CN111710374A - 大气污染成因分析方法及装置 - Google Patents
大气污染成因分析方法及装置 Download PDFInfo
- Publication number
- CN111710374A CN111710374A CN202010545847.3A CN202010545847A CN111710374A CN 111710374 A CN111710374 A CN 111710374A CN 202010545847 A CN202010545847 A CN 202010545847A CN 111710374 A CN111710374 A CN 111710374A
- Authority
- CN
- China
- Prior art keywords
- vocs
- species
- pollution
- determining
- pollution source
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/40—Searching chemical structures or physicochemical data
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Abstract
本发明提供了一种大气污染成因分析方法及装置,涉及大气污染领域,根据监测到的VOCs的多个物种中每个物种的浓度数据,确定每个物种的臭氧生成潜势;根据VOCs的每个组分所包含的多个物种中每个物种的臭氧生成潜势确定每个组分的臭氧生成潜势占比;从所述VOCs的多个物种中筛选出臭氧生成潜势排在前N位的第一目标物种;对VOCs进行污染源解析,确定VOCs的污染源数据;基于每个组分的臭氧生成潜势占比、第一目标物种以及VOCs的污染源数据,确定大气中的污染源。本发明可以提高污染源分析结果的准确性。
Description
技术领域
本发明涉及大气污染技术领域,尤其是涉及一种大气污染成因分析方法及装置。
背景技术
近年来,我国臭氧污染问题日益突出,逐渐成为影响我国夏秋季节环境空气质量的重要污染物。挥发性有机物(Volatile Organic Compounds,VOCs)在光照作用下通过光化学反应生成臭氧,是重要的臭氧生成前体物,其在室温下以蒸气的形式存在并且极易挥发。众多不同排放源可产生超过100种复杂的VOCs组分、不同物种之间的浓度和反应活性也不尽相同。VOCs根据不同化学结构,可进一步细分为:烷烃类、烯烃类、芳香烃类、炔烃类、卤代烃类、含氧类(醛、酮、酯类)和其他化合物。
VOCs作为臭氧生成的重要前体物,研究其组分及化学变化对于臭氧污染问题十分重要。但是,由于环境空气中的VOCs组分多样,化学反应机理和排放源复杂多变,因此,目前通过分析VOCs组分及其浓度来确定大气污染源的准确度不是很高。并且,目前对于VOCs的分析并没有和臭氧污染十分紧密联系,大多数分析仅单单针对VOCs本身进行了分析。
发明内容
本发明的目的在于提供一种大气污染成因分析方法及装置,以缓解目前通过分析VOCs组分及其浓度来确定大气污染源的准确度不高的技术问题。进一步地,本发明将VOCs与臭氧的分析有机结合起来,更加全面的分析臭氧污染,并且结合污染源解析的结果确定大气污染源,提高污染源分析结果的准确性。
第一方面,本发明实施例提供一种大气污染成因分析方法,所述方法包括:
根据监测到的VOCs的多个物种中每个物种的浓度数据,确定每个所述物种的臭氧生成潜势;
根据VOCs的每个组分所包含的多个物种中每个物种的臭氧生成潜势确定每个组分的臭氧生成潜势占比;
从所述VOCs的多个物种中筛选出臭氧生成潜势排在前N位的第一目标物种;其中,N为不小于1的整数;
对所述VOCs进行污染源解析,确定所述VOCs的污染源数据;
基于每个所述组分的臭氧生成潜势占比、所述第一目标物种的浓度数据以及所述VOCs的污染源数据,确定大气中的污染源。
在可选的实施方式中,所述方法还包括:
根据每个所述VOCs的组分所包含的多个物种中每个物种的浓度数据,确定每个所述组分的占比;
从所述VOCs的多个物种中筛选出第二目标物种;其中,所述第二目标物种包括浓度数据排在前M位的物种和/或用于指征污染源的物种;其中,M为不小于1的整数;
所述基于每个所述组分的臭氧生成潜势占比、所述第一目标物种的浓度数据以及所述VOCs的污染源数据,确定大气中的污染源的步骤,包括:
基于每个所述组分的占比、所述第一目标物种的浓度数据、每个所述组分的臭氧生成潜势占比、所述第二目标物种的浓度数据以及所述VOCs的污染源数据,确定大气中的污染源。
在可选的实施方式中,对所述VOCs进行污染源解析,确定所述VOCs的污染源数据的步骤,包括:
基于物种比值,对所述VOCs进行污染源解析,确定所述VOCs的第一污染源数据;其中,所述物种比值包括苯与甲苯的浓度之比、乙苯与二甲苯的浓度之比或异戊烷与正戊烷的浓度之比。
在可选的实施方式中,对所述VOCs进行污染源解析,确定所述VOCs的污染源数据的步骤,包括:
基于受体模型,根据每个所述物种的浓度数据对所述VOCs进行污染源解析,确定所述VOCs的第二污染源数据。
在可选的实施方式中,所述方法还包括:
分析所述第一目标物种和/或所述第二目标物种在设定时间内的平均浓度数据和浓度变化趋势。
第二方面,本发明实施例提供一种大气污染成因分析装置,所述装置包括:
第一确定模块,用于根据监测到的VOCs的多个物种中每个物种的浓度数据,确定每个所述物种的臭氧生成潜势;
第二确定模块,用于根据VOCs的每个组分所包含的多个物种中每个物种的臭氧生成潜势确定每个组分的臭氧生成潜势占比;
第一筛选模块,用于从所述VOCs的多个物种中筛选出臭氧生成潜势排在前N位的第一目标物种;其中,N为不小于1的整数;
解析模块,用于对所述VOCs进行污染源解析,确定所述VOCs的污染源数据;
污染源确定模块,用于基于每个所述组分的臭氧生成潜势占比、所述第一目标物种的浓度数据以及所述VOCs的污染源数据,确定大气中的污染源。
在可选的实施方式中,所述装置还包括:
第三确定模块,用于根据每个所述VOCs的组分所包含的多个物种中每个物种的浓度数据,确定每个所述组分的占比;
第二筛选模块,用于从所述VOCs的多个物种中筛选出第二目标物种;其中,所述第二目标物种包括浓度数据排在前M位的物种和/或用于指征污染源的物种;其中,M为不小于1的整数;
所述污染源确定模块还用于:
基于每个所述组分的占比、所述第一目标物种的浓度数据、每个所述组分的臭氧生成潜势占比、所述第二目标物种的浓度数据以及所述VOCs的污染源数据,确定大气中的污染源。
在可选的实施方式中,所述解析模块还用于:
基于物种比值,对所述VOCs进行污染源解析,确定所述VOCs的第一污染源数据;其中,所述物种比值包括苯与甲苯的浓度之比、乙苯与二甲苯的浓度之比或异戊烷与正戊烷的浓度之比。
第三方面,本发明实施例提供一种电子设备,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现前述实施方式任一项所述的方法。
第四方面,本发明实施例提供一种机器可读存储介质,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现前述实施方式任一项所述的方法。
本发明实施例提供的上述大气污染成因分析方法及装置,基于VOCs的每个组分的臭氧生成潜势占比、第一目标物种的浓度数据以及VOCs的污染源数据,综合确定大气污染源。由于VOCs是臭氧生成的重要前体物,通过分析VOCs的臭氧生成潜势,将VOCs与臭氧的分析有机结合起来,更加全面的分析臭氧污染,并且进一步结合污染源解析的结果确定大气污染源,提高污染源分析结果的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的大气污染成因分析方法流程图;
图2为本发明实施例提供的另一大气污染成因分析方法流程图;
图3为本发明实施例提供的大气污染成因分析装置的示意图;
图4为本发明实施例提供的电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
在本发明的描述中,需要说明的是,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,众多不同排放源可产生超过100种复杂的VOCs物种、不同物种之间的浓度和反应活性也不尽相同。VOCs物种根据不同化学结构,可进一步细分为以下7大类组分:烷烃类、烯烃类、芳香烃类、炔烃类、卤代烃类、含氧类(醛、酮、酯类)和其他化合物,每类组分包含多种化学特征相同的物种,例如烷烃类包含甲烷、乙烷、丙烷等。由于环境空气中的VOCs物种多样,化学反应机理和排放源复杂多变,因此,目前通过分析VOCs物种及其浓度来确定大气污染源的准确度不是很高。基于此,本发明实施例提供的大气污染成因分析方法及装置,可以提高污染源分析结果的准确性。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
图1示出了为本发明实施例提供的大气污染成因分析方法流程图。参照图1,本发明实施例提供一种大气污染成因分析方法,包括以下步骤:
步骤S101,根据监测到的VOCs的多个物种中每个物种的浓度数据,确定每个物种的臭氧生成潜势;
在本步骤中,由于不同取样点不同时刻的VOCs的物种浓度可能不同,因此,通常监测不同取样点不同时刻的VOCs,得到多组VOCs样品,将该多组VOCs样品根据日期或时刻进行分类,得到多类样品组。当根据日期分类时,可以将某一取样点某一物种一天中各个时刻的浓度求平均,得到当天的该取样点该物种的浓度数据,以此类推,可以得到当天的该取样点采集的VOCs的多个物种中每个物种的浓度数据,即同一天的VOCs物种浓度数据,将不同取样点同一天的VOCs物种浓度数据作为一类样品组;当根据时刻分类时,将不同取样点一天中同一时刻的VOCs物种浓度数据作为一类样品组,该VOCs物种浓度数据包括该时刻不同取样点采集的VOCs的多个物种中每个物种的浓度数据。可以采用上述两种分类方式的其中一种对多组VOCs样品进行分类,得到多类样品组,将每一类样品组中的不同取样点的同一物种的浓度数据求平均,得到该类样品组VOCs中的各个物种的平均浓度数据,本步骤中涉及到的物种的浓度数据可以为上述平均浓度数据。
基于每个物种的浓度数据,可以利用MIR(Maximum incremental reactivity,最大增量反应活性)法,通过下面的式(1)求得每个物种的臭氧生成潜势(ozone formationpotential,OFP)的值。
OFPi=[VOCs]i×MIRi (1)
其中,OFPi为某一VOCs物种i的臭氧生成潜势,单位为μg/m3;[VOCs]i为监测得到的VOCs物种i的浓度数据,单位为μg/m3,i=1,2,…,n,n为整数;MIR i为物种i的MIR系数,单位为gO3/gVOCs,例如采用Carter基于SAPRC-07化学机制研究的MIR系数。
步骤S102,根据VOCs的每个组分所包含的多个物种中每个物种的臭氧生成潜势确定每个组分的臭氧生成潜势占比;其中,VOCs包括多个组分,每个组分包括多个化学特征相同的物种;
本实施例中,VOCs的多个物种根据不同化学特征可以分为烷烃、烯烃、炔烃、芳香烃、含氧类(醛、酮、酯类)、卤代烃和其他类,共7大类组分。根据每个组分所包含的各个物种的臭氧生成潜势,可以得到该组分的臭氧生成潜势。具体的,每个组分的臭氧生成潜势可以为该组分所包含的各个物种的臭氧生成潜势之和。在得到各个组分的臭氧生成潜势之后,即可得到各个组分的臭氧生成潜势和占比。示例性的,VOCs包括组分1、组分2、组分3、组分4、组分5、组分6、组分7,各个组分的臭氧生成潜势依次为a、b、c、d、e、f、g,那么组分1的臭氧生成潜势占比w1=a/(a+b+c+d+e+f+g),依次类推,可以得到其它各个组分的臭氧生成潜势占比。
步骤S103,从VOCs的多个物种中筛选出臭氧生成潜势排在前N位的第一目标物种;其中,N为不小于1的整数;
在实际应用中,可以将各个物种按照臭氧生成潜势从大到小进行排序,然后筛选出臭氧生成潜势排在前N位的物种,N的值可以根据具体情况进行设定。例如,N为10,那么第一目标物种为臭氧生成潜势排在前十位的物种。可以对前十位物种的浓度及变化趋势(时刻序列或日变化)进行分析,得到其浓度数据。
步骤S104,对VOCs进行污染源解析,确定VOCs的污染源数据;
具体的,可以根据已有的污染源解析算法对VOCs进行污染源解析,得到的污染源数据包括污染源种类,还可以同时包括各类污染源的占比。
步骤S105,基于每个组分的臭氧生成潜势占比、第一目标物种以及VOCs的污染源数据,确定大气中的污染源。
由于VOCs是臭氧生成的重要前体物,因此,本实施例通过分析VOCs的组分和物种的臭氧生成潜势,从而确定臭氧生成潜势排名较高的组分及物种,进而根据这些组分及物种来辅助确定污染源,从而将VOCs与臭氧结合起来更加全面的分析臭氧污染,并且进一步结合污染源解析的结果确定大气污染源,提高污染源分析结果的准确性。
VOCs中的各个物种分别由不同的污染源排放而来,由于VOCs中的物种非常多,因此将VOCs的物种分为上述七大组分进行分析。在步骤S105中,根据每个组分的臭氧生成潜势占比,可以确定臭氧生成潜势占比较高的组分,此时,重点分析这些组分中的物种所能指征的污染源,进而结合第一目标物种能够指征的污染源来综合确定污染源。
示例性的,臭氧生成潜势占比较高的组分为芳香烃,而根据现有研究结果,芳香烃类中的物种主要来自机动车源或工业源排放,这时可以初步确定污染源包括机动车源或工业源。进一步的,如果第一目标物种中包括苯,而苯通常来自工业源,因此,可以进一步确定污染源包括工业源。当然,芳香烃中的其它浓度较高的物种也可能指征相应的污染源。将臭氧生成潜势占比较高的组分中的物种所指征的污染源与第一目标物种所指征相应的污染源进行综合,可以辅助确定污染源。需要说明的是,VOCs的一些物种所指征的污染源是可能根据现有研究结果来进行判断的。
在上述分析结果的基础上,再结合VOCs的污染源数据进行综合分析,该VOCs的污染源数据可以根据已有的源解析算法得到,从而最终确定大气中的污染源,具体包括污染源种类,也可以包括各类污染源的占比。由此确定大气中的污染源,不仅考虑了VOCs组分分析,同时也考虑了臭氧污染来源,将两者的分析有机结合起来,有利于更加全面的研究大气污染问题,特别是针对日益凸显的臭氧污染问题。
需要说明的是,上述分析过程只是示例性的,在实际应用中可以根据具体情况进行分析,在此不作限制。
在一些实施例中,上述大气污染成因分析方法的步骤S103之后,还可以包括以下步骤:
步骤1)根据VOCs的每个组分所包含的多个物种中每个物种的浓度数据,确定每个组分的占比;
该步骤中,根据每个组分的各个物种的浓度数据得到该组分的物种浓度数据,进而可以确定每个组分在VOCs中的占比。具体的,可以将监测到的每个组分中的多个物种的浓度数据加和,得到每个组分的物种浓度数据。示例性的,VOCs包括组分1、组分2、组分3、组分4、组分5、组分6、组分7,各个组分的物种浓度数据依次为m1、m2、m3、m4、m5、m6、m7,那么组分1的占比x1=m1/(m1+m2+m3+m4+m5+m6+m7),依次类推,可以得到其它各个组分的占比。
步骤2)从VOCs的多个物种中筛选出第二目标物种;其中,第二目标物种包括浓度数据排在前M位的物种和/或用于指征污染源的物种;其中,M为不小于1的整数。
在一种实施方式中,可以将VOCs中的各个物种根据浓度数据的大小进行排序,并筛选出浓度排在前M位的优势物种作为上述第二目标物种,M的值可以根据具体情况进行设定。例如M为10,将浓度排在前十位的优势物种作为上述第二目标物种,可以对前十位物种的浓度及变化趋势进行分析,得到其浓度数据,其变化趋势可以是时刻序列或日变化趋势。
在另一种实施方式中,对VOCs中一些可以指征污染源的特征物种进行筛选,得到上述第二目标物种,例如,VOCs中的异戊烷主要来自于机动车尾气排放,则可以将异戊烷作为第二目标物种,对第二目标物种的浓度和变化趋势进行分析,得到其浓度数据,其变化趋势可以是时刻序列或日变化趋势。
需要说明的是,上述第二目标物种可以包括上述优势物种和特征物种中的任一种,或者两种都包含。
在上述步骤1)和步骤2)的基础上,上述步骤S105还可以通过以下方式实现:
基于每个组分的占比、第一目标物种的浓度数据、每个组分的臭氧生成潜势占比、第二目标物种的浓度数据以及VOCs的污染源数据,确定大气中的污染源。
具体的,在前述实施例中对第一目标物种、每个组分的臭氧生成潜势占比以及VOCs的污染源数据进行综合分析的基础上,还可以根据每个组分的占比确定占比较高的组分,对占比较高的组分及第二目标物种也进行分析,具体分析过程与臭氧生成潜势占比较高的组分及第一目标物种的分析过程类似,在此不再赘述,从而辅助确定污染源,即该分析结果也作为辅助来综合确定污染源。
本实施例中,在确定大气污染源之后,还可以分析第一目标物种和/或第二目标物种在设定时间内的平均浓度数据和浓度变化趋势,从而分析大气的污染物变化情况,在一定程度上反映了污染源的排放情况。其中,设定时间可以是一天内的多个时刻、一天或者多天,通过对设定时间内监测到的第一目标物种和/或第二目标物种的不同时刻的浓度求平均得到第一目标物种和/或第二目标物种的平均浓度数据。
本发明实施例从多个方面对VOCs组分及物种进行分析,并且,由于VOCs是臭氧生成的重要前体物,通过分析VOCs的臭氧生成潜势,将VOCs与臭氧的分析有机结合起来,使得分析更加全面,提高污染源分析结果的准确性。
在一些实施例中,如图2所示,上述步骤S104可以包括以下步骤:
步骤S1041,基于物种比值,对VOCs进行污染源解析,确定VOCs的第一污染源数据;其中,物种比值包括苯与甲苯的浓度之比、乙苯与二甲苯的浓度之比或异戊烷与正戊烷的浓度之比。
上述基于物种比值解析的方法为定性来源解析法,由于不同污染源所排放的VOCs组成不同,通过VOCs中特定物种的比值差异,可以用于判断其来源特征。可以根据苯与甲苯的浓度之比、乙苯与二甲苯的浓度之比或异戊烷与正戊烷的浓度之比,结合不同比值的变化趋势,从而确定各类型VOCs物种的来源。
具体的,上述不同比值的数值范围可以用于指征污染源。例如,苯与甲苯的浓度之比m在0.5附近时,污染源主要来自机动车源,m为0.5~1时,污染源主要来自生物质燃烧源,m为1.5~2.2时,污染源主要来自燃煤源,m为大于2.5时,污染源主要来自生物质燃烧源。异戊烷与正戊烷的浓度之比n为大于2.93时,污染源主要来自机动车源,n为0.56~0.8时,污染源主要来燃煤源。乙苯的光化学寿命为1.7天,二甲苯的光化学寿命为14~31小时,当乙苯与二甲苯的浓度之比较低时(该比值可以根据实际情况进行设定),光化学反应较为活跃,说明污染源主要来自光化学源。需要说明的是,上述数值只是示例性的。
在一些实施例中,如图2所示,上述步骤S104还可以包括以下步骤:
步骤S1042,基于受体模型,根据每个物种的浓度数据对VOCs进行污染源解析,确定VOCs的第二污染源数据。
上述受体模型可以是PMF(Positive Matrix Factorization,正矩阵因子分解法)模型,当然还可以是其他受体模型。通过受体模型进行定量源解析,受体模型PMF是在受体成分谱已知而源谱未知的情况下,结合各排放源的标识组分和运算结果,推断污染源种类及其对受体的贡献。
VOCs污染源类一般有:机动车源、工业源、工艺过程源、燃煤源、生物质燃烧源、燃料燃烧源、溶剂挥发源、LPG(liquefied petroleum gas,液化石油气)源、植物源、光化学源等。
在具体实施中,将VOCs中各个物种的浓度数据输入PMF模型进行污染源解析,可以得到污染源种类及各类污染源的占比,即得到上述第二污染源数据。例如,第二污染源数据的污染源种类包括机动车源、工艺过程源、燃煤源、生物质燃烧源、溶剂挥发源,分别占比20%、20%、30%、10%、20%。
需要说明的是,可以将上述基于物种比值解析的定性来源解析法和基于受体模型的定量源解析结合起来,以确定污染源,从而提高确定的污染源的准确性。
因此,可以将上述第一污染源数据和上述第二污染源数据结合起来,第二污染源数据可以确定污染源种类及各类污染源的占比,第一污染源数据可以确定污染源种类,通过第一污染源数据辅助判断第二污染源数据是否准确,如果不准确,可以基于受体模型重新进行污染源解析,直至得到准确的结果,将最终确定的污染源解析结果作为确定大气中的污染源的重要分析因素。
在本实施例的基础上,还可以通过监测到的在线VOCs采样数据,利用臭氧生成的等浓度曲线(emipirical kinetic modeling approach,EKMA)分析臭氧生成敏感性,可以方便、直观地识别监测点位是处于VOCs还是NOx控制区,从而指导臭氧控制策略的制定。
进一步地,本实施例在确定大气污染源之后,可以将确定的污染源与当地社会经济发展状况和产业结构结合,提出相应的管控建议,对臭氧污染进行管控防治。
在上述实施例的基础上,本发明实施例还提供了一种大气污染成因分析装置,如图3所示,该装置包括:
第一确定模块31,用于根据监测到的VOCs的多个物种中每个物种的浓度数据,确定每个物种的臭氧生成潜势;
第二确定模块32,用于根据VOCs的每个组分所包含的多个物种中每个物种的臭氧生成潜势确定每个组分的臭氧生成潜势占比;其中,VOCs包括多个组分,每个组分包括多个化学特征相同的物种;
第一筛选模块33,用于从VOCs的多个物种中筛选出臭氧生成潜势排在前N位的第一目标物种;其中,N为不小于1的整数;
解析模块34,用于对VOCs进行污染源解析,确定VOCs的污染源数据;
污染源确定模块35,用于基于每个组分的臭氧生成潜势占比、第一目标物种的浓度数据以及VOCs的污染源数据,确定大气中的污染源。
在一些实施例中,装置还包括:
第三确定模块,用于根据VOCs的每个组分所包含的多个物种中每个物种的浓度数据,确定每个组分的占比;
第二筛选模块,用于从VOCs的多个物种中筛选出第二目标物种;其中,第二目标物种包括浓度数据排在前M位的物种和/或用于指征污染源的物种;其中,M为不小于1的整数;
污染源确定模块35还用于:
基于每个组分的占比、第一目标物种的浓度数据、每个组分的臭氧生成潜势占比、第二目标物种的浓度数据以及VOCs的污染源数据,确定大气中的污染源。
在一些实施例中,解析模块34还用于:
基于物种比值,对VOCs进行污染源解析,确定VOCs的第一污染源数据;其中,物种比值包括苯与甲苯的浓度之比、乙苯与二甲苯的浓度之比或异戊烷与正戊烷的浓度之比。
在一些实施例中,解析模块34还用于:
基于受体模型,根据每个物种的浓度数据对VOCs进行污染源解析,确定VOCs的第二污染源数据。
在一些实施例中,装置还包括:
分析模块,用于分析第一目标物种和/或第二目标物种在设定时间内的平均浓度数据和浓度变化趋势。
本发明实施例所提供的大气污染成因分析装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
参见图4,本发明实施例还提供一种电子设备400,包括:处理器401,存储器402,总线403和通信接口404,处理器401、通信接口404和存储器402通过总线403连接;存储器402用于存储程序;处理器401用于通过总线403调用存储在存储器402中的程序,执行上述实施例的大气污染成因分析方法。
其中,存储器402可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口404(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线403可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器402用于存储程序,处理器401在接收到执行指令后,执行程序,前述本发明实施例任一实施例揭示的流程定义的装置所执行的方法可以应用于处理器401中,或者由处理器401实现。
处理器401可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402,处理器401读取存储器402中的信息,结合其硬件完成上述方法的步骤。
本发明实施例还提供了一种机器可读存储介质,机器可读存储介质存储有机器可执行指令,机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现如上的大气污染成因分析方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种大气污染成因分析方法,其特征在于,所述方法包括:
根据监测到的VOCs的多个物种中每个物种的浓度数据,确定每个所述物种的臭氧生成潜势;
根据VOCs的每个组分所包含的多个物种中每个物种的臭氧生成潜势确定每个组分的臭氧生成潜势占比;
从所述VOCs的多个物种中筛选出臭氧生成潜势排在前N位的第一目标物种;其中,N为不小于1的整数;
对所述VOCs进行污染源解析,确定所述VOCs的污染源数据;
基于每个所述组分的臭氧生成潜势占比、所述第一目标物种以及所述VOCs的污染源数据,确定大气中的污染源。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据每个所述VOCs的组分所包含的多个物种中每个物种的浓度数据,确定每个所述组分的占比;
从所述VOCs的多个物种中筛选出第二目标物种;其中,所述第二目标物种包括浓度数据排在前M位的物种和/或用于指征污染源的物种;其中,M为不小于1的整数;
所述基于每个所述组分的臭氧生成潜势占比、所述第一目标物种以及所述VOCs的污染源数据,确定大气中的污染源的步骤,包括:
基于每个所述组分的占比、所述第一目标物种、每个所述组分的臭氧生成潜势占比、所述第二目标物种以及所述VOCs的污染源数据,确定大气中的污染源。
3.根据权利要求1所述的方法,其特征在于,对所述VOCs进行污染源解析,确定所述VOCs的污染源数据的步骤,包括:
基于物种比值,对所述VOCs进行污染源解析,确定所述VOCs的第一污染源数据;其中,所述物种比值包括苯与甲苯的浓度之比、乙苯与二甲苯的浓度之比或异戊烷与正戊烷的浓度之比。
4.根据权利要求1或3所述的方法,其特征在于,对所述VOCs进行污染源解析,确定所述VOCs的污染源数据的步骤,包括:
基于受体模型,根据每个所述物种的浓度数据对所述VOCs进行污染源解析,确定所述VOCs的第二污染源数据。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
分析所述第一目标物种和/或所述第二目标物种在设定时间内的平均浓度数据和浓度变化趋势。
6.一种大气污染成因分析装置,其特征在于,所述装置包括:
第一确定模块,用于根据监测到的VOCs的多个物种中每个物种的浓度数据,确定每个所述物种的臭氧生成潜势;
第二确定模块,用于根据VOCs的每个组分所包含的多个物种中每个物种的臭氧生成潜势确定每个组分的臭氧生成潜势占比;
第一筛选模块,用于从所述VOCs的多个物种中筛选出臭氧生成潜势排在前N位的第一目标物种;其中,N为不小于1的整数;
解析模块,用于对所述VOCs进行污染源解析,确定所述VOCs的污染源数据;
污染源确定模块,用于基于每个所述组分的臭氧生成潜势占比、所述第一目标物种的浓度数据以及所述VOCs的污染源数据,确定大气中的污染源。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第三确定模块,用于根据每个所述VOCs的组分所包含的多个物种中每个物种的浓度数据,确定每个所述组分的占比;
第二筛选模块,用于从所述VOCs的多个物种中筛选出第二目标物种;其中,所述第二目标物种包括浓度数据排在前M位的物种和/或用于指征污染源的物种;其中,M为不小于1的整数;
所述污染源确定模块还用于:
基于每个所述组分的占比、所述第一目标物种的浓度数据、每个所述组分的臭氧生成潜势占比、所述第二目标物种的浓度数据以及所述VOCs的污染源数据,确定大气中的污染源。
8.根据权利要求6所述的装置,其特征在于,所述解析模块还用于:
基于物种比值,对所述VOCs进行污染源解析,确定所述VOCs的第一污染源数据;其中,所述物种比值包括苯与甲苯的浓度之比、乙苯与二甲苯的浓度之比或异戊烷与正戊烷的浓度之比。
9.一种电子设备,其特征在于,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1-5任一项所述的方法。
10.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010545847.3A CN111710374A (zh) | 2020-06-15 | 2020-06-15 | 大气污染成因分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010545847.3A CN111710374A (zh) | 2020-06-15 | 2020-06-15 | 大气污染成因分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111710374A true CN111710374A (zh) | 2020-09-25 |
Family
ID=72540262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010545847.3A Pending CN111710374A (zh) | 2020-06-15 | 2020-06-15 | 大气污染成因分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111710374A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214913A (zh) * | 2020-11-16 | 2021-01-12 | 中科三清科技有限公司 | 臭氧的主导前体物识别方法、装置、电子设备及存储介质 |
CN112733958A (zh) * | 2021-01-22 | 2021-04-30 | 北京农业信息技术研究中心 | 一种温室臭氧浓度控制方法及系统 |
CN114910610A (zh) * | 2022-05-16 | 2022-08-16 | 华南理工大学 | 一种基于挥发性有机物损耗测量的臭氧生成潜势评估方法 |
CN116718733A (zh) * | 2023-06-28 | 2023-09-08 | 中国海洋大学 | 一种挥发性有机物浓度计算方法、系统、电子设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105136631A (zh) * | 2015-07-22 | 2015-12-09 | 暨南大学 | 一种车载式灰霾污染物实时在线监测系统和方法 |
CN106841436A (zh) * | 2017-01-18 | 2017-06-13 | 上海市环境监测中心 | 一种工业区大气VOCs自动监测预警溯源系统及其方法 |
KR20190050240A (ko) * | 2017-11-02 | 2019-05-10 | 고신대학교 산학협력단 | VOCs 처리를 위한 필터 섬유의 제조 방법 |
CN109878400A (zh) * | 2018-10-19 | 2019-06-14 | 南京大学 | 模块化全功能拓展大气监测移动平台及监测使用方法 |
CN111125641A (zh) * | 2019-12-25 | 2020-05-08 | 广州博进信息技术有限公司 | 一种大气污染异常识别与成因分析方法、装置及存储介质 |
-
2020
- 2020-06-15 CN CN202010545847.3A patent/CN111710374A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105136631A (zh) * | 2015-07-22 | 2015-12-09 | 暨南大学 | 一种车载式灰霾污染物实时在线监测系统和方法 |
CN106841436A (zh) * | 2017-01-18 | 2017-06-13 | 上海市环境监测中心 | 一种工业区大气VOCs自动监测预警溯源系统及其方法 |
KR20190050240A (ko) * | 2017-11-02 | 2019-05-10 | 고신대학교 산학협력단 | VOCs 처리를 위한 필터 섬유의 제조 방법 |
CN109878400A (zh) * | 2018-10-19 | 2019-06-14 | 南京大学 | 模块化全功能拓展大气监测移动平台及监测使用方法 |
CN111125641A (zh) * | 2019-12-25 | 2020-05-08 | 广州博进信息技术有限公司 | 一种大气污染异常识别与成因分析方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
杨帆: ""长治市环境空气中挥发性有机物特征及来源研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214913A (zh) * | 2020-11-16 | 2021-01-12 | 中科三清科技有限公司 | 臭氧的主导前体物识别方法、装置、电子设备及存储介质 |
CN112733958A (zh) * | 2021-01-22 | 2021-04-30 | 北京农业信息技术研究中心 | 一种温室臭氧浓度控制方法及系统 |
CN114910610A (zh) * | 2022-05-16 | 2022-08-16 | 华南理工大学 | 一种基于挥发性有机物损耗测量的臭氧生成潜势评估方法 |
CN116718733A (zh) * | 2023-06-28 | 2023-09-08 | 中国海洋大学 | 一种挥发性有机物浓度计算方法、系统、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111710374A (zh) | 大气污染成因分析方法及装置 | |
Gentner et al. | Elucidating secondary organic aerosol from diesel and gasoline vehicles through detailed characterization of organic carbon emissions | |
Lu et al. | Comprehensive organic emission profiles for gasoline, diesel, and gas-turbine engines including intermediate and semi-volatile organic compound emissions | |
Grange et al. | COVID-19 lockdowns highlight a risk of increasing ozone pollution in European urban areas | |
Tkacik et al. | Secondary organic aerosol formation from in-use motor vehicle emissions using a potential aerosol mass reactor | |
Drozd et al. | Detailed speciation of intermediate volatility and semivolatile organic compound emissions from gasoline vehicles: Effects of cold-starts and implications for secondary organic aerosol formation | |
Davalos et al. | Current approaches used in epidemiologic studies to examine short-term multipollutant air pollution exposures | |
May et al. | Gas-particle partitioning of primary organic aerosol emissions:(2) Diesel vehicles | |
Liu et al. | Secondary organic aerosol formation from urban roadside air in Hong Kong | |
Jathar et al. | Secondary organic aerosol formation from photo-oxidation of unburned fuel: experimental results and implications for aerosol formation from combustion emissions | |
CN113155939A (zh) | 一种挥发性有机物在线来源解析方法、系统、设备及介质 | |
Saha et al. | Seasonally varying secondary organic aerosol formation from in-situ oxidation of near-highway air | |
CN112034801B (zh) | 挥发性有机污染物总量排污系数计算方法、系统及终端 | |
Claßen et al. | Real driving emission calibration—Review of current validation methods against the background of future emission legislation | |
Liao et al. | Secondary organic aerosol formation of fleet vehicle emissions in China: Potential seasonality of spatial distributions | |
Timko et al. | Composition and sources of the organic particle emissions from aircraft engines | |
Zhou et al. | Emissions and secondary formation of air pollutants from modern heavy-duty trucks in real-world traffic—chemical characteristics using on-line mass spectrometry | |
Äijälä et al. | Constructing a data-driven receptor model for organic and inorganic aerosol–a synthesis analysis of eight mass spectrometric data sets from a boreal forest site | |
CN114935618A (zh) | 一种基于非靶标筛查的致臭物质精准识别方法 | |
Dearth et al. | Sulfur Interaction with Lean NOx Traps: Laboratory and Engine Dynamometer Studies | |
Frey et al. | Modeling mobile source emissions based upon in-use and second-by-second data: Development of conceptual approaches for EPA’s new moves model | |
Collins et al. | Measurements of in-use emissions from modern vehicles using an on-board measurement system | |
Liu et al. | Gas-phase and semivolatile organic emissions from a modern nonroad diesel engine equipped with advanced aftertreatment | |
Hoekman et al. | Vehicle emissions and air quality: The early years (1940s–1950s) | |
CN114662975A (zh) | 确定污染物来源的方法、装置、电子设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |
|
RJ01 | Rejection of invention patent application after publication |