CN115858506A - 炼化环境空气清洁度预测方法、装置、电子设备及存储介质 - Google Patents
炼化环境空气清洁度预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115858506A CN115858506A CN202111122422.2A CN202111122422A CN115858506A CN 115858506 A CN115858506 A CN 115858506A CN 202111122422 A CN202111122422 A CN 202111122422A CN 115858506 A CN115858506 A CN 115858506A
- Authority
- CN
- China
- Prior art keywords
- data
- environment
- cleanliness
- air
- refining
- 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
- 230000003749 cleanliness Effects 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000007670 refining Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims description 12
- 239000000126 substance Substances 0.000 claims abstract description 106
- 230000007613 environmental effect Effects 0.000 claims abstract description 34
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 21
- 231100000719 pollutant Toxicity 0.000 claims abstract description 21
- 238000009792 diffusion process Methods 0.000 claims abstract description 19
- 230000001419 dependent effect Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 239000003570 air Substances 0.000 claims description 126
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 12
- 239000012080 ambient air Substances 0.000 claims description 10
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 6
- LSDPWZHWYPCBBB-UHFFFAOYSA-N Methanethiol Chemical compound SC LSDPWZHWYPCBBB-UHFFFAOYSA-N 0.000 claims description 6
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- WQOXQRCZOLPYPM-UHFFFAOYSA-N dimethyl disulfide Chemical compound CSSC WQOXQRCZOLPYPM-UHFFFAOYSA-N 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000000356 contaminant Substances 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 3
- QMMFVYPAHWMCMS-UHFFFAOYSA-N Dimethyl sulfide Chemical compound CSC QMMFVYPAHWMCMS-UHFFFAOYSA-N 0.000 claims description 3
- 229910021529 ammonia Inorganic materials 0.000 claims description 3
- QGJOPFRUJISHPQ-NJFSPNSNSA-N carbon disulfide-14c Chemical compound S=[14C]=S QGJOPFRUJISHPQ-NJFSPNSNSA-N 0.000 claims description 3
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000000796 flavoring agent Substances 0.000 claims 1
- 230000016776 visual perception Effects 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 13
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种炼化环境空气清洁度预测方法及装置，该方法包括如下步骤：A、基于环境敏感点的民调数据，计算当前环境清洁度；B、确定炼化异味物质排口以及各排口的特征污染物；C、采集环境敏感点的空气质量数据、风速风向数据以及异味物质的排放浓度数据；D、根据风速数据计算异味物质排口的异味物质扩散至环境敏感点的时间；E、将所述空气质量数据、风向数据、所述扩散的时间数据以及异味物质的排放浓度数据作为自变量，将当前环境清洁度作为因变量构建预测模型并对模型进行训练；F、通过训练后的模型对所述环境敏感点的空气清洁度进行预测。本发明可在空气质量达标的情况下，充分考虑公众对空气质量的直观感受，预测环境敏感点和异味相关的空气清洁度指标。
Description
技术领域
本发明涉及化工污染物治理技术领域，特别涉及一种炼化企业周边环境空气清洁度的预测方法及装置。
背景技术
目前对于炼化企业周边的空气质量的预测大多数是基于历史气象数据以及监测站点的空气质量数据来进行，部分方法纳入了企业固定源二氧化硫、氮氧化物、颗粒物指标。但现有技术中的方法仍然局限于仅对空气质量进行预测，即判断空气质量是否符合污染物的排放指标，空气质量评价的主要指标例如AQI。但对于炼化企业周边，即使空气质量达到了排放要求，在企业周边的敏感点，居民仍可能有异味的主观感受。而异味并非常规空气质量需要评价的内容。
仅利用气象因素来建立环境空气质量预测模型在实际应用中不能充分表达居民对环境空气的感受，导致前述方法仅能用于对空气质量进行预测，不能用于帮助企业提出合理的污染源管控措施来满足人民群众对清洁大气(即无异味的空气)的要求。例如，中国专利申请CN104751242A公开了一种预测空气质量指数的方法与装置。该方法包括以下步骤：根据待预测地理位置及当前时间，获取相应的预测模型；获取待预测地理位置的气象数据；以及根据气象数据，并基于预测模型进行运算处理，确定待预测地理位置在待预测时间的空气质量指数。该现有技术应用算法模型将气象数据纳入了算法模型的特征参数，对空气质量指数(即AQI)进行预测，但其预测的目标仍然仅仅是空气质量，虽然考虑了气象特征，但仍然没有预测异味的指标。
当前对于区域空气质量评估只考虑了环境空气质量监测点位的布设、大气污染物排放总量、环境空气质量总体状况等指标，没有考虑到公众对空气质量的直观感受，加上空气质量信息、污染源信息、对人群健康的影响信息公开不充分，导致居民对周围生活环境信息了解不足，只能通过政府管理部门发布的污染状况信息被动了解空气质量信息。公众无法判断空气质量评估结果的准确性，并且可能进一步导致公众的直观感受与空气质量评价结果不一致，不利于炼化企业树立绿色可持续发展的企业形象。
因此，亟需一种针对异味的空气清洁度指标的预测，通过将污染源异味物质排放指标、污染源数据的波动情况、企业周边风速、风向变化情况、炼化企业异味物质排口与周边环境敏感点的距离测算以及周边环境敏感点居民对于空气质量的反馈情况等纳入到预测模型中，通过这些相应的历史特征参数以及计算出的历史环境空气清洁度数据对模型进行训练，来实时预测周边环境敏感点的空气清洁度。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种炼化周边环境空气清洁度的预测方法及装置，可在空气质量达标的情况下，充分考虑公众对空气质量的直观感受，预测环境敏感点和异味相关的空气清洁度指标。
为实现上述目的，根据本发明的第一方面，本发明提供了一种炼化环境空气清洁度预测方法，包括如下步骤：A、基于环境敏感点的民调数据，计算当前环境清洁度；B、确定炼化异味物质排口以及各排口的特征污染物；C、采集环境敏感点的空气质量数据、风速风向数据以及异味物质的排放浓度数据；D、根据风速数据计算异味物质排口的异味物质扩散至环境敏感点的时间；E、将所述空气质量数据、风向数据、所述扩散的时间数据以及异味物质的排放浓度数据作为自变量，将当前环境清洁度作为因变量构建预测模型并对模型进行训练；F、通过训练后的模型对所述环境敏感点的空气清洁度进行预测。
进一步，上述技术方案中，民调数据可包括居民满意度调查结果和投诉结果。
进一步，上述技术方案中，计算当前环境清洁度可具体为：将居民满意度调查问卷划分为多个选项且每个选项划分为多个评定标准，并分别为每个选项赋值和权重，获取介于0至1之间每一份调查问卷的得分数据；根据投诉结果中的投诉类型数量、投诉位置的响应数量对每次投诉进行赋值；将调查问卷的得分数据与投诉赋值进行结合，计算得出当前环境清洁度的数据。
进一步，上述技术方案中，特征污染物包括但不限于：氨、三甲胺、硫化氢、甲硫醇、甲硫醚、二甲二硫、二硫化碳或苯乙烯等；异味物质可包括一种或多种特征污染物。
进一步，上述技术方案中，步骤D可具体为：测算每个环境敏感点与每个异味物质排口的距离；计算每个环境敏感点与所有异味物质排口的平均距离；通过该平均距离与风速数据计算异味物质扩散至环境敏感点的时间。
进一步，上述技术方案中，步骤D和步骤E之间还可包括将采集到的空气质量数据、风向数据、异味物质的排放浓度数据以及计算得到的异味物质扩散至环境敏感点的时间数据进行预处理。
进一步，上述技术方案中，预处理可包括：数据清理，其包括修复或删除异常数据值，并使用中位数补充缺失值；特征缩放，其为对数据进行归一化或标准化处理，消除每个自变量和因变量之间的量纲。
进一步，上述技术方案中，步骤F之后还可包括：根据环境敏感点的空气清洁度预测结果分析异味物质排放对环境敏感点的影响程度，并依据超标点位的位置信息进行校正。
进一步，上述技术方案中，预测模型可采用BP神经网络模型。
根据本发明的第二方面，本发明提供了一种炼化环境空气清洁度预测装置，包括：当前环境清洁度计算模块，用于基于环境敏感点的民调数据，计算当前环境清洁度；异味物质确定模块，用于确定炼化异味物质排口以及各排口的特征污染物；数据采集模块，用于采集环境敏感点的空气质量数据、风速风向数据以及异味物质的排放浓度数据；扩散时间计算模块，用于根据风速数据计算异味物质排口的异味物质扩散至环境敏感点的时间；模型构建训练模块，用于将空气质量数据、风向数据、扩散的时间数据以及异味物质的排放浓度数据作为自变量，将所述当前环境清洁度作为因变量构建预测模型并对所述模型进行训练；空气清洁度预测模块，用于通过训练后的模型对环境敏感点的空气清洁度进行预测。
进一步，上述技术方案中，该装置还可包括数据预处理模块，该数据预处理模块具体可包含：数据清理子模块，用于修复或删除异常数据值，并使用中位数补充缺失值；特征缩放子模块，用于对数据进行归一化或标准化处理，消除每个自变量和因变量之间的量纲。
进一步，上述技术方案中，该装置还可包括：超标点位校正模块，用于根据环境敏感点的空气清洁度预测结果分析异味物质排放对环境敏感点的影响程度，并依据超标点位的位置信息进行校正。
根据本发明的第三方面，本发明提供了一种炼化环境空气清洁度预测电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如前述的炼化环境空气清洁度预测方法。
根据本发明的第四方面，本发明提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行如前述的炼化环境空气清洁度预测方法。
与现有技术相比，本发明具有如下一个或多个有益效果：
1)本发明通过引入空气清洁度这一指标的预测，将现有技术中空气质量预测目标作为本发明的模型输入参数，而将炼化企业周边环境敏感点的居民的异味主观感受对应的空气清洁度作为本发明的的预测目标，可以在空气质量合格的情况下，通过预测和异味有关的空气清洁度，可根据周边居民的主观感受实现对异味物质排放进行管控；
2)本发明将采集的环境敏感点的空气质量数据、采集的气象数据、异味物质的排放浓度数据以及计算获取的异味物质扩散时间数据纳入到算法模型的特征参数中，测试表明，对于模型的预测准确性更高；
3)本发明通过增加对采集和计算得到的数据进行预处理，使得导入至算法模型的数据更为规整，提高运算效率；根据空气清洁度的预测结果可进一步对异味源头进行管控，及时进行校正。
上述说明仅为本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段并可依据说明书的内容予以实施，同时为了使本发明的上述和其他目的、技术特征以及优点更加易懂，以下列举一个或多个优选实施例，并配合附图详细说明如下。
附图说明
图1是本发明实施例1炼化环境空气清洁度预测方法的流程示意图。
图2是本发明实施例2炼化环境空气清洁度预测方法的流程示意图。
图3是本发明中环境敏感点和仪表监测点位布置示意图。
图4是本发明实施例3炼化环境空气清洁度预测装置的结构示意图。
图5是本发明实施例4炼化环境空气清洁度预测电子设备的结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其他明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其他元件或其他组成部分。
在本文中，为了描述的方便，可以使用空间相对术语，诸如“下面”、“下方”、“下”、“上面”、“上方”、“上”等，来描述一个元件或特征与另一元件或特征在附图中的关系。应理解的是，空间相对术语旨在包含除了在图中所绘的方向之外物件在使用或操作中的不同方向。例如，如果在图中的物件被翻转，则被描述为在其他元件或特征“下方”或“下”的元件将取向在元件或特征的“上方”。因此，示范性术语“下方”可以包含下方和上方两个方向。物件也可以有其他取向(旋转90度或其他取向)且应对本文使用的空间相对术语作出相应的解释。
在本文中，术语“第一”、“第二”等是用以区别两个不同的元件或部位，并不是用以限定特定的位置或相对关系。换言之，在一些实施例中，术语“第一”、“第二”等也可以彼此互换。
下面以具体实施例的方式更详细地说明本发明的方法、系统、电子设备及存储介质，应了解的是，实施例仅为示例性的，本发明并不以此为限。
本发明旨在通过炼化企业作业区域内安装的在线采集设备收集的企业异味物质排放浓度实时在线监测数据、环境敏感点附近的空气质量数据、风速、风向数据以及企业异味物质排口与环境敏感点的距离，结合周边居民的满意度信息采集结果，模拟出当前异味物质排放浓度情况可能会对周边环境敏感点造成的影响，并根据当前的产排污情况对未来一段时间内企业周边的环境空气清洁度进行模拟计算，实现对企业周边环境敏感点的全覆盖动态监测，解决在空气质量达标的情况下异味排放的问题，减少对企业周边环境敏感点的影响。本发明通过建立环境空气清洁度(即异味评价指标)预测模型，可计算出当前炼化企业周边的环境清洁度并对企业周边未来的环境清洁度进行预测，并与基于监测数据的评价结合，将居民可感知的空气质量评估结果与科学监测评估结果进行相互印证，填补了空气质量管理中公众回应性信息的缺失，精准防控大气污染事件的发生，实现企业的社会责任感。
实施例1
如图1所示，本实施例1的炼化环境空气清洁度预测方法包括如下步骤：
步骤S101，基于环境敏感点的民调数据，计算当前环境清洁度。具体地，本发明的环境敏感点是指炼化企业周边的学校、医院、村庄等。民调数据具体可以指居民满意度调查结果和投诉结果等。本发明可根据炼化企业周边居民区的分布特点，对居住区进行划分，实施网格化精细化管理，每个网格区域内都设定空气质量信息反馈站点，收集区域内民众对于不良环境空气质量的投诉结果，并与网格区域内的居委会等机构建立联动机制，定期(例如周度)开展民意信息采集。
进一步地，通过环境敏感点居民满意度调查结果和投诉结果，可以量化当前环境清洁度。具体地，可以预先设计信息采集内容，包括民众对于居住区的空气质量状况、能见度、刺激性气味、空气质量信息、对健康的影响、污染源排放数量、企业守法信息等问题的调查问询。其次，可以在问卷内容中建立满意度划分标准，例如，将每一个备选项评定标准都划分为五个等级，分别为非常不满意，不满意，基本满意，满意，非常满意，并分别给每个备选项赋值和权重，最终一份调查问卷的得分介于0-1之间。再次，开展信息采集工作：可以对每个网格区域内的所有环境敏感点进行种类的划分，当环境敏感点为学校时，可分年级开展信息采集工作，例如每个年级每周可开展10次信息采集工作，取每周每个年级信息采集的平均值作为学校最终的信息采集结果；当环境敏感点为医院时，可分科室开展信息采集工作，例如每个科室每周开展10次信息采集工作，取每周每个科室的平均值作为医院最终的信息采集结果；当环境敏感点为村庄时，可分户进行信息采集工作，例如每一户每周开展一次信息采集工作；当环境敏感点为超市等自营点时，一个自营点每周开展一次信息采集工作。然后，可对网格区域内居民的投诉类型进行分类管理，分类依据包括空气质量状况、能见度、刺激性气味、空气质量信息、对健康的影响、污染源排放数量、企业守法信息，最终统计每次投诉中包含的投诉类型，投诉类型越多，则证明问题越严重。最后，可对投诉结果进行统计并与调查问卷的结果进行结合，每一个确定的投诉可按敏感点位置确定为响应数量的结果为不满意的问卷，然后依据一次投诉中投诉类型的多少对本次投诉进行赋值，例如，如果某一个投诉的环境敏感点是一个村庄，村庄中有30户居民，可以按30份居民满意度调查问卷且每份问卷的调查结果都是“非常不满意”做赋值处理。赋值结束后与居民满意度问卷调查结果进行计算，得出当前环境清洁度的数值。
步骤S102，确定炼化异味物质排口以及各排口的特征污染物。具体地，可梳理炼化企业所有的异味物质排口，当前炼化企业异味物质排口主要为污水处理厂的治理设施的废气排口，因此首先需要梳理企业所有的异味物质排放口，并对每个排放口安装在线监测仪表，排口的位置可参见图3中的示意。在确定异味物质排口后，需要进一步梳理炼化企业所有的异味物质排口的污染物排放信息，当前的异味污染物主要包括但不限于氨、三甲胺、硫化氢、甲硫醇、甲硫醚、二甲二硫、二硫化碳、苯乙烯等，每个异味物质排口会有不同种类的污染物排放情况，可能排放其中的一种或多种，因此首先需要明确各个异味物质排放口排放的污染物种类，并确定每个排放口排放的特征污染物。针对梳理出的异味物质排口以及每个排口的特征污染物，在每个异味排口有针对性的安装在线监测仪表，实时收集企业的异味物质排放信息。
步骤S103，采集环境敏感点的空气质量数据、风速风向数据以及异味物质的排放浓度数据。如图3所示，空气质量数据优选为环境敏感点周围设置的监测点位采集的AQI指标数据，风速风向数据可以通过气象站点的气象信息监测仪表进行采集，异味物质的排放浓度数据可通过企业内部的异味物质排口设置的在线监测仪表进行采集。
步骤S104，根据风速数据计算异味物质排口的异味物质扩散至环境敏感点的时间。具体地，使用异味物质排口至环境敏感点的距离比上当前气象监测站点监测的风速数据，即为企业异味物质排放口排放的异味物质扩散到环境敏感点的时间，优选而非限制性地，为了方便计算以及保证后续预测的准确性，本发明扩散时间的计算采用测算每个环境敏感点距离每个异味物质排口的距离，并计算每个环境敏感点与所有异味物质排口的平均距离，参见图3。
步骤S105，将步骤S103采集的空气质量数据、风向数据、异味物质的排放浓度数据以及步骤S104计算的扩散时间数据作为自变量，将步骤S101计算的当前环境清洁度数据作为因变量构建预测模型并对模型进行训练。优选而非限制性地，炼化环境空气清洁度预测可采用神经元网络算法，算法模型可采用BP神经网络模型。
例如采用BP神经网络模型时，预测模型的构建过程如下：
第一步，设置初始权重值k，b。
第二步，对模型的输入层节点进行加权求和，计算隐藏层数值，具体的，采用如下公式(1)：
其中，Ff，j为隐藏层数值，j为隐藏层的数值序号，n为采集和计算获得的前述自变量指标，即每一层节点的对应数值，knj为节点数值n所对应的权重值。
第三步，执行sigmoid激活公式(2)如下：
第四步，综合公式(1)和公式(2)，采用公式(3)计算的空气清洁度预测值：
其中，f(x)为炼化环境空气清洁度预测值，b为第二层权重值。
第五步，计算误差t＝(f(x)-fb)2，当误差接近零时收敛。
其中t为误差，fb为通过民调数据计算得到的当前空气清洁度样本值，t＜0.0001时收敛。
第六步，若误差值不符合标准，则反向计算更新两层权重值k，b，计算公式(4)如下所示：
其中，X为设定的学习率。
第七步，利用更新后的权重值重复第一步至第六步中的计算，直至收敛，得到最佳的空气清洁度的预测值。
步骤S106，通过训练后的模型对环境敏感点的空气清洁度进行预测。具体地，可以以周为时间单位，对炼化企业周边的环境空气清洁度进行预测。
本实施例通过引入空气清洁度这一指标的预测，将现有技术中空气质量预测目标作为本发明的模型输入参数，而将炼化企业周边环境敏感点的居民的异味主观感受对应的空气清洁度作为本发明的的预测目标，可以在空气质量合格的情况下，通过预测和异味有关的空气清洁度，充分考虑了周边居民的主观感受，具有非常大的社会意义。除了环境敏感点的空气质量数据，本实施例通过将采集的气象数据、异味物质的排放浓度数据以及计算的扩散时间数据也纳入到算法模型的特征参数中，使得模型的预测准确性更高。
实施例2
如图2所示，本实施例2的炼化环境空气清洁度预测方法是在实施例1的基础上的优化实施例，包括如下步骤：
步骤S201，基于环境敏感点的民调数据，计算当前环境清洁度。本步骤与实施例1的步骤S101相同，在此不再赘述。
步骤S202，确定炼化异味物质排口以及各排口的特征污染物。本步骤与实施例1的步骤S102相同，在此不再赘述。
步骤S203，采集环境敏感点的空气质量数据、风速风向数据以及异味物质的排放浓度数据。本步骤与实施例1的步骤S103相同，在此不再赘述。
步骤S204，根据风速数据计算异味物质排口的异味物质扩散至环境敏感点的时间。本步骤与实施例1的步骤S104相同，在此不再赘述。
步骤S205，将采集到的空气质量数据、风向数据、异味物质的排放浓度数据以及计算得到的异味物质扩散至环境敏感点的时间数据进行预处理。数据预处理包括但不限于：数据清理和特征缩放。其中数据清理具体指修复或删除异常数据值，并使用中位数补充缺失值；特征缩放具体指对数据进行归一化或标准化处理，消除每个自变量和因变量之间的量纲。
步骤S206，进行数据的预处理后，将步骤S203采集的空气质量数据、风向数据、异味物质的排放浓度数据以及步骤S204计算的扩散时间数据作为自变量，将步骤S201计算的当前环境清洁度数据作为因变量构建预测模型并对模型进行训练。
步骤S207，通过训练后的模型对环境敏感点的空气清洁度进行预测。
步骤S208，根据步骤S207的环境敏感点的空气清洁度预测结果，分析异味物质排放对环境敏感点的影响程度，并依据超标点位的位置信息进行校正。具体地，通过预测出的环境空气清洁度数值，完成对企业污染物排放对周边环境敏感点影响程度的分析，对于部分点位异味污染物排放的情况，系统会将超标点位的位置信息和异味污染物信息同步发送到企业端口和生产单位端口，方便工作人员及时对超标点位进行校正，减少对周边环境敏感点的影响。
本实施例通过增加对采集和计算得到的数据进行预处理，使得导入至算法模型的数据更为规整，提高运算效率。根据空气清洁度的预测结果可进一步对异味源头进行管控，及时进行校正。
实施例3
如图4所示，本实施例的炼化环境空气清洁度预测装置包括当前环境清洁度计算模块301、异味物质确定模块302、数据采集模块303、扩散时间计算模块304、模型构建训练模块306以及空气清洁度预测模块307。其中，当前环境清洁度计算模块301用于基于环境敏感点的民调数据，计算当前环境清洁度；异味物质确定模块302用于确定炼化异味物质排口以及各排口的特征污染物；数据采集模块303用于采集环境敏感点的空气质量数据、风速风向数据以及异味物质的排放浓度数据；扩散时间计算模块304用于根据风速数据计算异味物质排口的异味物质扩散至环境敏感点的时间；模型构建训练模块306用于将空气质量数据、风向数据、扩散的时间数据以及异味物质的排放浓度数据作为自变量，将当前环境清洁度作为因变量构建预测模型并对模型进行训练；空气清洁度预测模块307用于通过训练后的模型对环境敏感点的空气清洁度进行预测。
进一步地，本实施例的装置还可包括数据预处理模块305，该数据预处理模块可具体包含：数据清理子模块，用于修复或删除异常数据值，并使用中位数补充缺失值；特征缩放子模块，用于对数据进行归一化或标准化处理，消除每个自变量和因变量之间的量纲。
进一步地，本实施例的装置还可包括超标点位校正模块，用于根据环境敏感点的空气清洁度预测结果分析异味物质排放对环境敏感点的影响程度，并依据超标点位的位置信息进行校正。
本实施例为与实施例1和实施例2方法对应的虚拟装置实施例，可以实现方法实施例相同的技术效果。
实施例4
图5是本实施例的炼化环境空气清洁度预测电子设备的硬件结构示意图。该设备(例如终端、服务器等)包括一个或多个处理器610以及存储器620。以一个处理器610为例，该设备还可以包括：输入装置630和输出装置640。
处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接。
存储器620作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可接收输入的数字或字符信息，以及产生信号输入。输出装置640可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器620中，当被所述一个或者多个处理器610执行时，执行下述步骤：A、基于环境敏感点的民调数据，计算当前环境清洁度；B、确定炼化异味物质排口以及各排口的特征污染物；C、采集所述环境敏感点的空气质量数据、风速风向数据以及所述异味物质的排放浓度数据；D、根据所述风速数据计算所述异味物质排口的异味物质扩散至所述环境敏感点的时间；E、将所述空气质量数据、风向数据、所述扩散的时间数据以及所述异味物质的排放浓度数据作为自变量，将所述当前环境清洁度作为因变量构建预测模型并对所述模型进行训练；F、通过训练后的所述模型对所述环境敏感点的空气清洁度进行预测。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明其他实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的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模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
实施例5
本实施例中提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储有计算机可执行指令，该指令用于使计算机执行如下炼化环境空气清洁度预测方法：A、基于环境敏感点的民调数据，计算当前环境清洁度；B、确定炼化异味物质排口以及各排口的特征污染物；C、采集所述环境敏感点的空气质量数据、风速风向数据以及所述异味物质的排放浓度数据；D、根据所述风速数据计算所述异味物质排口的异味物质扩散至所述环境敏感点的时间；E、将所述空气质量数据、风向数据、所述扩散的时间数据以及所述异味物质的排放浓度数据作为自变量，将所述当前环境清洁度作为因变量构建预测模型并对所述模型进行训练；F、通过训练后的所述模型对所述环境敏感点的空气清洁度进行预测。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。针对上述示例性实施方案所做的任何简单修改、等同变化与修饰，都应落入本发明的保护范围。
Claims (14)
1.一种炼化环境空气清洁度预测方法，其特征在于，包括如下步骤：
A、基于环境敏感点的民调数据，计算当前环境清洁度；
B、确定炼化异味物质排口以及各排口的特征污染物；
C、采集所述环境敏感点的空气质量数据、风速风向数据以及所述异味物质的排放浓度数据；
D、根据所述风速数据计算所述异味物质排口的异味物质扩散至所述环境敏感点的时间；
E、将所述空气质量数据、风向数据、所述扩散的时间数据以及所述异味物质的排放浓度数据作为自变量，将所述当前环境清洁度作为因变量构建预测模型并对所述模型进行训练；
F、通过训练后的所述模型对所述环境敏感点的空气清洁度进行预测。
2.根据权利要求1所述的炼化环境空气清洁度预测方法，其特征在于，所述民调数据包括居民满意度调查结果和投诉结果。
3.根据权利要求2所述的炼化环境空气清洁度预测方法，其特征在于，所述计算当前环境清洁度具体为：
将居民满意度调查问卷划分为多个选项且每个所述选项划分为多个评定标准，并分别为每个所述选项赋值和权重，获取介于0至1之间每一份所述调查问卷的得分数据；
根据所述投诉结果中的投诉类型数量、投诉位置的响应数量对每次投诉进行赋值；
将所述调查问卷的得分数据与所述投诉赋值进行结合，计算得出所述当前环境清洁度的数据。
4.根据权利要求1所述的炼化环境空气清洁度预测方法，其特征在于，所述特征污染物包括：氨、三甲胺、硫化氢、甲硫醇、甲硫醚、二甲二硫、二硫化碳或苯乙烯；所述异味物质包括一种或多种所述特征污染物。
5.根据权利要求1所述的炼化环境空气清洁度预测方法，其特征在于，所述步骤D具体为：
测算每个所述环境敏感点与每个所述异味物质排口的距离；
计算每个环境敏感点与所有异味物质排口的平均距离；
通过所述平均距离与所述风速数据计算异味物质扩散至所述环境敏感点的时间。
6.根据权利要求1所述的炼化环境空气清洁度预测方法，其特征在于，所述步骤D和步骤E之间还包括将采集到的空气质量数据、风向数据、所述异味物质的排放浓度数据以及计算得到的所述异味物质扩散至环境敏感点的时间数据进行预处理。
7.根据权利要求6所述的炼化环境空气清洁度预测方法，其特征在于，所述预处理包括：
数据清理，其包括修复或删除异常数据值，并使用中位数补充缺失值；
特征缩放，其为对数据进行归一化或标准化处理，消除每个所述自变量和因变量之间的量纲。
8.根据权利要求1所述的炼化环境空气清洁度预测方法，其特征在于，所述步骤F之后还包括：根据所述环境敏感点的空气清洁度预测结果分析异味物质排放对环境敏感点的影响程度，并依据超标点位的位置信息进行校正。
9.根据权利要求1所述的炼化环境空气清洁度预测方法，其特征在于，所述预测模型采用BP神经网络模型。
10.一种炼化环境空气清洁度预测装置，其特征在于，包括：
当前环境清洁度计算模块，用于基于环境敏感点的民调数据，计算当前环境清洁度；
异味物质确定模块，用于确定炼化异味物质排口以及各排口的特征污染物；
数据采集模块，用于采集所述环境敏感点的空气质量数据、风速风向数据以及所述异味物质的排放浓度数据；
扩散时间计算模块，用于根据所述风速数据计算所述异味物质排口的异味物质扩散至所述环境敏感点的时间；
模型构建训练模块，用于将所述空气质量数据、风向数据、所述扩散的时间数据以及所述异味物质的排放浓度数据作为自变量，将所述当前环境清洁度作为因变量构建预测模型并对所述模型进行训练；
空气清洁度预测模块，用于通过训练后的所述模型对所述环境敏感点的空气清洁度进行预测。
11.根据权利要求10所述的炼化环境空气清洁度预测装置，其特征在于，还包括数据预处理模块，该数据预处理模块具体包含：
数据清理子模块，用于修复或删除异常数据值，并使用中位数补充缺失值；
特征缩放子模块，用于对数据进行归一化或标准化处理，消除每个所述自变量和因变量之间的量纲。
12.根据权利要求10所述的炼化环境空气清洁度预测装置，其特征在于，还包括：
超标点位校正模块，用于根据所述环境敏感点的空气清洁度预测结果分析异味物质排放对环境敏感点的影响程度，并依据超标点位的位置信息进行校正。
13.一种炼化环境空气清洁度预测电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1至9中任意一项所述的炼化环境空气清洁度预测方法。
14.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行如权利要求1至9中任意一项所述的炼化环境空气清洁度预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111122422.2A CN115858506A (zh) | 2021-09-24 | 2021-09-24 | 炼化环境空气清洁度预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111122422.2A CN115858506A (zh) | 2021-09-24 | 2021-09-24 | 炼化环境空气清洁度预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115858506A true CN115858506A (zh) | 2023-03-28 |
Family
ID=85652574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111122422.2A Pending CN115858506A (zh) | 2021-09-24 | 2021-09-24 | 炼化环境空气清洁度预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115858506A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116329197A (zh) * | 2023-05-30 | 2023-06-27 | 扬州市宜楠科技有限公司 | 一种滤波天线的生产清洁控制方法 |
-
2021
- 2021-09-24 CN CN202111122422.2A patent/CN115858506A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116329197A (zh) * | 2023-05-30 | 2023-06-27 | 扬州市宜楠科技有限公司 | 一种滤波天线的生产清洁控制方法 |
| CN116329197B (zh) * | 2023-05-30 | 2023-08-22 | 扬州市宜楠科技有限公司 | 一种滤波天线的生产清洁控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chang et al. | An LSTM-based aggregated model for air pollution forecasting | |
| Chang-Hoi et al. | Development of a PM2. 5 prediction model using a recurrent neural network algorithm for the Seoul metropolitan area, Republic of Korea | |
| Nong et al. | Urban growth pattern modeling using logistic regression | |
| CN110727717B (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
| von Wirth et al. | Mediating effects between objective and subjective indicators of urban quality of life: testing specific models for safety and access | |
| Coman et al. | Hourly ozone prediction for a 24-h horizon using neural networks | |
| Cheng et al. | Predicting daily ozone concentration maxima using fuzzy time series based on a two-stage linguistic partition method | |
| Kumar et al. | Prediction and examination of seasonal variation of ozone with meteorological parameter through artificial neural network at NEERI, Nagpur, India | |
| Fang et al. | DESA: a novel hybrid decomposing-ensemble and spatiotemporal attention model for PM2. 5 forecasting | |
| CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
| Sun et al. | Prediction of 8 h-average ozone concentration using a supervised hidden Markov model combined with generalized linear models | |
| CN116013426A (zh) | 一种高时空分辨率的站点臭氧浓度预测方法 | |
| Mani et al. | AI powered IoT based real-time air pollution monitoring and forecasting | |
| CN115858506A (zh) | 炼化环境空气清洁度预测方法、装置、电子设备及存储介质 | |
| CN118350678A (zh) | 基于物联网与大数据的水环境监测数据处理方法及系统 | |
| Vairoac et al. | A Bayesian belief network for local air quality forecasting | |
| Alloghani | Harnessing AI for Sustainability: Applied AI and Machine Learning Algorithms for Air Quality Prediction | |
| Moral et al. | Mapping and hazard assessment of atmospheric pollution in a medium sized urban area using the Rasch model and geostatistics techniques | |
| Leonila et al. | Dynamic Water Quality Monitoring via IoT Sensor Networks and Machine Learning Technique | |
| Gerges et al. | Weather and the City: Machine Learning for Predicting and Attributing Fine Scale Air Quality to Meteorological and Urban Determinants | |
| CN115482930A (zh) | 一种臭氧污染对人体健康影响的数值预报方法，系统和储存介质 | |
| CN115639628A (zh) | 一种基于空间分组建模的bp神经网络空气质量预报方法 | |
| Elshaboury et al. | Convolutional neural network-based deep learning model for air quality prediction in October city of Egypt | |
| Dai et al. | Large-scale spatiotemporal deep learning predicting urban residential indoor PM2. 5 concentration | |
| Aswatha et al. | Smart air pollution monitoring system |
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 |