CN116259368A - 一种基于电量的污染排污预测方法及装置 - Google Patents
一种基于电量的污染排污预测方法及装置 Download PDFInfo
- Publication number
- CN116259368A CN116259368A CN202211391204.3A CN202211391204A CN116259368A CN 116259368 A CN116259368 A CN 116259368A CN 202211391204 A CN202211391204 A CN 202211391204A CN 116259368 A CN116259368 A CN 116259368A
- Authority
- CN
- China
- Prior art keywords
- pollution discharge
- calculating
- data
- measuring
- discharge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 239000002994 raw material Substances 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000005611 electricity Effects 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 18
- 239000010865 sewage Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 230000003647 oxidation Effects 0.000 claims description 3
- 238000007254 oxidation reaction Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 230000009365 direct transmission Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 239000000926 atmospheric chemistry Substances 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000020477 pH reduction Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100001234 toxic pollutant Toxicity 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
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Manufacturing & Machinery (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于电量的污染排污预测方法及装置,通过企业生产原料数据库,生产工艺数据库,天气数据库以及用电量等,利用预测算法来预测排污量以及排污因子,根据排污监测数据验证预测算法的调整因子,系统不断演算预测算法,不断调整因子使其达到预算的数据跟实际监测的数据达到一种合理边界值。固化此时的生产原料数值,生产工艺数值,天气值以及对应的调整因子等。本发明基于电量的污染排污预测方法只需要该企业的生产相关数据,能够准确获取大量的数据样本来校验该方法,最终达到预测数据无限接近实际数据,解决了现有技术存在的问题:基于气象信息以及影响空气质量的排放源的排放速率数据,这些数据的全面性、准确性很难保证。
Description
技术领域
本发明涉及排污监测领域,尤其涉及一种基于电量的污染排污预测方法及装置。
背景技术
企业在生产过程中都会有排污,CMAQ是美国环保署建立的第三代的空气质量模型,包括从监管和政策分析到理解大气化学和物理的复杂相互关系,它是三维欧拉(即网格化)大气化学和传输模拟系统,可以用来模拟臭氧、颗粒物(PM)、空气中有毒污染物、能见度以及整个大气中酸化和营养污染五中。CMAQ被设计为“一个大气”模型,它可以同时解决从局地到半球空间尺度的几种空气质量问题间的复杂耦合。CMAQ使用实际化学和物理过程的耦合数学表现来模拟空气质量。模型基于通过一系列覆盖固定模型单元格(即空间上固定并且覆盖特定域,即关注的几何区域的x-y-z数组)的连续三维(3-D)网格单元格保存质量的基本概念。因此CMAQ属于欧拉类的数值模型,它通过求解给定时间段经过每个单元格边界的传输和每个单元格内的化学转化来计算每个网格单元格内的质量平衡。为了模拟多重复杂化学过程的相互作用,CMAQ要求两种类型的输入参数:气象信息以及来自影响空气质量的排放源的排放速率。CMAQ预测模型这种基于气象信息以及影响空气质量的排放源的排放速率数据的特性存在一个最大的问题:这些数据的全面性、准确性很难完全保证,继而会深度影响CMAQ模型的准确性,该模型数据在实施过程中难以准确有效。
基于某企业最小范围的CMAQ空气预测模型。以企业为网格单元格,输入该网格单元格的气象信息以及来自影响空气质量的排放源的排放速率。系统通过CMAQ模型来分析预测排污。由于企业的网格单元格较小,该网格单元格所需的输入参数数据能较为准确的获取,通过CMAQ预测的排污数据具备准确的可能性。但模型预测都需要通过大量的数据来进行模拟运算已进行参数调整,以使预测数据无限接近真实数据。如果只是采集最小企业网格数据来进行模拟运算,最终还是会因为缺少足够多的数据样本来校验模型。如果扩大网格单元格的数量以及范围就会存在数据缺失。
发明内容
有鉴于此,本公开提供一种基于电量的污染排污预测方法及装置,该方法所需的数据非常易获取,实施过程简单高效,从而确保该方法预测的结果准确有效,技术方案如下:
一方面,本发明提供了一种基于电量的污染排污预测方法,包括如下步骤:
步骤1:采集用电量数据;
步骤2:利用预测算法,预测排污量及排污测算因子;
步骤3:监测排污数据;
步骤4:演算预测算法、调整测算因子,步骤4执行完成后,一方面后返回步骤2循环,另一方面执行步骤5;
步骤5:设置排污阈值;
步骤6:输出预测结果。
进一步地,所述的步骤2,预测算法的输入信息包括但不限于电量数据以及企业生产原料数据库、生产工艺数据库、天气数据库。
进一步地,所述的步骤2的预测算法:
设置初始值c,开始循环;把c代入公式y=1/2*(x+c/x),x=c,计算出y;判断y-x的绝对值是否小于0.0001;如果大于0.0001,则继续循环;如果小于0.0001,则结束循环;将所有计算出来的y值逐一代入公式f1=y*CCi*OFi,其中CCi是指材料单位热值含碳量,OFi是指材料的碳氧化率;计算出来一组f1值,即原材料对排污影响的测算因子值;将这组f1值和其它4个因子的初始值c一起代入公式y=e*(f1+f2+f3+f4+f5),其中e为用电量,计算出来一组排污量w;数据成正态分布,取数据99.99%区间均值w对应的f1值作为最终f1测算因子,f1演算结束;
采用与演算f1相同的方法得到加工工艺对排污影响的测算因子f2(其中f2的计算公式为y*GYi,其中GYi是指工艺转化率)、生产效率对排污影响的测算因子f3(其中f3的计算公式为y*Pi,其中Pi是指生产效率)、气象条件对排污影响的测算因子f4(其中f4的计算公式为y*(1-Ti-Wj),其中Ti是指温度系数,Wj是指分速系数)和地域条件对排污影响的测算因子f5(其中f5的计算公式为y*(1-Fk),其中Fk是指地形系数);将五种测算因子代入公式y=e*(f1+f2+f3+f4+f5)计算出排污量w,与周边排污监测设备监测的值w1进行比较,w-w1取绝对值i,如果i>0.01,则把以上计算出来的f1、f2、f3、f4、f5作为演算中c继续,依次从原材料对排污影响的测算因子开始计算;如果i<0.01,则结束循环。
进一步地,所述的步骤2的测算因子包括但不限于:原材料对排污影响的测算因子、加工工艺对排污影响的测算因子、生产效率对排污影响的测算因子、气象条件对排污影响的测算因子、地域条件对排污影响的测算因子。
进一步地,所述的步骤4,根据排污监测设备的监测数据验证步骤2的预测算法并调整预测因子,不断演算预测算法,不断调整预测因子使其达到预算的数据跟实际监测的数据达到一种合理边界值。
进一步地,所述的步骤6,输出的预测结果可以包括但不限于预测的排污量、测算因子、排污超标预警、智能排产、原材料采购建议、工艺优化建议、产能评估。
另一方面,本发明提供一种基于电量的污染排污预测装置,包括:电参量采集装置、测算系统模块、排污监测设备,电参量采集装置将采集到的某生产单位的用电量数据实时传输到测算系统模块,测算系统模块将存储的企业生产原料数据库、生产工艺数据库、天气数据库,结合用电量数据,利用预测算法来预测排污量以及排污因子,排污监测设备将排污监测数据传输到测算系统模块,测算系统模块根据排污监测数据验证预测算法、调整测算因子。
进一步地,本发明提供的一种基于电量的污染排污预测装置,其数据传输方式包括但不限于无线网关或物联网。
进一步地,所述的测算系统模块可以是云端系统,包括但不限于储存子模块、测算子模块、演算子模块、输出子模块。
进一步地,所述的测算系统模块可以是云端系统,包括但不限于储存子模块、测算子模块、演算子模块、输出子模块,储存子模块用于储存数据,包括但不限于用电量数据、企业生产原料数据、生产工艺数据、天气数据,测试子模块利用预测算法,预测排污量及排污测算因子,演算子模块根据排污监测数据验证预测算法、调整测算因子,输出子模块用于输出测算结果,测算结果可以包括但不限于预测的排污量、测算因子、排污超标预警、智能排产、原材料采购建议、工艺优化建议、产能评估。
本发明提供一种基于电量的污染排污预测方法及装置,该方法所需的数据非常易获取,实施过程简单高效,从而确保该方法预测的结果准确有效,本发明只需要企业相关的生产数据,就能够准确获取大量的数据样本来校验该方法,最终达到预测数据无限接近实际数据,解决了现有技术存在的问题:基于气象信息以及影响空气质量的排放源的排放速率数据,这些数据的全面性、准确性很难保证。
附图说明
图1为本发明提供的一种基于电量的污染排污预测方法示意图;
图2为本发明的一种基于电量的污染排污预测装置示意图;
图3为本发明的优化测试因子的示意图;
图4为本发明工作流程示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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例,都属于本公开保护的范围。
实施例一
本发明实施例一,提供了一种基于电量的污染排污预测方法,如图1所示,包括如下步骤:
步骤1:采集用电量数据;
步骤2:利用预测算法,预测排污量及排污测算因子;
步骤3:监测排污数据;
步骤4:演算预测算法、调整测算因子,步骤4执行完成后,一方面后返回步骤2循环,另一方面执行步骤5;
步骤5:设置排污阈值;
步骤6:输出预测结果。
所述的步骤2,预测算法的输入信息包括但不限于电量数据以及企业生产原料数据库、生产工艺数据库、天气数据库,上述数据库的信息来源于企业的生产数据,易于获取。
所述的步骤2的预测算法:
原材料对排污影响的测算因子进行如下演算:
设置初始值c,开始循环;把c代入公式y=1/2*(x+c/x),x=c,计算出y;判断y-x的绝对值是否小于0.0001;如果大于0.0001,则继续循环;如果小于0.0001,则结束循环;将所有计算出来的y值逐一代入公式f1=y*CCi*OFi,其中CCi是指材料单位热值含碳量,OFi是指材料的碳氧化率;计算出来一组f1值,也就是原材料对排污影响的测算因子值。将这组f1值和其它4个因子的初始值c一起代入公式y=e*(f1+f2+f3+f4+f5),其中e为用电量,计算出来一组排污量w;数据成正态分布,取数据99.99%区间均值w(公式=(w最大值-w最小值)/2)对应的f1值作为最终f1测算因子,f1演算结束。
加工工艺对排污影响的测算因子进行如下演算:
设置初始值c,开始循环;把c代入公式y=1/2*(x+c/x),x=c,计算出y;判断y-x的绝对值是否小于0.0001;如果大于0.0001,则继续循环;如果小于0.0001,则结束循环;将所有计算出来的y值逐一代入公式f2=y*GYi,其中GYi是指工艺转化率;计算出来一组f2值,也就是加工工艺对排污影响的测算因子值。将这组f2值和其它4个因子的初始值c一起代入公式y=e*(f1+f2+f3+f4+f5),其中e为用电量,计算出来一组排污量w;数据成正态分布,取数据99.99%区间均值w(公式=(w最大值-w最小值)/2)对应的f2值作为最终f2测算因子,f2演算结束。
生产效率对排污影响的测算因子进行如下演算:
设置初始值c,开始循环;把c代入公式y=1/2*(x+c/x),x=c,计算出y;判断y-x的绝对值是否小于0.0001;如果大于0.0001,则继续循环;如果小于0.0001,则结束循环;将所有计算出来的y值逐一代入公式f3=y*Pi,其中Pi是指生产效率;计算出来一组f3值,也就是生产效率对排污影响的测算因子值。将这组f3值和其它4个因子的初始值c一起代入公式y=e*(f1+f2+f3+f4+f5),其中e为用电量,计算出来一组排污量w;数据成正态分布,取数据99.99%区间均值w(公式=(w最大值-w最小值)/2)对应的f3值作为最终f3测算因子,f3演算结束。
气象条件对排污影响的测算因子进行如下演算:
设置初始值c,开始循环;把c代入公式y=1/2*(x+c/x),x=c,计算出y;判断y-x的绝对值是否小于0.0001;如果大于0.0001,则继续循环;如果小于0.0001,则结束循环;将所有计算出来的y值逐一代入公式f4=y*(1-Ti-Wj),其中Ti是指温度系数,Wj是指分速系数;计算出来一组f4值,也就是气象条件对排污影响的测算因子值。将这组f4值和其它4个因子的初始值c一起代入公式y=e*(f1+f2+f3+f4+f5),其中e为用电量,计算出来一组排污量w;数据成正态分布,取数据99.99%区间均值w(公式=(w最大值-w最小值)/2)对应的f4值作为最终f4测算因子,f4演算结束。
地域条件对排污影响的测算因子进行如下演算:
设置初始值c,开始循环;把c代入公式y=1/2*(x+c/x),x=c,计算出y;判断y-x的绝对值是否小于0.0001;如果大于0.0001,则继续循环;如果小于0.0001,则结束循环;将所有计算出来的y值逐一代入公式f5=y*(1-Fk),其中Fk是指地形系数;计算出来一组f5值,也就是地域条件对排污影响的测算因子值。将这组f5值和其它4个因子的初始值c一起代入公式y=e*(f1+f2+f3+f4+f5),其中e为用电量,计算出来一组排污量w;数据成正态分布,取数据99.99%区间均值w(公式=(w最大值-w最小值)/2)对应的f5值作为最终f5测算因子,f5演算结束。
将以上获取到的5种测算因子,代入公式y=e*(f1+f2+f3+f4+f5)计算出排污量w,与周边排污监测设备监测的值w1进行比较,w-w1取绝对值i,如果i>0.01,则把以上计算出来的f1、f2、f3、f4、f5作为演算中c继续,依次从原材料对排污影响的测算因子开始计算;如果i<0.01,则结束循环。
所述的步骤2的测算因子包括但不限于:原材料对排污影响的测算因子、加工工艺对排污影响的测算因子、生产效率对排污影响的测算因子、气象条件对排污影响的测算因子、地域条件对排污影响的测算因子。
所述的步骤4,根据排污监测设备的监测数据验证步骤2的预测算法并调整预测因子,不断演算预测算法,不断调整预测因子使其达到预算的数据跟实际监测的数据达到一种合理边界值。
具体实施时,如图2所示,用电量数据为,原材料对排污影响的测算因子为/>、加工工艺对排污影响的测算因子为/>、生产效率对排污影响的测算因子为/>、气象条件对排污影响的测算因子/>、地域条件对排污影响的测算因子为/>,污染排放量根据以上参数进行测试,/>,根据排污监测设备监测到的周边监测点参考值,参照对比,机器学习优化测试因子,对比系统设置的排污量阈值输出预警。
所述的步骤6,输出的预测结果可不但可以包括预测的排污量、测算因子、排污超标预警,进一步根据排污量的预测,可以计算推荐与此排污量相关的生产数据,提供智能生产建议:智能排产、原材料采购建议、工艺优化建议、产能评估等,如图3所示。
实施例二
本发明实施例二,如图3所示,提供了一种基于电量的污染排污预测装置,包括:电参量采集装置、测算系统模块、排污监测设备,电参量采集装置将采集到的某生产单位的用电量数据实时传输到测算系统模块,如图4所示测算系统模块将存储的企业生产原料数据库、生产工艺数据库、天气数据库,结合用电量数据,利用预测算法来预测排污量以及排污因子,排污监测设备将排污监测数据传输到测算系统模块,测算系统模块根据排污监测数据验证预测算法、调整测算因子。
本发明提供的一种基于电量的污染排污预测装置,其数据传输方式包括但不限于无线网关或物联网。
所述的测算系统模块可以是云端系统,包括但不限于储存子模块、测算子模块、演算子模块、输出子模块。
所述的测算系统模块可以是云端系统,包括但不限于储存子模块、测算子模块、演算子模块、输出子模块,储存子模块用于储存数据,包括但不限于用电量数据、企业生产原料数据、生产工艺数据、天气数据,测试子模块利用预测算法,预测排污量及排污测算因子,演算子模块根据排污监测数据验证预测算法、调整测算因子,输出子模块用于输出测算结果,测算结果可以包括但不限于预测的排污量、测算因子、排污超标预警、智能排产、原材料采购建议、工艺优化建议、产能评估。
以上仅为说明本发明的实施方式,并不用于限制本发明,对于本领域的技术人员来说,凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于电量的污染排污预测方法,其特征在于,包括如下步骤:
步骤1:采集用电量数据;
步骤2:利用预测算法,输入排污测算因子,预测排污量;
步骤3:监测排污数据;
步骤4:演算预测算法、调整测算因子,步骤4执行完成后,一方面后返回步骤2循环,另一方面执行步骤5;
步骤5:设置排污阈值;
步骤6:输出预测结果。
2.根据权利要求1所述的一种基于电量的污染排污预测方法,其特征在于,所述的步骤2的预测算法为:
设置初始值c,开始循环;把c代入公式y=1/2*(x+c/x),x=c,计算出y;判断y-x的绝对值是否小于0.0001;如果大于0.0001,则继续循环;如果小于0.0001,则结束循环;将所有计算出来的y值逐一代入公式f1=y*CCi*OFi,其中CCi是指材料单位热值含碳量,OFi是指材料的碳氧化率;计算出来一组f1值,即原材料对排污影响的测算因子值;将这组f1值和其它4个因子的初始值c一起代入公式y=e*(f1+f2+f3+f4+f5),其中e为用电量,计算出来一组排污量w;数据成正态分布,取数据99.99%区间均值w对应的f1值作为最终f1测算因子,f1演算结束;
采用与演算f1相同的方法得到加工工艺对排污影响的测算因子f2(其中f2的计算公式为y*GYi,其中GYi是指工艺转化率)、生产效率对排污影响的测算因子f3(其中f3的计算公式为y*Pi,其中Pi是指生产效率)、气象条件对排污影响的测算因子f4(其中f4的计算公式为y*(1-Ti-Wj),其中Ti是指温度系数,Wj是指分速系数)和地域条件对排污影响的测算因子f5(其中f5的计算公式为y*(1-Fk),其中Fk是指地形系数);将五种测算因子代入公式y=e*(f1+f2+f3+f4+f5)计算出排污量w,与周边排污监测设备监测的值w1进行比较,w-w1取绝对值i,如果i>0.01,则把以上计算出来的f1、f2、f3、f4、f5作为演算中c继续,依次从原材料对排污影响的测算因子开始计算;如果i<0.01,则结束循环。
3.根据权利要求1所述的一种基于电量的污染排污预测方法,其特征在于,所述的步骤2,预测算法的输入信息包括但不限于电量数据以及企业生产原料数据库、生产工艺数据库、天气数据库。
4.根据权利要求1所述的一种基于电量的污染排污预测方法,其特征在于,所述的步骤2的测算因子包括但不限于:原材料对排污影响的测算因子、加工工艺对排污影响的测算因子、生产效率对排污影响的测算因子、气象条件对排污影响的测算因子、地域条件对排污影响的测算因子。
5.根据权利要求1所述的一种基于电量的污染排污预测方法,其特征在于,所述的步骤4,根据排污监测设备的监测数据验证步骤2的预测算法并调整预测因子,不断演算预测算法,不断调整预测因子使其达到预算的数据跟实际监测的数据达到一种合理边界值。
6.根据权利要求1所述的一种基于电量的污染排污预测方法,其特征在于,所述的步骤6,输出的预测结果可以包括但不限于预测的排污量、测算因子、排污超标预警、智能排产、原材料采购建议、工艺优化建议、产能评估。
7.一种基于电量的污染排污预测装置,其特征在于,包括:电参量采集装置、测算系统模块、排污监测设备,电参量采集装置将采集到的某生产单位的用电量实时传输到测算系统模块,测算系统模块将存储的企业生产原料数据库、生产工艺数据库、天气数据库,结合用电量数据,利用预测算法来预测排污量以及排污因子,排污监测设备将排污监测数据传输到测算系统模块,测算系统模块根据排污监测数据验证预测算法、调整测算因子。
8.根据权利要求7所述的一种基于电量的污染排污预测装置,其特征在于,数据传输方式包括但不限于无线网关直接传输或物联网。
9.根据权利要求8所述的一种基于电量的污染排污预测装置,其特征在于,所述的测算系统模块可以是云端系统,包括但不限于储存子模块、测算子模块、演算子模块、输出子模块,储存子模块用于储存数据,包括但不限于用电量数据、企业生产原料数据、生产工艺数据、天气数据,测试子模块利用预测算法,预测排污量及排污测算因子,演算子模块根据排污监测数据验证预测算法、调整测算因子,输出子模块用于输出测算结果,测算结果可以包括但不限于预测的排污量、测算因子、排污超标预警、智能排产、原材料采购建议、工艺优化建议、产能评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211391204.3A CN116259368A (zh) | 2022-11-08 | 2022-11-08 | 一种基于电量的污染排污预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211391204.3A CN116259368A (zh) | 2022-11-08 | 2022-11-08 | 一种基于电量的污染排污预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116259368A true CN116259368A (zh) | 2023-06-13 |
Family
ID=86679953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211391204.3A Pending CN116259368A (zh) | 2022-11-08 | 2022-11-08 | 一种基于电量的污染排污预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116259368A (zh) |
-
2022
- 2022-11-08 CN CN202211391204.3A patent/CN116259368A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Review of urban building energy modeling (UBEM) approaches, methods and tools using qualitative and quantitative analysis | |
Sailor et al. | A neural network approach to local downscaling of GCM output for assessing wind power implications of climate change | |
Coakley et al. | A review of methods to match building energy simulation models to measured data | |
Bartolini et al. | Application of artificial neural networks to micro gas turbines | |
CN103853106A (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
Hu et al. | Thermal load prediction and operation optimization of office building with a zone-level artificial neural network and rule-based control | |
CN106779223A (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
Zhang | Data-driven building energy modeling with feature selection and active learning for data predictive control | |
Sogabe et al. | Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques | |
Weber et al. | Machine learning based system identification tool for data-based energy and resource modeling and simulation | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
Wijayasekara et al. | Data-fusion for increasing temporal resolution of building energy management system data | |
Sözer et al. | Predicting the indoor thermal data for heating season based on short-term measurements to calibrate the simulation set-points | |
CN117422004B (zh) | 基于神经网络的碳势预测方法及系统 | |
CN117217419B (zh) | 工业生产全生命周期碳排放监测方法及系统 | |
Ma et al. | Modeling drying-energy consumption in automotive painting line based on ANN and MLR for real-time prediction | |
CN105975618A (zh) | 一种燃煤燃烧特性计算方法 | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
Xia et al. | An accurate and low-cost PM 2.5 estimation method based on Artificial Neural Network | |
CN116259368A (zh) | 一种基于电量的污染排污预测方法及装置 | |
Dedovic et al. | The Hybrid EMD-SARIMA Model for Air Quality Index Prediction, Case of Canton Sarajevo | |
Tu et al. | Artificial neural networks in the estimation of monthly capacity factors of WECS in Taiwan | |
Schreiber et al. | Quantifying the influences on probabilistic wind power forecasts | |
Wang et al. | Interval estimation of urban ozone level and selection of influential factors by employing automatic relevance determination model | |
Ozdemir et al. | Prediction of tropospheric ozone concentration by employing artificial neural networks |
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 |