CN110889079A - 一种基于动态反演排放源数据的空气质量预报系统 - Google Patents

一种基于动态反演排放源数据的空气质量预报系统 Download PDF

Info

Publication number
CN110889079A
CN110889079A CN201910936644.4A CN201910936644A CN110889079A CN 110889079 A CN110889079 A CN 110889079A CN 201910936644 A CN201910936644 A CN 201910936644A CN 110889079 A CN110889079 A CN 110889079A
Authority
CN
China
Prior art keywords
emission source
data
source data
air quality
emission
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.)
Granted
Application number
CN201910936644.4A
Other languages
English (en)
Other versions
CN110889079B (zh
Inventor
刘峰
程超
桑萌
贾智彬
李军
郭莉莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhong Lan Technology Co Ltd
Original Assignee
Beijing Zhong Lan Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhong Lan Technology Co Ltd filed Critical Beijing Zhong Lan Technology Co Ltd
Priority to CN201910936644.4A priority Critical patent/CN110889079B/zh
Publication of CN110889079A publication Critical patent/CN110889079A/zh
Application granted granted Critical
Publication of CN110889079B publication Critical patent/CN110889079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • 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
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Immunology (AREA)
  • Combustion & Propulsion (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Food Science & Technology (AREA)
  • Biochemistry (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于动态反演排放源数据的空气质量预报系统，利用多重手段对排放源数据进行动态更新，提高空气质量预报准确率。该系统中，对于安装有烟气在线监测设备的排放源，通过排放参数计算排放源数据Sa，并在反演时不调整Sa的数据；利用Sa中的数据替换基于排放源清单生成的排放源数据Sb中的内容，生成排放源数据Sc；空气质量预报单元利用排放源数据Sc获得空气质量预报数据；排放源数据反演单元反演令空气质量预报数据和监测数据差异最小的排放源数据S1；组合单元对于未安装烟气在线监测设备的排放源，将反演前后的排放源数据进行组合，得到最终的排放源数据Sfinal，反馈给排放源数据反演单元生成最终的空气质量预报结果。

Description

一种基于动态反演排放源数据的空气质量预报系统
技术领域
本发明属于空气质量预报技术领域，尤其涉及一种基于动态反演排放源数据的空气质量预报系统。
背景技术
空气质量数值预报是基于排放源清单、气象场预报数据和环境监测数据等，应用空气质量预报数值模式来模拟未来的大气污染物分布和演变，从而预报空气质量的方法。当前空气质量预报技术所采用的排放源清单数据是基于对污染源的调查和资料处理。排放源清单编制是根据相应的法规、规范和技术方法，对清单编制区域内的排放源进行初步摸底调查，明确当地排放源的主要构成，选取合适的排放源分类级别，以确定源清单编制过程中的活动水平数据调查和收集对象。数据的调查收集过程应与现有数据统计体系结合，优先从环境统计、污染源普查等数据库中获取相关信息。根据排放源燃烧类型、燃料类型、排放系数、环保措施等信息，采用数学模型进行直接和间接估算。
可见，排放源清单编制过程需要大量的调查工作，因此费时费力，编制周期长。在实际应用于空气质量预报时，就可能因产业调整导致的污染源排放变化不能及时反映到排放源清单数据中，影响预报准确率。
发明内容
有鉴于此，本发明提供了一种基于动态反演排放源数据的空气质量预报系统，利用现有大气环境监测网的海量数据，在排放源清单基础上，应用空气质量预报技术和排放源反演技术，对排放源数据进行动态更新，并在此基础上进行空气质量预报，提高空气质量预报准确率。
为了解决上述技术问题，本发明是这样实现的：
一种基于动态反演排放源数据的空气质量预报系统，包括：第一排放源数据生成单元、第二排放源数据生成单元、第三排放源数据生成单元、空气质量监测数据下载单元、气象场预报数据下载单元、空气质量预报单元、排放源数据反演单元和组合单元；
空气质量监测数据下载单元，用于获取空气质量监测数据Co；
气象场预报数据下载单元，用于获取气象场预报数据；
第一排放源数据生成单元，用于从安装有烟气在线监测设备的排放源获取排放参数，基于排放参数计算第一排放源数据Sa；
第二排放源数据生成单元，用于根据原始排放源清单产生第二排放源数据Sb；
第三排放源数据生成单元，用于利用第一排放源数据Sa替换第二排放源数据Sb中的相应内容，生成第三排放源数据Sc；
空气质量预报单元，用于利用排放源数据Sc、气象场预报数据和空气质量监测数据Co获得空气质量预报数据C；
排放源数据反演单元，用于根据定义的衡量空气质量预报数据C和空气质量监测数据Co之间差异的目标函数J，反演令目标函数J最小的排放源数据S1；反演时，对来自于第一排放源数据Sa中的数据不做调整；
组合单元，用于对于未安装烟气在线监测设备的排放源，将反演前后的排放源数据进行组合，获得新的排放源数据Snew，替换反演后排放源数据S1中的相应内容，得到最终的排放源数据Sfinal，反馈给排放源数据反演单元；
空气质量预报单元进一步利用排放源数据Sfinal获得最终的空气质量预报结果。
其中，将所述排放源数据S1的优化求解表述为：
Figure BDA0002221757880000031
Figure BDA0002221757880000032
其中，公式(I)为目标函数寻优表达，公式(II)为空气质量预报模型；T为所采用监测数据的时间段，t为时间；Ω表示在全空间范围内积分；λ为权系数，反映了不同空间位置观测数据的可靠性，是空间位置的函数；排放量分布S＝S(x,y,z,t)，x,y为排放口的位置，z为烟气抬升高度，t表示时间；F(C,P1,P2...Pn)是表示污染物在大气中经历的输送、扩散、化学转化一系列过程的数学描述，P1,P2...Pn是气象场预报数据中的n个组成元素；
在式(I)中引入伴随变量C*构造拉格朗日函数L，并推导出伴随模型(III)：
Figure BDA0002221757880000033
所述排放源数据反演单元包括目标函数J计算模块、梯度值解算模块、基于梯度的最优解解算模块和判断模块。其中，
目标函数J计算模块，用于将空气质量预报数据C和空气质量监测数据Co代入目标函数的表达式，获得目标函数值J。
梯度值解算模块，用于运行伴随模型(III)，计算出梯度向量g，即伴随变量C*。
基于梯度的最优解解算模块，配置用于梯度信息寻优的软件包；将伴随变量C*、目标函数值J、以及所需维度的待求解排放源数据向量
Figure BDA0002221757880000034
输入到所述软件包中，软件包自动解算输出本次迭代的排放源数据寻优结果Sk；上角标k表示第k次迭代；
基于梯度的最优解解算模块输出排放源数据寻优结果Sk到空气质量预报模型中，获得新的空气质量预报数据；该新的空气质量预报数据进入梯度值解算模块和模板函数J计算模块，进行下一轮的计算迭代，产生新的Sk，以此类推，进行多次循环迭代，直到判断模块确定空气质量预报数据与空气质量监测数据的差异满足设定条件，则获得了所述反演结果S1。
优选地，所述判断模块从梯度值解算模块提取伴随变量，在第k次迭代时，对比第k次和第k-1次迭代时获得的伴随变量Ck *和Ck-1 *，判断||Ck *-Ck-1 *||是否小于设定门限，如果是，则认为满足设定条件，退出迭代循环，所述排放源数据寻优结果Sk-1作为所述排放源数据S1；否则继续迭代。
有益效果：
1、本发明定义衡量空气质量监测数据Co和空气质量预报数据C差异的目标函数，反演令目标函数J最小的排放源数据；利用反演得到的排放源数据S1再次进行空气质量预报计算，提高空气质量预报准确性；由于反演过程基于空气质量监测数据。
2、本发明对于安装了烟气在线监测设备的排放源，直接从烟气在线监测系统中获取排放参数，利用该排放参数计算排放源数据，而在反演算法中对这些排放源不做调整，从而充分利用可靠的监测数据提升空气质量预报准确性。
3、对于未安装烟气在线监测设备的排放源，根据其排放源清单的获取手段，分析数据获取的相对误差σ，则将反演前的排放源数据S和反演调整后的排放源数据S1进行组合得到新的排放源数据Snew，既考虑了排放源数据来源误差，又利用了空气质量监测的信息，更加客观地反映了排放源的现状。
4、排放源数据的反演过程采用基于梯度信息的寻优方案。而且因为目标函数的非线性，在调整污染源数据的过程中，目标函数下降了，目标函数梯度的方向也在发生变化，因此本发明设计了逐步迭代渐进的解算过程，每迭代一次均重新计算行数梯度，从而保证解算准确性。
附图说明
图1为本发明基于动态反演排放源数据的空气质量预报系统。
图2为图1中排放源数据反演单元的组成框图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种基于动态反演排放源数据的空气质量预报方案，其基本思想是，利用排放源数据、空气质量监测数据Co和气象场预报数据进行空气质量预报时，进一步定义衡量空气质量监测数据Co和空气质量预报数据C差异的目标函数，反演令目标函数J最小的排放源数据；利用反演得到的排放源数据S1再次进行空气质量预报计算，获得准确的空气质量预报结果。
由于用于反演排放源数据的空气质量监测数据Co本身也有误差，而且监测站点分布不均匀，因此空气质量监测数据只是部分地反映了大气污染物浓度的时空分布信息。如果完全采用反演得到的排放源数据S1，则反演算法为了使预报的浓度和监测的浓度尽量接近，可能对某些排放源进行了过多的调整而难以真实体现排放源的现状。因此，考虑到这一事实，本发明提出了以下新的方法来提高反演排放源数据的准确性：
1、对于安装了烟气在线监测设备的排放源，直接从烟气在线监测系统中获取排放参数，利用该排放参数计算排放源数据，而在反演算法中对这些排放源不做调整；
2、对于未安装烟气在线监测设备的排放源，根据其排放源清单的获取手段，分析数据获取的相对误差σ，则将反演前的排放源数据S和反演调整后的排放源数据S1进行组合得到新的排放源数据Snew，既考虑了排放源数据来源误差，又利用了空气质量监测的信息，更加客观地反映了排放源的现状。在设计组合算法时，当相对误差σ越小，表明原来的数据S0越可靠，则反演的排放源数据越接近S0；相对误差σ越大，表明原来的数据S0越不可靠，则反演的排放源数据越接近S1；一种组合算法为：
Snew＝S1+(S0-S1)e-σ
其中，S0为反演前数据，S1表示反演后数据，相对误差σ可以根据排放源清单的获取手段而定，可以预先通过统计等方式获得该数据。
基于上述分析，本发明提供了一种空气质量预报系统，如图1所示，其包含第一排放源数据生成单元、第二排放源数据生成单元、第三排放源数据生成单元、空气质量监测数据下载单元、气象场预报数据下载单元、空气质量预报单元、排放源数据反演单元和组合单元。其中，
第一排放源数据生成单元，用于从安装有烟气在线监测设备的排放源获取排放参数，基于排放参数计算排放源数据Sa，发送给第三排放源数据生成单元。该排放源数据Sa中只包括有监测设备的排放源的数据。排放参数包括烟气中各种污染物浓度和烟气参数(温度、压力、流速或流量、湿度、含氧量等)。排放源数据记载了排放量分布S，其内容包括污染源的排放量、空间坐标(x，y)、烟气抬升高度z。
基于排放参数计算排放源数据为：根据排放参数中的污染物浓度和烟气流量，计算出单位时间内的污染物排放量；根据排放参数中的烟气温度和气象场预报数据提供的气象要素，可计算烟气抬升高度z。
第二排放源数据生成单元，用于根据原始排放源清单产生排放源数据Sb，发送给第三排放源数据生成单元。本单元是将排放源清单处理成空气质量预报模型能够识别的形式。该排放源数据Sb中有所有排放源的数据。
第三排放源数据生成单元，用于利用排放源数据Sa替换掉排放源数据Sb中的相应内容，获得排放源数据Sc，发送给空气质量预报单元。由于基于监测数据获得的排放源数据Sa是可靠数据，因此需要将其保留下来。
空气质量监测数据下载单元，用于获取空气质量监测数据Co，即污染物浓度监测数据，发送给空气质量预报单元，同时发送给排放源数据反演单元。
气象场预报数据下载单元，用于获取气象场预报数据，发送给空气质量预报单元。
空气质量预报单元，基于配置的空气质量预报模型，利用排放源数据Sc、气象场预报数据和空气质量监测数据Co计算污染物浓度时空分布的预报数据，即空气质量预报数据C。其中，空气质量监测数据Co为空气质量预报模型模式提供边界上的背景浓度数据。将空气质量预报数据C提供给排放源数据反演系统。
排放源数据反演单元，用于根据定义的衡量预报数据C和空气质量监测数据Co之间差异的目标函数J，反演令目标函数J最小的排放源数据S1，发给组合单元。反演时，对来自于排放源数据Sa中的数据不做调整。由于空气质量监测数据Co是离散数据，预报数据C是连续数据，因此本发明需要通过反演的方式获得令二者最小情况下的排放源数据。
组合单元，用于对于未安装烟气在线监测设备的排放源，将反演前后的排放源数据(Sc和S1)进行组合，获得新的排放源数据Snew；利用Snew替换反演后排放源数据S1中的相应内容(未安装烟气在线监测设备的数据)，得到最终的排放源数据Sfinal，反馈给排放源数据反演单元。所述组合方式参见上文。或者采用加权的方式进行组合。
空气质量预报单元进一步将排放源数据Sfinal代入空气质量预报模型，获得准确的空气质量预报结果。
由于计算量较大，排放源数据的动态反演控制在一定频次为宜，较好的，做到每月更新以反映季节变化对排放源数据的影响。由于反演过程中加入了浓度监测数据Co，因此企业经营状态的变化，如企业关停，厂址搬迁等，导致排放源发生的变化，也会在动态反演的排放源数据中体现出来，从而为排放源的管控提供及时信息，提高空气质量预报准确度。
对于排放源数据反演单元，其进行排放源反演的数学理论与迭代算法如下
设污染物浓度C满足如下算子形式的基本方程：
Figure BDA0002221757880000081
其中，F(C,P1,P2...Pn)是表示污染物在大气中经历的输送、扩散、化学转化一系列过程的数学描述，P1,P2...Pn是气象场预报数据中的n个组成元素，例如可以是流速、温度、湿度、含氧量等。S是排放源数据，即排放量分布，S＝S(x,y,z,t)是污染源排放量，x,y为排放口的位置，z为烟气抬升高度，t表示时间。
由于有许多不同时间不同位置的污染物浓度测量数据CO，本发明要从这些数据中反推污染源排放量的数值和分布，使得从该排放量数据出发模拟得到的各时刻污染物浓度数值与观测值最为接近。这个最为接近可以按照最小二乘的观点，定义目标函数：
Figure BDA0002221757880000082
其中，T为所采用监测数据的时间段，t为时间；Ω表示在全空间范围内积分；λ为权系数，反映了不同空间位置观测数据的可靠性，是空间位置的函数；对于没有观测数据的点，λ＝0。
使得目标函数值最小的排放量分布S(x,y,z,t)即为所求。目标函数中包含了浓度C，浓度C又与污染源排放量分布S通过方程(1)相关联。
由于上述初始场反演问题，就是通过定义一个非线性优化控制问题来求解的。这个优化控制问题的目标函数J，依赖于一系列状态变量和控制变量u(在这个问题中u就是污染源S)，通过调整控制变量，造成状态变量的改变，从而改变目标函数值使之达到最优。最优化问题的数学表述如下：
Figure BDA0002221757880000091
Figure BDA0002221757880000092
上式中的控制变量是排放源排放量分布：S＝S(x,y,z,t)。
引入Lagrange乘子C*(伴随变量)，构造Lagrange函数：
Figure BDA0002221757880000093
Lagrange函数(4)取得极值的必要条件是
Figure BDA0002221757880000094
当状态方程(1)得以满足时，显然有
Figure BDA0002221757880000095
成立。
由
Figure BDA0002221757880000096
可以导出伴随方程。
推导之前先利用分部积分公式对Lagrange函数(4)中第二项做一个变形。
Figure BDA0002221757880000097
利用上述关系式，得到伴随方程为
Figure BDA0002221757880000098
由
Figure BDA0002221757880000099
得到
C*＝0 (7)
理论上，求解方程(1)(6)(7)可以得到满足优化问题(3)的污染源数据。但实际上要将微分方程(1)(6)离散到空间网格来进行数值求解，其中方程(1)对应空气质量预报模型，方程(6)则对应伴随模型，最终得到的是一组维数很高的方程组，联立求解是很困难的。
为了解决求解困难的问题，本发明利用梯度信息迭代寻优，只需求解状态方程(1)和伴随方程(6)，在它们得以满足的前提下，从方程(7)可以得到Lagrange函数(4)关于污染源S的导数，它也等于目标函数关于S的导数。即
Figure BDA0002221757880000101
由于污染源S是离散地分布在网格上的，可以按一定次序排列得到一个向量，目标函数关于它的导数值也是离散分布的，排列起来，就得到梯度向量。
梯度：
Figure BDA0002221757880000102
基于该求解思路，上述排放源数据反演单元的具体实现参见图2，其包括目标函数J计算模块、梯度值解算模块、基于梯度的最优解解算模块和判断模块。
目标函数J计算模块，用于将空气质量预报数据C和空气质量监测数据Co代入目标函数的表达式(2)，获得目标函数值J。
梯度值解算模块，用于将空气质量预报数据C和空气质量监测数据Co代入运行伴随模型(6)，计算出梯度向量g，即伴随变量C*。
基于梯度的最优解解算模块，配置基于梯度信息寻优的软件包，将伴随变量C*、目标函数值J、以及所需维度的待求解排放源数据向量
Figure BDA0002221757880000103
输入到软件包中，该软件包自动解算，输出本次迭代的排放源数据寻优结果Sk；上角标k表示第k次迭代。
其中，伴随变量C*也是按照与
Figure BDA0002221757880000104
相同的顺序向量化的结果。由于本发明在反演时不对Sa中的排放源进行处理，因此C*和
Figure BDA0002221757880000105
的向量中，将相应排放源的元素去掉即可。
利用梯度信息寻找最优解的算法已经成熟，有通用的软件包可调用，此处不再赘述，请参见文献Byrd etal.1995.A limited memory algorithm for bound constrainedoptimization.Journal of Scientific Computing,16(5):1190-1208。目前可以的一款软件包的功能说明参见The module M1QN3 Version 3.3(October 2009)。利用梯度信息寻找最优解的软件包可以调用目标函数计算程序和目标函数梯度计算子程序，并预先指定所需要优化变量的维度，本发明中是指排放源数据S。排放源数据S是一个三维空间分布数据，因此需要按一定顺序将其进行向量化，再输入软件包。软件包经解算，输出相应维度的排放源数据寻优结果，将其进行重排后即可获得排放量空间分布。
运行伴随模型利用伴随模型计算的梯度数值，对排放源数据进行调整，使目标函数(3)下降，理论上目标函数越接近于0，则观测值与模拟值就越接近。由于梯度方向是目标函数增加最快的方向，梯度的相反方向则可使目标函数降低最快。但因为目标函数的非线性，在调整污染源数据的过程中，目标函数下降了，目标函数梯度的方向也在发生变化，因此这是一个逐步迭代渐进的过程。
因此，基于梯度的最优解解算模块将当前获得的排放源数据寻优结果Sk反馈给空气质量预报单元，空气质量预报单元利用新数据重新计算，获得新的空气质量预报数据。该新的空气质量预报数据进入梯度值解算模块和模板函数J计算模块，进行下一轮的计算迭代，产生新的Sk。以此类推，进行多次循环迭代，直到判断模块确定空气质量预报数据C与空气质量监测数据Co的差异满足设定条件，则获得了所述反演结果S1。
判断模块判断预报数据C与空气质量监测数据Co的差异是否满足设定条件的方式为：在第k次迭代时，从梯度值解算模块提取伴随变量Ck*后，对比第k-1次迭代时获得的伴随变量Ck-1 *和第k次迭代的伴随变量Ck *，判断||Ck *-Ck-1 *||是否小于设定门限，如果是，则认为满足设定条件，退出循环，排放源数据寻优结果Sk-1作为所述排放源数据S1；否则继续迭代。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于动态反演排放源数据的空气质量预报系统，其特征在于，包括：第一排放源数据生成单元、第二排放源数据生成单元、第三排放源数据生成单元、空气质量监测数据下载单元、气象场预报数据下载单元、空气质量预报单元、排放源数据反演单元和组合单元；
空气质量监测数据下载单元，用于获取空气质量监测数据Co；
气象场预报数据下载单元，用于获取气象场预报数据；
第一排放源数据生成单元，用于从安装有烟气在线监测设备的排放源获取排放参数，基于排放参数计算第一排放源数据Sa；
第二排放源数据生成单元，用于根据原始排放源清单产生第二排放源数据Sb；
第三排放源数据生成单元，用于利用第一排放源数据Sa替换第二排放源数据Sb中的相应内容，生成第三排放源数据Sc；
空气质量预报单元，用于利用排放源数据Sc、气象场预报数据和空气质量监测数据Co获得空气质量预报数据C；
排放源数据反演单元，用于根据定义的衡量空气质量预报数据C和空气质量监测数据Co之间差异的目标函数J，反演令目标函数J最小的排放源数据S1；反演时，对来自于第一排放源数据Sa中的数据不做调整；
组合单元，用于对于未安装烟气在线监测设备的排放源，将反演前后的排放源数据进行组合，获得新的排放源数据Snew，替换反演后排放源数据S1中的相应内容，得到最终的排放源数据Sfinal，反馈给排放源数据反演单元；
空气质量预报单元进一步利用排放源数据Sfinal获得最终的空气质量预报结果。
2.如权利要求1所述的系统，其特征在于，将所述排放源数据S1的优化求解表述为：
Figure FDA0002221757870000021
Figure FDA0002221757870000022
其中，公式(I)为目标函数寻优表达，公式(II)为空气质量预报模型；T为所采用监测数据的时间段，t为时间；Ω表示在全空间范围内积分；λ为权系数，反映了不同空间位置观测数据的可靠性，是空间位置的函数；排放量分布S＝S(x,y,z,t)，x,y为排放口的位置，z为烟气抬升高度，t表示时间；F(C,P1,P2...Pn)是表示污染物在大气中经历的输送、扩散、化学转化一系列过程的数学描述，P1,P2...Pn是气象场预报数据中的n个组成元素；
在式(I)中引入伴随变量C*构造拉格朗日函数L，并推导出伴随模型(III)：
Figure FDA0002221757870000023
所述排放源数据反演单元包括目标函数J计算模块、梯度值解算模块、基于梯度的最优解解算模块和判断模块。其中，
目标函数J计算模块，用于将空气质量预报数据C和空气质量监测数据Co代入目标函数的表达式，获得目标函数值J。
梯度值解算模块，用于运行伴随模型(III)，计算出梯度向量g，即伴随变量C*。
基于梯度的最优解解算模块，配置用于梯度信息寻优的软件包；将伴随变量C*、目标函数值J、以及所需维度的待求解排放源数据向量
Figure FDA0002221757870000024
输入到所述软件包中，软件包自动解算输出本次迭代的排放源数据寻优结果Sk；上角标k表示第k次迭代；
基于梯度的最优解解算模块输出排放源数据寻优结果Sk到空气质量预报模型中，获得新的空气质量预报数据；该新的空气质量预报数据进入梯度值解算模块和模板函数J计算模块，进行下一轮的计算迭代，产生新的Sk，以此类推，进行多次循环迭代，直到判断模块确定空气质量预报数据与空气质量监测数据的差异满足设定条件，则获得了所述反演结果S1。
3.如权利要求2所述的系统，其特征在于，所述判断模块从梯度值解算模块提取伴随变量，在第k次迭代时，对比第k次和第k-1次迭代时获得的伴随变量Ck *和Ck-1 *，判断||Ck *-Ck-1 *||是否小于设定门限，如果是，则认为满足设定条件，退出迭代循环，所述排放源数据寻优结果Sk-1作为所述排放源数据S1；否则继续迭代。
CN201910936644.4A 2019-09-29 2019-09-29 一种基于动态反演排放源数据的空气质量预报系统 Active CN110889079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910936644.4A CN110889079B (zh) 2019-09-29 2019-09-29 一种基于动态反演排放源数据的空气质量预报系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910936644.4A CN110889079B (zh) 2019-09-29 2019-09-29 一种基于动态反演排放源数据的空气质量预报系统

Publications (2)

Publication Number Publication Date
CN110889079A true CN110889079A (zh) 2020-03-17
CN110889079B CN110889079B (zh) 2024-04-12

Family

ID=69746060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910936644.4A Active CN110889079B (zh) 2019-09-29 2019-09-29 一种基于动态反演排放源数据的空气质量预报系统

Country Status (1)

Country Link
CN (1) CN110889079B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111651873A (zh) * 2020-05-22 2020-09-11 上海市环境科学研究院 城市大气VOCs排放清单反演方法、系统、终端以及储存介质
CN114564841A (zh) * 2022-03-03 2022-05-31 上海市环境科学研究院 城市大气排放清单反演方法、系统、设备及存储介质
CN116562712A (zh) * 2023-06-29 2023-08-08 内江师范学院 一种用于预测空气质量的系统和方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106339974A (zh) * 2016-10-21 2017-01-18 常州市环境监测中心 一种市区大气污染物排放清单的建立方法
CN106548438A (zh) * 2016-10-21 2017-03-29 常州市环境监测中心 一种城市工业源排放清单的建立方法
CN107194139A (zh) * 2016-03-14 2017-09-22 日电（中国）有限公司 大气污染源分级方法及计算设备
US20190113445A1 (en) * 2017-10-16 2019-04-18 Weimin Zhang Air pollution monitoring system and air pollution monitoring method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194139A (zh) * 2016-03-14 2017-09-22 日电（中国）有限公司 大气污染源分级方法及计算设备
CN106339974A (zh) * 2016-10-21 2017-01-18 常州市环境监测中心 一种市区大气污染物排放清单的建立方法
CN106548438A (zh) * 2016-10-21 2017-03-29 常州市环境监测中心 一种城市工业源排放清单的建立方法
US20190113445A1 (en) * 2017-10-16 2019-04-18 Weimin Zhang Air pollution monitoring system and air pollution monitoring method

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何斌;梅士龙;陆琛莉;李海军;周秋林;宋刘明;: "MEIC排放清单在空气质量模式中的应用研究" *
黄顺祥;刘峰;盛黎;程麟钧;吴琳;李军;: "基于伴随方法的大气污染溯源" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111651873A (zh) * 2020-05-22 2020-09-11 上海市环境科学研究院 城市大气VOCs排放清单反演方法、系统、终端以及储存介质
CN111651873B (zh) * 2020-05-22 2023-03-14 上海市环境科学研究院 城市大气VOCs排放清单反演方法、系统、终端以及储存介质
CN114564841A (zh) * 2022-03-03 2022-05-31 上海市环境科学研究院 城市大气排放清单反演方法、系统、设备及存储介质
CN116562712A (zh) * 2023-06-29 2023-08-08 内江师范学院 一种用于预测空气质量的系统和方法
CN116562712B (zh) * 2023-06-29 2023-09-19 内江师范学院 一种用于预测空气质量的系统和方法

Also Published As

Publication number Publication date
CN110889079B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN110889079A (zh) 一种基于动态反演排放源数据的空气质量预报系统
US6738677B2 (en) Method and apparatus for modeling dynamic and steady-state processes for prediction, control and optimization
US6278899B1 (en) Method for on-line optimization of a plant
US9329582B2 (en) Method and apparatus for minimizing error in dynamic and steady-state processes for prediction, control, and optimization
KR101094620B1 (ko) 반도체 프로세싱 도구에 의해 수행되는 프로세스를 용이하게 하는 방법 및 시스템, 시스템, 및 컴퓨터 판독가능한 매체
CN104049538B (zh) 用于补偿基于第一原理的仿真模型的方法和装置
US20060224534A1 (en) Method and apparatus for training a system model with gain constraints using a non-linear programming optimizer
US20060229743A1 (en) Method and apparatus for attenuating error in dynamic and steady-state processes for prediction, control, and optimization
CN109446696B (zh) 基于cmaq模型的快速大气环境容量测算方法、存储介质和终端
Yang et al. Simulation-based transfer function modeling for transient analysis of general queueing systems
MX2007011402A (es) Sistema y metodo de monitoreo de emisiones predictivas.
CN104778298A (zh) 基于egmm的高斯过程回归软测量建模方法
US7123971B2 (en) Non-linear model with disturbance rejection
KR20140024541A (ko) 대기 모델링 서비스 제공 시스템
CN110716512A (zh) 一种基于燃煤电站运行数据的环保装备性能预测方法
Akpinar et al. Naive forecasting of household natural gas consumption with sliding window approach
Huang et al. Repeated anticipatory network traffic control using iterative optimization accounting for model bias correction
CN106022912A (zh) 评价模型的更新方法及系统
CN114218751A (zh) 臭氧污染的定量评估方法、装置、计算机设备和存储介质
Lešnik et al. Predictive analytics of PM10 concentration levels using detailed traffic data
CN110824107B (zh) 一种基于动态反演排放源数据的空气质量预报方法
CN116151469A (zh) 一种预报空气质量的模型
CN110135090A (zh) 一种基于响应面法的电路系统容差建模与分析方法
Jia et al. Combining just‐in‐time modelling and batch‐wise unfolded PLS model for the derivative‐free batch‐to‐batch optimization
CN117059198B (zh) 基于响应曲面模型的排放清单反馈更新方法、系统及设备

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