CN115936311A - 减排策略获取方法、装置、介质及电子设备 - Google Patents
减排策略获取方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN115936311A CN115936311A CN202211528590.6A CN202211528590A CN115936311A CN 115936311 A CN115936311 A CN 115936311A CN 202211528590 A CN202211528590 A CN 202211528590A CN 115936311 A CN115936311 A CN 115936311A
- Authority
- CN
- China
- Prior art keywords
- data
- pollutant
- emission
- emission reduction
- month
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种减排策略获取方法、装置、介质及电子设备，涉及减排领域，获取历史多源数据，历史多源数据中包括环境空气污染物监测数据、目标年污染物达标数据、大气污染源排放清单数据；再根据环境空气污染物监测数据的历年实际浓度数据进行预测，获得预测污染物浓度数据；然后根据预测污染物浓度数据和目标污染物浓度数据，获得污染物浓度差距值，根据大气污染源排放清单获得多个减排策略；依据获得的污染物浓度差距值，从多个减排策略中筛选出目标减排策略，通过目标减排策略可以进行更精细化的减排控制。
Description
技术领域
本公开涉及减排领域，具体地，涉及一种减排策略获取方法、装置、介质及电子设备。
背景技术
随着大气污染防治工作的不断推进，空气中颗粒物浓度持续下降，在污染防治，改善空气质量等方面已取得良好的成果。目前一刀切的管理办法已经不适用于现阶段的污染防治工作。
发明内容
本公开的目的是提供一种减排策略获取方法、装置、介质及电子设备，旨在解决上述问题。
为了实现上述目的，本公开第一方面提供一种减排策略获取方法，所述方法包括：获取历史多源数据，其中，所述历史多源数据包括环境空气污染物监测数据、目标年污染物达标数据以及历史大气污染源排放清单数据；根据所述环境空气污染物监测数据中的历年实际浓度数据，获得预测污染物浓度数据；根据所述预测污染物浓度数据和目标年污染物达标数据，获得污染物浓度差距值；根据所述历史大气污染源排放清单数据，获得多个减排策略；根据所述污染物浓度差距值，从所述多个减排策略中获取目标减排策略。
可选地，所述根据环境空气污染物监测数据中的历年实际浓度数据，获得预测污染物浓度数据，包括：从所述环境空气污染物监测数据中的历年实际浓度数据中，获取历年来每个月的污染物浓度数据；根据历年来每个月的污染物浓度数据，获得每个月的污染物月均改善率；根据历年来每个月的污染物浓度数据，获得每个月的历史污染物浓度均值；根据所述每个月的污染物月均改善率和所述每个月的历史污染物浓度均值，获得每个月的预测污染物浓度值；根据所述每个月的预测污染物浓度值，获得所述预测污染物浓度数据，其中，所述预测污染物浓度数据为年均浓度值。
可选地，所述根据历年来每个月的污染物浓度数据，获得每个月的污染物月均改善率，包括：获取历年中每相邻两年在同一月份的实际污染物浓度数据的差值；根据所述差值和相邻两年中前一年在该月份的实际污染物浓度数据之间的比值，获得该月份的污染物改善率；根据每相邻两年在该月份的污染物改善率，获得该月份的月均污染物改善率。
可选地，污染物月均改善率如下式所示：
其中，i为月份，Qi为i月的污染物月均改善率，ai、bi、ci、di为连续四年在i月的实际污染物浓度数据。
可选地，预测污染物浓度值如下式所示：
Wi＝(1+Qi)*Mi
其中，i为月份，Wi为i月预测污染物浓度，Qi为i月的污染物月均改善率，Mi为i月的历史污染物浓度均值。
可选地，所述根据所述历史大气污染源排放清单数据，获得多个减排策略，包括：依据所述历史大气污染源排放清单数据的多个排放源中每个对应的历年实际排放数据，从所述多个排放源中筛选出目标排放源；获取所述目标排放源对应的多个减排策略。
可选地，所述获取所述目标排放源对应的多个减排策略，包括：获取环境因素以及多个减排因素；将目标排放源、所述环境因素和所述多个减排因素中的每个减排因素输入已训练的浓度计算模型，获得所述已训练的浓度计算模型输出的每个减排因素对应的污染物浓度；根据所述多个减排因素中的每个对应的污染物减排浓度，获得所述多个减排策略。
可选地，浓度计算模型的训练包括：获取训练样本，其中，所述训练样本包括样本排放源、样本因素、样本减排比例和样本浓度；依据所述训练样本迭代训练浓度计算模型，获得已训练的浓度计算模型。
本公开第二方面提供一种减排策略获取装置，所述装置包括：清单获取模块，获取历史多源数据，其中，所述历史多源数据中包括环境空气污染物监测数据、目标年污染物达标数据以及历史大气污染源排放清单数据；预测模块，用于根据所述环境空气污染物监测数据中的历年实际浓度数据，获得预测污染物浓度数据差值获取模块，用于根据所述预测浓度数据和目标年污染物达标数据，获得污染物浓度差距值；获得模块，用于根据所述历史大气污染源排放清单数据，获得多个减排策略；策略获取模块，用于根据所述污染物浓度差距值，从所述多个减排策略中获取目标减排策略。
本公开第三方面提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行第一方面所述方法的步骤。
本公开第四方面提供一种电子设备，所述电子设备包括存储器和处理器，存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面所述方法的步骤。
本公开提供一种减排策略获取方法、装置、介质及电子设备，获取历史多源数据，历史多源数据中包括环境空气污染物监测数据、目标年污染物达标数据、大气污染源排放清单数据；再根据环境空气污染物监测数据的历年实际浓度数据进行预测，获得预测污染物浓度数据；然后根据预测污染物浓度数据和目标污染物浓度数据，获得污染物浓度差距值，根据大气污染源排放清单获得多个减排策略；依据获得的污染物浓度差距值，从多个减排策略中筛选出目标减排策略，通过目标减排策略可以进行更精细化的减排控制。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1示出了本公开一实施例提供的减排策略获取方法的流程示意图；
图2示出了本公开的图1所示的减排策略获取方法的步骤S120的一种流程示意图；
图3示出了本公开的图2所示的减排策略获取方法的步骤S122的一种流程示意图；
图4示出了本公开的图1所示的减排策略获取方法的步骤S140的一种流程示意图；
图5示出了本公开的图4所示的减排策略获取方法的步骤S142的一种流程示意图；
图6示出了本公开一实施例提供的减排策略获取装置的框图；
图7示出了本公开实施例的用于执行根据本申请实施例的减排策略获取方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
随着大气污染防治工作的不断推进，空气中颗粒物浓度持续下降，在污染防治，改善空气质量等方面已取得良好的成果。比如说，至2018年以来，我国颗粒物浓度持续下降，2021年全国339个城市PM2.5平均浓度为30微克/立方米，同比下降9.1％；随着大气污染防治工作的不断推进，颗粒物治理和管控逐渐涉入深水区。
虽然近年来颗粒物浓度改善效果明显，但是我国的颗粒物污染仍然较为严峻，特别是秋冬季由颗粒物引起的重污染天气仍未消除。因此，亟需一种更加精细化的办法。
为解决现有技术中的上述问题，本公开提供一种减排策略获取方法，所述减排策略获取方法可以应用于图6所示的减排策略获取装置100以及图7 所示的电子设备700。本实施例以应用于电子设备为例，电子设备可以为服务器，例如，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务器。电子设备还可以为用户终端，例如用户终端可以是电脑、智能手机、穿戴设备等。请参阅图 1，所述减排策略获取方法可以包括如下步骤：
步骤S110、获取历史多源数据，其中，所述历史多源数据中包括环境空气污染物监测数据、目标年污染物达标数据以及历史大气污染源排放清单数据。
通过采集历年来目标城市历史多源数据，其中，所述历史多源数据中包括环境空气污染物监测数据、目标年污染物达标数据以及历史大气污染源排放清单数据。创建历史大气污染源排放清单数据。可以理解的是，在历史大气污染源排放清单数据中包括多个类型的数据清单和多个数据清单对应的历年实际数据，数据清单可以是表格的形式，每个污染源的名称占一行，每年的实际数据占一列。并将创建的历史多源数据存储于服务器之中。在存在减排策略规划需求时，从存储位置获取历史多源数据。
在一种实施方式中，电子设备为服务器。在用户存在策略获取需求时，触发策略生成指令，服务器响应于该策略生成指令，从本地的存储位置获取历史多源数据。
在另一种实施方式中，电子设备为用户终端。在用户终端上尚未存储有历年多源数据时，在用户触发策略生成指令时，需要从服务器中下载历史多源数据。例如，用户终端需预先建立与服务器之间的连接，通过在服务器处注册的账号登录该服务器。用户终端响应于用户触发的策略生成指令，从服务器中存储历史多源数据的位置读取并下载该清单。
步骤S120、根据所述环境空气污染物监测数据中的历年实际浓度数据，获得预测污染物浓度数据。
根据环境空气污染物监测数据中的所有历年实际污染物浓度数据，对目标时间段的污染物浓度数据进行预测，获得预测污染物浓度数据。例如，目标时间段可以指本年度，还可以是本季度，还可以是未来某一个月。
步骤S130、根据所述预测污染物浓度数据和目标年污染物达标数据，获得污染物浓度差距值。
其中，目标污染物浓度数据是根据目标城市制定的污染物浓度要求中的规定来确定的。例如，目标污染浓度数据可以为40微克每立方米。目标污染物浓度数据可以是一年的浓度数据，还可以是每个月的浓度数据。
根据预测污染物浓度数据和目标污染物浓度数据，获得污染物浓度差距值。示例性地，计算目标污染物浓度数据和预测污染物浓度数据之间的差值，将该差值作为污染物浓度差距值。
可选地，污染物浓度差距值可以是一年的目标污染物浓度数据和该年的预测污染物浓度数据之间的差值，污染物浓度差距值可以通过下式计算获得：
L＝N*12-(W1+W2+W3+…+W12)
其中，L为污染物浓度差距值，N为目标污染物浓度数据，W1是1月份的预测污染物浓度数据，W2是2月份的预测污染物浓度数据，W3是3月份的预测污染物浓度数据，W12是12月份的预测污染物浓度数据。
可选地，污染物浓度差距值可以是一个月的目标污染物浓度数据和该月的预测污染物浓度数据之间的差值。污染物浓度差距值可以通过下式计算获得：
Li＝Ni-Wi
其中，i为月份，i取值在1～12之间的整数，Li为i月的污染物浓度差距值，Ni为在i月的目标污染物浓度数据，Wi为在i月的预测污染物浓度量。
步骤S140、根据所述历史大气污染源排放清单数据，获得多个减排策略。
根据历史多源数据，制定多个减排策略。可以对该清单中的所有排放源中的每个排放源制定至少一个减排策略。还可以对该清单中的部分排放源制定至少一个减排策略。
步骤S150、根据所述污染物浓度差距值，从所述多个减排策略中获取目标减排策略。
根据污染物浓度差距值，从多个减排策略中筛选出目标减排策略，目标减排策略中规定的排放源和排放源对应的减排因素。当目标排放源的数量为一个时，目标减排策略中只对该目标排放源进行了规定，规定该目标排放源的减排因素，按照目标减排策略对该目标排放源进行治理，可使目标城市的污染物的浓度达到规定水平。当目标排放源的数量不止一个时，目标减排策略中对多个目标排放源中的每个进行了规定，规定了每个的减排因素，按照目标减排策略对多个目标排放源进行治理，使得目标城市的污染物浓度达到规定水平。
本步骤中，依据目标减排策略进行更精细化的减排控制，既保证了企业的生产成本或者效益，又使得大气中的污染物浓度达到规定的水平。例如，通过PM2.5进行衡量，规定目标城市的目标PM2.5为52μg/m3。
在本实施例提供的减排策略获取方法中，获取历史多源数据，历史多源数据中包括环境空气污染物监测数据、目标年污染物达标数据、大气污染源排放清单数据；再根据环境空气污染物监测数据的历年实际浓度数据进行预测，获得预测污染物浓度数据；然后根据预测污染物浓度数据和目标污染物浓度数据，获得污染物浓度差距值，根据大气污染源排放清单获得多个减排策略；依据获得的污染物浓度差距值，从多个减排策略中筛选出目标减排策略，通过目标减排策略可以进行更精细化的减排控制。
可选地，电子设备控制目标减排策略在显示屏上显示，例如，以柱状图、饼状图或者表格的形式进行显示，再例如，在目标城市的地图上目标排放源所在的位置显示目标减排策略，在点击目标排放源时，可以实现目标减排策略的折叠或者展开。
当电子设备为服务器时，服务器将目标减排策略发送至与其连接的用户终端上，控制用户终端的显示屏显示目标减排策略。当电子设备为用户终端，用户终端直接在显示屏上显示目标减排策略。
在一种实施方式中，请参阅图2，上述步骤S120可以包括如下子步骤：
子步骤S121、从所述环境空气污染物监测数据中的历年实际浓度数据中，获取历年来每个月的实际污染物浓度数据。
从环境空气污染物监测数据中的历年实际污染物浓度数据中，统计历年来每个月的实际污染物浓度数据。例如，从环境空气污染物监测数据中获取 2018年～2022年每个月的实际污染物浓度数据。
子步骤S122、根据历年来每个月的实际污染物浓度数据，获得每个月的污染物月均改善率。
作为一种方式，请参阅图3，子步骤S122可以包括如下子步骤：
子步骤S122-1、获取历年中每相邻两年在同一月份的实际污染物浓度数据的差值。
例如，获取的是n年的实际污染物浓度数据，获取n-1个差值。
子步骤S122-2、根据所述差值和相邻两年中前一年在该月份的实际污染物浓度数据之间的比值，获得该月份的污染物改善率。
例如，以2018年和2019年1月为例，计算2018年和2019年两年在1 月份的实际污染物浓度数据的差值，将该差值与2019年1月份的实际污染物浓度数据相比，获得1月份的污染物改善率。
子步骤S122-3、根据每相邻两年在该月份的改善率，获得该月份的污染物月均改善率。
例如，以历史四年的数据为例，污染物月均改善率如下式所示：
其中，i为月份，Qi为i月的污染物月均改善率，ai、bi、ci、di为连续四年在i月的实际污染物浓度数据。
子步骤S123、根据历年来每个月的实际污染物浓度数据，获得每个月的历史污染物浓度均值。
计算历年来每个月的实际污染物浓度数据的均值，将该均值作为该月的历史污染物浓度均值。
子步骤S124、根据所述每个月的污染物月均改善率和所述每个月的历史污染物浓度均值，获得每个月的预测污染物浓度值。
作为一种方式，根据历年的数据，预先训练污染物浓度预测模型。将每个月的污染物月均改善率和每个月的历史污染物浓度均值输入已训练的排放量预测模型，获得已训练的污染物浓度预测模型输出的每个月的预测污染物浓度。
作为另一种方式，预测污染物浓度如下式所示：
Wi＝(1+Qi)*Mi
其中，i为月份，Wi为i月预测污染物浓度，Qi为i月的污染物月均改善率，Mi为i月的历史污染物浓度均值。
子步骤S125、根据所述每个月的预测污染物浓度，获得所述预测污染物浓度数据，其中，所述预测污染物浓度数据为年均浓度值。
可以理解的是，所述预测污染物浓度数据为预测的一年的污染物浓度数据。
根据上述子步骤S124计算获得每个月的预测污染物浓度均值，将12个月的预测污染物浓度均值相加之和，作为该年度的预测污染物浓度数据。
在一种实施方式中，请参阅图4，上述步骤S140可以包括如下子步骤：
子步骤S141、依据历史大气污染源排放清单数据的多个排放源中每个对应的历年实际排放数据，从所述多个排放源中筛选出目标排放源。
作为一种方式，依据多个排放源中每个对应的历年实际排放数据，计算每个排放源对应的实际排放数据均值，对多个排放源对应的实际排放数据均值进行排序，选取排序靠前的m个排放源作为目标排放源，其中m为大于 1的整数。
作为另一种方式，从历史大气污染源排放清单数据中读取多个排放源中每个在上一年度的实际排放数据，并且对多个排放源对应的实际排放数据进行排序，选取排序靠前的m个排放源作为目标排放源，其中m为大于1的整数。
可选地，选取的扬尘排放量大的m个排放源作为目标排放源，选取的目标排放源可以为燃烧物排放较多的企业，例如，该企业通常为钢铁冶炼厂、发电厂、烧瓷器厂等。对排放量大的目标排放源进行治理，更容易取得显著的效果。
子步骤S142、获取所述目标排放源对应的多个减排策略。
对目标排放源制定多个减排策略。可以理解的是，一个目标排放源可以对应多个减排策略。
作为一种方式，请参阅图5，子步骤S142包括如下子步骤：
子步骤S142-1、获取环境因素以及多个减排因素。
其中，环境因素包括目标城市的地形、地貌，还包括在每个季节的温度、湿度、风向、风速、天气状况等，还包括目标城市的产业结构、产业分布等。
减排因素可以是预先设置的减排措施，例如，该措施包括封闭措施，例如增加井盖，该措施还可以为处理措施，例如，进行净化、吸附、分解等。减排因素还可以是预先设置的减排比例，例如，减排10％、20％、30％、40％等。
需要说明的是，减排措施和减排比例之间存在对应关系。
子步骤S142-2、将目标排放源、所述环境因素和所述多个减排因素中的每个减排因素输入已训练的浓度计算模型，获得所述已训练的浓度计算模型输出的每个减排因素对应的污染物减排浓度。
预先训练浓度计算模型，可以通过如下方式训练浓度计算模型：获取训练样本，其中，所述训练样本包括样本排放源、样本因素、样本减排比例和样本浓度；依据所述训练样本迭代训练浓度计算模型，获得已训练的浓度计算模型。已训练的浓度计算模型可以进行浓度预测。
其中，污染物浓度指的是，在环境因素和多个减排因素中的每个减排因素下，目标排放源减少了m吨污染物，模拟出m吨污染物释放到大气中，对环境空气质量监测数据造成的影响。
在本实施例中，除了通过已训练的浓度计算模型将污染物浓度计算出来。还可以通过如下方式获取污染物浓度：在所述环境因素和所述多个减排因素中的每个减排因素下，目标排放源释放的污染物排放总量，例如，筛选出的目标排放源为三个企业，分别为企业A、企业B和企业C，企业A的污染物排放总量为6150.48吨，企业B的污染物排放总量为3046.06吨，企业C的污染物排放总量为366.37吨等。预先统计排放量释放到空气中形成的污染物浓度，建立排放量和污染物浓度之间的对应关系，例如，6150.48吨污染物释放到空气对空气质量PM2.5贡献1.37μg/m3，即污染物浓度为1.37μg/m3； 3046.06吨污染物释放到空气对空气质量PM2.5贡献1.27μg/m3，即污染物浓度为1.27μg/m3；366.37吨污染物释放到空气对空气质量PM2.5贡献0.27 μg/m3，即污染物浓度为0.27μg/m3。基于该对应关系，获取污染物排放总量对应的污染物浓度。例如，目标排放源排放的污染物排放量为3046.06吨，基于上述对应关系，污染物浓度为1.27μg/m3。
减排因素可以是减排措施。在目标排放源和环境因素相同的情况下，当减排措施越强劲时，已训练的浓度计算模型输出的污染物减排浓度越高。反之，当减排措施越弱时，已训练的浓度计算模型输出的污染物减排浓度越低。但是，强劲的减排措施可能会导致企业的减排成本增高。较弱的减排措施可能会导致污染物浓度不达标。
减排因素还可以是减排比例。在目标排放源和环境因素相同的情况下，当减排比例越大时，已训练的浓度计算模型输出的污染物减排浓度越高，反之，当减排比例越小时，已训练的浓度计算模型输出的污染物减排浓度越低。较大的减排比例可能会导致企业的减排成本增高。较小的减排比例可能会导致污染物浓度不达标。
示例性地，在目标城市筛选出的目标排放源为企业A、企业B和企业C，企业A、企业B和企业C在不同减排比例下，对应的污染物减排浓度如表1 所示：
表1
在按照表1的减排比例进行治理，使得目标城市的PM2.5下降，使得目标城市的污染物排放达到规定水平。
子步骤S142-3、根据所述多个减排因素中的每个对应的污染物浓度，获得所述多个减排策略。
可以理解的是，每个减排策略中规定了减排因素对应的污染物浓度。
对减排成本和排放源治理两个方面进行权衡，可以根据污染物浓度差距值，在目标排放源对应的多个减排策略中筛选出目标减排策略。例如，当污染物浓度差距值较大，则在目标排放源对应的多个减排策略中筛选出污染物减排浓度高的减排策略作为目标减排策略，达到了大气治理的目的。当污染物浓度差距值较小，则在目标排放源对应的多个减排策略中筛选出污染物减排浓度低的减排策略作为目标减排策略，减小了企业的减排成本。
示例性地，可以将污染物浓度差距值转换为浓度，例如，浓度为1.58μ g/m3，则依据表1，按照减排比例为20％进行治理，可以满足治理要求。再例如，当浓度为1.57μg/m3，则依据表1，按照减排比例为20％进行治理，可以满足治理要求。
为实现上述方法类实施例，本实施例提供一种减排策略获取装置，图6 示出了本公开一实施例提供的减排策略获取装置的框图，请参阅图6，减排策略获取装置100包括：清单获取模块110、预测模块120、差值获取模块130、获得模块140以及策略获取模块150。
清单获取模块110，用于获取历史多源数据，其中，所述历史多源数据包括环境空气污染物监测数据、目标年污染物达标数据以及历史大气污染源排放清单数据；
预测模块120，用于根据所述环境空气污染物监测数据中的历年实际浓度数据，获得预测污染物浓度数据；
差值获取模块130，用于根据所述预测污染物浓度数据和目标年污染物达标数据，获得污染物浓度差距值；
获得模块140，用于根据所述历史大气污染源排放清单数据，获得多个减排策略；
策略获取模块150，用于根据所述污染物浓度差距值，从所述多个减排策略中获取目标减排策略。
可选地，预测模块120包括：实际月排放数据获取模块、改善模块、均值获取模块、预测月排放数据获取模块以及预测污染物浓度数据获取模块。
实际月排放数据获取模块，用于从所述环境空气污染物监测数据中的历年实际浓度数据中，获取历年来每个月的污染物浓度数据；
改善模块，用于根据历年来每个月的污染物浓度数据，获得每个月的污染物月均改善率；
均值获取模块，用于根据历年来每个月的污染物浓度数据，获得每个月的历史污染物浓度均值；
预测月排放数据获取模块，用于根据所述每个月的污染物月均改善率和所述每个月的历史污染物浓度均值，获得每个月的预测污染物浓度值；
预测污染物浓度数据获取模块，用于根据所述每个月的预测污染物浓度值，获得所述预测污染物浓度数据，其中，所述预测污染物浓度数据为年均浓度值。
可选地，改善模块包括：排放差值获取模块、改善率获取模块以及月均改善率获取模块。
排放差值获取模块，用于获取历年中每相邻两年在同一月份的实际排放数据的差值；
改善率获取模块，用于根据所述差值和相邻两年中前一年在该月份的实际污染物浓度数据之间的比值，获得该月份的污染物改善率；
月均改善率获取模块，用于根据每相邻两年在该月份的污染物改善率，获得该月份的污染物月均改善率。
可选地，污染物月均改善率如下式所示：
其中，i为月份，Qi为i月的污染物月均改善率，ai、bi、ci、di为连续四年在i月的实际污染物浓度数据。
可选地，预测污染物浓度值如下式所示：
Wi＝(1+Qi)*Mi
其中，i为月份，Wi为i月预测污染物浓度值，Qi为i月的污染物月均改善率，Mi为i月的历史污染物浓度均值。
可选地，获得模块140包括：筛选模块以及多策略获取模块。
筛选模块，用于依据所述历史大气污染源排放清单数据的多个排放源中每个对应的历年实际排放数据，从所述多个排放源中筛选出目标排放源；
多策略获取模块，用于获取所述目标排放源对应的多个减排策略。
可选地，多策略获取模块包括：因素获取模块、浓度计算模块以及多策略获取子模块。
因素获取模块，用于获取环境因素以及多个减排因素；
浓度计算模块，用于将目标排放源、所述环境因素和所述多个减排因素中的每个减排因素输入已训练的浓度计算模型，获得所述已训练的浓度计算模型输出的每个减排因素对应的污染物减排浓度；
多策略获取子模块，用于根据所述多个减排因素中的每个对应的污染物减排浓度，获得所述多个减排策略。
可选地，减排策略获取装置100还包括：样本采集模块以及迭代训练模块。
样本采集模块，用于获取训练样本，其中，所述训练样本包括样本排放源、样本因素、样本减排比例和样本浓度；
迭代训练模块，用于依据所述训练样本迭代训练浓度计算模型，获得已训练的浓度计算模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图7示出了本公开实施例的用于执行根据本申请实施例的减排策略获取方法的电子设备的框图。如图7所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O) 接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的减排策略获取方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称 ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705 发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704 为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G、4G、 NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC 模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器 (DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的减排策略获取方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的减排策略获取方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的减排策略获取方法。
在另一示例性实施例中，还提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的减排策略获取方法的步骤。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的减排策略获取方法的代码部分。
综上所述，本公开提供的减排策略获取方法、装置、介质及电子设备，获取历史多源数据，历史多源数据中包括环境空气污染物监测数据、目标年污染物达标数据、大气污染源排放清单数据；再根据环境空气污染物监测数据的历年实际浓度数据进行预测，获得预测污染物浓度数据；然后根据预测污染物浓度数据和目标污染物浓度数据，获得污染物浓度差距值，根据大气污染源排放清单获得多个减排策略；依据获得的污染物浓度差距值，从多个减排策略中筛选出目标减排策略，通过目标减排策略可以进行更精细化的减排控制。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (11)
1.一种减排策略获取方法，其特征在于，所述方法包括：
获取历史多源数据，其中，所述历史多源数据包括环境空气污染物监测数据、目标年污染物达标数据以及历史大气污染源排放清单数据；
根据所述环境空气污染物监测数据中的历年实际浓度数据，获得预测污染物浓度数据；
根据所述预测污染物浓度数据和目标年污染物达标数据，获得污染物浓度差距值；
根据所述历史大气污染源排放清单数据，获得多个减排策略；
根据所述污染物浓度差距值，从所述多个减排策略中获取目标减排策略。
2.根据权利要求1所述的方法，其特征在于，所述根据环境空气污染物监测数据中的历年实际浓度数据，获得预测污染物浓度数据，包括：
从所述环境空气污染物监测数据中的历年实际浓度数据中，获取历年来每个月的污染物浓度数据；
根据历年来每个月的污染物浓度数据，获得每个月的污染物月均改善率；
根据历年来每个月的污染物浓度数据，获得每个月的历史污染物浓度均值；
根据所述每个月的污染物月均改善率和所述每个月的历史污染物浓度均值，获得每个月的预测污染物浓度值；
根据所述每个月的预测污染物浓度值，获得所述预测污染物浓度数据，其中，所述预测污染物浓度数据为年均浓度值。
3.根据权利要求2所述的方法，其特征在于，所述根据历年来每个月的污染物浓度数据，获得每个月的污染物月均改善率，包括：
获取历年中每相邻两年在同一月份的实际污染物浓度数据的差值；
根据所述差值和相邻两年中前一年在该月份的实际污染物浓度数据之间的比值，获得该月份的污染物改善率；
根据每相邻两年在该月份的污染物改善率，获得该月份的污染物月均改善率。
4.根据权利要求3所述的方法，其特征在于，污染物月均改善率如下式所示：
其中，i为月份，Qi为i月的污染物月均改善率，ai、bi、ci、di为连续四年在i月的实际污染物浓度数据。
5.根据权利要求4所述的方法，其特征在于，预测污染物浓度值如下式所示：
Wi＝(1+Qi)*Mi
其中，i为月份，Wi为i月预测污染物浓度值，Qi为i月的污染物月均改善率，Mi为i月的历史污染物浓度均值。
6.根据权利要求1所述的方法，其特征在于，所述根据所述历史大气污染源排放清单数据，获得多个减排策略，包括：
依据所述历史大气污染源排放清单数据的多个排放源中每个对应的历年实际排放数据，从所述多个排放源中筛选出目标排放源；
获取所述目标排放源对应的多个减排策略。
7.根据权利要求6所述的方法，其特征在于，所述获取所述目标排放源对应的多个减排策略，包括：
获取环境因素以及多个减排因素；
将目标排放源、所述环境因素和所述多个减排因素中的每个减排因素输入已训练的浓度计算模型，获得所述已训练的浓度计算模型输出的每个减排因素对应的污染物浓度；
根据所述多个减排因素中的每个对应的污染物浓度，获得所述多个减排策略。
8.根据权利要求6所述的方法，其特征在于，浓度计算模型的训练包括：
获取训练样本，其中，所述训练样本包括样本排放源、样本因素、样本减排比例和样本浓度；
依据所述训练样本迭代训练浓度计算模型，获得已训练的浓度计算模型。
9.一种减排策略获取装置，其特征在于，所述装置包括：
清单获取模块，获取历史多源数据，其中，所述历史多源数据中包括环境空气污染物监测数据、目标年污染物达标数据以及历史大气污染源排放清单数据；
预测模块，用于根据所述环境空气污染物监测数据中的历年实际浓度数据，获得预测污染物浓度数据；
差值获取模块，用于根据所述预测污染物浓度数据和目标年污染物达标数据，获得污染物浓度差距值；
获得模块，用于根据所述历史大气污染源排放清单数据，获得多个减排策略；
策略获取模块，用于根据所述污染物浓度差距值，从所述多个减排策略中获取目标减排策略。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～8中任一项所述方法的步骤。
11.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1～8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211528590.6A CN115936311B (zh) | 2022-11-30 | 2022-11-30 | 减排策略获取方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211528590.6A CN115936311B (zh) | 2022-11-30 | 2022-11-30 | 减排策略获取方法、装置、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115936311A true CN115936311A (zh) | 2023-04-07 |
| CN115936311B CN115936311B (zh) | 2023-06-30 |
Family
ID=86651980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211528590.6A Active CN115936311B (zh) | 2022-11-30 | 2022-11-30 | 减排策略获取方法、装置、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936311B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110108837A (zh) * | 2019-04-04 | 2019-08-09 | 北京英视睿达科技有限公司 | 一种基于热点网格污染数据监测的预警方法 |
| CN110954482A (zh) * | 2019-12-02 | 2020-04-03 | 生态环境部卫星环境应用中心 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
| CN111382951A (zh) * | 2020-03-19 | 2020-07-07 | 河南农业大学 | 一种城市空气质量改善目标的分配方法 |
| CN111461514A (zh) * | 2020-03-26 | 2020-07-28 | 泛测（北京）环境科技有限公司 | 一种基于历史空气质量数据的空气管控方法和装置 |
| CN111626624A (zh) * | 2020-05-29 | 2020-09-04 | 四川省环境政策研究与规划院 | 一种空气质量改善评价方法 |
| CN114611626A (zh) * | 2022-03-23 | 2022-06-10 | 生态环境部信息中心 | 一种水环境信息处理方法、装置、设备和存储介质 |
| CN114757429A (zh) * | 2022-04-27 | 2022-07-15 | 北京清创美科环境科技有限公司 | 一种pm2.5浓度目标获取方法及装置 |
| CN114819781A (zh) * | 2022-07-01 | 2022-07-29 | 湖南工商大学 | 环境容量计算方法、装置、计算机设备及存储介质 |
-
2022
- 2022-11-30 CN CN202211528590.6A patent/CN115936311B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110108837A (zh) * | 2019-04-04 | 2019-08-09 | 北京英视睿达科技有限公司 | 一种基于热点网格污染数据监测的预警方法 |
| CN110954482A (zh) * | 2019-12-02 | 2020-04-03 | 生态环境部卫星环境应用中心 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
| CN111382951A (zh) * | 2020-03-19 | 2020-07-07 | 河南农业大学 | 一种城市空气质量改善目标的分配方法 |
| CN111461514A (zh) * | 2020-03-26 | 2020-07-28 | 泛测（北京）环境科技有限公司 | 一种基于历史空气质量数据的空气管控方法和装置 |
| CN111626624A (zh) * | 2020-05-29 | 2020-09-04 | 四川省环境政策研究与规划院 | 一种空气质量改善评价方法 |
| CN114611626A (zh) * | 2022-03-23 | 2022-06-10 | 生态环境部信息中心 | 一种水环境信息处理方法、装置、设备和存储介质 |
| CN114757429A (zh) * | 2022-04-27 | 2022-07-15 | 北京清创美科环境科技有限公司 | 一种pm2.5浓度目标获取方法及装置 |
| CN114819781A (zh) * | 2022-07-01 | 2022-07-29 | 湖南工商大学 | 环境容量计算方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115936311B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ou et al. | Air pollution control strategies directly limiting national health damages in the US | |
| Henneman et al. | Accountability assessment of health improvements in the United States associated with reduced coal emissions between 2005 and 2012 | |
| Raupach | Pinning down the land carbon sink | |
| Nguyen et al. | The summer 2019–2020 wildfires in east coast Australia and their impacts on air quality and health in New South Wales, Australia | |
| Walters et al. | A review of mercury pollution in South Africa: current status | |
| CN110232528B (zh) | 省级范围内所辖园区及企业产排废水污染物监控方法及装置 | |
| CN116227749B (zh) | 污染物排放量的确定方法、装置、存储介质及电子设备 | |
| KR20210086326A (ko) | 지역별 미세먼지 농도 예측방법 및 시스템 | |
| CN110018280B (zh) | 一种大气污染源排放综合表征方法及装置 | |
| CN112505254B (zh) | 一种大气污染来源的解析方法、装置、存储介质及终端 | |
| CN115271547B (zh) | 臭氧污染的源解析方法、装置和电子设备 | |
| Liao et al. | Optimization of multipollutant air quality management strategies: A case study for five cities in the United States | |
| CN111930864A (zh) | 基于监测数据的网格化清单优化方法和装置 | |
| Kim et al. | Quantitative assessment of changes in surface particulate matter concentrations and precursor emissions over China during the COVID-19 pandemic and their implications for Chinese economic activity | |
| CN113420454B (zh) | 一种基于大气污染物达标约束的环境容量获取方法及装置 | |
| CN112001074B (zh) | 一种基于植被覆盖率的污染物治理方法、装置、存储介质 | |
| CN115936311A (zh) | 减排策略获取方法、装置、介质及电子设备 | |
| CN116739388B (zh) | 减排措施评估方法、装置及存储介质 | |
| Neal et al. | Conclusions to the special volume of Science of the Total Environment concerning UK fluxes to the North Sea, Land Ocean Interaction Study River basins research, the first two years | |
| Nducol et al. | Ambient air particle mass concentrations in the urban area of the capital city of Yaoundé (Cameroon, Central Africa): monthly and seasonal behaviour | |
| Vizuete et al. | Issues with ozone attainment methodology for Houston, TX | |
| Daizy et al. | Long-run impact of globalization, agriculture, industrialization and electricity consumption on the environmental quality of Bangladesh | |
| CN116087421A (zh) | 大气污染物监测溯源方法、装置、计算机设备和存储介质 | |
| CN115238596A (zh) | 数据处理方法、装置、可读存储介质与电子设备 | |
| CN111325438B (zh) | 污染物排放清单确定方法、装置、设备及存储介质 |
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 |