CN111175446A - 一种气体溯源方法及装置 - Google Patents
一种气体溯源方法及装置 Download PDFInfo
- Publication number
- CN111175446A CN111175446A CN201911355894.5A CN201911355894A CN111175446A CN 111175446 A CN111175446 A CN 111175446A CN 201911355894 A CN201911355894 A CN 201911355894A CN 111175446 A CN111175446 A CN 111175446A
- Authority
- CN
- China
- Prior art keywords
- point
- gas
- suspected
- determining
- monitoring
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009792 diffusion process Methods 0.000 claims abstract description 82
- 238000012544 monitoring process Methods 0.000 claims abstract description 70
- 238000010790 dilution Methods 0.000 claims abstract description 33
- 239000012895 dilution Substances 0.000 claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000003915 air pollution Methods 0.000 description 5
- 239000000779 smoke Substances 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- 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
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Combustion & Propulsion (AREA)
- Probability & Statistics with Applications (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明涉及一种气体溯源方法及装置，方法包括如下步骤：分别获取标定区域内多个嫌疑点的第一位置信息、监测点的第二位置信息和监测点监测到的环境信息；根据第一位置信息、第二位置信息和环境信息分别确定各个嫌疑点排放气体时气体在空气中的浓度极大值对应的扩散距离、各个嫌疑点到监测点的大气稀释因子和各个嫌疑点的权重；根据各个扩散距离和对应的大气稀释因子分别确定各个嫌疑点的高斯概率模型；根据各个高斯概率模型和对应的权重分别确定各个嫌疑点的源概率，将源概率最大的嫌疑点确定为气体排放源。本发明的技术方案通过高斯概率模型来进行气体溯源，成本低，并且降低了计算复杂度，简单高效。
Description
技术领域
本发明涉及环保技术领域，尤其涉及一种气体溯源方法及装置。
背景技术
空气质量的好坏反映了空气的污染程度，为了保障人体健康和生态环境，治理空气、提高空气质量已刻不容缓，而对空气进行治理，比较好的方法就是直接从源头对污染源进行管理。
目前，为了找到污染气体排放源进而从源头治理空气污染，常通过以下两种方法对污染气体进行溯源。一种是通过精密气体溯源设备来实现气体溯源，但是精密气体溯源设备价格高昂，不利于大范围推广，并且通过精密设备进行溯源时，溯源有效距离较短；另一种是先通过对待监测区域划分网格，再遍历计算该区域中所有排放点排放气体时的气体扩散过程来进行溯源，但是采用这种方法进行溯源时，整个溯源过程计算复杂，溯源的时效性较差。
发明内容
为了降低气体溯源的成本，并降低溯源过程的计算复杂度，本发明提供一种气体溯源方法及装置。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供了一种气体溯源方法，所述方法包括如下步骤：
分别获取标定区域内多个嫌疑点的第一位置信息、监测点的第二位置信息和所述监测点监测到的环境信息，所述嫌疑点为所述标定区域内的潜在气体排放源，所述监测点为所述标定区域内监测气体浓度的站点。
根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点排放气体时气体在空气中的浓度极大值对应的扩散距离、各个所述嫌疑点到所述监测点的大气稀释因子和各个所述嫌疑点的权重。
根据各个所述扩散距离和对应的所述大气稀释因子分别确定各个所述嫌疑点的高斯概率模型。
根据各个所述高斯概率模型和对应的所述权重分别确定各个所述嫌疑点的源概率，将所述源概率最大的所述嫌疑点确定为气体排放源。
第二方面，本发明提供了一种气体溯源装置，包括：
获取模块，用于分别获取标定区域内多个嫌疑点的第一位置信息、监测点的第二位置信息和所述监测点监测到的环境信息，所述嫌疑点为所述标定区域内的潜在气体排放源，所述监测点为所述标定区域内监测气体浓度的站点。
信息处理模块，用于根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点排放气体时气体在空气中的浓度极大值对应的扩散距离、各个所述嫌疑点到所述监测点的大气稀释因子和各个所述嫌疑点的权重。
模型建立模块，用于根据各个所述扩散距离和对应的所述大气稀释因子分别确定各个所述嫌疑点的高斯概率模型。
计算模块，用于根据各个所述高斯概率模型和对应的所述权重分别确定各个所述嫌疑点的源概率，将所述源概率最大的所述嫌疑点确定为气体排放源。
第三方面，本发明提供了一种气体溯源装置，包括处理器和存储器。
所述存储器，用于存储计算机程序。
所述处理器，用于当执行所述计算机程序时，实现如上所述的气体溯源方法。
本发明的气体溯源方法及装置的有益效果是：根据嫌疑点和监测点的位置信息以及监测到的环境信息计算嫌疑点排放气体时气体在空气中浓度分布最大时的扩散距离，各个嫌疑点到监测点的大气稀释因子和各个嫌疑点的权重，根据扩散距离和大气稀释因子建立高斯概率模型，根据高斯概率模型和权重确定各个嫌疑点的源概率，其中源概率最高的嫌疑点为气体排放源，通过权重和高斯概率模型的结合能够量化环境和位置对嫌疑点的源概率的影响。本发明的技术方案通过根据位置信息和环境信息建立的高斯概率模型来进行气体溯源，成本低，并且降低了计算复杂度，简单高效。
附图说明
图1为本发明实施例的一种气体溯源方法的流程示意图；
图2为本发明实施例的连续电源高斯扩散气体浓度分布示意图；
图3为本发明实施例的气体浓度极值点与烟流有效源高之间的关系示意图；
图4为本发明实施例的气体浓度极值点与大气稳定程度之间的关系示意图；
图5为本发明实施例的嫌疑点与风向关系示意图；
图6为本发明实施例的高斯概率分布示意图；
图7为本发明实施例的一种气体溯源装置的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种气体溯源方法，可用于处理器或服务器等，所述方法包括如下步骤：
110，分别获取标定区域内多个嫌疑点的第一位置信息、监测点的第二位置信息和所述监测点监测到的环境信息，所述嫌疑点为所述标定区域内的潜在气体排放源，所述监测点为所述标定区域内监测气体浓度的站点。
120，根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点排放气体时气体在空气中的浓度极大值对应的扩散距离、各个所述嫌疑点到所述监测点的大气稀释因子和各个所述嫌疑点的权重。
具体地，扩散距离为嫌疑点排放气体时气体在空气中浓度极大值所在位置与嫌疑点之间的距离。
130，根据各个所述扩散距离和对应的所述大气稀释因子分别确定各个所述嫌疑点的高斯概率模型。
140，根据各个所述高斯概率模型和对应的所述权重分别确定各个所述嫌疑点的源概率，将所述源概率最大的所述嫌疑点确定为气体排放源。
本实施例中，根据嫌疑点和监测点的位置信息以及监测到的环境信息计算嫌疑点排放气体时气体在空气中浓度分布最大时的扩散距离，各个嫌疑点到监测点的大气稀释因子和各个嫌疑点的权重，根据扩散距离和大气稀释因子建立高斯概率模型，根据高斯概率模型和权重确定各个嫌疑点的源概率，其中源概率最高的嫌疑点为气体排放源，通过权重和高斯概率模型的结合能够量化环境和位置对嫌疑点的源概率的影响。本发明的技术方案通过根据位置信息和环境信息建立的高斯概率模型来进行气体溯源，成本低，并且降低了计算复杂度，简单高效。
优选地，所述环境信息包括监测到的气体的成分因子，所述根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点排放气体时气体在空气中的浓度极大值对应的扩散距离的步骤之前，所述方法还包括如下步骤：
读取数据库中存储的各个所述嫌疑点的排放气体对应的特征因子，比对所述成分因子与特征因子，根据比对结果排除排出气体中不包括所述成分因子的所述嫌疑点。
具体地，特征因子也可存储在硬盘等存储介质中，例如监测点监测到的气体中的成分因子包括一氧化碳，则根据读取到的嫌疑点对应的特征因子，通过比对排除不会排放一氧化碳的嫌疑点，通过初步筛选，能够提高后续确定气体排放源的速度，减少溯源时间。
优选地，所述第一位置信息包括所述嫌疑点排放气体时的有效源高和所述嫌疑点所在的第一位置，所述第二位置信息包括所述监测点所在的第二位置，所述根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点排放气体时气体在空气中的浓度极大值对应的扩散距离的具体实现为：
根据所述第一位置和所述第二位置，采用气体排放国家标准分别确定各个所述嫌疑点到所述监测点的气体扩散参数，所述气体扩散参数包括垂直扩散参数幂函数表达式系数、垂直扩散参数幂函数表达式指数和横向扩散参数幂函数表达式指数。
根据所述有效源高和所述气体扩散参数采用第一公式分别确定各个所述嫌疑点排放气体时的所述扩散距离，所述第一公式为：
其中，μi为第i个所述嫌疑点的所述扩散距离，第i个所述嫌疑点为所有所述嫌疑点中的任意一个。
Hi为第i个所述嫌疑点的所述有效源高。
γiz为第i个所述嫌疑点的垂直扩散参数幂函数表达式系数。
αiz为第i个所述嫌疑点的垂直扩散参数幂函数表达式指数。
αiy为第i个所述嫌疑点的横向扩散参数幂函数表达式指数。
具体地，气体扩散参数可根据国家标准GB/T13201-91的规定进行计算。假设所有嫌疑点连续排放气体，则气体在空气中呈现连续点源高斯扩散，通过空气污染气象学气体扩散理论，当气呈高斯扩散时，气体的浓度随距离地面的距离先递增到极大值后再趋于零，如图2所示，q为气体浓度值，x为与嫌疑点之间的水平距离，y为距离地面距离。同时气体浓度的极大值会受烟流有效源高和大气稳定程度影响，如图3和图4所示，其中q(x，0，0)为气体浓度值，x为距离嫌疑点的水平距离，H1、H2和H3为三种不同的有效源高，且H3>H2>H1。本实施例中，假设监测点与嫌疑点之间的距离为气体浓度极大值对应的距离时，嫌疑点的源概率最大。
优选地，所述环境信息还包括风速，所述气体扩散参数还包括横向扩散参数和垂直扩散参数，所述根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点到所述监测点的大气稀释因子的具体实现为：
根据所述风速和所述气体扩散参数采用第二公式分别确定各个所述嫌疑点到所述监测点的大气稀释因子，所述第二公式为：
其中，ηi为第i个所述嫌疑点到所述监测点的所述大气稀释因子。
σiz为第i个所述嫌疑点到所述监测点的横向扩散参数。
σiy为第i个所述嫌疑点到所述监测点的垂直扩散参数。
具体地，根据湍流统计理论对气体扩散问题的处理，污染物在随机团流畅中的扩散能力和散布范围由气体扩散参数表征，因此，本实施例中根据由气体扩散参数和风速确定的大气稀释因子来定义高斯分布中的方差。
根据气体扩散理论，大气稀释因子代表了不同气象条件和地形条件下物质散布的程度及其随空间距离的变化，大气稀释因子越大，气体扩散浓度越大，浓度随扩散距离趋于零的速度越快，表征为烟流体积小；当大气稀释因子越小，气体扩散浓度越小，浓度随扩散距离趋于零的速度越小，表征为烟流体积大。因此，本实施例中根据所述大气稀释因子采用第六公式确定高斯分布中的方差，所述第六公式为：
优选地，所述环境信息还包括风向，风向为风吹向监测点的方向，所述根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点的权重，具体包括如下步骤：
根据所述第一位置和所述第二位置分别确定各个所述嫌疑点的地理方位角，并根据所述风向确定风向角，所述地理方位角为所述嫌疑点和所述监测点的连线与指北方向的夹角，所述风向角为所述风向与指北方向的夹角。
采用第三公式确定各个所述嫌疑点的所述地理方位角与所述风向角之间的差值的绝对值，所述第三公式为：
θi＝|αi-β|，
其中，θi为第i个嫌疑点的所述地理方位角与所述风向角之间的差值的绝对值，αi为第i个嫌疑点的所述地理方位角，β为所述风向角。
根据预先确定的所述标定区域的风向变化幅度和所述绝对值分别确定各个所述嫌疑点的所述权重。
本优选的实施例中，由于风向对排放气体的扩散方向起着主导作用，因此采用地理方位角与风向角之间的夹角来为嫌疑点赋予权重，能够对排放气体的扩散方向进行判断，提高溯源的精度。
优选地，所述根据预先确定的所述标定区域的风向变化幅度和所述绝对值分别确定各个所述嫌疑点的所述权重具体包括如下步骤：
读取数据库中存储的所述标定区域内全年的风向，确定全年的风向的第一方差，并比对所述第一方差与预设阈值。
具体地，风向也可存储在硬盘等存储介质中。
当所述第一方差小于所述预设阈值时，表示全年风向的离散程度小，该区域的风向变化幅度小，采用第四公式确定所述嫌疑点的所述权重，所述第四公式为：
其中，wi为第i个所述嫌疑点的所述权重。
当所述第一方差大于或等于所述预设阈值时，表示全年风向的离散程度大，该区域的风向变化幅度大，采用第五公式确定所述嫌疑点的所述权重，所述第五公式为：
具体地，上式中θi以弧度的形式给出，权重随着夹角的增大而减小，如图5所示，假设A、B为嫌疑点，C为监测点，图中虚线箭头方向表示风向。
当
时，对应的嫌疑点A在风向上的垂直投影A＇位于下风向处，此时监测点无法监测到嫌疑点A排放的气体。
当
时，对应的嫌疑点B在风向上的垂直投影B＇位于上风向处，此时监测点可以检测到嫌疑点B排放的气体。
优选地，所述根据各个所述扩散距离和对应的所述大气稀释因子分别确定各个所述嫌疑点的高斯概率模型的具体实现为：
根据所述第一位置和所述第二位置分别确定各个所述嫌疑点与所述监测点之间的相隔距离。
根据所述相隔距离、对应的所述扩散距离和对应的所述第二方差，采用第七公式确定各个所述嫌疑点的所述高斯概率模型，所述第七公式为：
其中，di为第i个所述嫌疑点与所述监测点之间的所述相隔距离。
具体地，如图6所示的高斯概率分布图，由于大气中存在随机湍流场，气体排放源的位置呈现出不确定性，因此本实施例中根据概率与数理统计理论将监测站监测到气体浓度超标事件定义为一个随机事件，并且根据空气污染气象学中气体浓度扩散特性，定义嫌疑点与监测点之间的距离为随机变量X，X～N(μ,σ2)。
优选地，所述根据各个所述高斯概率模型和所述权重分别确定各个所述嫌疑点的源概率的具体实现为：
根据所述高斯概率模型和所述权重，采用第八公式确定各个所述嫌疑点的源概率，所述第八公式为：
其中，N为所述嫌疑点的总数，pi为第i个所述嫌疑点的所述源概率。
下面以某化工园区对污染气体的溯源为例，对本发明的一种气体溯源方法的应用场景做进一步的说明。
假设该化工园区内存在1个监测点和n个排放气体的企业，当监测点监测到某种污染气体超标时，此时n个排放气体的企业均为嫌疑点。
根据监测到的污染气体中的超标因子以及存储的各个企业排放气体中的特征因子，排出部分排放气体中不含超标因子的嫌疑点，假设剩余的嫌疑点个数为m。
根据存储的各个嫌疑点排放口的高度，结合空气污染气象学计算烟流有效源高，采用第一公式分别计算m个嫌疑点排放气体时气体扩散到最大浓度时对应的扩散距离，并将扩散距离分别定义为m个嫌疑点对应的高斯概率模型的均值。
根据空气污染气象学中分别计算m各嫌疑点到监测点的气体扩散参数，结合平均风速，采用第二公式分别计算m个嫌疑点到监测点的大气稀释因子，并采用第六公式定义高斯概率模型的方差。
根据m个嫌疑点分别到监测点的距离分别计算各个嫌疑点与监测点之间的方位角，以及对应的风向角。
根据方位角和风向角之间的夹角采用第四公式或第五公式确定各个嫌疑点的权重。
根据上述确定的均值、方差和权重分别采用第七公式和第八公式计算各个所述嫌疑点的源概率，并确定其中源概率最大的嫌疑点，该源概率最大的嫌疑点为气体排放源。
根据确定的气体排放源，还可根据现有的连续点源气体扩散模型绘制气体扩散轨迹。
如图7所示，本发明实施例提供的一种气体溯源装置，包括：
获取模块，用于分别获取标定区域内多个嫌疑点的第一位置信息、监测点的第二位置信息和所述监测点监测到的环境信息，所述嫌疑点为所述标定区域内的潜在气体排放源，所述监测点为所述标定区域内监测气体浓度的站点。
信息处理模块，用于根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点排放气体时气体在空气中的浓度极大值对应的扩散距离、各个所述嫌疑点到所述监测点的大气稀释因子和各个所述嫌疑点的权重。
模型建立模块，用于根据各个所述扩散距离和对应的所述大气稀释因子分别确定各个所述嫌疑点的高斯概率模型。
计算模块，用于根据各个所述高斯概率模型和对应的所述权重分别确定各个所述嫌疑点的源概率，将所述源概率最大的所述嫌疑点确定为气体排放源。
本发明另一实施例提供的一种气体溯源装置包括处理器和存储器，所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的气体溯源方法。该气体溯源装置可为计算机或服务器等。
本发明另一实施例提供的一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的气体溯源方法。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)
1.一种气体溯源方法，其特征在于，所述方法包括如下步骤：
分别获取标定区域内多个嫌疑点的第一位置信息、监测点的第二位置信息和所述监测点监测到的环境信息，所述嫌疑点为所述标定区域内的潜在气体排放源，所述监测点为所述标定区域内监测气体浓度的站点；
根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点排放气体时气体在空气中的浓度极大值对应的扩散距离、各个所述嫌疑点到所述监测点的大气稀释因子和各个所述嫌疑点的权重；
根据各个所述扩散距离和对应的所述大气稀释因子分别确定各个所述嫌疑点的高斯概率模型；
根据各个所述高斯概率模型和对应的所述权重分别确定各个所述嫌疑点的源概率，将所述源概率最大的所述嫌疑点确定为气体排放源。
2.根据权利要求1所述的气体溯源方法，其特征在于，所述环境信息包括监测到的气体的成分因子，所述根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点排放气体时气体在空气中的浓度极大值对应的扩散距离的步骤之前，所述方法还包括如下步骤：
读取存储的各个所述嫌疑点的排放气体对应的特征因子，比对所述成分因子与特征因子，根据比对结果排除排出气体中不包括所述成分因子的所述嫌疑点。
3.根据权利要求1所述的气体溯源方法，其特征在于，所述第一位置信息包括所述嫌疑点排放气体时的有效源高和所述嫌疑点所在的第一位置，所述第二位置信息包括所述监测点所在的第二位置，所述根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点排放气体时气体在空气中的浓度极大值对应的扩散距离的具体实现为：
根据所述第一位置和所述第二位置，采用气体排放国家标准分别确定各个所述嫌疑点到所述监测点的气体扩散参数，所述气体扩散参数包括垂直扩散参数幂函数表达式系数、垂直扩散参数幂函数表达式指数和横向扩散参数幂函数表达式指数；
根据所述有效源高和所述气体扩散参数采用第一公式分别确定各个所述嫌疑点排放气体时的所述扩散距离，所述第一公式为：
其中，μi为第i个所述嫌疑点的所述扩散距离；Hi为第i个所述嫌疑点的所述有效源高；γiz为第i个所述嫌疑点的垂直扩散参数幂函数表达式系数；αiz为第i个所述嫌疑点的垂直扩散参数幂函数表达式指数；αiy为第i个所述嫌疑点的横向扩散参数幂函数表达式指数。
4.根据权利要求3所述的气体溯源方法，其特征在于，所述环境信息还包括风速，所述气体扩散参数还包括横向扩散参数和垂直扩散参数，所述根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点到所述监测点的大气稀释因子的具体实现为：
根据所述风速和所述气体扩散参数采用第二公式分别确定各个所述嫌疑点到所述监测点的大气稀释因子，所述第二公式为：
其中，ηi为第i个所述嫌疑点到所述监测点的所述大气稀释因子，
为所述风速，σiz为第i个所述嫌疑点到所述监测点的横向扩散参数，σiy为第i个所述嫌疑点到所述监测点的垂直扩散参数。
5.根据权利要求4所述的气体溯源方法，其特征在于，所述环境信息还包括风向，所述根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点的权重，具体包括如下步骤：
根据所述第一位置和所述第二位置分别确定各个所述嫌疑点的地理方位角，并根据所述风向确定风向角，所述地理方位角为所述嫌疑点和所述监测点的连线与指北方向的夹角，所述风向角为所述风向与指北方向的夹角；
采用第三公式确定各个所述嫌疑点的所述地理方位角与所述风向角之间的差值的绝对值，所述第三公式为：
θi＝|αi-β|，
其中，θi为第i个嫌疑点的所述地理方位角与所述风向角之间的差值的绝对值，αi为第i个嫌疑点的所述地理方位角，β为所述风向角；
根据预先确定的所述标定区域的风向变化幅度和所述绝对值分别确定各个所述嫌疑点的所述权重。
6.根据权利要求5所述的气体溯源方法，其特征在于，所述根据预先确定的所述标定区域的风向变化幅度和所述绝对值分别确定各个所述嫌疑点的所述权重具体包括如下步骤：
读取存储的所述标定区域内全年的风向，确定全年的风向的第一方差，并比对所述第一方差与预设阈值；
当所述第一方差小于所述预设阈值时，采用第四公式确定所述嫌疑点的所述权重，所述第四公式为：
其中，wi为第i个所述嫌疑点的所述权重；
当所述第一方差大于或等于所述预设阈值时，采用第五公式确定所述嫌疑点的所述权重，所述第五公式为：
7.根据权利要求6所述的气体溯源方法，其特征在于，所述根据各个所述扩散距离和对应的所述大气稀释因子分别确定各个所述嫌疑点的高斯概率模型，具体包括如下步骤：
根据所述第一位置和所述第二位置分别确定各个所述嫌疑点与所述监测点之间的相隔距离，并根据所述大气稀释因子，采用第六公式确定高斯分布中的第二方差，所述第六公式为：
其中，σi 2为高斯分布中的所述第二方差；
根据所述相隔距离、对应的所述扩散距离和对应的所述第二方差，采用第七公式确定各个所述嫌疑点的所述高斯概率模型，所述第七公式为：
其中，di为第i个所述嫌疑点与所述监测点之间的所述相隔距离。
8.根据权利要求7所述的气体溯源方法，其特征在于，所述根据各个所述高斯概率模型和所述权重分别确定各个所述嫌疑点的源概率的具体实现为：
根据所述高斯概率模型和所述权重，采用第八公式确定各个所述嫌疑点的源概率，所述第八公式为：
其中，N为所述嫌疑点的总数，pi为第i个所述嫌疑点的所述源概率。
9.一种气体溯源装置，其特征在于，包括：
获取模块，用于分别获取标定区域内多个嫌疑点的第一位置信息、监测点的第二位置信息和所述监测点监测到的环境信息，所述嫌疑点为所述标定区域内的潜在气体排放源，所述监测点为所述标定区域内监测气体浓度的站点；
信息处理模块，用于根据所述第一位置信息、所述第二位置信息和所述环境信息分别确定各个所述嫌疑点排放气体时气体在空气中的浓度极大值对应的扩散距离、各个所述嫌疑点到所述监测点的大气稀释因子和各个所述嫌疑点的权重；
模型建立模块，用于根据各个所述扩散距离和对应的所述大气稀释因子分别确定各个所述嫌疑点的高斯概率模型；
计算模块，用于根据各个所述高斯概率模型和对应的所述权重分别确定各个所述嫌疑点的源概率，将所述源概率最大的所述嫌疑点确定为气体排放源。
10.一种气体溯源装置，其特征在于，包括处理器和存储器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1至8任一项所述的气体溯源方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911355894.5A CN111175446A (zh) | 2019-12-25 | 2019-12-25 | 一种气体溯源方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911355894.5A CN111175446A (zh) | 2019-12-25 | 2019-12-25 | 一种气体溯源方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111175446A true CN111175446A (zh) | 2020-05-19 |
Family
ID=70622517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911355894.5A Withdrawn CN111175446A (zh) | 2019-12-25 | 2019-12-25 | 一种气体溯源方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111175446A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114416904A (zh) * | 2022-01-19 | 2022-04-29 | 平安国际智慧城市科技股份有限公司 | 气体排放溯源确定方法、装置、设备与存储介质 |
| CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
-
2019
- 2019-12-25 CN CN201911355894.5A patent/CN111175446A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114416904A (zh) * | 2022-01-19 | 2022-04-29 | 平安国际智慧城市科技股份有限公司 | 气体排放溯源确定方法、装置、设备与存储介质 |
| CN114416904B (zh) * | 2022-01-19 | 2024-05-14 | 平安国际智慧城市科技股份有限公司 | 气体排放溯源确定方法、装置、设备与存储介质 |
| CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
| CN117129638B (zh) * | 2023-10-26 | 2024-01-12 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107767375B (zh) | 一种点云质量评估方法及装置 | |
| Abdullah et al. | Multiple linear regression (MLR) models for long term PM10 concentration forecasting during different monsoon seasons | |
| CN111537023A (zh) | 一种工业园区大气污染物扩散模拟与溯源方法 | |
| CN107436343A (zh) | 一种模拟计算敏感区域污染物浓度的方法 | |
| CN103258116A (zh) | 一种大气污染物扩散模型的构建方法 | |
| CN103353923A (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
| CN109061774B (zh) | 一种雷暴核关联性处理方法 | |
| CN111175446A (zh) | 一种气体溯源方法及装置 | |
| CN113125635B (zh) | 一种大气污染预警方法、装置及可读存储介质 | |
| US11781976B2 (en) | Methane peak detection | |
| CN112257551A (zh) | 一种氮氧化物污染源识别及排放量确定的方法及系统 | |
| Tipton et al. | Fungal aerobiota are not affected by time nor environment over a 13-y time series at the Mauna Loa Observatory | |
| Sykes et al. | Representation of velocity gradient effects in a Gaussian puff model | |
| CN113077089B (zh) | 一种多因素对空气质量影响的评价方法和装置 | |
| CN109213840B (zh) | 基于多维特征深度学习的热点网格识别方法 | |
| Zhao et al. | Application of data mining to the analysis of meteorological data for air quality prediction: A case study in Shenyang | |
| CN114279915A (zh) | 一种大气颗粒物浓度反演方法及相关组件 | |
| CN107728163A (zh) | 大气特征层检测方法及装置 | |
| CN115792137B (zh) | 大气污染溯源方法及装置、终端 | |
| CN110057981A (zh) | 路网污染源排放识别方法和系统 | |
| Ristic et al. | Achievable accuracy in parameter estimation of a Gaussian plume dispersion model | |
| CN114113499B (zh) | 一种海洋污染数据采集方法及系统 | |
| Gu et al. | Analysis and quantification of data assimilation based on sequential Monte Carlo methods for wildfire spread simulation | |
| CN112257354B (zh) | 一种动态风场条件下的空气污染源逆向定位方法 | |
| CN117454563A (zh) | 基于风险频率的泄漏探测覆盖率检测方法及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200519 |
|
| WW01 | Invention patent application withdrawn after publication |