CN112540159A - 核电厂大气扩散预测校正方法、系统、介质及电子设备 - Google Patents
核电厂大气扩散预测校正方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN112540159A CN112540159A CN202011351786.3A CN202011351786A CN112540159A CN 112540159 A CN112540159 A CN 112540159A CN 202011351786 A CN202011351786 A CN 202011351786A CN 112540159 A CN112540159 A CN 112540159A
- Authority
- CN
- China
- Prior art keywords
- correction
- space
- data
- time data
- leakage
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 113
- 238000009792 diffusion process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 55
- 231100000719 pollutant Toxicity 0.000 claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 230000005855 radiation Effects 0.000 claims abstract description 37
- 230000007613 environmental effect Effects 0.000 claims abstract description 22
- 239000012530 fluid Substances 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002285 radioactive effect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000004800 variational method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011160 research 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Analytical Chemistry (AREA)
- Operations Research (AREA)
- Biodiversity & Conservation Biology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Algebra (AREA)
- Food Science & Technology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明公开了核电厂大气扩散预测校正方法、系统、介质及电子设备,适用于核电厂事故泄漏,该方法包括以下步骤:S1:根据当前环境信息和泄露信息通过组合预测模型预测当前的污染物时空数据;S2:获取事故泄漏时实际监测到的当前的辐射监测时空数据;S3:根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型;S4:根据当前环境信息和泄露信息通过组合预测模型预测未来的污染物时空数据,并输入至校正模型中进行校正,得到校正后的未来的污染物时空数据,从而做出更准确的预测,向决策者提供实际可行的核应急决策技术支持,对短期内采取紧急防护行动、减轻核事故放射性后果具有重要意义。
Description
技术领域
本发明涉及计算机软件技术领域,尤其涉及一种核电厂大气扩散预测校正方法、系统、介质及电子设备。
背景技术
现有当发生核电厂事故泄漏时,需要对大气扩散进行预测,但这种预测往往存在偏差,因此需要对预测结果进行校正。而现有预测校正方法是将模型模拟数据与观测数据相结合,从而改善模型的预测结果,起源于20世纪50年代。它的发展经历了几个阶段,二十世纪五六十年代发展了经验算法,七八十年代发展了数学算法,八十年代以后发展了简单智能算法,二十一世纪以后发展了智能算法。数据同化方法在数值预测研究当中具有重要意义,根据不同的应用背景与应用模型,需要选取合适的数据同化方法,可以提高数值预测的准确性。现在较为常用的大气扩散预测校正方法是变分方法和卡尔曼滤波系列算法。
变分算法用代价函数来表示系统状态量的模拟与实际量之间的差异,通过最小化代价函数,从而把预测校正问题转化为极值求解问题,广泛应用的变分算法有三维变分算法与四维变分算法。
但是,由于实际应用时状态量的非线性变化,且维度通常很高,变分算法需要大量计算迭代求解。四维变分方法需要求解伴随模式与切线性方程,但伴随模式编写困难,计算成本十分高昂,尤其是考虑了背景场信息随时间的变化,进一步增加了伴随模式的复杂性。
卡尔曼滤波系列数据同化方法是一种顺序数据同化方法,可以随着事故进程,不断地将获得的观测数据与模式进行融合,它可分为预测和更新两个步骤,应用最广泛的是集合卡尔曼滤波方法。
但是该算法在大气扩散数据同化的实际应用中,在每一个校正步骤内需要多次调用大气扩散模型进行计算来生成状态量的概率密度函数,花费大量的时间,而且还存在滤波发散问题。
因此,现有的预测模型,都要求很苛刻的输入,而且输入数据很多,在事故早期,根本就无法准确的得到那些数据。因此如何实现在核电站事故早期,只需简单的参数无需复杂的模型和观测相关的误差先验条件,就能够快速准确的预测出污染物的时空分布,是目前的主要挑战。
发明内容
本发明要解决的技术问题在于,针对现有技术的缺陷,提供一种核电厂大气扩散预测校正方法、系统、介质及电子设备。
本发明解决其技术问题所采用的技术方案是:构造一种核电厂大气扩散预测校正方法,适用于核电厂事故泄漏,包括以下步骤:
S1:根据当前环境信息和泄露信息通过组合预测模型预测当前的污染物时空数据;
S2:获取事故泄漏时实际监测到的当前的辐射监测时空数据;
S3:根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型;
S4:根据当前环境信息和泄露信息通过组合预测模型预测未来的污染物时空数据,并输入至所述校正模型中进行校正,得到校正后的未来的污染物时空数据。
优选地,在本发明所述的核电厂大气扩散预测校正方法中,所述环境信息包括选定区域的气象数据,其中包括风速、风向和温度;
所述泄露信息包括泄漏区域的源项数据,其中包括泄露速率、泄露点位置、泄露点温度、出口速度和排烟率。
优选地,在本发明所述的核电厂大气扩散预测校正方法中,所述组合预测模型包括高斯烟羽模式、拉格朗日模式、欧拉模式和计算流体力学模式中的至少两种。
优选地,在本发明所述的核电厂大气扩散预测校正方法中,所述校正模型为f(X)=WTX+B;其中,f(X)为校正后的时空数据,X为组合预测模型的输出值,W和B为校正参数;
所述步骤S3包括:
将预测的当前的污染物时空数据输入至所述校正模型的X中,将实际监测到的当前的辐射监测时空数据输入至所述校正模型的f(X)中,通过线性回归,计算出最优的校正参数W和B,获得完整的校正模型。
优选地,在本发明所述的核电厂大气扩散预测校正方法中,所述组合预测模型的输出值为多个预测模型的输出值的矩阵组合。
优选地,在本发明所述的核电厂大气扩散预测校正方法中,所述步骤S3之前还包括:
将实际监测到的当前的辐射监测时空数据转换为与预测的当前的污染物时空数据相一致的数据格式。
本发明还构造了一种核电厂大气扩散预测校正系统,适用于核电厂事故泄漏,包括:
预测模块,用于根据当前环境信息和泄露信息通过组合预测模型预测当前和未来的污染物时空数据;
监测模块,用于获取事故泄漏时实际监测到的当前的辐射监测时空数据;
构建模块,用于根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型;
校正模块,用于将预测的未来的污染物时空数据输入至所述校正模型中进行校正,得到校正后的未来的污染物时空数据。
优选地,在本发明所述的核电厂大气扩散预测校正系统中,所述环境信息包括选定区域的气象数据,其中包括风速、风向和温度;
所述泄露信息包括泄漏区域的源项数据,其中包括泄露速率、泄露点位置、泄露点温度、出口速度和排烟率。
优选地,在本发明所述的核电厂大气扩散预测校正系统中,所述组合预测模型包括高斯烟羽模式、拉格朗日模式、欧拉模式和计算流体力学模式中的至少两种。
优选地,在本发明所述的核电厂大气扩散预测校正系统中,所述校正模型为f(X)=WTX+B;其中,f(X)为校正后的时空数据,X为组合预测模型的输出值,W和B为校正参数;
所述构建模块,用于将预测的当前的污染物时空数据输入至所述校正模型的X中,将实际监测到的当前的辐射监测时空数据输入至所述校正模型的f(X)中,通过线性回归,计算出最优的校正参数W和B,获得完整的校正模型。
优选地,在本发明所述的核电厂大气扩散预测校正系统中,所述组合预测模型的输出值为多个预测模型的输出值的矩阵组合。
优选地,在本发明所述的核电厂大气扩散预测校正系统中,所述系统还包括:
数据转换模块,用于将实际监测到的当前的辐射监测时空数据转换为与预测的当前的污染物时空数据相一致的数据格式。
本发明还构造了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的核电厂大气扩散预测校正方法。
本发明还构造了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述任一项所述的核电厂大气扩散预测校正方法。
通过实施本发明,具有以下有益效果:
本发明的核电厂大气扩散预测校正方法能够综合分析多种辐射应急监测数据,可以很好的拟合现有观测数据,通过组合预测模型快速预测源项扩散数据,即污染物时空数据,通过校正模型对核事故后果预测评价结果进行快速可靠的数据校正、同化,从而做出更准确的预测,向决策者提供实际可行的核应急决策技术支持,对短期内采取紧急防护行动、减轻核事故放射性后果具有重要意义。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明核电厂大气扩散预测校正方法的流程示意图;
图2是本发明核电厂大气扩散预测校正方法的逻辑框架图;
图3是本发明核电厂大气扩散预测校正系统的模块框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。需要说明的是,附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本发明主要解决核事故早期,观察数据少的问题。并且核电设计参数具有数据量大、变化快、类型多、结构复杂的特点,因此存在计算速度慢,需要多次求解的问题。而本发明组合多种现有成熟的预测模型,动态赋予不同的参数(权重),结合现有的观察数据,计算出最佳参数,可提高预测精度和速度。
如图1和2所示,本发明构造了一种核电厂大气扩散预测校正方法,适用于核电厂事故泄漏,包括步骤S1、S2、S3以及S4。
步骤S1:根据当前环境信息和泄露信息通过组合预测模型预测当前的污染物时空数据。
在本实施例中,时空数据亦可称为时空分布,时空是指时间和空间,例如连续的时间和厂区附近。环境信息和泄露信息可由监测设备监测得到,环境信息包括选定区域的气象数据,其中包括风速、风向和温度。泄露信息包括泄漏区域的源项数据,其中包括泄露速率、泄露点位置、泄露点温度、出口速度和排烟率。在另外一些实施例中,泄露信息还包括泄露区域的其他数据,其中包括污染物浓度。
组合预测模型可根据当前环境信息和泄露信息预测当前和未来的污染物时空数据,而在该步骤中,只需从中获取预测的当前的污染物时空数据。
并且,组合预测模型包括高斯烟羽模式、拉格朗日模式、欧拉模式和计算流体力学模式中的至少两种,在此不再一一组合列举。在另外一些实施例中,也可以是任何经过验证的预测模型进行组合。
步骤S2:获取事故泄漏时实际监测到的当前的辐射监测时空数据。
在本实施例中,通过核电厂、气象站、辐射环境自动站、移动监测车等途径获取事故泄漏时实际监测到的当前的辐射监测时空数据。由于实际监测到的当前的辐射监测时空数据只有当时的时空数据,并没有未来的时空数据,因此可将其应用于步骤S3中,进行校正模型的构造。
步骤S3:根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型。
在本实施例中,校正模型为f(X)=WTX+B;其中,f(X)为校正后的时空数据,X为组合预测模型的输出值,W和B为校正参数,T为转置。并且,组合预测模型的输出值为多个预测模型的输出值的矩阵组合X=(x1,x2,x3,…,xd),其中xi是X在第i个预测模型的输出值。
该步骤S3包括:将预测的当前的污染物时空数据输入至校正模型的X中,将实际监测到的当前的辐射监测时空数据输入至所述校正模型的f(X)中,通过线性回归,计算出最优的校正参数W和B,获得完整的校正模型。在此需要说的是,要想计算出最优的校正参数W和B,需要输入至少两个预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据。
在另外一些实施例中,还可选用神经网络和支持向量机的算法对校正参数进行求解,在此不再赘述。
在另外一些实施例中,步骤S3之前还包括:将实际监测到的当前的辐射监测时空数据转换为与预测的当前的污染物时空数据相一致的数据格式,方便校正模型的构造。
步骤S4:根据当前环境信息和泄露信息通过组合预测模型预测未来的污染物时空数据,并输入至校正模型中进行校正,得到校正后的未来的污染物时空数据。
在本实施例中,组合预测模型可根据当前环境信息和泄露信息预测当前和未来的污染物时空数据,在该步骤中,只需从中获取预测的未来的污染物时空数据,输入至校正模型的X中,得到校正后的未来的污染物时空数据f(X)。
上述整个步骤是连续的,通过一次计算就能得到预测校正结果,其中几分钟就可以完成校正模型校正参数的求解,从而获得针对本次事故的校正模型,然后再对当前组合预测模型的预测值进行校正,特别是对预测的未来的时空数据进行校正,从而获得核电泄漏时,大气扩散的准确预测。
本发明的核电厂大气扩散预测校正方法能够综合分析多种辐射应急监测数据,可以很好的拟合现有观测数据,通过组合预测模型快速预测源项扩散数据,即污染物时空数据,通过校正模型对核事故后果预测评价结果进行快速可靠的数据校正、同化,从而做出更准确的预测,向决策者提供实际可行的核应急决策技术支持,对短期内采取紧急防护行动、减轻核事故放射性后果具有重要意义。具体效果如下:
1)只需要一次调用校正模型计算就可以完成校正、同化,计算速度较现有预测校正算法更快,稳定性更好;
2)仅需要泄漏速率、泄漏高度、风向、平均风速等简单的几个参数;
3)能够容忍观测数据存在较大不确定度(如30%的不确定度),以适应应急辐射监测的特点;
4)可以在短时间内为应急决策提供快速有效的支持。
第二实施例,如图3所示,本发明构造了一种核电厂大气扩散预测校正系统,适用于核电厂事故泄漏,包括:预测模块、监测模块、构建模块和校正模块。
预测模块,用于根据当前环境信息和泄露信息通过组合预测模型预测当前和未来的污染物时空数据。
在本实施例中,时空数据亦可称为时空分布,时空是指时间和空间,例如连续的时间和厂区附近。环境信息和泄露信息可由监测设备监测得到,环境信息包括选定区域的气象数据,其中包括风速、风向和温度。泄露信息包括泄漏区域的源项数据,其中包括泄露速率、泄露点位置、泄露点温度、出口速度和排烟率。在另外一些实施例中,泄露信息还包括泄露区域的其他数据,其中包括污染物浓度。
合预测模型可根据当前环境信息和泄露信息预测当前和未来的污染物时空数据,而在该步骤中,只需从中获取预测的当前的污染物时空数据。
并且,组合预测模型包括高斯烟羽模式、拉格朗日模式、欧拉模式和计算流体力学模式中的至少两种,在此不再一一组合列举。在另外一些实施例中,也可以是任何经过验证的预测模型进行组合。
监测模块,用于获取事故泄漏时实际监测到的当前的辐射监测时空数据。
在本实施例中,通过核电厂、气象站、辐射环境自动站、移动监测车等途径获取事故泄漏时实际监测到的当前的辐射监测时空数据。由于实际监测到的当前的辐射监测时空数据只有当时的时空数据,并没有未来的时空数据,因此可将其应用于步骤S3中,进行校正模型的构造。
构建模块,用于根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型;
在本实施例中,校正模型为f(X)=WTX+B;其中,f(X)为校正后的时空数据,X为组合预测模型的输出值,W和B为校正参数,T为转置。并且,组合预测模型的输出值为多个预测模型的输出值的矩阵组合X=(x1,x2,x3,…,xd),其中xi是X在第i个预测模型的输出值。
该构建模块,用于将预测的当前的污染物时空数据输入至校正模型的X中,将实际监测到的当前的辐射监测时空数据输入至所述校正模型的f(X)中,通过线性回归,计算出最优的校正参数W和B,获得完整的校正模型。在此需要说的是,要想计算出最优的校正参数W和B,需要输入至少两个预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据。
在另外一些实施例中,还可选用神经网络和支持向量机的算法对校正参数进行求解,在此不再赘述。
在另外一些实施例中,本系统还包括:数据转换模块,用于将实际监测到的当前的辐射监测时空数据转换为与预测的当前的污染物时空数据相一致的数据格式,方便校正模型的构造。
校正模块,用于将预测的未来的污染物时空数据输入至校正模型中进行校正,得到校正后的未来的污染物时空数据。
在本实施例中,组合预测模型可根据当前环境信息和泄露信息预测当前和未来的污染物时空数据,在该步骤中,只需从中获取预测的未来的污染物时空数据,输入至校正模型的X中,得到校正后的未来的污染物时空数据f(X)。
第三实施例,本发明还构造了一种计算机可读介质,其上存储有计算机程序,计算机程序被处理器执行时实现如第一实施例所述的核电厂大气扩散预测校正方法。
第四实施例,本发明构造了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如第一实施例所述的核电厂大气扩散预测校正方法。
可以理解的,以上实施例仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制;应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,可以对上述技术特点进行自由组合,还可以做出若干变形和改进,这些都属于本发明的保护范围;因此,凡跟本发明权利要求范围所做的等同变换与修饰,均应属于本发明权利要求的涵盖范围。
Claims (14)
1.一种核电厂大气扩散预测校正方法,适用于核电厂事故泄漏,其特征在于,包括以下步骤:
S1:根据当前环境信息和泄露信息通过组合预测模型预测当前的污染物时空数据;
S2:获取事故泄漏时实际监测到的当前的辐射监测时空数据;
S3:根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型;
S4:根据当前环境信息和泄露信息通过组合预测模型预测未来的污染物时空数据,并输入至所述校正模型中进行校正,得到校正后的未来的污染物时空数据。
2.根据权利要求1所述的核电厂大气扩散预测校正方法,其特征在于,所述环境信息包括选定区域的气象数据,其中包括风速、风向和温度;
所述泄露信息包括泄漏区域的源项数据,其中包括泄露速率、泄露点位置、泄露点温度、出口速度和排烟率。
3.根据权利要求1所述的核电厂大气扩散预测校正方法,其特征在于,所述组合预测模型包括高斯烟羽模式、拉格朗日模式、欧拉模式和计算流体力学模式中的至少两种。
4.根据权利要求1所述的核电厂大气扩散预测校正方法,其特征在于,所述校正模型为f(X)=WTX+B;其中,f(X)为校正后的时空数据,X为组合预测模型的输出值,W和B为校正参数;
所述步骤S3包括:
将预测的当前的污染物时空数据输入至所述校正模型的X中,将实际监测到的当前的辐射监测时空数据输入至所述校正模型的f(X)中,通过线性回归,计算出最优的校正参数W和B,获得完整的校正模型。
5.根据权利要求4所述的核电厂大气扩散预测校正方法,其特征在于,所述组合预测模型的输出值为多个预测模型的输出值的矩阵组合。
6.根据权利要求1所述的核电厂大气扩散预测校正方法,其特征在于,所述步骤S3之前还包括:
将实际监测到的当前的辐射监测时空数据转换为与预测的当前的污染物时空数据相一致的数据格式。
7.一种核电厂大气扩散预测校正系统,适用于核电厂事故泄漏,其特征在于,包括:
预测模块,用于根据当前环境信息和泄露信息通过组合预测模型预测当前和未来的污染物时空数据;
监测模块,用于获取事故泄漏时实际监测到的当前的辐射监测时空数据;
构建模块,用于根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型;
校正模块,用于将预测的未来的污染物时空数据输入至所述校正模型中进行校正,得到校正后的未来的污染物时空数据。
8.根据权利要求7所述的核电厂大气扩散预测校正系统,其特征在于,所述环境信息包括选定区域的气象数据,其中包括风速、风向和温度;
所述泄露信息包括泄漏区域的源项数据,其中包括泄露速率、泄露点位置、泄露点温度、出口速度和排烟率。
9.根据权利要求7所述的核电厂大气扩散预测校正系统,其特征在于,所述组合预测模型包括高斯烟羽模式、拉格朗日模式、欧拉模式和计算流体力学模式中的至少两种。
10.根据权利要求7所述的核电厂大气扩散预测校正系统,其特征在于,所述校正模型为f(X)=WTX+B;其中,f(X)为校正后的时空数据,X为组合预测模型的输出值,W和B为校正参数;
所述构建模块,用于将预测的当前的污染物时空数据输入至所述校正模型的X中,将实际监测到的当前的辐射监测时空数据输入至所述校正模型的f(X)中,通过线性回归,计算出最优的校正参数W和B,获得完整的校正模型。
11.根据权利要求10所述的核电厂大气扩散预测校正系统,其特征在于,所述组合预测模型的输出值为多个预测模型的输出值的矩阵组合。
12.根据权利要求7所述的核电厂大气扩散预测校正系统,其特征在于,所述系统还包括:
数据转换模块,用于将实际监测到的当前的辐射监测时空数据转换为与预测的当前的污染物时空数据相一致的数据格式。
13.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的核电厂大气扩散预测校正方法。
14.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-6任一项所述的核电厂大气扩散预测校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011351786.3A CN112540159A (zh) | 2020-11-27 | 2020-11-27 | 核电厂大气扩散预测校正方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011351786.3A CN112540159A (zh) | 2020-11-27 | 2020-11-27 | 核电厂大气扩散预测校正方法、系统、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112540159A true CN112540159A (zh) | 2021-03-23 |
Family
ID=75016844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011351786.3A Pending CN112540159A (zh) | 2020-11-27 | 2020-11-27 | 核电厂大气扩散预测校正方法、系统、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112540159A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484198A (zh) * | 2021-06-30 | 2021-10-08 | 重庆建安仪器有限责任公司 | 一种辐射烟云扩散预测系统及方法 |
CN116453726A (zh) * | 2023-06-16 | 2023-07-18 | 中国人民解放军火箭军工程大学 | 一种远程快速放射性气溶胶压制方法、系统及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN106651036A (zh) * | 2016-12-26 | 2017-05-10 | 东莞理工学院 | 空气质量预报系统 |
CN107238679A (zh) * | 2016-03-29 | 2017-10-10 | 株式会社日立制作所 | 观测区域中的空气物质排放源的排放量修正方法和装置 |
CN109765338A (zh) * | 2018-12-29 | 2019-05-17 | 北京英视睿达科技有限公司 | 扩散性环境污染物监测设备的校正方法和系统及更换方法 |
CN110514626A (zh) * | 2019-07-23 | 2019-11-29 | 北京英视睿达科技有限公司 | 大气污染监测系统的数据校准方法和大气污染监测系统 |
CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
CN111723929A (zh) * | 2020-05-08 | 2020-09-29 | 广州华工中云信息技术有限公司 | 一种基于神经网络的数值预报产品订正方法、装置和系统 |
CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
CN111948166A (zh) * | 2020-07-13 | 2020-11-17 | 武汉敢为科技有限公司 | 一种烟气中多种气体污染物同时快速定量分析的方法 |
-
2020
- 2020-11-27 CN CN202011351786.3A patent/CN112540159A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238679A (zh) * | 2016-03-29 | 2017-10-10 | 株式会社日立制作所 | 观测区域中的空气物质排放源的排放量修正方法和装置 |
CN106651036A (zh) * | 2016-12-26 | 2017-05-10 | 东莞理工学院 | 空气质量预报系统 |
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN109765338A (zh) * | 2018-12-29 | 2019-05-17 | 北京英视睿达科技有限公司 | 扩散性环境污染物监测设备的校正方法和系统及更换方法 |
CN110514626A (zh) * | 2019-07-23 | 2019-11-29 | 北京英视睿达科技有限公司 | 大气污染监测系统的数据校准方法和大气污染监测系统 |
CN111723929A (zh) * | 2020-05-08 | 2020-09-29 | 广州华工中云信息技术有限公司 | 一种基于神经网络的数值预报产品订正方法、装置和系统 |
CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
CN111948166A (zh) * | 2020-07-13 | 2020-11-17 | 武汉敢为科技有限公司 | 一种烟气中多种气体污染物同时快速定量分析的方法 |
Non-Patent Citations (4)
Title |
---|
周志华 著: "《机器学习》", 31 May 2016, 清华大学出版社 * |
唐建军 等主编: "《城乡生态环境建设:原理和实践》", 30 June 2004, 中国环境科学出版社 * |
国家安全生产应急救援指挥中心组织编写: "《危险化学品事故应急处置技术》", 30 May 2010, 煤炭工业出版社 * |
王茜 等: "CMAQ模式及其修正技术在上海市PM2.5预报中的应用检验", 《环境科学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484198A (zh) * | 2021-06-30 | 2021-10-08 | 重庆建安仪器有限责任公司 | 一种辐射烟云扩散预测系统及方法 |
CN116453726A (zh) * | 2023-06-16 | 2023-07-18 | 中国人民解放军火箭军工程大学 | 一种远程快速放射性气溶胶压制方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ramsami et al. | A hybrid method for forecasting the energy output of photovoltaic systems | |
Ouyang et al. | A combined multivariate model for wind power prediction | |
Karanki et al. | Uncertainty analysis based on probability bounds (p‐box) approach in probabilistic safety assessment | |
CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
CN112540159A (zh) | 核电厂大气扩散预测校正方法、系统、介质及电子设备 | |
Wang et al. | Integrative density forecast and uncertainty quantification of wind power generation | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN116069095A (zh) | 一种机房环境调节方法、设备及介质 | |
Mishra et al. | A deep learning assisted adaptive nonlinear deloading strategy for wind turbine generator integrated with an interconnected power system for enhanced load frequency control | |
CN110705768A (zh) | 用于风电场的风力发电功率预测优化方法和装置 | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
Wu et al. | Uncertain flow calculations of a distribution network containing DG based on blind number theory | |
CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
CN112036634A (zh) | 光伏发电功率的确定方法、预测系统及可读存储介质 | |
Borisov et al. | The System of Fuzzy Cognitive Analysis and Modeling of System Dynamics | |
Miranda et al. | Bayesian inferencing for wind resource characterisation | |
US20150066449A1 (en) | Solar farm and method for forecasting solar farm performance | |
CN112751334A (zh) | 一种基于内存计算架构的电网在线建模的方法及系统 | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
Jiang et al. | Hierarchical Bayesian based reliability analysis of a sharing storage processor | |
CN112580845A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
CN112132325B (zh) | 考虑天气置信度的输电线路载流量限额评估方法及装置 | |
CN116544931B (zh) | 基于集成片段变换和时间卷积网络的电力负荷分布预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210323 |
|
RJ01 | Rejection of invention patent application after publication |