CN114121169A - 一种基于深度学习的化工园区VOCs污染溯源方法 - Google Patents
一种基于深度学习的化工园区VOCs污染溯源方法 Download PDFInfo
- Publication number
- CN114121169A CN114121169A CN202111301522.1A CN202111301522A CN114121169A CN 114121169 A CN114121169 A CN 114121169A CN 202111301522 A CN202111301522 A CN 202111301522A CN 114121169 A CN114121169 A CN 114121169A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- deep learning
- pollutants
- pollutant
- 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
- 239000000126 substance Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 40
- 239000012855 volatile organic compound Substances 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 104
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 102
- 231100000719 pollutant Toxicity 0.000 claims abstract description 98
- 238000009792 diffusion process Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 150000002894 organic compounds Chemical class 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010007269 Carcinogenicity Diseases 0.000 description 1
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical compound CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 description 1
- 206010043275 Teratogenicity Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 230000007670 carcinogenicity Effects 0.000 description 1
- 231100000260 carcinogenicity Toxicity 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 150000008282 halocarbons Chemical class 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 230000007886 mutagenicity Effects 0.000 description 1
- 231100000299 mutagenicity Toxicity 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 231100000211 teratogenicity Toxicity 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000008096 xylene Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供了一种基于深度学习的化工园区VOCs污染溯源方法，包括如下步骤：步骤S1.对污染物的监测数据及气象数据进行预处理；步骤S2.结合污染物化学成分谱并根据预处理后的监测数据，使用深度学习算法对污染物的排放位置及其排放量进行预测；步骤S3.将预测的排放位置、排放量以及预处理后的气象数据代入大气扩散模型，得到预测数据的扩散仿真曲线；步骤S4.将扩散仿真曲线与监测数据的变化曲线进行对比，若两者的相关系数小于阈值，则判定为预测失败；若相关系数大于或等于阈值，则判定为预测成功。
Description
技术领域
本发明涉及园区大气污染物溯源技术领域，更具体地涉及一种基于深度学习的化工园区VOCs污染溯源方法。
背景技术
在我国，VOCs是指常温下饱和蒸汽压大于70Pa、常压下沸点在260℃以下的有机化合物，或在20℃条件下，蒸汽压大于或者等于10Pa且具有挥发性的全部有机化合物。VOCs对人体健康和自然环境的影响主要表现在以下两方面：(1)部分工业源排放的VOCs，如苯、甲苯、二甲苯等，对人的皮肤系统、呼吸系统、视觉系统等有刺激作用，对内脏及神经系统产生有害影响，造成中毒，甚至具有致癌、致畸、致突变性；(2)VOCs的成分极为复杂，容易引发光化学烟雾污染，危害人类和植物健康；且部分VOCs，如卤代烃类，会与臭氧发生循环链式反应，破坏臭氧层，影响全球环境。
VOCs污染治理过程中，化工园区的VOCs污染防治工作一直是重点关注的部分。由于化工园区中的VOCs污染物种类繁多、污染物排放时间和排放量不固定的特点，一旦发生突发性VOCs污染事件，将会对大气环境造成巨大的影响。而在化工园区的大气污染防治过程中，污染物的溯源工作无疑是重要的一环，如果无法找到污染源及其污染物排放量，那么后续的治理工作更是无从谈起。
在化工园区的突发性VOCs污染事件中，也许还会出现不止一个污染源的情况，面对如此复杂的大气环境，现有的大气污染溯源方法很难达到预期的效果，而且目前针对园区的VOCs污染溯源方法较少，都不能很好地满足溯源的需要。因此，有必要提供一种基于深度学习的化工园区VOCs污染溯源方法。
发明内容
本发明提供了一种基于深度学习的化工园区VOCs污染溯源方法，以满足上述需求。
本发明所采用的技术方案是：
一种基于深度学习的化工园区VOCs污染溯源方法，包括如下步骤：
步骤S1.对污染物的监测数据及气象数据进行预处理；
步骤S2.结合污染物化学成分谱并根据预处理后的监测数据，使用深度学习算法对污染物的排放位置及其排放量进行预测；
步骤S3.将预测的排放位置、排放量以及预处理后的气象数据代入大气扩散模型，得到预测数据的扩散仿真曲线；
步骤S4.将扩散仿真曲线与预处理前的监测数据的变化曲线进行对比，若两者的相关系数小于阈值，则判定为预测失败；若相关系数大于或等于阈值，则判定为预测成功。
作为优选，所述方法还包括：
步骤S5.解析溯源结果：将预测的排放位置与化工园区的地图相结合，获得污染物的实际排放位置；将预测的排放量与预处理中得到的量纲相乘，获得污染物的实际排放量。
作为优选，所述方法还包括：
步骤S6.对解析后的溯源结果进行排放物反演，更新污染物化学成分谱。
作为优选，步骤S1包括：
步骤S11.对监测数据进行去重、降噪处理；
步骤S12.对处理后的监测数据进行数据缺失值和异常值处理：当一行数据中存在8个及以上的缺失值或连续3行的数据在同一个属性上缺失时，直接删除对应的数据；其他情况则使用插值法对监测数据进行插补或校正；
步骤S13.对步骤S12处理后的数据进行缩放，缩放公式如下：
a为缩放前的数据，a′为缩放后的数据，amin为缩放前的最小值数据，amax为缩放前的最大值数据。
作为优选，步骤S12中插值法的计算公式如下：
wi＝∑γimi；
wi为i监测点的加权的气象数据，γi为i监测点的气象数据对污染物的影响程度系数，mi为i监测点的气象数据，αi为i监测点污染物扩散因数，∑w为所有的加权的气象数据之和，h为距离，hi为i监测点到插值点的距离，x为插值点的经度，y为插值点的纬度，xi为i监测点的经度，yi为i监测点的纬度，βi为i监测点的反距离权重系数，幂指数ρ的取值范围为[0.5，3]，Zi为i监测点的污染物监测数据，Z为插值，n为监测点的数量。
作为优选，幂指数ρ需要满足条件：幂指数ρ要使得RMSPE的值最小；RMSPE的计算公式如下：
k表示同一监测点选取的监测数据有k组，k≥10，zj为根据第j组监测数据计算出来的插值,z′为zj对应的监测数据。
作为优选，步骤S2包括：
步骤S21.使用深度学习算法，提取同一时间段内各个监测点的污染物浓度与气象数据之间的关系，该关系即为污染物在当时的扩散规律；
步骤S22.根据扩散规律获得污染物分布情况；
步骤S23.根据不同时间的污染物分布情况，得到污染物浓度变化情况；
步骤S24.根据污染物浓度变化情况结合污染物化学成分谱，得到污染物的预测排放量；
步骤S25.根据污染物浓度变化情况得到污染物的预测排放位置。
作为优选，步骤S2还包括：根据扩散规律更新污染物扩散因数αi。
作为优选，步骤S4中相关系数的计算公式如下：
r为相关系数，di为i时刻的监测数据，
为t时间内的监测数据的平均值，d′i为i时刻的预测数据，
为t时间内的预测数据的平均值。
作为优选，步骤S4中，当判定为预测失败后，返回步骤S2，修改深度学习算法中的相关参数并重新预测。
本发明具有以下有益效果：
1.本发明对监测数据和气象数据进行了预处理，获得更加真实的监测数据和气象数据，保证数据的质量和可靠性；使用预处理后的数据，通过深度学习算法进行预测，从而提高预测的准确性；将预测的结果代入大气扩散模型，得到仿真曲线，将仿真曲线与监测数据的曲线进行对比，相关系数大于等于阈值，则判定成功，从而校验预测结果，提高溯源结果的准确性。
2.本发明在预处理阶段，使用插值法对数据进行插补和校正，有效保证数据的质量和可靠性；在插值法中使用了污染物扩散因数αi，进一步提高数据的质量和可靠性。
3.本发明针对不同的监测点使用不同的幂指数ρ，由于幂指数ρ的数值是该监测点多组历史数据所得幂指数ρ的平均值，而且要使得RMSPE的值最小，使得每个幂指数ρ更加贴合该监测点，这样可以使计算出的插补值更贴近真实值，一方面有利于后续模型的训练，另一方面可以提高溯源结果的准确性。
4.本发明通过深度学习算法，基于不同监测点的监测数据，不断更新污染物扩散因数αi，使得每个污染物扩散因数αi与相应的监测点的匹配度更高，从而使得计算出的插补值更贴近真实值，提高溯源结果的准确性。
5.本发明通过解析溯源结果，进行排放物反演，更新污染物化学成分谱，从而提高使用深度学习算法得到的预测结果的准确性。
附图说明
图1为本发明中所涉及的基于深度学习的化工园区VOCs污染溯源方法的步骤示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式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方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，指示方位或位置关系的术语为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，如果含有术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，如果存在第一特征在第二特征之上或之下，可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征之上、上方和上面包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。如果存在第一特征在第二特征之下、下方和下面，包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
下面结合实施例对本发明作进一步的描述，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域的普通技术人员在没有做出创造性劳动前提下所获得的其他所用实施例，都属于本发明的保护范围。
请参阅图1，图中所示者为本发明所选用的实施例结构，此仅供说明之用，在专利申请上并不受此种结构的限制。
如图1所示，一种基于深度学习的化工园区VOCs污染溯源方法，包括如下步骤：
步骤S1.对污染物的监测数据及气象数据进行预处理；
步骤S2.结合污染物化学成分谱并根据预处理后的监测数据，使用深度学习算法对污染物的排放位置及其排放量进行预测；
步骤S3.将预测的排放位置、排放量以及预处理后的气象数据代入大气扩散模型，得到预测数据的扩散仿真曲线；
步骤S4.将扩散仿真曲线与预处理前的监测数据的变化曲线进行对比，若两者的相关系数小于阈值，则判定为预测失败；若相关系数大于或等于阈值，则判定为预测成功；
步骤S5.解析溯源结果：将预测的排放位置与化工园区的地图相结合，获得污染物的实际排放位置；将预测的排放量与预处理中得到的量纲相乘，获得污染物的实际排放量；
步骤S6.对解析后的溯源结果进行排放物反演，更新污染物化学成分谱。
应当理解的是，深度学习算法和大气扩散模型可以参照现有常规方案；
基于上述实施例，在一些实施场景中，污染物的监测数据及气象数据可以为化工园区内一个或一个以上的监测点所监测到的历史数据，也可以为化工园区内一个或一个以上的监测点所监测到的实时数据，也可以为化工园区内一个或一个以上的监测点所监测到的历史数据和实时数据。
在另一些实施场景中，污染物的监测数据及气象数据可以为待预测的监测点的邻近监测点所监测到的数据，也可以为待预测的化工园区的邻近园区所监测到的数据。
在一些实施例中，步骤S1包括：
步骤S11.对监测数据进行去重、降噪处理；
步骤S12.对处理后的监测数据进行数据缺失值和异常值处理：当一行数据中存在8个及以上的缺失值或连续3行的数据在同一个属性上缺失时，直接删除对应的数据；其他情况则使用插值法对监测数据进行插补或校正；
步骤S13.对步骤S12处理后的数据进行缩放，缩放公式如下：
a为缩放前的数据，a′为缩放后的数据，amin为缩放前的最小值数据，amax为缩放前的最大值数据。
在一些实施例中，步骤S12中插值法的计算公式如下：
wi＝∑γimi；
wi为i监测点的加权的气象数据，γi为i监测点的气象数据对污染物的影响程度系数，mi为i监测点的气象数据，αi为i监测点污染物扩散因数，∑w为所有的加权的气象数据之和，h为距离，hi为i监测点到插值点的距离，x为插值点的经度，y为插值点的纬度，xi为i监测点的经度，yi为i监测点的纬度，βi为i监测点的反距离权重系数，幂指数ρ的取值范围为[0.5，3]，Zi为i监测点的污染物监测数据，Z为插值，n为监测点的数量。
在一些实施例中，幂指数ρ需要满足条件：幂指数ρ要使得RMSPE(Root MeanSquare Percentage Error)的值最小；RMSPE的计算公式如下：
k表示同一监测点选取的监测数据有k组，k≥10，zj为根据第j组监测数据计算出来的插值,z′为zj对应的监测数据。
在一些实施例中，步骤S2包括：
步骤S21.使用深度学习算法，提取同一时间段内各个监测点的污染物浓度与气象数据之间的关系，该关系即为污染物在当时的扩散规律，也即为气象数据对污染物的影响程度系数γi；
步骤S22.根据扩散规律获得污染物分布情况；
步骤S23.根据不同时间的污染物分布情况，得到污染物浓度变化情况；
步骤S24.根据污染物浓度变化情况结合污染物化学成分谱，得到污染物的预测排放量；
步骤S25.根据污染物浓度变化情况得到污染物的预测排放位置。
可以理解的是，污染物浓度为监测点的监测数据中的一部分数据或全部数据；污染物的监测数据即为污染物浓度的数据；本发明中不作具体的数据类型划分，只需按照常规合理理解即可。
基于上述实施例，在一些实施场景中，步骤S21中的污染物浓度与气象数据可以为化工园区内一个或一个以上的监测点所监测到的历史数据，也可以为化工园区内一个或一个以上的监测点所监测到的实时数据，也可以为化工园区内一个或一个以上的监测点所监测到的历史数据和实时数据。
在另一些实施场景中，步骤S21中的污染物浓度与气象数据可以为待预测的监测点的邻近监测点所监测到的数据，也可以为待预测的化工园区的邻近园区所监测到的数据。
在一些实施例中，步骤S2还包括：根据扩散规律更新污染物扩散因数αi。基于本实施例以及上述实施例，一种基于深度学习的化工园区VOCs污染溯源方法，包括如下步骤：
步骤S1.获取历史的监测数据及气象数据，结合污染物化学成分谱使用深度学习算法得到污染物扩散因数αi；
步骤S2.根据污染物扩散因数αi对污染物的监测数据及气象数据进行预处理；
步骤S2.结合污染物化学成分谱并根据预处理后的监测数据，使用深度学习算法对污染物的排放位置及其排放量进行预测；
步骤S3.将预测的排放位置、排放量以及预处理后的气象数据代入大气扩散模型，得到预测数据的扩散仿真曲线；
步骤S4.将扩散仿真曲线与监测数据的变化曲线进行对比，若两者的相关系数小于阈值，则判定为预测失败，并返回步骤S2，修改深度学习算法中的相关参数并重新预测；若相关系数大于或等于阈值，则判定为预测成功；
步骤S5.解析溯源结果：将预测的排放位置与化工园区的地图相结合，获得污染物的实际排放位置；将预测的排放量与预处理中得到的量纲相乘，获得污染物的实际排放量；
步骤S6.对解析后的溯源结果进行排放物反演，更新污染物化学成分谱。
深度学习算法可以参照现有常规方案，得到气象数据对污染物的影响程度系数γi；从而通过公式得出污染物扩散因数αi，即可进行预处理；再根据预处理后的污染物浓度数据与气象数据，使用深度学习算法得到新的气象数据对污染物的影响程度系数γi，并使用RMSPE的计算公式，重新更新幂指数ρ的值；如此不断验证并更新数据，能够最大程度提高溯源结果的准确性。同理，步骤S6也可以更新污染物化学成分谱，通过新的污染物化学成分谱，可以更新步骤S24中得到污染物的预测排放量，也能提高溯源结果的准确性。
其中，如先使用邻近监测点的监测数据和气象数据建立模型，在后续本地的监测点监测到数据后，可以使用本地的监测点的监测数据以及气象数据代入模型进行更新，使得参数本地化，进一步提高溯源结果的准确性。而且在所有涉及到监测数据和气象数据的步骤中，可以使用历史的监测数据和气象数据，也可以使用预处理后的历史的监测数据和气象数据，也可以使用在预测时实时获取的监测数据和气象数据，也可以使用预处理后的在预测时实时获取的监测数据和气象数据；预处理后的监测数据和气象数据可以提高预测的准确性，即提高溯源结果的准确性。
步骤S4中的相关参数是指预测过程中所有算法的参数，包括预处理过程中的气象数据对污染物的影响程度系数γi以及深度学习过程中的参数矩阵。
在一些实施例中，步骤S4中相关系数的计算公式如下：
r为相关系数，di为i时刻的监测数据，
为t时间内的监测数据的平均值，d′i为i时刻的预测数据，
为t时间内的预测数据的平均值。
其中，设定相关系数r需要大于或等于阈值0.7才算预测成功。
在预测时可以进行相关系数的修正：与阈值比较前的相关系数应该减去系统误差；系统误差的测试方法：使用多组历史数据进行仿真测试，计算出平均相关系数，系统误差为(1-平均相关系数)；即在预测时通过公式计算出来的相关系数r-(1-平均相关系数)，得到的值再与阈值0.7进行比较，从而可以提高溯源结果的准确性。
在一些实施例中，气象数据为温度、光照、湿度、风速以及风向中的一种或多种数据。
当气象数据为温度m1、光照m2、湿度m3、风速m4和风向m5，各个气象数据对污染物的影响程度系数γi的比值为：
温度：光照：湿度：风速：风向＝0.3：0.3：0.1：0.2：0.1时；
则插值法中的加权的气象数据wi的计算公式为：
wi＝0.3m1+0.3m2+0.1m3+0.2m4+0.1m5。
当气象数据为温度和风速，各个气象数据对污染物的影响程度系数γi的比值为：
温度m1：风速m4＝0.3：0.7时；
则插值法中的加权的气象数据wi的计算公式为：wi＝0.3m1+0.7m4。
当气象数据为其他情况时，按照上述过程进行类推即可；气象数据mi的量化参照常规的大气扩散模型的方案或参照其他常规的气象数据量化处理方案进行即可；
而气象数据对污染物的影响程度系数γi可以通过深度学习算法获取以及在参数本地化时进行更新。
综上所述，公开了本发明的多个具体实施例，在不自相矛盾的情况下，各个实施例可以自由组合形成新的实施例，也即属于替换方案的实施例之间可以自由替换，但不能相互组合；不属于替换方案的实施例之间可以相互组合，这些新的实施例也属于本发明的实质性内容。
以上所述实施例是用以说明本发明，并非用以限制本发明，所以举例数值的变更或等效元件的置换仍应隶属本发明的范畴。
由以上详细说明，可使本领域普通技术人员明了本发明的确可达成前述目的，实已符合专利法的规定。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。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，应当指出的是，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的化工园区VOCs污染溯源方法，其特征在于，包括如下步骤：
步骤S1.对污染物的监测数据及气象数据进行预处理；
步骤S2.结合污染物化学成分谱并根据预处理后的监测数据，使用深度学习算法对污染物的排放位置及其排放量进行预测；
步骤S3.将预测的排放位置、排放量以及预处理后的气象数据代入大气扩散模型，得到预测数据的扩散仿真曲线；
步骤S4.将扩散仿真曲线与预处理前的监测数据的变化曲线进行对比，若两者的相关系数小于阈值，则判定为预测失败；若相关系数大于或等于阈值，则判定为预测成功。
2.如权利要求1所述的基于深度学习的化工园区VOCs污染溯源方法，其特征在于，还包括：
步骤S5.解析溯源结果：将预测的排放位置与化工园区的地图相结合，获得污染物的实际排放位置；将预测的排放量与预处理中得到的量纲相乘，获得污染物的实际排放量。
3.如权利要求2所述的基于深度学习的化工园区VOCs污染溯源方法，其特征在于，还包括：
步骤S6.对解析后的溯源结果进行排放物反演，更新污染物化学成分谱。
4.如权利要求1所述的基于深度学习的化工园区VOCs污染溯源方法，其特征在于，步骤S1包括：
步骤S11.对监测数据进行去重、降噪处理；
步骤S12.对处理后的监测数据进行数据缺失值和异常值处理：当一行数据中存在8个及以上的缺失值或连续3行的数据在同一个属性上缺失时，直接删除对应的数据；其他情况则使用插值法对监测数据进行插补或校正；
步骤S13.对步骤S12处理后的数据进行缩放，缩放公式如下:
a为缩放前的数据，a′为缩放后的数据，amin为缩放前的最小值数据，amax为缩放前的最大值数据。
5.如权利要求4所述的基于深度学习的化工园区VOCs污染溯源方法，其特征在于，步骤S12中插值法的计算公式如下：
wi＝∑γimi；
wi为i监测点的加权的气象数据，γi为i监测点的气象数据对污染物的影响程度系数，mi为i监测点的气象数据，αi为i监测点污染物扩散因数，∑w为所有的加权的气象数据之和，h为距离，hi为i监测点到插值点的距离，x为插值点的经度，y为插值点的纬度，xi为i监测点的经度，yi为i监测点的纬度，βi为i监测点的反距离权重系数，幂指数ρ的取值范围为[0.5，3]，Zi为i监测点的污染物监测数据，Z为插值，n为监测点的数量。
6.如权利要求5所述的基于深度学习的化工园区VOCs污染溯源方法，其特征在于，幂指数ρ需要满足条件：幂指数ρ要使得RMSPE的值最小；RMSPE的计算公式如下：
k表示同一监测点选取的监测数据有k组，k≥10，zj为根据第j组监测数据计算出来的插值,z′为zj对应的监测数据。
7.如权利要求1所述的基于深度学习的化工园区VOCs污染溯源方法，其特征在于，步骤S2包括：
步骤S21.使用深度学习算法，提取同一时间段内各个监测点的污染物浓度与气象数据之间的关系，该关系即为污染物在当时的扩散规律；
步骤S22.根据扩散规律获得污染物分布情况；
步骤S23.根据不同时间的污染物分布情况，得到污染物浓度变化情况；
步骤S24.根据污染物浓度变化情况结合污染物化学成分谱，得到污染物的预测排放量；
步骤S25.根据污染物浓度变化情况得到污染物的预测排放位置。
8.如权利要求7所述的基于深度学习的化工园区VOCs污染溯源方法，其特征在于，步骤S2还包括：根据扩散规律更新污染物扩散因数αi。
9.如权利要求1所述的基于深度学习的化工园区VOCs污染溯源方法，其特征在于，步骤S4中相关系数的计算公式如下：
r为相关系数，di为i时刻的监测数据，
为t时间内的监测数据的平均值，d′i为i时刻的预测数据，
为t时间内的预测数据的平均值。
10.如权利要求1所述的基于深度学习的化工园区VOCs污染溯源方法，其特征在于，步骤S4中，当判定为预测失败后，返回步骤S2，修改深度学习算法中的相关参数并重新预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111301522.1A CN114121169A (zh) | 2021-11-04 | 2021-11-04 | 一种基于深度学习的化工园区VOCs污染溯源方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111301522.1A CN114121169A (zh) | 2021-11-04 | 2021-11-04 | 一种基于深度学习的化工园区VOCs污染溯源方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114121169A true CN114121169A (zh) | 2022-03-01 |
Family
ID=80380588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111301522.1A Pending CN114121169A (zh) | 2021-11-04 | 2021-11-04 | 一种基于深度学习的化工园区VOCs污染溯源方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114121169A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114858976A (zh) * | 2022-04-27 | 2022-08-05 | 浙江索思科技有限公司 | 一种工业园区大气质量智能分析方法及系统 |
| CN116011317A (zh) * | 2022-11-29 | 2023-04-25 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531030A (zh) * | 2019-08-16 | 2019-12-03 | 北京慧辰资道资讯股份有限公司 | 一种基于物联网大数据大气污染物分析的方法及装置 |
| 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 |
| CN111814111A (zh) * | 2020-05-25 | 2020-10-23 | 南京大学环境规划设计研究院股份公司 | 一种工业园区大气污染物溯源方法 |
| CN112749478A (zh) * | 2020-12-11 | 2021-05-04 | 江苏汇环环保科技有限公司 | 一种基于高斯扩散模型大气污染溯源扩散分析系统及方法 |
-
2021
- 2021-11-04 CN CN202111301522.1A patent/CN114121169A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531030A (zh) * | 2019-08-16 | 2019-12-03 | 北京慧辰资道资讯股份有限公司 | 一种基于物联网大数据大气污染物分析的方法及装置 |
| 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 |
| CN111814111A (zh) * | 2020-05-25 | 2020-10-23 | 南京大学环境规划设计研究院股份公司 | 一种工业园区大气污染物溯源方法 |
| CN112749478A (zh) * | 2020-12-11 | 2021-05-04 | 江苏汇环环保科技有限公司 | 一种基于高斯扩散模型大气污染溯源扩散分析系统及方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114858976A (zh) * | 2022-04-27 | 2022-08-05 | 浙江索思科技有限公司 | 一种工业园区大气质量智能分析方法及系统 |
| CN116011317A (zh) * | 2022-11-29 | 2023-04-25 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
| CN116011317B (zh) * | 2022-11-29 | 2023-12-08 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298560B (zh) | 一种大气污染排放控制效果的评估方法、装置及存储介质 | |
| CN109886830B (zh) | 一种基于用户投诉信息的供水管网污染源追踪定位方法 | |
| CN114121169A (zh) | 一种基于深度学习的化工园区VOCs污染溯源方法 | |
| Calafat et al. | Trends in Europe storm surge extremes match the rate of sea-level rise | |
| Hall et al. | Comparison of two random-effects methods of meta-analysis. | |
| Salcedo et al. | Time-series analysis of air pollution data | |
| CN110728320B (zh) | 一种基于自编码和聚类结合的水质监测预警方法及系统 | |
| CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
| JP6845126B2 (ja) | 故障確率算出装置、故障確率算出方法及びプログラム | |
| CN114324747B (zh) | 广域碳排放实时监测方法及系统 | |
| Sancho et al. | New methodology to determine air quality in urban areas based on runs rules for functional data | |
| Van et al. | A new model of air quality prediction using lightweight machine learning | |
| CN117709557A (zh) | 一种基于能耗数据估算企业碳排放量的方法 | |
| CN117538491A (zh) | 一种站房空气质量智能监测方法及系统 | |
| CN116776073B (zh) | 一种污染物浓度的评估方法和装置 | |
| CN109085100B (zh) | 污染物浓度的确定方法及装置 | |
| CN116907764B (zh) | 脱硫设备气密性检测方法、装置、设备及存储介质 | |
| CN116823067A (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
| CN115856232A (zh) | 畜禽舍臭气浓度确定方法、装置、电子设备及存储介质 | |
| CN116150693A (zh) | 氢燃料电池发动机安全性评估方法、装置、设备及存储介质 | |
| CN114235652A (zh) | 烟尘颗粒浓度异常识别方法、装置、存储介质及设备 | |
| CN113762642A (zh) | 基于bo-emd-lstm深度学习算法的教室空气质量预测方法 | |
| Seifi et al. | Detection of Sensor-to-Sensor Variations Using Explainable AI | |
| CN116522166B (zh) | 一种基于大数据的空气污染监测系统 | |
| CN113822580B (zh) | 一种设备工况评估方法以及相关设备 |
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 |