CN113420071A - 大气污染区域联防联控应急调控方案优选方法 - Google Patents
大气污染区域联防联控应急调控方案优选方法 Download PDFInfo
- Publication number
- CN113420071A CN113420071A CN202110707652.9A CN202110707652A CN113420071A CN 113420071 A CN113420071 A CN 113420071A CN 202110707652 A CN202110707652 A CN 202110707652A CN 113420071 A CN113420071 A CN 113420071A
- Authority
- CN
- China
- Prior art keywords
- joint
- control
- scheme
- regulation
- control scheme
- 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
- 230000007123 defense Effects 0.000 title claims abstract description 16
- 238000010187 selection method Methods 0.000 title claims description 12
- 238000000034 method Methods 0.000 claims abstract description 22
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 17
- 231100000719 pollutant Toxicity 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000011161 development Methods 0.000 claims abstract description 4
- 239000000809 air pollutant Substances 0.000 claims abstract description 3
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 3
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 239000000356 contaminant Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 description 13
- 239000013618 particulate matter Substances 0.000 description 12
- 238000012549 training Methods 0.000 description 5
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- UXUFTKZYJYGMGO-CMCWBKRRSA-N (2s,3s,4r,5r)-5-[6-amino-2-[2-[4-[3-(2-aminoethylamino)-3-oxopropyl]phenyl]ethylamino]purin-9-yl]-n-ethyl-3,4-dihydroxyoxolane-2-carboxamide Chemical compound O[C@@H]1[C@H](O)[C@@H](C(=O)NCC)O[C@H]1N1C2=NC(NCCC=3C=CC(CCC(=O)NCCN)=CC=3)=NC(N)=C2N=C1 UXUFTKZYJYGMGO-CMCWBKRRSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000012855 volatile organic compound Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种大气污染区域联防联控应急调控方案优选方法，包括以下步骤：S1、获取大气污染区域的历史数据；S2、通过极限学习机对历史数据进行分析处理，生成大气污染物浓度与历史数据之间的非线性关系；S3、根据非线性关系预测区域在各种影响因素的条件下的未来空气污染物浓度的发展趋势；S4、采用启发式算法对区域的大气污染应急调控方案进行优化优选。本发明有益效果：通过将优选方案和现行方案进行比较，可有效改善同一行业的企业进行的“一刀切”限产决策，优选方案能以一个和现行方案相差不多的限产比例，实现更可观的调控效果，实现各类企业非一刀切管控的科学决策。
Description
技术领域
本发明属于环境治理领域，尤其是涉及一种大气污染区域联防联控应急调控方案优选方法。
背景技术
重污染天气应急调控是大气污染区域联防联控的重要工作内容之一，完善的重污染天气应急调控机制能够确保重污染天气应急工作高效、有序进行。目前各地的重污染天气应急调控，多有类似“一刀切”的调控政策，也有些采用“按行业统一划线”，同一类行业中的各企业限产比例相似。此外，现有的应急调控方案优选方法一般多基于空气质量模拟和化学传输模型评估减排策略的效果，此类空气质量模型的计算复杂度较高，在处理较大规模的排放清单数据时运算时间长，计算量大等问题，且调控效果受排放清单的不确定性和人为干预参数的限制。
发明内容
有鉴于此，本发明旨在提出一种大气污染区域联防联控应急调控方案优选方法，以解决上述问题中的不足之处。
为达到上述目的，本发明的技术方案是这样实现的：
大气污染区域联防联控应急调控方案优选方法，包括以下步骤：
S1、获取大气污染区域的历史数据；
S2、通过极限学习机对历史数据进行分析处理，生成大气污染物浓度与历史数据之间的非线性关系；
S3、根据非线性关系预测区域在各种影响因素的条件下的未来空气污染物浓度的发展趋势；
S4、采用启发式算法对区域的大气污染应急调控方案进行优化优选。
进一步的，所述历史数据包括气象数据、污染数据、经济数据。
进一步的，在步骤S2中，通过极限学习机对历史数据进行分析处理，生成大气污染物浓度与历史数据之间的非线性关系的方法为：
选取N组重污染天气数据样本
其中输入数据xj∈RN包括扩散特征和排放特征，tj是该输入数据的目标输出，即某污染物浓度。
进一步的，极限学习机通过随机设置隐层和激活函数gi，以较小的误差近似N个样本的输出：
其中ωi＝[ωi1,ωi2,...,ωin]T是连接第i个隐层神经元和输入节点的权重向量，βi＝[βi1,βi2,...,βim]T是连接第i个隐层神经元和输出节点的权重向量，bi是第i个隐层神经元的偏置。
进一步的，式(1)的矩阵形式可表示为下式：
Ηβ＝Τ (2)
其中
是隐含层的输出矩阵，T是目标输出矩阵。
进一步的，所述扩散特征包括温度、风力、风向、气压、降水量和湿度。
进一步的，所述排放特征包括各重点监控企业的生产比例。
相对于现有技术，本发明所述的大气污染区域联防联控应急调控方案优选方法具有以下有益效果：
本发明所述的大气污染区域联防联控应急调控方案优选方法提出的重污染应急调控方案优选方法，在不同情景设置中，选择出的优选方案能有效降低污染物浓度。根据优选方案中来自不同行业的企业差异化生产比例，可明确重点行业源，为制定重污染天气的应急响应预案提供参考；通过将优选方案和现行方案进行比较，可有效改善同一行业的企业进行的“一刀切”限产决策，优选方案能以一个和现行方案相差不多的限产比例，实现更可观的调控效果，实现各类企业非一刀切管控的科学决策。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的某地区现行企业减排调控方案示意图示意图；
图2为本发明实施例所述的不同情景下实施动态减排调控方案对PM2.5浓度的影响示意图；
图3为本发明实施例所述的不同情景下实施考虑经济因素的动态减排调控方案对PM2.5浓度的影响示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图1至图3所示，本方案提出了一种基于机器学习技术的应急方案优选方法，应用极限学习机评价调控方案的效果，采用优化算法优选调控方案。该方法从历史数据包括气象数据、污染数据、经济数据等中，学习区域大气污染与其影响因素之间的复杂非线性交互关系，并预测其在各种条件下的未来发展趋势，随后使用启发式算法，进行重污染应急治理措施优选。与传统方法相比，本研究应用的数据驱动方法无需进行复杂且耗时的空气质量模拟过程，其中极限学习机能以较少的人为干预提供良好的表现，不需要反向传播训练使得其训练速度较快，能很好地适应较大规模的数据输入，能够兼顾环境和经济双重指标，决策不同气象条件下的应急管控方案，具有速度快、精细化、自适应、稳定性高等特点。
该方法选择具有较少的人为控制因素的极限学习机(Extreme LearningMachine,ELM)作为基准预测模型，其输入权重和隐层偏置参数均随机生成，训练过程中无需迭代调整，一定程度上减少了多参数的影响及耗时的参数调整过程，以及多次迭代导致时效性降低。
设有N组重污染天气数据样本
其中输入数据xj∈RN包括扩散特征(温度、风力、风向、气压、降水量和湿度等)和排放特征(各重点监控企业的生产比例)，tj是该输入数据的目标输出，即某污染物浓度。
ELM通过随机设置隐层和激活函数gi，以较小的误差近似N个样本的输出：
其中ωi＝[ωi1,ωi2,...,ωin]T是连接第i个隐层神经元和输入节点的权重向量，βi＝[βi1,βi2,...,βim]T是连接第i个隐层神经元和输出节点的权重向量，bi是第i个隐层神经元的偏置。上式的矩阵形式可表示为下式：
Ηβ＝Τ (2)
其中
是隐含层的输出矩阵，T是目标输出矩阵。
本研究针对各企业限产制定调控方案，以污染物在某一观测周期内的改善作为评价标准，可用的评价指标包括六项主要污染物，例如SO2、PM2.5和NOx等。首先通过污染物浓度的影响因素模型确定预测模型的输入，其中扩散特征包括温度、风力、风向、气压和相对湿度等，调控方案以重点企业的实际生产比表示；其次应用高维训练数据集训练预测模型，以预测观测周期末的污染物浓度值。预测模型在综合考虑现时复杂的气象条件和人为排放等多因素的基础上，评估调控方案在任意观测周期内对改善环境指标的有效性。
我们提出的基于机器学习技术的重污染应急调控方案优选方法可适用于多样化的情景特征，针对每一种情景都能得到合适的调控方案集。
以天津市某地区为例进行现行方案和模型优选方案的对比实验，考虑环境和经济双重指标，不设立减排目标，在保证优选方案产值和平均企业生产比不低于现行“一刀切”方案的基础上，最大化降低污染物浓度，优选得到因地制宜的自适应动态调控方案集。下面列举了三个实际发生的重污染事件。
(a)2017年1月3日1时-1月4日1时：PM2.5起始浓度217μg/m3，污染等级为II级橙色预警。日平均温度2℃，气压1023.3hPa，相对湿度97％，西风1-2级。
(b)2017年2月3日12时-2月4日12时：PM2.5起始浓度179μg/m3，污染等级为III级黄色预警。日平均温度1.3℃，气压1021.3hPa，相对湿度69％，西南风1-2级。
(c)2017年11月20日10时-11月21日10时：PM2.5起始浓度225μg/m3，污染等级为III级黄色预警。日平均温度4.5℃，气压1024.3hPa，相对湿度57％，西北风1-2级。
所选地区在当时应对黄色、橙色预警时的现行减排调控方案及调控效果如图1所示。柱状图表示各企业的生产比例，红色竖线表示调控效果(即实施停限产调控方案24小时后的PM2.5浓度值)。
由图1可以看出，在重污染条件下，该地区现行的企业减排方案基本按照企业的行业性质来限制生产比例，没有实现“一厂一策”，也没有考虑和区分重污染条件下的气象条件对污染源扩散的影响。
利用提出的动态调控决策模型，得出了不同气象条件下不同企业的限产比例。图2柱状图表示各企业的生产比例，红色竖线表示调控效果(即实施动态调控方案24小时后的PM2.5浓度值)。
对比图1和图2可知，在三个示例中，考虑不同温度，不同风力大小等气象因素的影响，通过实施动态调控方案，可使PM2.5浓度分别从现行方案实现的187μg/m3、176μg/m3和130μg/m3，降低至84μg/m3、28μg/m3和62μg/m3，最大降低比达到84.36％。
此外，在实际的大气污染治理过程中，有以降低浓度为首要目标的情况，需要使得空气质量在较短的时间内达到最优。例如“APEC蓝”期间将一级空气重污染应急减排措施的范围扩大至山东省，要求尽可能采取限、停产措施，最终实现二氧化硫、氮氧化物、PM10、PM2.5、挥发性有机物等减排比例分别达到54％、41％、68％、63％和35％左右。另外，在日常的重污染天气管控中，不同等级的预警会采取相应等级的响应措施，且一般情况下会将经济因素纳入考虑，即在保证污染物浓度下降的同时，由企业停产、限产引起的管理成本和经济损失也不能过高。因此在实际的方案优选中，可能需要设置不同的目标，生成差异化的备选方案。目前主要考虑两种目标。
目标一：以改善污染物浓度为唯一决策目标甄选满意方案，应用粒子群优化算法优选排放方案和应急措施，找到满意方案；
目标二：考虑经济因素，在保证优选方案产值高于现行方案产值的基础上，最大化降低污染物浓度，应用多目标优化方法优选满意的方案。
实验中仍采用上面多情景决策中使用的三个示例，观测期初的PM2.5浓度为150-250μg/m3，属于重度污染。利用提出的动态调控决策模型，同时考虑污染物浓度降低和经济因素，给出了不同气象条件下不同企业的限产比例。图3表示各企业的生产比例，红色竖线表示调控效果(即实施动态调控方案24小时后的PM2.5浓度值)。
由图3可知，考虑不同温度，不同风力大小等气象因素的影响，通过实施动态调控方案，可使PM2.5浓度分别从现行方案实现的187μg/m3、176μg/m3和130μg/m3，降低至96μg/m3、42μg/m3和76μg/m3，最大降低比达到78.54％。
此外，在执行图3中展示的现行调控方案时，该地区涉及企业的总产值约为2.16亿元至2.2亿元。虽然本研究提出的同时兼顾经济因素的动态调控方案比图3所示方案的调控效果略有降低，但其充分考虑了不同企业的污染贡献以及经济贡献，在四个示例中均在污染物浓度降低的同时，能够保证企业总产值不降低，保持在2.18亿元至2.22亿元。
综上，我们提出的重污染应急调控方案优选方法，在不同情景设置中，选择出的优选方案能有效降低污染物浓度。根据优选方案中来自不同行业的企业差异化生产比例，可明确重点行业源，为制定重污染天气的应急响应预案提供参考；通过将优选方案和现行方案进行比较，可有效改善同一行业的企业进行的“一刀切”限产决策，优选方案能以一个和现行方案相差不多的限产比例，实现更可观的调控效果，实现各类企业非一刀切管控的科学决策。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
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，其均应涵盖在本发明的权利要求和说明书的范围当中。
以上所述仅为本发明的较佳实施例而已，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 (7)
1.大气污染区域联防联控应急调控方案优选方法，其特征在于，包括以下步骤：
S1、获取大气污染区域的历史数据；
S2、通过极限学习机对历史数据进行分析处理，生成大气污染物浓度与历史数据之间的非线性关系；
S3、根据非线性关系预测区域在各种影响因素的条件下的未来空气污染物浓度的发展趋势；
S4、采用启发式算法对区域的大气污染应急调控方案进行优化优选。
2.根据权利要求1所述的大气污染区域联防联控应急调控方案优选方法，其特征在于：所述历史数据包括气象数据、污染数据、经济数据。
3.根据权利要求1所述的大气污染区域联防联控应急调控方案优选方法，其特征在于：在步骤S2中，通过极限学习机对历史数据进行分析处理，生成大气污染物浓度与历史数据之间的非线性关系的方法为：
选取N组重污染天气数据样本
其中输入数据xj∈RN包括扩散特征和排放特征，tj是该输入数据的目标输出，即某污染物浓度。
4.根据权利要求3所述的大气污染区域联防联控应急调控方案优选方法，其特征在于：极限学习机通过随机设置隐层和激活函数gi，以较小的误差近似N个样本的输出：
其中ωi＝[ωi1,ωi2,...,ωin]T是连接第i个隐层神经元和输入节点的权重向量，βi＝[βi1,βi2,...,βim]T是连接第i个隐层神经元和输出节点的权重向量，bi是第i个隐层神经元的偏置。
5.根据权利要求4所述的大气污染区域联防联控应急调控方案优选方法，其特征在于：式(1)的矩阵形式可表示为下式：
Ηβ＝Τ (2)
其中
是隐含层的输出矩阵，T是目标输出矩阵。
6.根据权利要求3所述的大气污染区域联防联控应急调控方案优选方法，其特征在于：所述扩散特征包括温度、风力、风向、气压、降水量和湿度。
7.根据权利要求3所述的大气污染区域联防联控应急调控方案优选方法，其特征在于：所述排放特征包括各重点监控企业的生产比例。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110707652.9A CN113420071A (zh) | 2021-06-24 | 2021-06-24 | 大气污染区域联防联控应急调控方案优选方法 |
| NL2029891A NL2029891B1 (en) | 2021-06-24 | 2021-11-24 | Method for optimizing emergency regulation scheme of coordinated inter-regional prevention and control of air pollution |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110707652.9A CN113420071A (zh) | 2021-06-24 | 2021-06-24 | 大气污染区域联防联控应急调控方案优选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113420071A true CN113420071A (zh) | 2021-09-21 |
Family
ID=77716586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110707652.9A Pending CN113420071A (zh) | 2021-06-24 | 2021-06-24 | 大气污染区域联防联控应急调控方案优选方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113420071A (zh) |
| NL (1) | NL2029891B1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114186708A (zh) * | 2021-10-13 | 2022-03-15 | 华北电力大学 | 基于pso-elm循环流化床机组so2浓度预测方法 |
| CN114240263A (zh) * | 2022-02-24 | 2022-03-25 | 天津天融环境科技发展有限公司 | 一种分级管理的方法、装置、电子设备及存储介质 |
| CN116522166A (zh) * | 2023-06-28 | 2023-08-01 | 湖南佳蓝检测技术有限公司 | 一种基于大数据的空气污染监测系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
| CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
| CN107330514A (zh) * | 2017-07-10 | 2017-11-07 | 北京工业大学 | 一种基于集成极限学习机的空气质量预测方法 |
| CN107346459A (zh) * | 2017-05-22 | 2017-11-14 | 天津科技大学 | 一种基于遗传算法改进的多模式污染物集成预报方法 |
| CN108052793A (zh) * | 2017-12-26 | 2018-05-18 | 杭州电子科技大学 | 一种基于模糊加权elm的移动污染源排放浓度预测方法 |
| CN111523717A (zh) * | 2020-04-15 | 2020-08-11 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
| CN112462603A (zh) * | 2020-10-13 | 2021-03-09 | 中科三清科技有限公司 | 区域大气重污染应急的优化调控方法、装置、设备及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109615147A (zh) * | 2018-12-27 | 2019-04-12 | 浙江大学 | 一种未来72小时大气污染预报预警方法 |
| CN110531029B (zh) * | 2019-08-16 | 2022-02-25 | 北京慧辰资道资讯股份有限公司 | 一种基于环保物联网大数据预测空气质量趋势的装置 |
-
2021
- 2021-06-24 CN CN202110707652.9A patent/CN113420071A/zh active Pending
- 2021-11-24 NL NL2029891A patent/NL2029891B1/en active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
| CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
| CN107346459A (zh) * | 2017-05-22 | 2017-11-14 | 天津科技大学 | 一种基于遗传算法改进的多模式污染物集成预报方法 |
| CN107330514A (zh) * | 2017-07-10 | 2017-11-07 | 北京工业大学 | 一种基于集成极限学习机的空气质量预测方法 |
| CN108052793A (zh) * | 2017-12-26 | 2018-05-18 | 杭州电子科技大学 | 一种基于模糊加权elm的移动污染源排放浓度预测方法 |
| CN111523717A (zh) * | 2020-04-15 | 2020-08-11 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
| CN112462603A (zh) * | 2020-10-13 | 2021-03-09 | 中科三清科技有限公司 | 区域大气重污染应急的优化调控方法、装置、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 刘磊、胡非: "基于多属性决策的区域大气复合污染多目标优化控制方法研究", 《气候与环境研究》 * |
| 张强: "《智能进化算法概述及应用》", 30 September 2018, 哈尔滨工业大学出版社 * |
| 王金婉: "基于超限学习 机算法的空气污染物浓度预测模型", 《基层建设》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114186708A (zh) * | 2021-10-13 | 2022-03-15 | 华北电力大学 | 基于pso-elm循环流化床机组so2浓度预测方法 |
| CN114240263A (zh) * | 2022-02-24 | 2022-03-25 | 天津天融环境科技发展有限公司 | 一种分级管理的方法、装置、电子设备及存储介质 |
| CN116522166A (zh) * | 2023-06-28 | 2023-08-01 | 湖南佳蓝检测技术有限公司 | 一种基于大数据的空气污染监测系统 |
| CN116522166B (zh) * | 2023-06-28 | 2023-09-15 | 湖南佳蓝检测技术有限公司 | 一种基于大数据的空气污染监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| NL2029891A (en) | 2022-12-30 |
| NL2029891B1 (en) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113420071A (zh) | 大气污染区域联防联控应急调控方案优选方法 | |
| CN110503251B (zh) | 一种基于Stacking算法的非节假日负荷预测方法 | |
| CN105676649A (zh) | 一种基于自组织神经网络的污水处理过程控制方法 | |
| CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
| Han et al. | Energy saving of buildings for reducing carbon dioxide emissions using novel dendrite net integrated adaptive mean square gradient | |
| CN108549310A (zh) | 污水处理云服务器 | |
| CN108052793B (zh) | 一种基于模糊加权elm的移动污染源排放浓度预测方法 | |
| Bull et al. | Towards distributed adaptive control for road traffic junction signals using learning classifier systems | |
| CN112836429A (zh) | 一种基于煤质预测的多目标优化配煤方法 | |
| CN110059821A (zh) | 神经网络优化方法、装置、计算机设备及存储介质 | |
| CN117150416B (zh) | 一种工业互联网异常节点的检测方法、系统、介质及设备 | |
| CN110245390A (zh) | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 | |
| Maghool et al. | The Dynamics of a Tritrophic Leslie‐Gower Food‐Web System with the Effect of Fear | |
| CN109523136A (zh) | 一种面向智能制造的调度知识管理系统 | |
| Makhadmeh et al. | A novel link-based multi-objective grey wolf optimizer for appliances energy scheduling problem | |
| Jiang et al. | Distributed adaptive fixed-time synchronization for disturbed complex networks | |
| Tian | Adaptive control and supply chain management of intelligent agricultural greenhouse by intelligent fuzzy auxiliary cognitive system | |
| CN114385601B (zh) | 基于超算的云边协同高通量海洋数据智能处理方法及系统 | |
| CN116862043A (zh) | 一种基于多层前馈网络的负荷预测方法及系统 | |
| Xue et al. | Multi-model modelling and predictive control based on local model networks | |
| Sun et al. | Multi-task learning for dependability assessment of industrial wireless communication systems | |
| Jerman et al. | Future job profile at smart factories | |
| Wang et al. | Research on multi agent manufacturing process optimization method based on QPSO | |
| Nesteruk et al. | Creation of a fuzzy knowledge base for adaptive security systems | |
| Jibao et al. | A quantitative prediction method of network security situation based on wavelet neural network |
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: 20210921 |
|
| RJ01 | Rejection of invention patent application after publication |