CN112183709B - 一种垃圾焚烧废气二噁英超标预测预警方法 - Google Patents
一种垃圾焚烧废气二噁英超标预测预警方法 Download PDFInfo
- Publication number
- CN112183709B CN112183709B CN202010998776.2A CN202010998776A CN112183709B CN 112183709 B CN112183709 B CN 112183709B CN 202010998776 A CN202010998776 A CN 202010998776A CN 112183709 B CN112183709 B CN 112183709B
- Authority
- CN
- China
- Prior art keywords
- dioxin
- incinerator
- early warning
- standard
- predicting
- 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
- HGUFODBRKLSHSI-UHFFFAOYSA-N 2,3,7,8-tetrachloro-dibenzo-p-dioxin Chemical compound O1C2=CC(Cl)=C(Cl)C=C2OC2=C1C=C(Cl)C(Cl)=C2 HGUFODBRKLSHSI-UHFFFAOYSA-N 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004056 waste incineration Methods 0.000 title claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000007637 random forest analysis Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 22
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 11
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 30
- 238000003066 decision tree Methods 0.000 claims description 19
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 18
- 239000002912 waste gas Substances 0.000 claims description 17
- 239000007789 gas Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 239000000779 smoke Substances 0.000 claims description 11
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 7
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 7
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 claims description 7
- 229910000041 hydrogen chloride Inorganic materials 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 3
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 239000003344 environmental pollutant Substances 0.000 abstract description 6
- 231100000719 pollutant Toxicity 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 239000003546 flue gas Substances 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000428 dust Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 particulate matters Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Incineration Of Waste (AREA)
Abstract
一种垃圾焚烧废气二噁英超标预测预警方法，利用历史不同企业、不同焚烧炉、不同污染物传感器和温度传感器等采集的特征数据，以及对应的烟气二噁英检测结果是否超过国家行业标准限值，采用随机森林算法训练出以上各种特征和二噁英达标与否关系的算法模型；采用该模型对实时采集的各种特征数据以及企业名称和焚烧炉编码进行二噁英超标可能性预测；从垃圾焚烧运行工况、烟气处理设施的运行效果、管理水平等二噁英可能生成和去除的各环节入手，可以进行实时监测，并且进行大数据算法训练，建立大数据分析方法和自动监控预警算法，拟合二噁英浓度是否达标数据，对二噁英超标排放实时预测和预警。
Description
技术领域
本发明涉技术领域，具体是一种垃圾焚烧废气二噁英超标预测预警方法。
背景技术
生活垃圾焚烧产生的二噁英受到的关注程度最高，焚烧生活垃圾产生二噁英的机理比较复杂；生活垃圾焚烧废气产生的二噁英浓度较低，ng/m3级别，属于痕量污染物，当前只能使用手工监测，即在企业现场采集几个小时的样品后，送至实验室，经过十几天的处理和分析，得到检测结果，才能定量分析其排放浓度；当前，全球没有实时监测分析废气二噁英的系统，国内仅有少量针对二噁英实时预测的研究，且都仅限于个别企业的数据，数据量极小，无法形成大数据分析模式。
生态环境部要求全国所有垃圾焚烧企业于2017年9月30日前全面完成“装、树、联”三项任务，即依法依规安装污染物排放自动监测设备、厂区门口树立电子显示屏实时公布污染物排放和焚烧炉运行数据、自动监测设备与环保部门联网。2019年生态环境部发布《生活垃圾焚烧发电厂自动监测数据应用管理规定》，规定垃圾焚烧厂任一焚烧炉排放烟气中颗粒物、氮氧化物、二氧化硫、氯化氢、一氧化碳等污染物的自动监测日均值数据和炉膛平均温度，作为行政执法的证据。
发明内容
本发明所要解决的技术问题是提供一种垃圾焚烧废气二噁英超标预测预警方法，可以有效解决上述背景技术中提出的问题。
为解决上述问题，本发明所采取的技术方案是：一种垃圾焚烧废气二噁英超标预测预警方法，其方法包括以下步骤：
步骤一：与焚烧炉氮氧化物传感器建立通信，获得废气中的氮氧化物浓度；
步骤二：与焚烧炉碳化物传感器建立通信，获得废气中的一氧化碳的浓度；
步骤三：与焚烧炉硫化物传感器建立通信，获得废气中的二氧化硫的浓度；
步骤四：与焚烧炉氯化物传感器建立通信，获得废气中氯化氢的浓度；
步骤五：与焚烧炉烟尘传感器建立通信，获得废气中的烟尘的浓度；
步骤六：与焚烧炉温度传感器建立通信，获得焚烧炉的平均炉温和DCS转换温度；
步骤七：对该企业和焚烧炉进行One-Hot Encoding独热编码；
步骤八：采用随机森林算法训练出以上步骤一至七获得的数据、特征和二噁英达标与否关系的算法模型，采用该算法模型对实时采集的各种特征数据以及企业和焚烧炉编码进行二噁英达标预测预警；
步骤九：从步骤一到步骤八往复进行闭环控制。
作为本发明的进一步优选方案，所述随机森林算法是一种由决策树等单分类器组成的集成分类算法，假定三个单分类器对三个测试样本表现，其中1表示分类正确，0表示分类错误；集成分类结果通过voting投票法产生。
作为本发明的进一步优选方案，所述随机森林算法对历史数据预测的准确率达不到设定的阈值，则将步骤一至七获得的历史数据重复进行随机森林算法训练。
作为本发明的进一步优选方案，所述随机森林算法对历史数据预测的准确率达到设定的阈值，对步骤一至七中获得的最新一次的数据进行二噁英是否达标结果预测。
作为本发明的进一步优选方案，步骤一至七的最新数据超标可能性预测对比小于二噁英达标阈值，则继续获取废气中各物质的数据。
作为本发明的进一步优选方案，步骤一至七的最新数据超标可能性预测大于或等于二噁英预警阈值，则进行预警提醒。
与现有技术相比，本发明提供了一种垃圾焚烧废气二噁英超标预测预警方法，具备以下有益效果：
从垃圾焚烧运行工况、烟气处理设施的运行效果、管理水平等二噁英可能生成和去除的各环节入手，可以进行实时监测，并且进行大数据的随机算法重复比对，建立大数据分析方法和自动监控预警算法，拟合二噁英浓度是否达标数据，对二噁英超标排放实时预测和预警。
附图说明
图1为本发明基于随机森林算法对垃圾焚烧行业废气二噁英超标预测预警方法的流程图；
图2为本发明实际监测并用于随机森林算法训练的各成分数据表；
图3为本发明随机森林的结果为三棵决策树的投票结果表。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照说明书附图1本发明提供一种垃圾焚烧废气二噁英超标预测预警方法，其方法包括以下步骤：
步骤一：与焚烧炉氮氧化物传感器建立通信，获得废气中的氮氧化物浓度；
步骤二：与焚烧炉碳化物传感器建立通信，获得废气中的一氧化碳的浓度；
步骤三：与焚烧炉硫化物传感器建立通信，获得废气中的二氧化硫的浓度；
步骤四：与焚烧炉氯化物传感器建立通信，获得废气中氯化氢的浓度；
步骤五：与焚烧炉烟尘传感器建立通信，获得废气中的烟尘的浓度；
步骤六：与焚烧炉温度传感器建立通信，获得焚烧炉的平均炉温和DCS转换温度；
步骤七：对该企业和焚烧炉进行One-Hot Encoding独热编码；
步骤八：采用随机森林算法训练出以上步骤一至七获得的数据、特征和二噁英达标与否关系的算法模型，采用该算法模型对实时采集的各种特征数据以及企业和焚烧炉编码进行二噁英达标预测预警；
步骤九：从步骤一到步骤八往复进行闭环控制。
作为本发明的进一步优选方案，所述随机森林算法是一种由决策树等单分类器组成的集成分类算法，假定三个单分类器对三个测试样本表现，其中1表示分类正确，0表示分类错误；集成分类结果通过voting投票法产生。
作为本发明的进一步优选方案，所述随机森林算法对历史数据预测的准确率达不到设定的阈值，则将步骤一至七获得的历史数据重复进行随机森林算法训练。
作为本发明的进一步优选方案，所述随机森林算法对历史数据预测的准确率达到设定的阈值，对步骤一至七中获得的最新一次的数据进行二噁英是否达标结果预测。
作为本发明的进一步优选方案，步骤一至七的最新数据超标可能性预测对比小于二噁英达标阈值，则继续获取废气中各物质的数据。
作为本发明的进一步优选方案，步骤一至七的最新数据超标可能性预测大于或等于二噁英预警阈值，则进行预警提醒。
作为本发明的一个具体实施例:
假定三个单分类器对三个测试样本表现，其中1表示分类正确，0表示分类错误；集成分类结果通过voting投票法产生；也可以假定多个单分类器对多个测试样本进行集成分类结果投票；
；
；
hi表示第i个单分类器， f（x）表示真实函数，表示单分类器错误率；T表示单分类器的个数，通过公式发现随着单分类器数目的增大，集成分类模型的错误率将指数下降。
随机森林是一个并行式集成学习方法，其是以决策树为单学习器构建并行集成的基础上，进一步在决策树的训练过程中引入了随机属性和随机树选择。
决策树是一种对样本特征按照信息增益大小排序，然后分别对每个属性进行分类的单分类器。
信息增益（Gain）表示信息熵(Ent)的变化：
其中样本集合D中第k类样本所占的比例为pk，离散属性a有V个可能取值，若使用a来对样本集D进行划分，则会产生V个分支节点，其中第v个分支节点包含了D中所有在属性a上取值为av的样本，记为DV；由上公式可以计算出信息熵、信息增益。
随机森林就是由以上若干个决策树组成的集成分类器；每个决策树随机的选择样本属性进行预测，最后得到结果，整个决策树组成的森林可以进行投票，最后输出样本属于不达标类别的概率。
划分数据集之后信息发生的变化称为信息增益，可以计算每个特征值划分数据集获得的信息增益，获得信息增益最高的特征就是最好的选择；集合信息的度量方式称为香农熵或者简称为熵entropy，熵定义为信息的期望值。在信息论与概率统计中，熵是表示随机变量不确定性的度量。如果待分类的事物可能划分在多个分类之中，则符号xi的信息定义为 ： l(xi)=-log2p(xi)；
通过上式，我们可以得到所有类别的信息；为了计算熵，我们需要计算所有类别所有可能值包含的信息期望值(数学期望)，通过下面的公式得到：
；
其中n是分类的数目。熵越大，随机变量的不确定性就越大。
当熵中的概率由数据估计(特别是最大似然估计)得到时，所对应的熵称为经验熵(empirical entropy)；我们定义样本数据表中的数据为训练数据集D，则训练数据集D的经验熵为H(D)，|D|表示其样本容量，即样本个数。设有K个类Ck, = 1,2,3,...,K,|Ck|为属于类Ck的样本个数，因此经验熵公式就可以写为：
。
结合图2，在17个数据中，8个数据的结果达标，9个数据的结果为不达标。所以数据集D的经验熵H(D)为：
；
信息增益是相对于特征而言的。所以，特征A对训练数据集D的信息增益g(D,A)，定义为集合D的经验熵H(D)与特征A给定条件下D的经验条件熵H(D|A)之差，即：
g（D，A）=H（D）-H（D|A）；
其中设特征A有n个不同的取值{a1，a2，……，an}，根据特征A的取值将D划分为n个子集{D1，D2，……,Dn}，|Di|为Di本个数；记子集Di中属于Ck的样本的集合为Dik，即Dik = Di∩Ck，|Dik|为Dik的样本个数。于是经验条件熵的公式可以些为：
。
给定训练集D和连续属性a，a在D上出现了n个不同的取值，先把这些值从大到小排序，记为{a1，a2，……，an}，基于划分点t可将D分为子集Dt -和Dt +，其中Dt -是包含在属性a上取值不大于t的样本，Dt +则是包含在属性a上取值大于t的样本，显然对相邻的属性取值ai与ai +1来说，t在区间[ai，ai+1）中取任何值所产生的划分结果相同；因此对连续属性a可考察包含n-1个元素的候选划分点集合Ta；其中
；
即把区间[ai，ai+1）的作为候选划分点。
然后可以像处理离散属性值那样考虑划分点，选择最优的划分点进行样本集合的划分，使用的公式如下：
；
其中Gain（D，a，t）是岩本集D基于划分点t二分后的信息增益，划分的时候，选择使用Gain（D，a，t）最大的划分点。
对于数据集中的属性“烟尘”，决策树开始学习时，根节点包含的17个训练样本在该属性上取值为连续性特征值。我们先把“烟尘”这些值从小到大排序：{0.243，0.245，0.343，0.36，0.403，0.439，0.481，0.556，0.593，0.608，0.634，0.639，0.657，0.666，0.697，0.719，0.774}；根据上述公式Ta的公式代入可得Tmidu={0.244，0.294，0.351，0.381，0.42，0.459，0.518，0.574，0.6，0.621，0.636，0.648，0.661，0.681，0.708，0.746}；当t=0.244的时候，Dt-={0.243}，而Dt+={0.245，0.343，……0.774}；进而得到：
；
；
；
当t=0.294的时候，Dt-={0.243，0.245}，而Dt+={0.343，0.36……0.774}；进而得到：
；
；
；
重复以上步骤，对t分别取值，可以得到当t=0.381；g（D，烟尘，t）取得最大值0.263。
对“二氧化硫”的属性数据，同样的计算，能够计算出：当t=0.126，进而可以得到g（D，二氧化硫，t）的最大值为0.349；最后对所有属性计算信息增益得到最大信息增益的属性作为决策树的起点。
选出第一个决策起点后再重复计算最大信息增益的属性作为再次决策的起点，直到不能划分为止；就形成一个完整的决策树，为了避免训练得到决策树对新采集的数据预测出现过拟合问题，所以我们训练使用的数据并不是完整数据，而是随机挑选的历史数据去训练一个决策树
结合图3，使用决策树和随机森林对ID为18-19的样本进行预测，结果为正确或者错误；随机森林的结果为三棵决策树的投票结果；三个准确率都为66%的决策树组成的随机森林模型投票后的准确率达到了100%，符合真实测量结果；所以集成学习算法的随机森林很大程度上提高了预测准确率。
训练模型是指将历史数据随机拆分为不均等两份，多的部分数据作为训练集，少的为测试集；在训练集中建立氮氧化物、一氧化碳、二氧化硫、氯化氢、烟尘颗粒物、平均温度、DCS转换温度、企业名称和焚烧炉编码同目标检测结果关系的随机森林算法模型；将模型作用于测试集，实时反馈测试结果并进行不断的模型优化；反馈调节模型的最大树深度和随机树的选取，当达到最大迭代次数或者达到设定准确率阈值优化结束；训练得到的模型对实时采集数据进行二噁英预测预警。
譬如，历史数据包含全国多家企业名称和焚烧炉二噁英检测结果和相关氮氧化物、一氧化碳、二氧化硫、氯化氢、烟尘颗粒物、平均温度、DCS转换温度的特征数据，共计20000条，将历史数据随机分为16000和4000两份,16000条记录作为训练集，4000条记录作为测试集；利用训练集，建立以氮氧化物、一氧化碳、二氧化硫、氯化氢、烟尘颗粒物、平均温度、DCS转换温度、企业名称和焚烧炉编码作为输入，二噁英达标与否作为输出的随机森林算法模型，用测试集来测试训练集得到模型的效果，不断重复训练和测试过程，直到测试准确率达到设定阈值或者重复次数达到设定的最大迭代次数；最后得到的模型对实时采集的数据进行预测预警；如设定的模型预警概率为0.5，当模型对一条采集数据进行预测结果为0.3，预测概率小于0.5，不报警；继续对下一条采集数据进行预测，如预测结果为0.6，大于设定的0.5阈值，则进行二噁英超标预测预警。
以上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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分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实施例技术方案的精神和范围。
Claims (5)
1.一种垃圾焚烧废气二噁英超标预测预警方法，其方法包括以下步骤：
步骤一：与焚烧炉氮氧化物传感器建立通信，获得废气中的氮氧化物浓度；
步骤二：与焚烧炉碳化物传感器建立通信，获得废气中的一氧化碳的浓度；
步骤三：与焚烧炉硫化物传感器建立通信，获得废气中的二氧化硫的浓度；
步骤四：与焚烧炉氯化物传感器建立通信，获得废气中氯化氢的浓度；
步骤五：与焚烧炉烟尘传感器建立通信，获得废气中的烟尘的浓度；
步骤六：与焚烧炉温度传感器建立通信，获得焚烧炉的平均炉温和DCS转换温度；
步骤七：对该焚烧炉及其所属排污企业进行One-Hot Encoding独热编码；
步骤八：采用随机森林算法训练出以上步骤一至七获得的数据、特征和二噁英达标与否关系的算法模型，采用该算法模型对实时采集的各种特征数据以及企业和焚烧炉编码进行二噁英达标预测预警；
步骤九：从步骤一到步骤八往复进行闭环控制、闭环数据演算对比；
所述随机森林算法由决策树单分类器组成的集成分类算法，假定三个单分类器对三个测试样本表现，其中1表示分类正确，0表示分类错误；集成分类结果通过voting投票法产生；假定多个单分类器对多个测试样本进行集成分类结果投票；
①P(hi(x)≠f(x))＝ε；
②
hi表示第i个单分类器，f(x)表示真实函数，ε表示单分类器错误率；T表示单分类器的个数，通过公式发现随着单分类器数目的增大，集成分类模型的错误率将指数下降；
所述决策树是一种对样本特征按照信息增益大小排序，然后分别对每个属性进行分类的单分类器；
信息增益(Gain)表示信息熵(Ent)的变化：
③
④
其中样本集合D中第k类样本所占的比例为pk，离散属性a有V个可能取值，若使用a来对样本集D进行划分，则会产生V个分支节点，其中第v个分支节点包含了D中所有在属性a上取值为av的样本，记为DV；由公式③与公式④计算出信息熵、信息增益。
2.根据权利要求1所述的一种垃圾焚烧废气二噁英超标预测预警方法，其方法在于，所述随机森林算法对历史数据预测的准确率达不到设定的阈值，则将步骤一至七获得的历史数据重复进行随机森林算法训练。
3.根据权利要求1所述的一种垃圾焚烧废气二噁英超标预测预警方法，其方法在于，所述随机森林算法对历史数据预测的准确率达到设定的阈值，对步骤一至七中获得的最新一次的数据进行二噁英是否达标结果预测。
4.根据权利要求3所述的一种垃圾焚烧废气二噁英超标预测预警方法，其方法在于，步骤一至七的最新数据超标可能性预测对比小于二噁英达标阈值，则继续获取废气中各物质的数据。
5.根据权利要求2所述的一种垃圾焚烧废气二噁英超标预测预警方法，其方法在于，步骤一至七的最新数据超标可能性预测大于或等于二噁英预警阈值，则进行预警提醒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010998776.2A CN112183709B (zh) | 2020-09-22 | 2020-09-22 | 一种垃圾焚烧废气二噁英超标预测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010998776.2A CN112183709B (zh) | 2020-09-22 | 2020-09-22 | 一种垃圾焚烧废气二噁英超标预测预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183709A CN112183709A (zh) | 2021-01-05 |
| CN112183709B true CN112183709B (zh) | 2023-11-10 |
Family
ID=73955718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010998776.2A Active CN112183709B (zh) | 2020-09-22 | 2020-09-22 | 一种垃圾焚烧废气二噁英超标预测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183709B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111722567B (zh) * | 2020-06-24 | 2022-03-22 | 深圳睿境环保科技有限公司 | 监测设备的控制方法、系统、装置与计算机可读存储介质 |
| CN113633317A (zh) * | 2021-08-12 | 2021-11-12 | 生态环境部华南环境科学研究所 | 一类可识别人体健康状态的呼出气生物标志物 |
| CN113798315B (zh) * | 2021-10-16 | 2022-07-29 | 北京航空航天大学 | 基于机器学习的热强化sve技术气体排放控制方法 |
| CN115329659B (zh) * | 2022-07-18 | 2023-07-14 | 浙江大学 | 废物焚烧炉二噁英排放实时预警及智能控制的方法及系统 |
| CN115784337A (zh) * | 2023-01-06 | 2023-03-14 | 深圳格立菲环境科技有限公司 | 污水处理厂多种除臭工艺并行的实时控制系统及方法 |
| CN116628598B (zh) * | 2023-05-15 | 2024-03-12 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于大数据和nmf模型的二噁英来源解析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
| CN108062560A (zh) * | 2017-12-04 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于随机森林的电力用户特征识别分类方法 |
| CN111144609A (zh) * | 2019-11-13 | 2020-05-12 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种锅炉废气排放预测模型建立方法、预测方法及装置 |
| CN111260149A (zh) * | 2020-02-10 | 2020-06-09 | 北京工业大学 | 一种二噁英排放浓度预测方法 |
| CN111461355A (zh) * | 2020-03-20 | 2020-07-28 | 北京工业大学 | 基于随机森林的二噁英排放浓度迁移学习预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8095480B2 (en) * | 2007-07-31 | 2012-01-10 | Cornell Research Foundation, Inc. | System and method to enable training a machine learning network in the presence of weak or absent training exemplars |
-
2020
- 2020-09-22 CN CN202010998776.2A patent/CN112183709B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
| CN108062560A (zh) * | 2017-12-04 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于随机森林的电力用户特征识别分类方法 |
| CN111144609A (zh) * | 2019-11-13 | 2020-05-12 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种锅炉废气排放预测模型建立方法、预测方法及装置 |
| CN111260149A (zh) * | 2020-02-10 | 2020-06-09 | 北京工业大学 | 一种二噁英排放浓度预测方法 |
| CN111461355A (zh) * | 2020-03-20 | 2020-07-28 | 北京工业大学 | 基于随机森林的二噁英排放浓度迁移学习预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183709A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183709B (zh) | 一种垃圾焚烧废气二噁英超标预测预警方法 | |
| CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
| CN111260149B (zh) | 一种二噁英排放浓度预测方法 | |
| CN112181706B (zh) | 一种基于对数区间隔离的电力调度数据异常检测方法 | |
| CN112733876A (zh) | 基于模块化神经网络的城市固废焚烧过程氮氧化物软测量方法 | |
| CN114858976A (zh) | 一种工业园区大气质量智能分析方法及系统 | |
| Al_Janabi et al. | Pragmatic method based on intelligent big data analytics to prediction air pollution | |
| CN113011660A (zh) | 空气质量预测方法、系统及存储介质 | |
| CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及系统 | |
| CN115392629A (zh) | 一种基于改进svr的煤矸石发热量软测量方法 | |
| Saini et al. | Internet of things based environment monitoring and PM 10 prediction for smart home | |
| Sharma et al. | Forecasting and prediction of air pollutants concentrates using machine learning techniques: the case of India | |
| CN111882230A (zh) | 一种基于神经网络的二噁英排放在线监测方法 | |
| CN115017980A (zh) | 基于随机森林算法的垃圾焚烧过程重金属迁移的预测方法 | |
| CN115587650A (zh) | 中短期分时段大气常规污染物多目标混合预测方法 | |
| CN114741972A (zh) | 一种空气污染物浓度季节性预测模型的构建方法 | |
| Matović et al. | Air quality prediction in smart city | |
| CN111476433A (zh) | 基于数据分析的烟气排放预测方法及系统 | |
| Roy et al. | Development of PM2. 5 concentration prediction model using machine learning approaches | |
| Avvari et al. | Air Quality Index Prediction | |
| CN117744704B (zh) | 一种烟气污染源采集监测系统、方法及可读存储介质 | |
| Naresh et al. | Air Pollution Prediction using Multivariate LSTM Deep Learning Model | |
| Al-Jawahry et al. | Classification of Air Quality Index Using Autoregressive Integrated Moving Average (ARIMA) and Artificial Neural Networks Models | |
| Xie et al. | Secondary Modeling of Air Quality Based on LSTM Cycle Neural Network | |
| Matei et al. | Artificial Neural Network for Environmental Air Emissions Prediction Systems |
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 |