CN114858976A - 一种工业园区大气质量智能分析方法及系统 - Google Patents
一种工业园区大气质量智能分析方法及系统 Download PDFInfo
- Publication number
- CN114858976A CN114858976A CN202210457832.0A CN202210457832A CN114858976A CN 114858976 A CN114858976 A CN 114858976A CN 202210457832 A CN202210457832 A CN 202210457832A CN 114858976 A CN114858976 A CN 114858976A
- Authority
- CN
- China
- Prior art keywords
- monitoring point
- air quality
- analysis
- industrial park
- monitoring
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 93
- 238000012544 monitoring process Methods 0.000 claims abstract description 146
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 66
- 231100000719 pollutant Toxicity 0.000 claims abstract description 66
- 238000009792 diffusion process Methods 0.000 claims abstract description 49
- 239000000126 substance Substances 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- 239000012855 volatile organic compound Substances 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000003915 air pollution Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000010419 fine particle Substances 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 6
- 239000000356 contaminant Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 150000002013 dioxins Chemical class 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
- G01N33/0065—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means using more than one threshold
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明提供一种工业园区大气质量智能分析方法，包括确定工业园区及分析时段；获取工业园区内所有预设的监测点在分析时段上监测到的污染物的浓度、排放位置、排放量和化学成分，以绘制出监测数据的变化曲线；获取气象数据，并结合各监测点的污染物的浓度、排放位置、排放量和化学成分，通过预先训练好的大气扩散模型进行处理，以得到污染源扩散仿真曲线；将污染源扩散仿真曲线与监测数据的变化曲线进行对比，迭代出污染源扩散规则，以推算出每一监测点的实际排放量及额外排放量的来源。实施本发明，不仅能实现园区VOCs污染溯源，还能从工业园治理措施角度进行数据智能分析，以实现对关键污染物预报预警、应急疏导辅助决策、综合治理等场景的支撑。
Description
技术领域
本发明涉及大气污染处理技术领域和计算机技术领域，尤其涉及一种工业园区大气质量智能分析方法及系统。
背景技术
近些年，国家和各级政府开始重点关注挥发性有机污染物、二噁英的监测和治理，但是对工业园区不同类型的特征污染物监管还较为薄弱。大气污染物监测的水平亟待提高，工业园区的智慧监测研发，大力实施区域大气污染联防联控技术非常关键。
我国在开展工业园关键污染物智慧分析方面还有待进一步研究与实践。目前，大多系统采用了源解析模型、EKMA(Empirical Kinetics Modeling Approach，经验动力学模拟方法)曲线模型、大气扩散模型等实现了对空气质量综合统计分析、污染传输分析等。虽然以初具规模，但是此类业务分析系统：1)并未与计算机人工智能、机器学习等技术进行有机整合来达到更加精准、智能、全面的业务需求(如未将污染源解析、源强计算、污染源扩散预测、神经网络系统分析、多元统计分析、机器学习分析等技术进行分步结合)，在工园区的突发性VOCs(volatile organic compounds，挥发性有机物)污染事件中，VOCs污染溯源方法较少且很难达到预期的效果，根本就无法满足溯源的需要。2)并未站在工业园治理措施角度进行数据分析(如未进行预警的归因分析、智能调控建议分析等)。
因此，有必要提出一种工业园区大气质量智能分析方法，不仅能实现园区VOCs污染溯源，还能从工业园治理措施角度进行数据智能分析，以实现对关键污染物预报预警、应急疏导辅助决策、综合治理等场景的支撑。
发明内容
本发明实施例所要解决的技术问题在于，提供一种工业园区大气质量智能分析方法及系统，不仅能实现园区VOCs污染溯源，还能从工业园治理措施角度进行数据智能分析，以实现对关键污染物预报预警、应急疏导辅助决策、综合治理等场景的支撑。
为了解决上述技术问题，本发明实施例提供了一种工业园区大气质量智能分析方法，所述方法包括以下步骤：
确定工业园区及分析时段；
获取所述工业园区内所有预设的监测点在所述分析时段上监测到的污染物的浓度、排放位置、排放量和化学成分，以绘制出监测数据的变化曲线；
获取所述分析时段所对应的气象数据，并结合各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，通过预先训练好的大气扩散模型进行处理，以得到污染源扩散仿真曲线；
将所述污染源扩散仿真曲线与所述监测数据的变化曲线进行对比，迭代得出污染源扩散规则，并结合每一监测点监测到的污染物的浓度和气象数据，推算出每一监测点的实际排放量以及额外排放量的来源。
其中，所述方法进一步包括：
根据各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，计算出各监测点的空气质量分指数，且进一步基于各监测点的空气质量分指数，计算出各监测点的空气质量指数。
其中，所述方法进一步包括：
根据各监测点的空气质量指数，确定各监测点的空气污染等级，且进一步根据各监测点的空气污染等级，进行预警。
其中，所述方法进一步包括：
根据预定的距离阈值，确定各监测点的邻近区域，并进一步提取各监测点的邻近区域在所述分析时段上的污染物的浓度、排放位置、排放量和化学成分；
将各监测点的邻近区域在所述分析时段上的污染物的浓度、排放位置、排放量和化学成分以及对应的气象数据，导入预先训练好的空气质量预测模型中，预测出各监测点的未来空气质量指数。
其中，所述空气质量预测模型是基于所述气象数据中的风向和监测点邻近区域的空间特征而构建的神经网络模型；其中，所述神经网络模型为MLR多元线性回归模型或SVR支持向量回归模型。
其中，所述化学成分包括空气六参数、氨气、H2S、Cl2、VOCs及工业园区特征关键污染物；其中，空气六参数包括细颗粒物、可吸入颗粒物、SO2、NO2、O3、CO。
本发明实施例还提供了一种工业园区大气质量智能分析系统，包括：
分析指定单元，用于确定工业园区及分析时段；
监测数据变化曲线绘制单元，用于获取所述工业园区内所有预设的监测点在所述分析时段上监测到的污染物的浓度、排放位置、排放量和化学成分，以绘制出监测数据的变化曲线；
污染源扩散仿真曲线获取单元，用于获取所述分析时段所对应的气象数据，并结合各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，通过预先训练好的大气扩散模型进行处理，以得到污染源扩散仿真曲线；
污染溯源单元，用于将所述污染源扩散仿真曲线与所述监测数据的变化曲线进行对比，迭代得出污染源扩散规则，并结合每一监测点监测到的污染物的浓度和气象数据，推算出每一监测点的实际排放量以及额外排放量的来源。
其中，还包括：
空气质量评价单元，用于根据各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，计算出各监测点的空气质量分指数，且进一步基于各监测点的空气质量分指数，计算出各监测点的空气质量指数。
其中，还包括：
污染等级预警单元，用于根据各监测点的空气质量指数，确定各监测点的空气污染等级，且进一步根据各监测点的空气污染等级，进行预警。
其中，还包括：
未来空气质量预测单元，用于根据预定的距离阈值，确定各监测点的邻近区域，并进一步提取各监测点的邻近区域在所述分析时段上的污染物的浓度、排放位置、排放量和化学成分；
将各监测点的邻近区域在所述分析时段上的污染物的浓度、排放位置、排放量和化学成分以及对应的气象数据，导入预先训练好的空气质量预测模型中，预测出各监测点的未来空气质量指数。
实施本发明实施例，具有如下有益效果：
1、本发明通过获取工业园区内所有预设的监测点在所述分析时段上监测到的污染物的浓度、排放位置、排放量和化学成分，绘制监测数据的变化曲线，并将该监测数据的变化曲线与大气扩散模型推导的污染源扩散仿真曲线进行对比，迭代得出污染源扩散规则，并结合每一监测点监测到的污染物的浓度和气象数据，推算出每一监测点的实际排放量以及额外排放量的来源，从而实现园区VOCs污染溯源；
2、本发明根据各监测点在分析时段上的污染物的浓度、排放位置、排放量和化学成分，计算出各监测点的空气质量指数进行空气质量评价，并根据各监测点的空气质量指数，确定空气污染等级进行预警，同时还基于监测点邻近区域的空间特征而构建的空气质量预测模型，预测出各监测点的未来空气质量指数，从而实现从工业园治理措施角度进行数据智能分析，以达到对关键污染物预报预警、应急疏导辅助决策、综合治理等场景的支撑目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种工业园区大气质量智能分析方法的流程图；
图2为本发明实施例提供的一种工业园区大气质量智能分析方法中预测所得未来24\48\72小时空气质量值的对比图；
图3为本发明实施例提供的一种工业园区大气质量智能分析系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提出的一种工业园区大气质量智能分析方法，所述方法包括以下步骤：
步骤S1、确定工业园区及分析时段；
步骤S2、获取所述工业园区内所有预设的监测点在所述分析时段上监测到的污染物的浓度、排放位置、排放量和化学成分，以绘制出监测数据的变化曲线；
步骤S3、获取所述分析时段所对应的气象数据，并结合各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，通过预先训练好的大气扩散模型进行处理，以得到污染源扩散仿真曲线；
步骤S4、将所述污染源扩散仿真曲线与所述监测数据的变化曲线进行对比，迭代得出污染源扩散规则，并结合每一监测点监测到的污染物的浓度和气象数据，推算出每一监测点的实际排放量以及额外排放量的来源。
具体过程为，在步骤S1中，指定待分析的工业园区及分析时段(如连续一个月)。
在步骤S2中，首先，从历史数据中，提取工业园区内所有预设的监测点在上述同一分析时段(如3月中连续30天)上监测参数，如污染物的浓度、排放位置、排放量和化学成分等等；其中，化学成分包括但不限于空气六参数(包括细颗粒物、可吸入颗粒物、SO2、NO2、O3、CO等)、氨气、H2S、Cl2、VOCs及工业园区特征关键污染物；其次，根据上述提取的各项参数，绘制出监测数据的变化曲线。
在步骤S3中，首先，获取上述分析时段所对应的气象数据，气象数据包括但不限于风速、风向、温度、湿度、日照量和降水量等；其次，将上述分析时段所对应的气象数据和各监测点在该分析时段上的污染物的浓度、排放位置、排放量和化学成分导入预先训练好的大气扩散模型进行处理；其中，大气扩散模型是基于深度学习算法构建得到的，并通过历史数据进行训练和测试，且该大气扩散模型中污染物排放位置、排放量、化学成分及气象数据作为输入因子，污染源扩散数据作为输出因子；最后，根据大气扩散模型输出数据，绘制出污染源扩散仿真曲线。
在步骤S4中，首先，将污染源扩散仿真曲线与述监测数据的变化曲线进行对比，迭代得出合理的参数值，并根据迭代所得的参数值，确定污染源扩散规则；其次，将污染源扩散规则与每一监测点监测到的污染物的浓度和气象数据进行结合，推算出每一监测点的实际排放量以及额外排放量的来源，从而将结果存储推送到治理系统开展后续工作。
由此可见，本发明实施例是同提取同一分析时段上各监测点的污染物的浓度与距离、排放位置、排放量、风速、降水、湿度、温度的关系溯源顶层监测点。
在本发明实施例中，还实现对空气质量的评价，具体步骤如下：
将各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，通过以下公式(1)计算出各监测点的空气质量分指数；
污染物P的空气质量分指数：
公式中：
IAQIp：污染物P的空气质量分指数：
Cp：污染物P的浓度值(SO2、NO2、PM10和CO采用日均浓度值，O3采用日-1小时浓度最大值或日-8小时浓度最大值，对于城市区域为多测点的日均浓度值；
BPHi：与Cp相近的污染物与浓度限值的高位值；
BPL0：与Cp相近的污染物与浓度限值的低位值；
IAQIHi：与BPHi对应的空气质量分指数；
IAQIL0：与BPL0对应的空气质量分指数。
更进一步的，基于各监测点的空气质量分指数，通过以下公式(2)计算出各监测点的空气质量指数。
AQI＝max(IAQI1,IAQI2,IAQI3,......，IAQIn)
公式中：
IAQI：空气质量分指数；
n：污染物项目。
在本发明实施例中，还实现对空气污染等级的预警，具体步骤如下：
根据各监测点的空气质量指数，确定各监测点的空气污染等级，且进一步根据各监测点的空气污染等级，进行预警。
例如，预警等级(中度污染、重度污染、严重污染)与颜色(红色、紫色、褐红色)进行对应，并提出相应的处理措施建议。
在本发明实施例中，还实现对未来空气质量的预测，具体步骤如下：
首先，根据预定的距离阈值，确定各监测点的邻近区域，并进一步提取各监测点的邻近区域在分析时段上的污染物的浓度、排放位置、排放量和化学成分；
其次，将各监测点的邻近区域在分析时段上的污染物的浓度、排放位置、排放量和化学成分以及对应的气象数据，导入预先训练好的空气质量预测模型中，预测出各监测点的未来空气质量指数。其中，空气质量预测模型是基于气象数据中的风向和监测点邻近区域的空间特征而构建的神经网络模型；其中，神经网络模型为MLR多元线性回归模型(包括MLR(BGD)、MLR(SGD)、MLR(MBGD))或SVR支持向量回归模型。
在一个例子中，空气质量系统输出未来24\48\72小时的空气质量值，输出值结构化存储到数据库。数据字段有：时间、空气质量值，如图2所示。
综上，本发明实施例监测得到的数据，利用神经网络系统、机器学习等工具，结合多元统计分析等智能分析模型及算法，对各项污染物空间分布、污染物总量核算、源解析、源强计算、污染源扩散预测等进行分析计算，并根据相关空气质量标准和污染物排放标准，对各项数据进行比较分析，实现了对大气污染的动态源解析、立体监预报预警等技术模块综合集成智能分析的装备。实现了污染的多维度深度剖析理解，进一步满足了工业园关键污染物预报预警、应急疏导辅助决策、综合治理等场景的实施需求
如图3所示，为本发明实施例中，提出的一种工业园区大气质量智能分析系统，包括：
分析指定单元110，用于确定工业园区及分析时段；
监测数据变化曲线绘制单元120，用于获取所述工业园区内所有预设的监测点在所述分析时段上监测到的污染物的浓度、排放位置、排放量和化学成分，以绘制出监测数据的变化曲线；
污染源扩散仿真曲线获取单元130，用于获取所述分析时段所对应的气象数据，并结合各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，通过预先训练好的大气扩散模型进行处理，以得到污染源扩散仿真曲线；
污染溯源单元140，用于将所述污染源扩散仿真曲线与所述监测数据的变化曲线进行对比，迭代得出污染源扩散规则，并结合每一监测点监测到的污染物的浓度和气象数据，推算出每一监测点的实际排放量以及额外排放量的来源。
其中，还包括：
空气质量评价单元，用于根据各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，计算出各监测点的空气质量分指数，且进一步基于各监测点的空气质量分指数，计算出各监测点的空气质量指数。
其中，还包括：
污染等级预警单元，用于根据各监测点的空气质量指数，确定各监测点的空气污染等级，且进一步根据各监测点的空气污染等级，进行预警。
其中，还包括：
未来空气质量预测单元，用于根据预定的距离阈值，确定各监测点的邻近区域，并进一步提取各监测点的邻近区域在所述分析时段上的污染物的浓度、排放位置、排放量和化学成分；
将各监测点的邻近区域在所述分析时段上的污染物的浓度、排放位置、排放量和化学成分以及对应的气象数据，导入预先训练好的空气质量预测模型中，预测出各监测点的未来空气质量指数。
实施本发明实施例，具有如下有益效果：
1、本发明通过获取工业园区内所有预设的监测点在所述分析时段上监测到的污染物的浓度、排放位置、排放量和化学成分，绘制监测数据的变化曲线，并将该监测数据的变化曲线与大气扩散模型推导的污染源扩散仿真曲线进行对比，迭代得出污染源扩散规则，并结合每一监测点监测到的污染物的浓度和气象数据，推算出每一监测点的实际排放量以及额外排放量的来源，从而实现园区VOCs污染溯源；
2、本发明根据各监测点在分析时段上的污染物的浓度、排放位置、排放量和化学成分，计算出各监测点的空气质量指数进行空气质量评价，并根据各监测点的空气质量指数，确定空气污染等级进行预警，同时还基于监测点邻近区域的空间特征而构建的空气质量预测模型，预测出各监测点的未来空气质量指数，从而实现从工业园治理措施角度进行数据智能分析，以达到对关键污染物预报预警、应急疏导辅助决策、综合治理等场景的支撑目的。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种工业园区大气质量智能分析方法，其特征在于，所述方法包括以下步骤：
确定工业园区及分析时段；
获取所述工业园区内所有预设的监测点在所述分析时段上监测到的污染物的浓度、排放位置、排放量和化学成分，以绘制出监测数据的变化曲线；
获取所述分析时段所对应的气象数据，并结合各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，通过预先训练好的大气扩散模型进行处理，以得到污染源扩散仿真曲线；
将所述污染源扩散仿真曲线与所述监测数据的变化曲线进行对比，迭代得出污染源扩散规则，并结合每一监测点监测到的污染物的浓度和气象数据，推算出每一监测点的实际排放量以及额外排放量的来源。
2.如权利要求1所述的工业园区大气质量智能分析方法，其特征在于，所述方法进一步包括：
根据各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，计算出各监测点的空气质量分指数，且进一步基于各监测点的空气质量分指数，计算出各监测点的空气质量指数。
3.如权利要求2所述的工业园区大气质量智能分析方法，其特征在于，所述方法进一步包括：
根据各监测点的空气质量指数，确定各监测点的空气污染等级，且进一步根据各监测点的空气污染等级，进行预警。
4.如权利要求1所述的工业园区大气质量智能分析方法，其特征在于，所述方法进一步包括：
根据预定的距离阈值，确定各监测点的邻近区域，并进一步提取各监测点的邻近区域在所述分析时段上的污染物的浓度、排放位置、排放量和化学成分；
将各监测点的邻近区域在所述分析时段上的污染物的浓度、排放位置、排放量和化学成分以及对应的气象数据，导入预先训练好的空气质量预测模型中，预测出各监测点的未来空气质量指数。
5.如权利要求4所述的工业园区大气质量智能分析方法，其特征在于，所述空气质量预测模型是基于所述气象数据中的风向和监测点邻近区域的空间特征而构建的神经网络模型；其中，所述神经网络模型为MLR多元线性回归模型或SVR支持向量回归模型。
6.如权利要求1-5中任一项所述的工业园区大气质量智能分析方法，其特征在于，所述化学成分包括空气六参数、氨气、H2S、Cl2、VOCs及工业园区特征关键污染物；其中，空气六参数包括细颗粒物、可吸入颗粒物、SO2、NO2、O3、CO。
7.一种工业园区大气质量智能分析系统，其特征在于，包括：
分析指定单元，用于确定工业园区及分析时段；
监测数据变化曲线绘制单元，用于获取所述工业园区内所有预设的监测点在所述分析时段上监测到的污染物的浓度、排放位置、排放量和化学成分，以绘制出监测数据的变化曲线；
污染源扩散仿真曲线获取单元，用于获取所述分析时段所对应的气象数据，并结合各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，通过预先训练好的大气扩散模型进行处理，以得到污染源扩散仿真曲线；
污染溯源单元，用于将所述污染源扩散仿真曲线与所述监测数据的变化曲线进行对比，迭代得出污染源扩散规则，并结合每一监测点监测到的污染物的浓度和气象数据，推算出每一监测点的实际排放量以及额外排放量的来源。
8.如权利要求7所述的工业园区大气质量智能分析系统，其特征在于，还包括：
空气质量评价单元，用于根据各监测点所述分析时段上的污染物的浓度、排放位置、排放量和化学成分，计算出各监测点的空气质量分指数，且进一步基于各监测点的空气质量分指数，计算出各监测点的空气质量指数。
9.如权利要求8所述的工业园区大气质量智能分析系统，其特征在于，还包括：
污染等级预警单元，用于根据各监测点的空气质量指数，确定各监测点的空气污染等级，且进一步根据各监测点的空气污染等级，进行预警。
10.如权利要求7所述的工业园区大气质量智能分析系统，其特征在于，还包括：
未来空气质量预测单元，用于根据预定的距离阈值，确定各监测点的邻近区域，并进一步提取各监测点的邻近区域在所述分析时段上的污染物的浓度、排放位置、排放量和化学成分；
将各监测点的邻近区域在所述分析时段上的污染物的浓度、排放位置、排放量和化学成分以及对应的气象数据，导入预先训练好的空气质量预测模型中，预测出各监测点的未来空气质量指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210457832.0A CN114858976A (zh) | 2022-04-27 | 2022-04-27 | 一种工业园区大气质量智能分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210457832.0A CN114858976A (zh) | 2022-04-27 | 2022-04-27 | 一种工业园区大气质量智能分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114858976A true CN114858976A (zh) | 2022-08-05 |
Family
ID=82633502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210457832.0A Pending CN114858976A (zh) | 2022-04-27 | 2022-04-27 | 一种工业园区大气质量智能分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114858976A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115184228A (zh) * | 2022-09-08 | 2022-10-14 | 江西珉轩智能科技有限公司 | 一种基于机器学习的安全态势感知方法及系统 |
| CN115639326A (zh) * | 2022-11-14 | 2023-01-24 | 西安圆方环境卫生检测技术有限公司 | 一种用于工业区大气环境监测管理系统及方法 |
| CN116148951A (zh) * | 2023-02-23 | 2023-05-23 | 中科三清科技有限公司 | 空气目标污染物组分预报模型训练方法、预报方法及装置 |
| CN116562712A (zh) * | 2023-06-29 | 2023-08-08 | 内江师范学院 | 一种用于预测空气质量的系统和方法 |
| CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
| CN117310101A (zh) * | 2023-10-31 | 2023-12-29 | 湖北凌创环保有限公司 | 一种大气污染物浓度监测系统 |
| CN117524354A (zh) * | 2024-01-05 | 2024-02-06 | 北京佳华智联科技有限公司 | 一种化工区域的空气污染溯源方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488316A (zh) * | 2014-09-17 | 2016-04-13 | 日本电气株式会社 | 用于预测空气质量的系统和方法 |
| CN114121169A (zh) * | 2021-11-04 | 2022-03-01 | 四川工商学院 | 一种基于深度学习的化工园区VOCs污染溯源方法 |
-
2022
- 2022-04-27 CN CN202210457832.0A patent/CN114858976A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488316A (zh) * | 2014-09-17 | 2016-04-13 | 日本电气株式会社 | 用于预测空气质量的系统和方法 |
| CN114121169A (zh) * | 2021-11-04 | 2022-03-01 | 四川工商学院 | 一种基于深度学习的化工园区VOCs污染溯源方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115184228A (zh) * | 2022-09-08 | 2022-10-14 | 江西珉轩智能科技有限公司 | 一种基于机器学习的安全态势感知方法及系统 |
| CN115639326A (zh) * | 2022-11-14 | 2023-01-24 | 西安圆方环境卫生检测技术有限公司 | 一种用于工业区大气环境监测管理系统及方法 |
| CN115639326B (zh) * | 2022-11-14 | 2023-11-03 | 西安圆方环境卫生检测技术有限公司 | 一种用于工业区大气环境监测管理系统及方法 |
| CN116148951A (zh) * | 2023-02-23 | 2023-05-23 | 中科三清科技有限公司 | 空气目标污染物组分预报模型训练方法、预报方法及装置 |
| CN116148951B (zh) * | 2023-02-23 | 2023-08-25 | 中科三清科技有限公司 | 空气目标污染物组分预报模型训练方法、预报方法及装置 |
| CN116562712A (zh) * | 2023-06-29 | 2023-08-08 | 内江师范学院 | 一种用于预测空气质量的系统和方法 |
| CN116562712B (zh) * | 2023-06-29 | 2023-09-19 | 内江师范学院 | 一种用于预测空气质量的系统和方法 |
| CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
| CN117129638B (zh) * | 2023-10-26 | 2024-01-12 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
| CN117310101A (zh) * | 2023-10-31 | 2023-12-29 | 湖北凌创环保有限公司 | 一种大气污染物浓度监测系统 |
| CN117524354A (zh) * | 2024-01-05 | 2024-02-06 | 北京佳华智联科技有限公司 | 一种化工区域的空气污染溯源方法及装置 |
| CN117524354B (zh) * | 2024-01-05 | 2024-03-29 | 北京佳华智联科技有限公司 | 一种化工区域的空气污染溯源方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114858976A (zh) | 一种工业园区大气质量智能分析方法及系统 | |
| CN110085281B (zh) | 一种基于特征污染因子源解析的环境污染溯源系统及方法 | |
| Jiao et al. | Prediction of air quality index based on LSTM | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
| CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
| CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及系统 | |
| CN115329682A (zh) | 一种基于多周期特征的lstm-svr地铁车站温度预测方法 | |
| Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
| Sharma et al. | Forecasting and prediction of air pollutants concentrates using machine learning techniques: the case of India | |
| Kang et al. | Fine dust forecast based on recurrent neural networks | |
| CN117669895A (zh) | 公路工程环境影响评估系统 | |
| Masoud et al. | A sensor-based data driven framework to investigate PM 2.5 in the greater Detroit area | |
| CN117332815A (zh) | 一种工业园区大气污染的预测方法及预测预警系统 | |
| CN116090710B (zh) | 一种企业排污许可的管理方法、系统、电子设备及介质 | |
| Sonu et al. | Linear regression based air quality data analysis and prediction using python | |
| Jing et al. | Research on urban air quality prediction based on ensemble learning of XGBoost | |
| Setianingrum et al. | Prophet model performance analysis for Jakarta air quality forecasting | |
| CN115587650A (zh) | 中短期分时段大气常规污染物多目标混合预测方法 | |
| CN115049097A (zh) | 集成aec和时空特征的工业园区pm2.5浓度预测方法 | |
| Ozdemir et al. | Prediction of tropospheric ozone concentration by employing artificial neural networks | |
| Dunea et al. | Comparing statistical and neural network approaches for urban air pollution time series analysis | |
| CN113552289B (zh) | 一种基于高斯模式的大气污染溯源方法 | |
| CN117349777B (zh) | 一种水环境在线监测数据真伪智能识别系统及方法 | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 |
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 |