法及装置的全部处理过程。
本发明的有益效果是:本发明提出一种基于物联网大数据大气污染物分析装置,该装置基于大数据处理技术与人工智能算法,对污染物扩散监测的真实历史大数据实现分析建模,解决大气污染物的溯源问题。该装置能够解决高斯烟羽模型在实际场景下由于假设条件不成立造成的分析结果波动与误差偏大问题,能够学习区域污染物扩散特性,为大气污染物精准溯源提供可靠基础。
同时该基于物联网大数据大气污染物分析装置基于大气污染物扩散模型,结合实时环保大数据,将区域大气污染物生成、扩散过程数字化。基于区域大气污染物生成、扩散动态,能够精确分析任意监测点污染物来源情况,为区域大气质量监测、治理提供数据支撑。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种基于物联网大数据大气污染物分析装置,其特征在于,包括基于物联网的环保大数据监测装置网络模块、用于储存数据的环保大数据存储装置、用于分析大气污染源的大气污染物扩散分析装置和用于追溯污染源头的大气污染物溯源装置,所述基于物联网的环保大数据监测装置网络模块通信连接有环保大数据存储装置,环保大数据存储装置电性连接有大气污染物扩散分析装置,大气污染物扩散分析装置通过蓝牙连接有大气污染物溯源装置;大气污染物扩散分析装置是基于统一的大气污染物扩散模型,同时针对区域特定场景进行建模,能够消除高斯烟羽模型在具体场景中的偏差,准确量化污染源对区域及周边任意点的空气质量影响;
其中,统一的大气污染物扩散模型能够根据污染源数据、气象数据、相对位置信息计算区域及周边任意点空气质量受污染源影响值;其中,统一的大气污染物扩散模型为基于人工神经网络模拟的扩散模型,其输入为污染源数据、气象数据、相对位置信息,其输出为受污染源影响导致污染物浓度上升值,反应由污染源排放导致监测点污染物浓度上升情况;其中,统一的大气污染物扩散模型使用模拟数据进行拟合,模拟数据为基于高斯烟羽模型仿真得到的数据,是理想情况下大气污染物扩散数据;其中,针对区域特定场景进行建模,是指利用区域各污染源污染物扩散真实监测数据调整大气污染物扩散模型,学习区域污染物扩散特性;统一的大气污染物扩散模型为理想状态下的大气污染物扩散模型,使用区域真实污染物扩散数据拟合能够对模型参数进行微调,得到特定区域的大气污染物扩散模型。
2.根据权利要求1所述的基于物联网大数据大气污染物分析装置,其特征在于,基于物联网的环保大数据监测装置网络模块为一组物联网装置,物联网装置包括废气排放监测装置、空气质量监测装置和气象采集装置。
3.根据权利要求2所述的基于物联网大数据大气污染物分析装置,其特征在于,环保大数据存储装置为一组可靠的分布式数据存储服务。
4.根据权利要求3所述的基于物联网大数据大气污染物分析装置,其特征在于,分布式数据存储服务包括数据存储模块、数据备份模块、数据读取模块、权限控制模块、数据交换网络。
5.根据权利要求1所述的基于物联网大数据大气污染物分析装置,其特征在于,污染源数据包括排放污染物成分、排放污染物强度和排放污染物高度。
6.根据权利要求5所述的基于物联网大数据大气污染物分析装置,其特征在于,气象数据包括风速、风向、湿度和温度。
7.一种基于权利要求1-6任一所述的基于物联网大数据大气污染物分析装置的分析方法,其特征在于,步骤如下:
S1、收集物联网收集环保大数据,所述环保大数据监测装置为一组污染物在线监测设备,包括废气排放监测设备、空气质量监测设备和气象监测设备;
S2、构建统一大气污染物扩散模型,基于一套统一的大气污染物扩散模型,利用高斯烟羽模型模拟学习;
其中,统一的大气污染物扩散模型,能够计算污染源对监测点污染物浓度贡献值,表示为函数f(x,y,z,H,v,q,h,w);其中,x、y、z为监测点在污染源下风向方向、下风向垂直方向、水平高度距离,其中H为污染源高度与烟羽排放上冲高度之和,其中v为平均风速m/s,其中q为污染源单位排放强度,即单位时间污染物排放量mg/s,其中h为日照强度,其中w为天气状况,输出值为污染源对监测点的污染物浓度影响情况;
其中大气污染物扩散模型,使用包含多个全连接层、激活层的人工神经网络拟合得到;其输入包括污染源大气污染物排放数据、污染源气象数据、污染源位置信息,其输出为监测点大气污染物浓度受该污染源影响值,单位为mg/m3;
其中,高斯烟羽模型公式为:其中x、y、z为监测点在污染源下风向方向、下风向垂直方向、水平高度距离,其中p(x,y,z,H)为空气质量监测点处的污染物浓度mg/m3,其中α为污染物的地面反射系数,其中qm为单位排放强度,即单位时间污染物排放量mg/s,其中,v为平均风速m/s,其中σyσz为扩散系数,与大气稳定度和水平距离x有关,其中H为污染源高度与烟羽排放上冲高度之和;
S3、基于区域环保大数据分析学习区域大气污染物扩散特性,其中,区域大气污染物扩散特性是指,由于建筑物、地形差异导致区域内大气污染物扩散的特殊性,区域环保大数据学习,基于单污染源变化分析进行;单污染源变化分析是指,采用单个污染源变化数据,分析该污染源对任意污染监测点的影响情况;
污染源对任意空气质量监测点的影响情况为:设区域内污染源集合为S={s1,s2...sn},区域内空气质量监测点集合为D={d1,d2...dm},则在t时刻区域内污染源si对空气质量监测点dj空气质量影响为rt,i,j,单位为mg/m3;
其中,单污染源变化数据是指,区域内仅有一个污染源排放数据未发生显著变化数据;设区域内所有污染排放点在t时刻,所有污染源的排放强度为Pt=(p1,t,p2,t...pn,t),若两个不同时刻t1和t2,对于区域内所有污染源S,仅有一个污染源si发生显著变化,其他污染源均未发生显著变化,同一位置采集空气质量数据,则和为一组单污染源变化数据;
其中,对于t1和t2时刻一组单污染源变化数据,污染源si发生显著变化,则污染源si污染物排放强度变化值为对于任意污染物排放监测点dj位置未发生变化时,由污染源si污染物排放强度变化导致的污染物浓度变化值为
其中,污染源未发生显著变化,是指污染源各种污染物排放强度和气象数据变化未超过变化率阈值;对于t1和t2时刻,变化率为若V>0.4,认为发生显著变化,若0.1<V<0.4则认为发生一般变化,若V<0.1则为未发生显著变化;
其中,若一组单污染源变化数据内仅有污染源si发生显著变化,其他污染源均未发生变化,则这组单污染源变化数据属于污染源si;属于污染源si的单污染源变化数据集合为DS,若则其中,x、y、z为监测点dj在污染源si下风向方向、下风向垂直方向、水平高度距离,其中H为污染源si高度与烟羽排放上冲高度之和,其中v为平均风速m/s,其中为污染源si单位排放强度变化绝对值,其中h为日照强度,其中w为天气状况,为污染源si对监测点dj的污染物浓度影响变化值;使用属于污染源si的单污染源变化数据集合DS拟合统一大气污染物扩散模型,学习得到该污染源大气污染物扩散特性;所有污染源分别使用其单污染源变化数据集合学习得到大气污染物扩散特性,实现区域污染物扩散特性精确建模;
S4、对区域大气污染物进行溯源,区域大气污染物溯源是指,在任意时刻,确定任意空气质量监测点污染物来源、主要污染物来源,任意空气质量监测点污染物来源为1个或多个,在t时刻,空气质量监测点dj溯源结果为SR={s1,s2...sk},则其中,rt,i,j为t时刻污染源si对空气质量监测点dj污染物浓度影响值,通过区域大气污染物扩散模型根据污染源数据、气象数据、位置信息计算得到,设区域内污染源集合为S={s1,s2...sn},则任意空气质量监测点dj,其t时刻污染物浓度受所有污染源影响为{rt,1,j,rt,2,j...rt,n,j};
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757346.9A CN110531030B (zh) | 2019-08-16 | 2019-08-16 | 一种基于物联网大数据大气污染物分析的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757346.9A CN110531030B (zh) | 2019-08-16 | 2019-08-16 | 一种基于物联网大数据大气污染物分析的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110531030A CN110531030A (zh) | 2019-12-03 |
CN110531030B true CN110531030B (zh) | 2021-11-12 |
Family
ID=68663426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910757346.9A Active CN110531030B (zh) | 2019-08-16 | 2019-08-16 | 一种基于物联网大数据大气污染物分析的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110531030B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443015A (zh) * | 2020-03-04 | 2020-07-24 | 平安国际智慧城市科技股份有限公司 | 大气污染物的溯源方法、装置、计算机设备及存储介质 |
CN111461405A (zh) * | 2020-03-09 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 污染物的扩散预测方法、装置、设备及存储介质 |
CN111539630B (zh) * | 2020-04-23 | 2020-11-27 | 王锐 | 一种基于大数据的建筑工程施工作业环境智能监测系统 |
CN111561962B (zh) * | 2020-04-26 | 2022-03-08 | 深圳市宇驰检测技术股份有限公司 | 废气排放追溯方法、装置、设备和存储介质 |
CN111612064B (zh) * | 2020-05-20 | 2021-02-19 | 中科三清科技有限公司 | Pm2.5污染气团溯源方法、装置、电子设备及存储介质 |
CN111626624B (zh) * | 2020-05-29 | 2023-07-28 | 四川省环境政策研究与规划院 | 一种空气质量改善评价方法 |
CN112033769B (zh) * | 2020-08-26 | 2022-05-03 | 福建碧霞环保科技有限公司 | 基于人工智能的污染在线监测与溯源系统及其使用方法 |
CN116324833A (zh) * | 2020-12-17 | 2023-06-23 | 西门子(中国)有限公司 | 确定污染源的方法、装置和计算机可读存储介质 |
CN112882131A (zh) * | 2021-03-05 | 2021-06-01 | 艾沙江·艾力 | 一种灰霾和沙尘天气的预报方法及预报系统 |
CN115840793B (zh) * | 2022-12-12 | 2024-05-07 | 四川大学 | 基于随机森林的气象空间归一化方法及系统 |
CN116307258B (zh) * | 2023-05-08 | 2023-08-11 | 中科三清科技有限公司 | 污染源异常排放确定方法、装置、存储介质及电子设备 |
CN117805323B (zh) * | 2024-02-28 | 2024-04-26 | 铜川科达化工设备有限公司 | 基于物联网的置于电捕焦油器前的样气监测采样分析系统 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4135092A (en) * | 1978-04-12 | 1979-01-16 | Geomet Exploration, Inc. | Method of quantifying fugitive emission rates from pollution sources |
CN102313793A (zh) * | 2011-09-07 | 2012-01-11 | 中国环境科学研究院 | 一种化工园区空气中多组分气体污染物的监控系统 |
CN103258116A (zh) * | 2013-04-18 | 2013-08-21 | 国家电网公司 | 一种大气污染物扩散模型的构建方法 |
CN103500363A (zh) * | 2013-09-18 | 2014-01-08 | 浙江大学 | 基于模式预测方法的工业源二恶英排放的环境影响评价系统及方法 |
CN103914622A (zh) * | 2014-04-04 | 2014-07-09 | 清华大学 | 一种化学品泄漏快速预测预警应急响应决策方法 |
CN106153510A (zh) * | 2015-03-25 | 2016-11-23 | 日本电气株式会社 | 大气污染物浓度的估算方法和装置 |
CN106352914A (zh) * | 2016-08-01 | 2017-01-25 | 孙扬 | 一种区域空气质量治理的装置 |
CN106383205A (zh) * | 2016-10-13 | 2017-02-08 | 北京伟瑞迪科技有限公司 | VOCs区域在线监测及预警系统 |
CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力系统环境调度方法 |
CN107193056A (zh) * | 2017-05-09 | 2017-09-22 | 西南石油大学 | 空气污染物监测预警方法及云平台 |
CN107391951A (zh) * | 2017-08-03 | 2017-11-24 | 江苏卓易信息科技股份有限公司 | 一种基于环形邻域梯度排序的空气污染溯源方法 |
CN107917987A (zh) * | 2017-11-09 | 2018-04-17 | 北京伟瑞迪科技有限公司 | 一种面向城市空气污染物溯源分析方法 |
CN107941994A (zh) * | 2017-11-09 | 2018-04-20 | 北京伟瑞迪科技有限公司 | 一种面向工业园区污染物溯源分析方法 |
CN108108336A (zh) * | 2016-11-24 | 2018-06-01 | 上海栖芯信息科技有限公司 | 一种面向工业园区的大气污染物溯源方法 |
CN108648127A (zh) * | 2018-04-28 | 2018-10-12 | 北京航空航天大学 | 一种城市空气污染热点区域锁定方法 |
CN109059870A (zh) * | 2018-08-07 | 2018-12-21 | 河南蓝天云海航空科技有限公司 | 基于无人机航拍影像的锅炉大气污染物排放监管系统和巡检方法 |
CN109118129A (zh) * | 2018-11-02 | 2019-01-01 | 孙扬 | 一种大气污染物精准溯源识别系统及方法 |
CN109583743A (zh) * | 2018-11-26 | 2019-04-05 | 南京创蓝科技有限公司 | 基于拉格朗日模型和移动观测平台的大气污染溯源方法 |
CN109934377A (zh) * | 2018-12-29 | 2019-06-25 | 段文旭 | 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 |
CN109992740A (zh) * | 2019-02-14 | 2019-07-09 | 北京市环境保护监测中心 | 一种基于数据库计算污染源实际排放水平的方法 |
CN110085281A (zh) * | 2019-04-26 | 2019-08-02 | 成都之维安科技股份有限公司 | 一种基于特征污染因子源解析的环境污染溯源系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10830743B2 (en) * | 2017-05-04 | 2020-11-10 | International Business Machines Corporation | Determining the net emissions of air pollutants |
CN107764765B (zh) * | 2017-10-16 | 2021-02-12 | 江苏中美环境监测股份有限公司 | 用于大气污染的监测系统及用于大气污染的监测方法 |
-
2019
- 2019-08-16 CN CN201910757346.9A patent/CN110531030B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4135092A (en) * | 1978-04-12 | 1979-01-16 | Geomet Exploration, Inc. | Method of quantifying fugitive emission rates from pollution sources |
CN102313793A (zh) * | 2011-09-07 | 2012-01-11 | 中国环境科学研究院 | 一种化工园区空气中多组分气体污染物的监控系统 |
CN103258116A (zh) * | 2013-04-18 | 2013-08-21 | 国家电网公司 | 一种大气污染物扩散模型的构建方法 |
CN103500363A (zh) * | 2013-09-18 | 2014-01-08 | 浙江大学 | 基于模式预测方法的工业源二恶英排放的环境影响评价系统及方法 |
CN103914622A (zh) * | 2014-04-04 | 2014-07-09 | 清华大学 | 一种化学品泄漏快速预测预警应急响应决策方法 |
CN106153510A (zh) * | 2015-03-25 | 2016-11-23 | 日本电气株式会社 | 大气污染物浓度的估算方法和装置 |
CN106352914A (zh) * | 2016-08-01 | 2017-01-25 | 孙扬 | 一种区域空气质量治理的装置 |
CN106383205A (zh) * | 2016-10-13 | 2017-02-08 | 北京伟瑞迪科技有限公司 | VOCs区域在线监测及预警系统 |
CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力系统环境调度方法 |
CN108108336A (zh) * | 2016-11-24 | 2018-06-01 | 上海栖芯信息科技有限公司 | 一种面向工业园区的大气污染物溯源方法 |
CN107193056A (zh) * | 2017-05-09 | 2017-09-22 | 西南石油大学 | 空气污染物监测预警方法及云平台 |
CN107391951A (zh) * | 2017-08-03 | 2017-11-24 | 江苏卓易信息科技股份有限公司 | 一种基于环形邻域梯度排序的空气污染溯源方法 |
CN107941994A (zh) * | 2017-11-09 | 2018-04-20 | 北京伟瑞迪科技有限公司 | 一种面向工业园区污染物溯源分析方法 |
CN107917987A (zh) * | 2017-11-09 | 2018-04-17 | 北京伟瑞迪科技有限公司 | 一种面向城市空气污染物溯源分析方法 |
CN108648127A (zh) * | 2018-04-28 | 2018-10-12 | 北京航空航天大学 | 一种城市空气污染热点区域锁定方法 |
CN109059870A (zh) * | 2018-08-07 | 2018-12-21 | 河南蓝天云海航空科技有限公司 | 基于无人机航拍影像的锅炉大气污染物排放监管系统和巡检方法 |
CN109118129A (zh) * | 2018-11-02 | 2019-01-01 | 孙扬 | 一种大气污染物精准溯源识别系统及方法 |
CN109583743A (zh) * | 2018-11-26 | 2019-04-05 | 南京创蓝科技有限公司 | 基于拉格朗日模型和移动观测平台的大气污染溯源方法 |
CN109934377A (zh) * | 2018-12-29 | 2019-06-25 | 段文旭 | 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 |
CN109992740A (zh) * | 2019-02-14 | 2019-07-09 | 北京市环境保护监测中心 | 一种基于数据库计算污染源实际排放水平的方法 |
CN110085281A (zh) * | 2019-04-26 | 2019-08-02 | 成都之维安科技股份有限公司 | 一种基于特征污染因子源解析的环境污染溯源系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110531030A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531030B (zh) | 一种基于物联网大数据大气污染物分析的方法及装置 | |
CN110531029B (zh) | 一种基于环保物联网大数据预测空气质量趋势的装置 | |
CN112418609B (zh) | 一种基于面-网格-点的大气二次污染精准溯源方法 | |
CN112085241B (zh) | 一种基于机器学习的环境大数据分析和决策平台 | |
CN106651036A (zh) | 空气质量预报系统 | |
CN112749478A (zh) | 一种基于高斯扩散模型大气污染溯源扩散分析系统及方法 | |
CN111537023A (zh) | 一种工业园区大气污染物扩散模拟与溯源方法 | |
CN114371260A (zh) | 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法 | |
CN114280695A (zh) | 一种空气污染物监测预警方法及云平台 | |
CN106339775A (zh) | 基于天气分型和气象要素聚类的空气重污染案例判别方法 | |
CN110909483A (zh) | 一种基于网格化数据的点源大气污染物排放清单校验方法 | |
CN107169277B (zh) | 一种pm2.5浓度的数据分析和预测模型建立方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN108802856B (zh) | 一种基于ai的源数据动态修正预报系统及其工作方法 | |
CN110727717A (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
CN114266200A (zh) | 二氧化氮浓度预测方法及系统 | |
CN115237896B (zh) | 一种基于深度学习预报空气质量的数据前处理方法及系统 | |
CN116626233A (zh) | 基于多源数据融合的大气污染溯源方法、终端及存储介质 | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
Lim et al. | Air pollution matter prediction using recurrent neural networks with sequential data | |
Jia et al. | Regional air quality forecast using a machine learning method and the WRF model over the Yangtze River Delta, east China | |
CN114004514A (zh) | 一种大气臭氧污染发生气象条件等级判别方法 | |
CN116663786B (zh) | 一种风光资源评估方法、装置、电子设备和存储介质 | |
CN113537515A (zh) | Pm2.5预测方法、系统、装置及存储介质 | |
CN114519124A (zh) | 一种大气环境污染联防联控治理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |