CN115600919A - 用于对实时无组织排放定位与园区排放总量计算的方法 - Google Patents

用于对实时无组织排放定位与园区排放总量计算的方法 Download PDF

Info

Publication number
CN115600919A
CN115600919A CN202211136546.0A CN202211136546A CN115600919A CN 115600919 A CN115600919 A CN 115600919A CN 202211136546 A CN202211136546 A CN 202211136546A CN 115600919 A CN115600919 A CN 115600919A
Authority
CN
China
Prior art keywords
emission
data
value
source
meteorological
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.)
Granted
Application number
CN202211136546.0A
Other languages
English (en)
Other versions
CN115600919B (zh
Inventor
陆铭琛
黄红娟
黄青蓝
吴健
王博华
吴东玥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Lanchuang Intelligent Technology Co ltd
Original Assignee
Jiangsu Lanchuang Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Lanchuang Intelligent Technology Co ltd filed Critical Jiangsu Lanchuang Intelligent Technology Co ltd
Priority to CN202211136546.0A priority Critical patent/CN115600919B/zh
Publication of CN115600919A publication Critical patent/CN115600919A/zh
Application granted granted Critical
Publication of CN115600919B publication Critical patent/CN115600919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06F16/29—Geographical information databases
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

本发明公开了用于对实时无组织排放定位与园区排放总量计算的方法，包括：构建气象场，且消除所需前置数据的误差，前置数据包括微站数据和气象场数据，构建基于现有园区设施设备所在经纬度及气象场的虚拟网格，测算园区在有组织排放的情景下对监测站浓度的贡献值，构建拟合算法，在无组织排放的情景下，根据当前大气扩散情景下实时的贡献值与监测站真实值之间的差距，推导出可能进行无组织排放的点位，将真实点位与园区重点污染源企业污染排放末端监测数据相结合，即为该时段的园区排放总量。能够提供基于多种大气污染物扩散模型用于实时无组织排放定位与园区排放总量计算的方法，适用于园区的无组织排放点位、源强以及园区污染物排放总量的计算。

Description

用于对实时无组织排放定位与园区排放总量计算的方法
技术领域
本发明属于大气溯源领域，特别涉及用于对实时无组织排放定位与园区排放总量计算的方法。
背景技术
为加快推进工业园区(集中区)生态环境治理体系和治理能力现代化建设，进一步推动工业区绿色发展、高质量发展，严控高能耗高排放、严禁高污染不安全项目落地，完善工业区主要污染物排放总量控制措施，实现主要污染物排放浓度和总量“双管控”，确保工业区及其周边环境质量持续改善。
为满足污染物排放浓度及总量管控要求，本发明利用大气扩散与传输模型，结合排污单位分布信息、监测站点分布信息以及实时气象数据，具备实时无组织排放定位与园区排放总量计算能力。本发明的技术具有动态拟合功能，帮助区域环境管控人员及时调整管控措施降低总量超限问题。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种用于对实时无组织排放定位与园区排放总量计算的方法，能够提供基于多种大气污染物扩散模型用于实时无组织排放定位与园区排放总量计算的方法，适用于园区的无组织排放点位、源强以及园区污染物排放总量的计算。
技术方案：为实现上述目的，本发明的技术方案如下：
用于对实时无组织排放定位与园区排放总量计算的方法，包括以下步骤：
步骤一：构建气象场，且消除所需前置数据的误差；所述前置数据包括微站数据和气象场数据；
步骤二：构建基于现有园区设施设备所在经纬度及气象场的虚拟网格；所述虚拟网格中至少包括园区内各重点污染源企业坐标、监测站坐标、高程数据、气象数据；
步骤三：测算园区在有组织排放的情景下对监测站浓度的贡献值：
首先构建多种大气污染的扩散模型，并至少结合大气环境数据、园区下垫面、园区重点污染源企业污染排放末端监测数据，模拟当前情景下，各已知污染源对监测站点数据的贡献值；
步骤四：构建拟合算法：
在无组织排放的情景下，根据当前大气扩散情景下实时的贡献值与监测站真实值之间的差距，推导出可能进行无组织排放的点位；
给出各可能无组织排放点位的初步推算源强；
依次将可能进行无组织排放点位的信息带入扩散模型，以此为基础不断拟合修正，输出各个可能进行无组织排放点位的修正源强；
步骤五：筛选与计算：
结合各个重点污染源企业的用电工况、行业类型、排放特征等数据，从各可能点位中筛选出符合实际情况的真实点位，将真实点位与园区重点污染源企业污染排放末端监测数据相结合，即为该时段的园区排放总量。
进一步的，在步骤一中包括以下步骤：
a1：气象场构建：
利用园区中各监测站的气象参数与该城市的气象站进行数据比对，将各个监测站的气象数据输入设定的虚拟网格之中，并以此为基准按规定的格式编写扩散模型所需要的气象场，将气象场中的各类气象参数与城市气象站数据进行对比，若出现与城市气象站数据差距超过预设差值时，则将该点的气象数据替换为城市气象站数据；
a2：首先拟合一次多项式，再分别求出各项的相关系数，如果该项与因变量的相关性较小，则将其舍去，用剩下的变量继续进行拟合，则最后拟合的多项式为
Figure RE-GDA0003975225490000021
a3：对适合的数值进行中心压缩化的处理办法，其中自变量矩阵为：
Figure RE-GDA0003975225490000022
其因变量矩阵为：
Figure RE-GDA0003975225490000023
a4：分别提取一对变量元素O1、U1：
令：O1＝W11X1+W12X2+...+W1mXm＝W1 TX
U1＝P11Y1+P12Y2+...+P1mYm＝P1 TY
由两组变量矩阵α0和β0计算出第一对成分的得分向量：
Figure RE-GDA0003975225490000024
Figure RE-GDA0003975225490000025
将第一对成分的协方差用第一对成分的得分向量的内积来计算，将其转化为极值：
Figure RE-GDA0003975225490000031
a5：重复进行元素提取，但需要通过残差矩阵来代替α0、β0
记
Figure RE-GDA0003975225490000032
则残差矩阵
Figure RE-GDA0003975225490000033
若残差矩阵中β1中元素的绝对值近似值为0，则认为精度满足需求，否则不断重复以上步骤；
a6：通过舍一交叉验证法确定有效的元素，如果该元素有效，则继续提取有效元素，若已无有效元素则进行下一步；
a7：如果已经确定全部的有效元素，则可以构建：
Figure RE-GDA0003975225490000034
将ON＝WN1X1+WN2X2+WNKXK带入ω＝O1β0+O1β1+....，即可得出最终拟合的回归方程：
Z＝a+a1x1 n+a2x2 n+a3x3 n+.......+amxm n(m＝1，2，3，...)。
进一步的，在步骤二中包括以下步骤：
在步骤二中，构建基于现有园区设施设备所在经纬度及气象场的虚拟网格，用于衡量虚拟网格内的污染浓度状况，其公式为：
Figure RE-GDA0003975225490000035
之后根据Cx、Cy分别与α/2的大小比较，确定XW，YW的值，最后记新坐标为(XW， YW)；
式中：x，y分别表示监测站在虚拟网格中的具体坐标；α为该虚拟网格的步长；“[]”表示向下取整运算符。
进一步的，在步骤三中包括以下步骤：
园区重点污染源企业污染排放末端监测等数据进行单位转换传输给模型，模型根据当前构建的气象场，自动选定适合当前大气特征的污染物扩散计算模型，并结合模拟结论与实际情况，输出可信的模拟值，其具体处理方式为：
Figure RE-GDA0003975225490000041
式中：Cmat为换算后有组织排量(g/s)；cinital为初始排量(μg/m3)；μ为排口的气体流速(m/s)；d为排口半径(m)；
之后将换算后的浓度依次输入给各所需模型，得到各模型数据后开始进行多模式融合分析。
进一步的，其中多模式融合的数据拟合方法如下：
b1：使用GBDT算法对输出结果与实际浓度的相似度进行分析，并辅助选择出各污染物浓度相关特征，其具体流程为：
假设对于一个污染源数据x，被k个不同的模型进行拟算，其拟算值分别为F1(x)，F2(x)...FK(x)进行逻辑变换，判定其与真实值相近的程度，采用如下公式：
Figure RE-GDA0003975225490000042
之后确定其损失函数：
Figure RE-GDA0003975225490000043
最后将其求导，依次得到损失函数梯度：
Figure RE-GDA0003975225490000044
其中：pk(x)为结果为属于模型k模拟环境下的概率，yk为输入的样本数据的估计值；
b2：分析各个模型的损失函数梯度情况，区分原始模拟数据，选出各个模型的最优模拟情景，总的来说，筛选出的样本，越接近0的梯度越理想；
b3：重复以上情景，不断的筛选出适用于各个污染物的不同情景下的最优模拟情况，最终依次提取出各模型最优理论值，共同组成浓度模拟文件；
b4：将各最优解按照其坐标，依次将模拟数值写入园区的虚拟网格中，得出最符合当前气象条件下的，污染源对监测站点数据的贡献值αp。
进一步的，在步骤四中，构建污染物无组织排放拟合模型，包括以下步骤：
c1：结合预测浓度与真实浓度的关系以及当前的气象条件，采用以下公式，确定是否存在无组织排放，若存在则继续确定出较小的溯源范围；
Figure RE-GDA0003975225490000051
式中：αTBR表示监测站真实值，αp表示模型模拟值，αb表示背景浓度，k决定溯源模块是否启动，注意其中必有αTBR＞αp+αb，否则退回b1重新计算网格源强。
c2：若溯源模块启动，开始观测当前风向，若风向处在敏感风向θ内，则开始观测下风向站点在时间t内的k值的变化趋势，从而决定溯源起点；
Figure RE-GDA0003975225490000052
式中：λTBR表示真实网格距离，
Figure RE-GDA0003975225490000055
为当前时段分速均值，a为常数。
c3：判定大气稳定度：
通过不同的大气稳定度决定以监测站为起点的不同的溯源方位角度，根据风速情况以及k值浓度来确定溯源的距离，确定不同稳定度下的溯源角度和距离，确定溯源区块；
c4：根据以上的溯源区块开始挑选区块内可能存在无组织排放的企业，并提取该企业的虚拟网格坐标，依次计算出各个可疑企业的无组织排放基准源强：
Figure RE-GDA0003975225490000053
式中：Q为点源源强；σz，σy为大气扩散系数；y、h分别为受体的距离和高度；
c5：将求出的各基准源强，依次结合末端监测数据作为新输入项写入扩散模型，将模型输出值与监测数据值不断对比并不断校准无组织排放源强，通过计算污染源源强与实测值间的相对偏差，将此作为准确性的度量，最后输出各RAD值最小的无组织排放点的校准源强，其具体计算公式为：
Figure RE-GDA0003975225490000054
式中：RAD为多模式大气污染扩散模型K的平均相对偏差。
进一步的，在步骤五中，构建对可能存在无组织排放的点源筛选流程，从而确定出确切的无组织排放坐标与源强：
将拟算出的点源源强与点源位置和拟合完毕的源强数据，与企业用电、工艺等数据进行对比，筛选出合理的源强强度与点源坐标进行输出，其具体计算公式为：
Figure RE-GDA0003975225490000061
式中：KE为用电变化率，βtec为确定的工艺排放系数，Rb为该行业基础污染物排量，λ为可修改常数。
有益效果：本发明的优点如下：
1、本发明通过步骤一中的拟合方法很好地解决了由于微站数据不稳定，导致的回归函数可能存在非线性的因素，减小了微站的数据误差。
2、本发明通过多种扩散模型的自动化选择，集成了不同扩散模型的特色，保证了不同园区下垫面与气象条件下溯源与总量核算的稳定性、可靠性和普适性。
3、通过步骤四中提供的溯源算法，通过优化算法不断修正源排放强度使得模拟浓度不断逼近实测浓度，达到两者差异最小的极限，提高了模型的准确性。
附图说明
附图1为本发明的用于实时无组织排放定位与园区排放总量计算的方法整体流程框图；
附图2为本发明适用于某一园区的信息配置示意图；
附图3为本发明适用于某一园区的有组织排放污染点位对监测站浓度的贡献值的示意图；
附图4为本发明适用于某一园区定位无组织排放点源的位置。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如附图1所示，用于对实时无组织排放定位与园区排放总量计算的方法，基于多种大气污染物扩散模型，包括以下步骤：
步骤一：构建气象场，且消除所需前置数据的误差；所述前置数据包括微站数据和气象场数据；
步骤二：构建基于现有园区设施设备所在经纬度及气象场的虚拟网格；所述虚拟网格中至少包括园区内各重点污染源企业坐标、监测站坐标、园区内部的高程数据、园区的气象数据等；
步骤三：测算园区在有组织排放的情景下对监测站浓度的贡献值：
首先构建多种大气污染的扩散模型，并至少结合大气环境数据、园区下垫面、园区重点污染源企业污染排放末端监测数据，模拟当前情景下，各已知污染源对监测站点数据的贡献值；
步骤四：构建拟合算法：
在无组织排放的情景下，根据当前大气扩散情景下实时的贡献值与监测站真实值之间的差距，推导出可能进行无组织排放的点位；
给出各可能无组织排放点位的初步推算源强；
依次将可能进行无组织排放点位的信息带入扩散模型，以此为基础不断拟合修正，输出各个可能进行无组织排放点位的修正源强；
步骤五：筛选与计算：
结合各个重点污染源企业的用电工况、行业类型、排放特征等数据，从各可能点位中筛选出符合实际情况的真实点位，将真实点位与园区重点污染源企业污染排放末端监测数据相结合，即为该时段的园区排放总量。
系统中包括气象插值模块、监测站校准模块、多模型拟合模块、拟合算法模块以及筛选模块，需要说明的是：
气象插值模块：获取气象数据，将监测站、气象站的经纬度转换成虚拟网格坐标系以获取网格气象站数据；监测站校准模块：通过拟合方法对微站数据进行校准，减小微站的数据误差；多模型拟合模块：构建多种大气污染扩散模型；拟合算法模块：根据贡献值与监测站真实值之间的差距，以及当前大气扩散情景推导出可能进行无组织排放的点位，通过反演方程给出各可能无组织排放点的初步推算源强，之后依次将可能点信息带入扩散模型，以初步推算源强为基础不断拟合修正，输出各个可能点的修正源强；筛选模块：结合各个重点污染源企业的用电工况、行业类型、排放特征等数据，从各可能点中筛选出符合实际情况的真实点，将真实点与末端监测数据相结合，即为该时段的园区排放总量。
在步骤一中包括以下步骤：
a1：气象场构建：
利用园区中各监测站的气象参数与该城市的气象站进行数据比对，将各个监测站的气象数据输入设定的虚拟网格之中，并以此为基准按规定的格式编写扩散模型所需要的气象场，将气象场中的各类气象参数与城市气象站数据进行对比，若出现与城市气象站数据差距超过预设差值时，则将该点的气象数据替换为城市气象站数据；
基于监测站校准模块，消除所需前置数据的误差。包括微站数据的不准确性与气象场数据的不均衡性。需要说明的是，在此步骤校准微站数据时，并未使用传统的最优化算法，而是首先构造多项式，其次进行变量代换，将模型中非线性的成分转变为线性，之后利用偏相关系数去除对模型变化影响不大的项，即去除无关项，最后利用普通优化模型进行求解，若符合所需误差则输出，若未满足则重复上述流程。
a2：首先拟合一次多项式，再分别求出各项的相关系数，如果该项与因变量的相关性较小，则将其舍去，用剩下的变量继续进行拟合，则最后拟合的多项式为
Figure RE-GDA0003975225490000081
a3：对适合的数值进行中心压缩化的处理办法，其中自变量矩阵为：
Figure RE-GDA0003975225490000082
其因变量矩阵为：
Figure RE-GDA0003975225490000083
其中自变量矩阵为α0＝(α01，α02，...，α0k)n×k，其因变量矩阵为β0＝(β01，β02，...，β0k)n×q。
a4：提取元素，令o1为α0，p1为β0的第一个元素，求o1＝α0ω1，p1＝β0r1，然后分别求解两个方程
Figure RE-GDA0003975225490000084
分别提取一对变量元素O1、U1：
令：O1＝W11X1+W12X2+...+W1mXm＝W1 TX
U1＝P11Y1+P12Y2+...+P1mYm＝P1 TY
由两组变量矩阵α0和β0计算出第一对成分的得分向量：
Figure RE-GDA0003975225490000085
Figure RE-GDA0003975225490000086
将第一对成分的协方差用第一对成分的得分向量的内积来计算，将其转化为极值：
Figure RE-GDA0003975225490000087
a5：重复进行元素提取，但需要通过残差矩阵来代替α0、β0
记
Figure RE-GDA0003975225490000088
则残差矩阵
Figure RE-GDA0003975225490000089
若残差矩阵中β1中元素的绝对值近似值为0，则认为精度满足需求，否则不断重复以上步骤；
a6：通过舍一交叉验证法确定有效的元素，如果该元素有效，则继续提取有效元素，若已无有效元素则进行下一步；
a7：其中β0为Z的线性表达式，将z的值带入β0与原式进行比较，进行误差分析，若误差符合数据输出需求则输出，若不满足则令n＝n+1，继续重复以上步骤，直到符合需求。
如果已经确定全部的有效元素，则可以构建：
Figure RE-GDA0003975225490000091
将ON＝WN1X1+WN2X2+WNKXK带入ω＝O1β0+O1β1+....，即可得出最终拟合的回归方程：
Z＝a+a1x1n+a2x2n+a3x3n+.......+amxmn(m＝1，2，3，...)。
本发明中的拟合方法很好地解决了由于微站数据不稳定，导致的回归函数可能存在非线性的因素，减小了微站的数据误差。
a8：气象场构建：利用园区中各监测站的气象参数与该城市的气象站进行数据比对，进行初始场的校准。
在步骤二中包括以下步骤：
在步骤二中，构建基于现有园区设施设备所在经纬度及气象场的虚拟网格，用于衡量虚拟网格内的污染浓度状况，其公式为：
Figure RE-GDA0003975225490000092
之后根据Cx、Cy分别与α/2的大小比较，参照下表：
Figure RE-GDA0003975225490000093
确定XW，YW的值，最后记新坐标为(XW，YW)；例如，如果Cx、Cy≤α/2则记新坐标为(x-Cx，y-Cy)；若Cx、Cy≥α/2，则记新坐标为(x+Cx，y+Cy)。
式中：x，y分别表示监测站在虚拟网格中的具体坐标；α为该虚拟网格的步长；“[]”表示向下取整运算符。
在步骤三中包括以下步骤：
园区重点污染源企业污染排放末端监测等数据进行单位转换传输给模型，模型根据当前构建的气象场，自动选定适合当前大气特征的污染物扩散计算模型，并结合模拟结论与实际情况，输出可信的模拟值，其具体处理方式为：
Figure RE-GDA0003975225490000101
式中：Cmat为换算后有组织排量(g/s)；Cinital为初始排量(μg/m3)；μ为排口的气体流速(m/s)；d为排口半径(m)；
之后将换算后的浓度依次输入给各所需模型，得到各模型数据后开始进行多模式融合分析。
其中多模式融合的数据拟合方法如下：
b1：使用GBDT算法对输出结果与实际浓度的相似度进行分析，并辅助选择出各污染物浓度相关特征，其具体流程为：
假设对于一个污染源数据x，被k个不同的模型进行拟算，其拟算值分别为F1(x)，F2(x)...FK(x)进行逻辑变换，判定其与真实值相近的程度，采用如下公式：
Figure RE-GDA0003975225490000102
之后确定其损失函数：
Figure RE-GDA0003975225490000103
最后将其求导，依次得到损失函数梯度：
Figure RE-GDA0003975225490000104
其中：pk(x)为结果为属于模型k模拟环境下的概率，yk为输入的样本数据的估计值；
b2：分析各个模型的损失函数梯度情况，区分原始模拟数据，选出各个模型的最优模拟情景，总的来说，筛选出的样本，越接近0的梯度越理想；
b3：重复以上情景，不断的筛选出适用于各个污染物的不同情景下的最优模拟情况，最终依次提取出各模型最优理论值，共同组成浓度模拟文件；
b4：将各最优解按照其坐标，依次将模拟数值写入园区的虚拟网格中，得出最符合当前气象条件下的，污染源对监测站点数据的贡献值αp。
在步骤四中，基于拟合算法模块，根据贡献值与监测站真实值之间的差距，以及当前大气扩散情景推导出可能进行无组织排放的点位，通过反演方程给出各可能无组织排放点的初步推算源强，之后依次将可能点信息带入扩散模型，以初步推算源强为基础不断拟合修正，输出各个可能点的修正源强。其中，构建污染物无组织排放拟合模型，包括以下步骤：
c1：结合预测浓度与真实浓度的关系以及当前的气象条件，采用以下公式，确定是否存在无组织排放，若存在则继续确定出较小的溯源范围，以降低计算难度；
Figure RE-GDA0003975225490000111
式中：αTBR表示监测站真实值，αp表示模型模拟值，αb表示背景浓度，k决定溯源模块是否启动，注意其中必有αTBR＞αp+αb，否则退回b1重新计算网格源强。
c2：若溯源模块启动，开始观测当前风向，若风向处在敏感风向θ内，则开始观测下风向站点在时间t内的k值的变化趋势，从而决定溯源起点；
Figure RE-GDA0003975225490000112
式中：λTBR表示真实网格距离，
Figure RE-GDA0003975225490000113
为当前时段分速均值，a为常数。
c3：判定大气稳定度：
通过不同的大气稳定度决定以监测站为起点的不同的溯源方位角度，根据风速情况以及k值浓度来确定溯源的距离，确定不同稳定度下的溯源角度和距离，确定溯源区块；
其中大气稳定度的计算方法采用国标中推荐的修订帕斯奎尔分类法，将大气稳定度分为强不稳定、不稳定、弱不稳定、中性、较稳定和稳定六级。它们分别表示为A、B、C、D、E、F。确定等级时首先计算出太阳高度角并查出太阳辐射等级数，再由太阳辐射等级数与地面风速按表查找稳定等级。之后根据用户设定与实际现场情况，确定不同稳定度下的溯源角度和距离，确定溯源区块。
c4：根据以上的溯源区块开始挑选区块内可能存在无组织排放的企业，并提取该企业的虚拟网格坐标，依次计算出各个可疑企业的无组织排放基准源强：
Figure RE-GDA0003975225490000121
式中：Q为点源源强；σz，σy为大气扩散系数；y、h分别为受体的距离和高度；
c5：将求出的各基准源强，依次结合末端监测数据作为新输入项写入扩散模型，将模型输出值与监测数据值不断对比并不断校准无组织排放源强，通过计算污染源源强与实测值间的相对偏差，将此作为准确性的度量，最后输出各RAD值最小的无组织排放点的校准源强，其具体计算公式为：
Figure RE-GDA0003975225490000122
式中：RAD为多模式大气污染扩散模型K的平均相对偏差。
在步骤五中，基于筛选模块，结合各个重点污染源企业的用电工况、行业类型、排放特征等数据，从各可能点中筛选出符合实际情况的真实点，将真实点与末端监测数据相结合，即为该时段的园区排放总量。
构建对可能存在无组织排放的点源筛选流程，从而确定出确切的无组织排放坐标与源强：
将拟算出的点源源强与点源位置和拟合完毕的源强数据，与企业用电、工艺等数据进行对比，筛选出合理的源强强度与点源坐标进行输出，其具体计算公式为：
Figure RE-GDA0003975225490000123
式中：KE为用电变化率，βtec为确定的工艺排放系数，Rb为该行业基础污染物排量，λ为可修改常数。
最后与将全部无组织排放量与末端监测排量相加，即为园区排放总量。
如图2所示，展示了本发明适用于某一园区的信息配置示意图。其中，白色虚线框代表该园区虚拟网格的边界，该虚拟网格覆盖此园区内所有污染源与监测站点；黑色圆点代表园区内有组织排放污染源点位；黑色倒三角代表园区内监测站点的位置。
如图3所示，展示了模拟园区有组织排放污染点位对监测站浓度的贡献值。其中，黑色圆点代表园区内有组织排放污染源点位，贡献度以热力图的形式展示。
如图4所示，定位了园区内无组织排放的位置。其中最右边的黑色圆点为确切的无组织排队的点源位置。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.用于对实时无组织排放定位与园区排放总量计算的方法，其特征在于：包括以下步骤：
步骤一：构建气象场，且消除所需前置数据的误差；所述前置数据包括微站数据和气象场数据；
步骤二：构建基于现有园区设施设备所在经纬度及气象场的虚拟网格；所述虚拟网格中至少包括园区内各重点污染源企业坐标、监测站坐标、高程数据、气象数据；
步骤三：测算园区在有组织排放的情景下对监测站浓度的贡献值：
首先构建多种大气污染的扩散模型，并至少结合大气环境数据、园区下垫面、园区重点污染源企业污染排放末端监测数据，模拟当前情景下，各已知污染源对监测站点数据的贡献值；
步骤四：构建拟合算法：
在无组织排放的情景下，根据当前大气扩散情景下实时的贡献值与监测站真实值之间的差距，推导出可能进行无组织排放的点位；
给出各可能无组织排放点位的初步推算源强；
依次将可能进行无组织排放点位的信息带入扩散模型，以此为基础不断拟合修正，输出各个可能进行无组织排放点位的修正源强；
步骤五：筛选与计算：
结合各个重点污染源企业的用电工况、行业类型、排放特征等数据，从各可能点位中筛选出符合实际情况的真实点位，将真实点位与园区重点污染源企业污染排放末端监测数据相结合，即为该时段的园区排放总量。
2.根据权利要求1所述的用于对实时无组织排放定位与园区排放总量计算的方法，其特征在于：在步骤一中包括以下步骤：
a1：气象场构建：
利用园区中各监测站的气象参数与该城市的气象站进行数据比对，将各个监测站的气象数据输入设定的虚拟网格之中，并以此为基准按规定的格式编写扩散模型所需要的气象场，将气象场中的各类气象参数与城市气象站数据进行对比，若出现与城市气象站数据差距超过预设差值时，则将该点的气象数据替换为城市气象站数据；
a2：首先拟合一次多项式，再分别求出各项的相关系数，如果该项与因变量的相关性较小，则将其舍去，用剩下的变量继续进行拟合，则最后拟合的多项式为
Figure FDA0003852343270000011
a3：对适合的数值进行中心压缩化的处理办法，其中；自变量矩阵为：
Figure FDA0003852343270000012
其因变量矩阵为：
Figure FDA0003852343270000021
a4：分别提取一对变量元素O1、U1：
令：O1＝W11X1+W12X2+...+W1mXm＝W1 TX
U1＝P11Y1+P12Y2+...+P1mYm＝P1 TY
由两组变量矩阵α0和β0计算出第一对成分的得分向量：
Figure FDA0003852343270000022
Figure FDA0003852343270000023
将第一对成分的协方差用第一对成分的得分向量的内积来计算，将其转化为极值：
Figure FDA0003852343270000024
a5：重复进行元素提取，但需要通过残差矩阵来代替α0、β0
记
Figure FDA0003852343270000025
则残差矩阵
Figure FDA0003852343270000026
若残差矩阵中β1中元素的绝对值近似值为0，则认为精度满足需求，否则不断重复以上步骤；
a6：通过舍一交叉验证法确定有效的元素，如果该元素有效，则继续提取有效元素，若已无有效元素则进行下一步；
a7：如果已经确定全部的有效元素，则可以构建：
Figure FDA0003852343270000027
将ON＝WN1X1+WN2X2+WNKXK带入ω＝O1β0+O1β1+....，即可得出最终拟合的回归方程：
Z＝a+a1x1 n+a2x2 n+a3x3 n+.......+amxm n (m＝1,2,3,...)。
3.根据权利要求1所述的用于对实时无组织排放定位与园区排放总量计算的方法，其特征在于：在步骤二中包括以下步骤：
在步骤二中，构建基于现有园区设施设备所在经纬度及气象场的虚拟网格，用于衡量虚拟网格内的污染浓度状况，其公式为：
Figure FDA0003852343270000031
之后根据Cx、Cy分别与α/2的大小比较，确定XW，YW的值，最后记新坐标为(XW，YW)；
式中：x，y分别表示监测站在虚拟网格中的具体坐标；α为该虚拟网格的步长；“[]”表示向下取整运算符。
4.根据权利要求1所述的用于对实时无组织排放定位与园区排放总量计算的方法，其特征在于：在步骤三中包括以下步骤：
园区重点污染源企业污染排放末端监测等数据进行单位转换传输给模型，模型根据当前构建的气象场，自动选定适合当前大气特征的污染物扩散计算模型，并结合模拟结论与实际情况，输出可信的模拟值，其具体处理方式为：
Figure FDA0003852343270000032
式中：cmat为换算后有组织排量(g/s)；cinital为初始排量(μg/m3)；μ为排口的气体流速(m/s)；d为排口半径(m)；
之后将换算后的浓度依次输入给各所需模型，得到各模型数据后开始进行多模式融合分析。
5.根据权利要求4所述的用于对实时无组织排放定位与园区排放总量计算的方法，其特征在于：其中多模式融合的数据拟合方法如下：
b1：使用GBDT算法对输出结果与实际浓度的相似度进行分析，并辅助选择出各污染物浓度相关特征，其具体流程为：
假设对于一个污染源数据x，被k个不同的模型进行拟算，其拟算值分别为F1(x)，F2(x)…FK(x)进行逻辑变换，判定其与真实值相近的程度，采用如下公式：
Figure FDA0003852343270000033
之后确定其损失函数：
Figure FDA0003852343270000041
最后将其求导，依次得到损失函数梯度：
Figure FDA0003852343270000042
其中：pk(x)为结果为属于模型k模拟环境下的概率，yk为输入的样本数据的估计值；
b2：分析各个模型的损失函数梯度情况，区分原始模拟数据，选出各个模型的最优模拟情景，总的来说，筛选出的样本，越接近0的梯度越理想；
b3：重复以上情景，不断的筛选出适用于各个污染物的不同情景下的最优模拟情况，最终依次提取出各模型最优理论值，共同组成浓度模拟文件；
b4：将各最优解按照其坐标，依次将模拟数值写入园区的虚拟网格中，得出最符合当前气象条件下的，污染源对监测站点数据的贡献值αp。
6.根据权利要求5所述的用于对实时无组织排放定位与园区排放总量计算的方法，其特征在于：在步骤四中，构建污染物无组织排放拟合模型，包括以下步骤：
c1：结合预测浓度与真实浓度的关系以及当前的气象条件，采用以下公式，确定是否存在无组织排放，若存在则继续确定出较小的溯源范围；
Figure FDA0003852343270000043
式中：αTBR表示监测站真实值，αp表示模型模拟值，αb表示背景浓度，k决定溯源模块是否启动，注意其中必有αTBR>αp+αb，否则退回b1重新计算网格源强。
c2：若溯源模块启动，开始观测当前风向，若风向处在敏感风向θ内，则开始观测下风向站点在时间t内的k值的变化趋势，从而决定溯源起点；
Figure FDA0003852343270000044
式中：λTBR表示真实网格距离，
Figure FDA0003852343270000045
为当前时段分速均值，a为常数。
c3：判定大气稳定度：
通过不同的大气稳定度决定以监测站为起点的不同的溯源方位角度，根据风速情况以及k值浓度来确定溯源的距离，确定不同稳定度下的溯源角度和距离，确定溯源区块；
c4：根据以上的溯源区块开始挑选区块内可能存在无组织排放的企业，并提取该企业的虚拟网格坐标，依次计算出各个可疑企业的无组织排放基准源强：
Figure FDA0003852343270000051
式中：Q为点源源强；σz，σy为大气扩散系数；y、h分别为受体的距离和高度；
c5：将求出的各基准源强，依次结合末端监测数据作为新输入项写入扩散模型，将模型输出值与监测数据值不断对比并不断校准无组织排放源强，通过计算污染源源强与实测值间的相对偏差，将此作为准确性的度量，最后输出各RAD值最小的无组织排放点的校准源强，其具体计算公式为：
Figure FDA0003852343270000052
式中：RAD为多模式大气污染扩散模型K的平均相对偏差。
7.根据权利要求1所述的用于对实时无组织排放定位与园区排放总量计算的方法，其特征在于：在步骤五中，构建对可能存在无组织排放的点源筛选流程，从而确定出确切的无组织排放坐标与源强：
将拟算出的点源源强与点源位置和拟合完毕的源强数据，与企业用电、工艺等数据进行对比，筛选出合理的源强强度与点源坐标进行输出，其具体计算公式为：
Figure FDA0003852343270000053
式中：KE为用电变化率，βtec为确定的工艺排放系数，Rb为该行业基础污染物排量，λ为可修改常数。
CN202211136546.0A 2022-09-19 2022-09-19 用于对实时无组织排放定位与园区排放总量计算的方法 Active CN115600919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211136546.0A CN115600919B (zh) 2022-09-19 2022-09-19 用于对实时无组织排放定位与园区排放总量计算的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211136546.0A CN115600919B (zh) 2022-09-19 2022-09-19 用于对实时无组织排放定位与园区排放总量计算的方法

Publications (2)

Publication Number Publication Date
CN115600919A true CN115600919A (zh) 2023-01-13
CN115600919B CN115600919B (zh) 2023-08-22

Family

ID=84843293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211136546.0A Active CN115600919B (zh) 2022-09-19 2022-09-19 用于对实时无组织排放定位与园区排放总量计算的方法

Country Status (1)

Country Link
CN (1) CN115600919B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116804666A (zh) * 2023-06-29 2023-09-26 杭州高鹏自动化系统有限公司 一种基于多路采集系统的烟气分析方法
CN117686669A (zh) * 2024-02-02 2024-03-12 北京市生态环境监测中心 一种无组织排放源网格化监测方法、装置、设备和介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110727717A (zh) * 2019-12-17 2020-01-24 北京英视睿达科技有限公司 网格化大气污染强度的监控方法、装置、设备和存储介质
CN110954658A (zh) * 2019-12-02 2020-04-03 上海宝钢工业技术服务有限公司 工业园区挥发性有机物网格化溯源调查的方法
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
CN113624921A (zh) * 2021-08-04 2021-11-09 杭州谱育科技发展有限公司 多模式综合污染溯源方法
CN114155129A (zh) * 2021-11-29 2022-03-08 中科三清科技有限公司 一种基于工业园区的大气环境溯评方法和系统
CN114371260A (zh) * 2022-01-17 2022-04-19 上海蓝科石化环保科技股份有限公司 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法
CN114662389A (zh) * 2022-03-22 2022-06-24 河南大学 面向空气污染物的自相关误差Informer模型长时序预测方法及系统
CN114757807A (zh) * 2022-06-13 2022-07-15 江苏省生态环境监测监控有限公司 多模式融合的大气污染物实际排放量在线核算方法
CN114818391A (zh) * 2022-06-28 2022-07-29 北京化工大学 一种基于多溯源模型的污染源浓度智能分析方法
CN114936957A (zh) * 2022-05-23 2022-08-23 福州大学 基于移动监测数据的城市pm25浓度分布模拟及场景解析模型

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110954658A (zh) * 2019-12-02 2020-04-03 上海宝钢工业技术服务有限公司 工业园区挥发性有机物网格化溯源调查的方法
CN110727717A (zh) * 2019-12-17 2020-01-24 北京英视睿达科技有限公司 网格化大气污染强度的监控方法、装置、设备和存储介质
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
CN113624921A (zh) * 2021-08-04 2021-11-09 杭州谱育科技发展有限公司 多模式综合污染溯源方法
CN114155129A (zh) * 2021-11-29 2022-03-08 中科三清科技有限公司 一种基于工业园区的大气环境溯评方法和系统
CN114371260A (zh) * 2022-01-17 2022-04-19 上海蓝科石化环保科技股份有限公司 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法
CN114662389A (zh) * 2022-03-22 2022-06-24 河南大学 面向空气污染物的自相关误差Informer模型长时序预测方法及系统
CN114936957A (zh) * 2022-05-23 2022-08-23 福州大学 基于移动监测数据的城市pm25浓度分布模拟及场景解析模型
CN114757807A (zh) * 2022-06-13 2022-07-15 江苏省生态环境监测监控有限公司 多模式融合的大气污染物实际排放量在线核算方法
CN114818391A (zh) * 2022-06-28 2022-07-29 北京化工大学 一种基于多溯源模型的污染源浓度智能分析方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BRERETON等: "Computationally effient quantifiation of unknown fugitive emissions sources", ATMOSPHERIC ENVIRONMENT *
WEI HUANG等: "An overview of air quality analysis by big data techniques: Monitoring, forecasting, and traceability", INFORMATION FUSION *
俞程: "移动污染源遥测网络优化部署方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑 *
杨关盈等: "安 徽地区多模式空气污染预报效果检验与订正", 气象与环境科学, vol. 44, no. 5 *
邓萌杰: "基于关联规则的大气污染数据挖掘分析与预测", 中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116804666A (zh) * 2023-06-29 2023-09-26 杭州高鹏自动化系统有限公司 一种基于多路采集系统的烟气分析方法
CN116804666B (zh) * 2023-06-29 2024-01-12 杭州高鹏自动化系统有限公司 一种基于多路采集系统的烟气分析方法
CN117686669A (zh) * 2024-02-02 2024-03-12 北京市生态环境监测中心 一种无组织排放源网格化监测方法、装置、设备和介质
CN117686669B (zh) * 2024-02-02 2024-04-23 北京市生态环境监测中心 一种无组织排放源网格化监测方法、装置、设备和介质

Also Published As

Publication number Publication date
CN115600919B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN115600919A (zh) 用于对实时无组织排放定位与园区排放总量计算的方法
CN114757807B (zh) 多模式融合的大气污染物实际排放量在线核算方法
CN111327377A (zh) 场强预测方法、装置、设备及存储介质
CN113624921B (zh) 多模式综合污染溯源方法
CN114547553B (zh) 二氧化碳排放量的反演方法、装置、设备及存储介质
CN114778767B (zh) 碳排放园区直接碳排放连续测量方法、装置、设备及介质
CN106376007B (zh) 一种基站覆盖性能定位方法及系统
CN110650436A (zh) 基于WiFi数据的位置指纹库建立与拟合方法
CN110502839B (zh) 基于bim平台的gis坐标与cad坐标转换方法
CN112270320B (zh) 一种基于卫星影像校正的输电线路杆塔坐标校准方法
CN110418283B (zh) 基于WiFi数据的位置指纹库创建方法
CN112052619B (zh) 空气污染粒子信息的优化方法、装置及电子设备
CN109682303A (zh) 基于bim技术的曲线pc轨道梁精密三维检测方法
CN113642223A (zh) 空气质量预报方法、装置、设备和计算机可读存储介质
CN116308958A (zh) 基于移动终端的碳排放在线检测预警系统及方法
CN116229289A (zh) 一种基于无人机的冬小麦生物量快速高精准估测方法
CN116071666A (zh) 一种基于高分辨率卫星影像的裸土扬尘源监测方法
CN105842245A (zh) 一种评估水稻产量的方法
CN107607492B (zh) 机动车尾气标准的检测方法及设备
CN116483938B (zh) 一种无级化地图表达方法及系统
CN115830476A (zh) 地形因子空间降尺度方法
CN115238327A (zh) 基于卫星监测的三维空间甲烷分布格局模拟方法
CN112637823B (zh) 一种基于蓝牙设备的层次渐进定位方法
CN114170427A (zh) 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法
CN114509777A (zh) 一种基于Cesium平台的输电工程实体验收方法

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
GR01 Patent grant
GR01 Patent grant