CN116862105A - 一种工业园区温室气体无组织排放碳计量方法 - Google Patents
一种工业园区温室气体无组织排放碳计量方法 Download PDFInfo
- Publication number
- CN116862105A CN116862105A CN202310804420.4A CN202310804420A CN116862105A CN 116862105 A CN116862105 A CN 116862105A CN 202310804420 A CN202310804420 A CN 202310804420A CN 116862105 A CN116862105 A CN 116862105A
- Authority
- CN
- China
- Prior art keywords
- industrial park
- emission
- data
- greenhouse gas
- unorganized
- 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
- 239000005431 greenhouse gas Substances 0.000 title claims abstract description 79
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 56
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 241001441571 Hiodontidae Species 0.000 claims description 24
- 230000004907 flux Effects 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000013139 quantization Methods 0.000 claims description 14
- 239000012530 fluid Substances 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000003746 surface roughness Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种工业园区温室气体无组织排放碳计量方法，属于温室气体碳排放技术领域。通过随机森林机器学习，结合三次样条插值以及BP神经网络优化插值思想获取影响因素，输出预测模型和气象环境对无组织排放影响评价报告，获取仿真模型中的输入变量，结合方程进行仿真，从而获取无组织排放在某一时刻的具体流量值，再与温室气体无组织排放浓度值相乘，得到碳排放量，从而实现工业园区无组织排放碳计量，此方法节省了成本，实现了高精度预测，还能够训练出一个泛化能力最强的无组织排放预测模型和合理的环境因素评价指标，操作简便，提高了对无组织排放的不确定性和把控能力。
Description
技术领域
本发明涉及温室气体碳排放技术领域，尤其是涉及一种工业园区温室气体无组织排放碳计量方法。
背景技术
工业园区温室气体无组织排放监测难度较大，对其无组织排放的碳排放计量难度较高，由于无组织排放受到环境影响、地形影响等，目前对工业园区温室气体无组织排放的监测，基本上是通过调差工况、点位气象参数测定、连接好采样系统、采样完成后进行分析的步骤进行。但该方法容易受到人为因素和环境因素的影响，产生误差，导致精确性偏低；采样设备、定位气象参数时需要较高的经济成本；点位气象参数的测定以及实验室分析需要大量人力物力；以及需要专业人士通过培训后进行一系列繁琐操作；缺点较多，至今没有一套成熟的理论体系，因此给无组织排放碳计量工作带来了非常大的挑战性。
发明内容
本发明提供了一种工业园区温室气体无组织排放碳计量方法，解决了现有技术的客观缺点，以工业园区历史无组织排放数据、气象数据为基础，结合三次样条插值思想、BP神经网络和随机森林算法，并在此基础上联合Ansys Fluent仿真模型，节省了成本，实现了高精度预测，还能够训练出一个泛化能力最强的无组织排放预测模型、合理的环境因素评价指标，实现了工业园区无组织排放的碳计量。
为实现上述目的，本发明采用了如下技术方案：
一种工业园区温室气体无组织排放碳计量方法，包括以下步骤：
S1、获取某工业园区的历史气象数据和历史碳排放数据，在气象理论的支撑下，将历史气象数据分为三类，并通过三次样条插值的方式对气象数据进行描述；
S2、在分类的基础上，通过插值曲面得到难测且影响程度较大的气象数据，将获得的气象数据输入BP神经网络进行强化；
S3、将强化后的气象数据输入随机森林算法中进行精确预测，判断预测精度是否满足实际工业园区及相关行业标准和法律法规对无组织排放监测的需求，如果达到要求，则输出预测结果和预测模型，即为泛化能力最强的预测模型；
S4、按照不同分类对AnsysFluent输入参数进行重要程度量化指标权重分析；
S5、建立工业园区AnsysFluent仿真模型，将权重分析后的参数导入Ansys Fluent仿真模型中；
S6、获取工业园区温室气体某时间节点无组织排放流量，从传感器中获取温室气体无组织排放浓度，获得工业园区温室气体碳排放量，实现工业园区无组织排放碳计量；
S7、输出泛化能力最强的随机森林预测模型和环境影响因素评价报告。
优选的，步骤S1中三类气象数据包括：
第一类：显热通量、位温梯度、地表波纹率、表正午反射率、气温、测温高度、湿度、辐射损失率、总热释放率；
第二类：地表摩擦速度、对流速度尺度、对流边界层高度、机械边界层高度、地表粗糙度、风速、风向、测风高度、湿度；
第三类：摩尼长度、地表气压、低运量、湿度、温度、工业园区经纬度、高程等地理信息。
优选的，针对第一类气象数据，其中对无组织排放影响最大的数据为显热通量，通过插值的思想，描述出温度在对应时间节点上的显热通量，通过插值曲面，可以精确的得出对应时间节点上某温度值所对应的显热通量。
优选的，针对第二类气象数据，其中对无组织排放影响最大的数据为地表摩擦速度和机械边界层高度，通过插值的思想，得出风速在对应时间节点上的地表摩擦速度和机械边界层高度，通过插值曲面，可以精确的得出对应时间节点上某风速条件下的地表摩擦速度和机械边界层高度。
优选的，针对第三类气象数据，其中对无组织排放影响最大的数据为摩尼长度，利用插值拟合的思想，拟合出湿度在对应时间节点上的摩尼长度，通过插值曲面，精确的得出对应时间节点上某湿度值所对应的摩尼长度。
优选的，步骤S2中BP神经网络的数据强化具体为，分别把通过插值曲面得到的参数值放在整个气象因素的大类中进行学习强化，对影响关键气象的缺失数据和误差数据，在相关气象理论的基础上进行修复、强化，使该类数据还原度达到90％以上。
优选的，步骤S4中的权重分析具体为，基于步骤S3中的预测模型以及三次样条插值函数，结合随机森林的平均不纯度减少量对重要特征值的重要程度量化指标，以及对三次样条插值获取的地表摩擦速度、摩尼长度、显热通量、机械边界层高度，传感器低成本测得的风速、风向、温度、湿度，这八个重要参数按照重要程度量化指标进行权重分析。
优选的，步骤S5中，通过采用Navier-Stokes连续性方程、Navier-Stokes动量方程、能量方程，依托AnsysFluent仿真软件，并结合权重分析后得到的参数作为通过AnsysFluent软件建立的模型的输入量，获得工业园区的无组织排放的流体流动模型。
优选的，步骤S6中，将无组织排放在某一时刻的具体流量值与通过传感器测得的温室气体无组织排放浓度值相乘，从而准确的获得工业园区温室气体无组织排放的碳计量。
因此，本发明通过采用一种工业园区温室气体无组织排放碳计量方法，实现的有益效果为：
1、经济上：所需成本较低，节省了无组织排放监测、采样分析的时间和人力物力，提高了经济效益。
2、精确程度上：基于本申请预测模型的无组织排放预测区域中，布置一定数量的监测传感器，既可以在客观科学的前提下提高对工业园区无组织监测精度，又可以降低无组织监测的成本；使碳计量结果的精度满足相关部门及法律法规的需求。
3、复杂程度上：利用算法和易获得的气象数据的基础上，非常容易实现无组织排放趋势预测和工业园区无组织排放碳计量，操作简单，节省了人力物力。
4、可操作性上：只需要将易测得的数据导入即可，操作简便，提高了对无组织排放的不确定性和把控能力，同时还可以提供温室气体环境影响因素的评价报告。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种工业园区温室气体无组织排放碳计量方法实施例流程图；
图2为本发明一种工业园区温室气体无组织排放碳计量方法实施例气象参数特征值重要程度分布图；
图3为本发明一种工业园区温室气体无组织排放碳计量方法实施例温度与显热通量的关系图；
图4为本发明一种工业园区温室气体无组织排放碳计量方法实施例风速与地表摩擦速度的关系图；
图5为本发明一种工业园区温室气体无组织排放碳计量方法实施例风速与机械边界层高度的关系图；
图6为本发明一种工业园区温室气体无组织排放碳计量方法实施例湿度与摩尼长度的关系图；
图7为本发明一种工业园区温室气体无组织排放碳计量方法实施例工业园区的分析图；
图8为本发明一种工业园区温室气体无组织排放碳计量方法实施例工业园区的分析图；
图9为本发明一种工业园区温室气体无组织排放碳计量方法实施例工业园区的分析图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
实施例
如图所示，本发明提供了一种工业园区温室气体无组织排放碳计量方法，包括以下步骤：
S1、获取某工业园区的历史气象数据和历史碳排放数据，在气象理论的支撑下，将历史气象数据分为三类，并通过三次样条插值的方式对气象数据进行描述；
S2、在分类的基础上，通过插值曲面得到难测且影响程度较大的气象数据，将获得的气象数据输入BP神经网络进行强化；
S3、将强化后的气象数据输入随机森林算法中进行精确预测，判断预测精度是否满足实际工业园区及相关行业标准和法律法规对无组织排放监测的需求，如果达到要求，则输出预测结果和预测模型，即为泛化能力最强的预测模型；
S4、按照不同分类对AnsysFluent输入参数进行重要程度量化指标权重分析；
S5、建立工业园区AnsysFluent仿真模型，将权重分析后的参数导入Ansys Fluent仿真模型中；
S6、获取工业园区温室气体某时间节点无组织排放流量，从传感器中获取温室气体无组织排放浓度，获得工业园区温室气体碳排放量，实现工业园区无组织排放碳计量；
S7、输出泛化能力最强的随机森林预测模型和环境影响因素评价报告。
步骤S1中三类气象数据包括：
第一类：显热通量、位温梯度、地表波纹率、表正午反射率、气温、测温高度、湿度、辐射损失率、总热释放率；
第二类：地表摩擦速度、对流速度尺度、对流边界层高度、机械边界层高度、地表粗糙度、风速、风向、测风高度、湿度；
第三类：摩尼长度、地表气压、低运量、湿度、温度、工业园区经纬度、高程等地理信息。
如图2所示，三类气象数据中，地表摩擦速度、摩尼长度、显热通量、机械边界层高度、风向、风速、气温、湿度是起着关键影响作用的气象因素(八个因素的影响程度按所述顺序依次减小)。
本发明提供了一种工业园区温室气体无组织排放碳计量方法，通过三次样条插值的方式分别对三类数据进行描述，具体公式如下：
由：Si(xi)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3＝yi
得：ai＝yi
Si(xi)：表示三次样条差值的函数
ai,bi,ci,di:表示在i点的待定系数
用hi＝xi+1-xi表示步长，
可得：ai+hbi+cih2+dih3＝yi+1
hi：表示步长
由Si'(xi+1)＝Si'+1(xi+1)得：
Si'(xi+1)＝bi+2ci(xi+1-xi)+3di(xi+1-xi)2＝bi+2cih+3dih2
Si'+1(xi+1)＝bi+1+2ci(xi+1-xi+1)+3di(xi+1-xi+1)2＝bi+1
S’:表示在该点的一阶导数
得：bi+2cihi+3dihi 2＝bi+1
由：S″i(xi+1)＝S″i+1(xi+1)，得：
2ci+6dihi＝2ci+1
设：S″i(xi)＝2ci＝mi，得：
S”:表示在该点的二阶导数
上述结论带入ai+hbi+cih2+dih3＝yi+1，得：
综上所述
在每个子区间xi≤x≤xx+1中，可创建方程为：
gi(x)：表示通过三次样条插值拟合后的i点对应是数值。
如图3所示，对于第一类气象数据而言，其中对无组织排放影响最大的气象条件为显热通量，但由于其监测难度大，成本高，不利于实际的工业园区无组织排预测；而气温对显热通量的关联较大，由于三次样插值具有更好的拟合数据性质，可通过多项式高次项来逼近拟合曲面，使得插值周围近似零度高的优点，通过插值的思想，描述出在温度在对应时间节点上的显热通量；
通过插值曲面，可以精确的得出对应时刻(时间节点)上，某温度值所对应的显热通量，例如，某工业园区对无组织进行排放预测或者监测时，就不需要大费周章的提供显热通量的具体参数值，只需要提供某一时刻的温度值，就可以通过上述插值曲面，得出该时刻对应的显热通量。
如图4-5所示，对于第二类气象数据而言，其中地表摩擦速度和机械边界层高度对无组织排放的影响最大，但二者的监测都是非常困难的，需要使用特定的气象观测设备以及专业知识和技能支持，监测成本较高，困难度较大；而风速对二者的关联较大，因此通过插值的思想，得出风速在对应时间节点上的地表摩擦速度和机械边界层高度；
通过插值曲面，精确得出对应时刻(时间节点)上的某风速条件下的地表摩擦速度和机械边界层高度，例如，某工业园区对无组织排放进行预测监测时，就不需要在支出较高成本的基础上收集地表摩擦速度以及机械边界层高度的参数值，只需要提供某一时间的风速值，就可以通过上述插值曲面思想得出该时刻对应的地表摩擦速度以及机械边界层高度。
如图6所示，对于第三类气象数据而言，其中对无组织排放影响最大的气象条件为摩尼长度，但摩尼长度的监测成本较高，而且摩尼长度需要收集多种监测种类的设备进行综合分析，监测难度较大，而湿度对摩尼长度关联性较大，因此，利用插值拟合的思想，拟合出湿度在对应时间节点上的摩尼长度；
通过插值曲面，精确的得出对应时刻(时间节点)上，某湿度值所对应的摩尼长度，例如，某工业园区对无组织进行排放预测或者监测时，就不需要大费周章的提供摩尼长度的具体参数值，只需要提供某一时刻的湿度值，就可以通过上述插值曲面，得出该时刻对应的摩尼长度。
通过上述的三大分类，以及分别对各类气象条件采用插值曲面的思想，可以在较为容易监测的气象条件，例如，温度，风速，风向，湿度的基础上，获得对应时刻的不易监测、监测成本很高且对无组织排放影响很大的气象条件，例如：地表摩擦速度、摩尼长度、显热通量、机械边界层高度。
即本申请可以较低成本的获得对无组织排放起着关键影响因素的气象参数，分别为：地表摩擦速度、摩尼长度、显热通量、机械边界层高度、风向、风速、温度、湿度等。
步骤S2采用BP神经网络对上述气象数据，即特征值，进行数据强化，即分别把通过插值曲面得到的参数值放在整个气象因素的大类中进行学习强化，对影响该关键气象的缺失数据和误差数据，在相关气象理论的基础上进行修复、强化使该类数据还原度达到90％以上。
随后，步骤S3和S4把通过强化后的上述气象因素输入随机森林模型进行无组织排放预测，接下来判断经过插值曲面获取以及BP强化后的气象因素(特征值)在随机森林预测模型得出的无组织排放预测精度是否达到相关要求，如果达到要求，则输出预测结果以及预测模型、即为泛化能力最强的预测模型，并且基于此模型以及三次样条插值函数，结合随机森林的平均不纯度减少量对重要特征值的重要程度量化指标，对三次样条插值获取的地表摩擦速度、摩尼长度、显热通量、机械边界层高度，和传感器低成本测得的风速，风向，温度，湿度，将这八个重要出参数按照重要程度量化指标进行权重分析，具体公式如下：
随机森林中的信息熵(entropy)计算公式：
INFgain(D,A)＝Entropy(D)-Entropy(D/A)
|Di|表示子集Di中的样本数量；
Entropy(Di)表示子集Di的熵；
Entropy(D)为数据集D的熵，Entropy(D|A)为特征划分后的条件熵；
结合图2，重要影响因素权重分析公式为：
αi为各个影响因素的权重值；
m为某一大类中影响因素的个数；
xi为某一大类影响因素的具体值以及通过三次样条插值拟合得到的值；
yi为权重分析后得到的具体数值。
由于在无组织排放中的碳计量至今没有一套成熟的理论体系，温室气体无组织排放受气象因素影响非常大，给无组织排放碳计量工作带来了非常大的挑战性，故本申请步骤S5和步骤S6采用Navier-Stokes连续性方程、Navier-Stokes动量方程、能量方程等，依托Ansys-fluent仿真软件，结合步骤S4的权重分析，得到的风速、气温、湿度等参数作为通过Ansys-fluent软件建立的模型的输入量，获得工业园区的无组织排放的流体流动模型，从而获取无组织排放在某一时刻的具体流量值，再与通过传感器测得的温室气体无组织排放浓度值相乘，从而准确的获取到工业园区的温室气体无组织排放的碳计量。
其中：
Navier-Stokes方程：
连续性方程，也称为质量守恒方程或散度方程，这个方程描述了在流体流动中质量的守恒
u＝y1
表示向量的散度运算，表示对向量的各个分量求梯度后再求和；
ρ是温室气体的密度；
u是温室气体的速度矢量；
y1是第二大类中参数按照重要程度量化指标进行权重分析后的温室气体速度矢量。
动量方程：
动量方程用于描述不可压缩流体在力的作用下的运动行为
u＝y1
ρ是流体的密度；
u是流体的速度矢量；
y1是第二大类参数中按照重要程度量化指标进行权重分析后的温室气体速度矢量；
是速度的变化率，表示单位时间内速度的变化；
是速度的梯度，表示速度的空间变化率；
p是压力；
μ是温室气体流体的动力粘度，用于描述温室气体的黏性特性；
是速度的拉普拉斯算子，表示速度的二阶空间导数；
g是重力加速度矢量。
能量方程：
能量方程是用来描述空气或流体中的能量传递和温度变化的方程。在AnsysFluent中，能量方程被用于模拟空气流动中的热传导、对流和可能的辐射传热，
u＝y1
T＝y2
ρ是空气的密度；
Cp是空气的定压比热容，表示单位质量的空气温度变化时所吸收或释放的热量；
y2是第一大类中参数按照重要程度量化指标进行权重分析后的温室气体温度；
T是温室气体的温度；
是温室气体温度随时间的变化率；
y1是第二大类中参数按照重要程度量化指标进行权重分析后的温室气体速度矢量；
u是温室气体的速度矢量；
是温室气体温度的梯度；
k是温室气体的热导率，表示单位时间和单位面积上热量的传导率；
Q是热源或热源项，表示单位时间和单位体积上的热产生或吸收。
通过上述方程，AnsysFluent可以拟和分析空气流动中的热传导和热对流现象，预测流场中的温度分布和热量传递行为从而提供关于温室气体流体动力学特性的预测和分析结果，模拟和分析不可压缩温室气体中的速度分布、压力分布以及流体运动的行为，从而获取工业园区中无组织温室气体排放流速。
如图7-9所示，以某工业园区为例：
如图7所示，使用AnsysFluent仿真该工业园区中的无组织排放，在Ansys Fluent仿真模型中输入的温室气体速度以及温度参数，按照上述所述重要程度量化指标进行权重分析后的y1,y2；
如图8所示，仿真模型中的工业园区湿度厂则是通过公式得出的第三类中的湿度分布图；
如图9所示，通过仿真获得温室气体质量分数云图以及某一截面上的温室气体排放流速图。
本发明通过采用一种工业园区温室气体无组织排放碳计量方法，温室气体无组织排放碳计量公式为：
F总＝V温室气体×C温室气体
F总为温室气体碳计量值；
V温室气体为通过AnsysFluent获取的温室气体流速；
C温室气体为传感器监测到的温室气体浓度。
本发明通过采用一种工业园区温室气体无组织排放碳计量方法，可以通过随机森林机器学习基于平均不纯度减少量对重要特征值的重要程度量化，结合三次样条插值以及BP神经网络优化插值思想获取检测成本较高的影响因素并且保证该影响因素的数据还原度达90％以上并且输出泛化能力最强的随机森林预测模型以及气象环境对无组织排放影响评价报告，在此基础上通过权重分析函数获取整个工业园区无组织排放的AnsysFluent仿真模型中的输入变量，结合Navier-Stokes方程和能量方程对温室气体无组织排放进行仿真，从而获取工业园区某一时刻的温室气体无组织排放流量，通过传感器监测到的浓度与AnsysFluent仿真模型中的无组织排放流量进行乘积，得到工业园区温室气体碳排放量，从而实现工业园区无组织排放碳计量。
因此，本发明通过采用一种工业园区温室气体无组织排放碳计量方法，能够解决现有技术的客观缺点，以工业园区历史无组织排放数据、气象数据为基础，结合三次样条插值思想、BP神经网络和随机森林算法，并在此基础上联合AnsysFluent仿真模型，节省了成本，实现了高精度预测，还能够训练出一个泛化能力最强的无组织排放预测模型、合理的环境因素评价指标，实现了工业园区无组织排放的碳计量，还可以对未来任意时刻内的工业园区无组织排放情况进行预测及量化工业园区的具体碳排放量。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (9)
1.一种工业园区温室气体无组织排放碳计量方法，其特征在于：
包括以下步骤：
S1、获取某工业园区的历史气象数据和历史碳排放数据，在气象理论的支撑下，将历史气象数据分为三类，并通过三次样条插值的方式对气象数据进行描述；
S2、在分类的基础上，通过插值曲面得到难测且影响程度较大的气象数据，将获得的气象数据输入BP神经网络进行强化；
S3、将强化后的气象数据输入随机森林算法中进行精确预测，判断预测精度是否满足实际工业园区及相关行业标准和法律法规对无组织排放监测的需求，如果达到要求，则输出预测结果和预测模型，为泛化能力最强的预测模型；
S4、按照不同分类对AnsysFluent输入参数进行重要程度量化指标权重分析；
S5、建立工业园区AnsysFluent仿真模型，将权重分析后的参数导入Ansys Fluent仿真模型中；
S6、获取工业园区温室气体某时间节点无组织排放流量，从传感器中获取温室气体无组织排放浓度，获得工业园区温室气体碳排放量；
S7、输出泛化能力最强的随机森林预测模型和环境影响因素评价报告。
2.根据权利要求1所述的一种工业园区温室气体无组织排放碳计量方法，其特征在于：
步骤S1中三类气象数据包括：
第一类：显热通量、位温梯度、地表波纹率、表正午反射率、气温、测温高度、湿度、辐射损失率、总热释放率；
第二类：地表摩擦速度、对流速度尺度、对流边界层高度、机械边界层高度、地表粗糙度、风速、风向、测风高度、湿度；
第三类：摩尼长度、地表气压、低运量、湿度、温度、工业园区经纬度、高程地理信息。
3.根据权利要求2所述的一种工业园区温室气体无组织排放碳计量方法，其特征在于：针对第一类气象数据，其中对无组织排放影响最大的数据为显热通量，通过插值的思想，描述出温度在对应时间节点上的显热通量，通过插值曲面，得出对应时间节点上某温度值所对应的显热通量。
4.根据权利要求3所述的一种工业园区温室气体无组织排放碳计量方法，其特征在于：针对第二类气象数据，其中对无组织排放影响最大的数据为地表摩擦速度和机械边界层高度，通过插值的思想，得出风速在对应时间节点上的地表摩擦速度和机械边界层高度，通过插值曲面，得出对应时间节点上某风速条件下的地表摩擦速度和机械边界层高度。
5.根据权利要求4所述的一种工业园区温室气体无组织排放碳计量方法，其特征在于：针对第三类气象数据，其中对无组织排放影响最大的数据为摩尼长度，利用插值拟合的思想，拟合出湿度在对应时间节点上的摩尼长度，通过插值曲面，得出对应时间节点上某湿度值所对应的摩尼长度。
6.根据权利要求5所述的一种工业园区温室气体无组织排放碳计量方法，其特征在于：步骤S2中BP神经网络的数据强化具体为，分别把通过插值曲面得到的参数值放在整个气象因素的大类中进行学习强化，对影响关键气象的缺失数据和误差数据，在相关气象理论的基础上进行修复、强化，使该类数据还原度达到至少90％。
7.根据权利要求6所述的一种工业园区温室气体无组织排放碳计量方法，其特征在于：步骤S4中的权重分析具体为，基于步骤S3中的预测模型以及三次样条插值函数，结合随机森林的平均不纯度减少量对重要特征值的重要程度量化指标，以及对三次样条插值获取的地表摩擦速度、摩尼长度、显热通量、机械边界层高度，传感器低成本测得的风速、风向、温度、湿度，这八个重要参数按照重要程度量化指标进行权重分析。
8.根据权利要求7所述的一种工业园区温室气体无组织排放碳计量方法，其特征在于：步骤S5中，通过采用Navier-Stokes连续性方程、Navier-Stokes动量方程、能量方程，依托AnsysFluent仿真软件，并结合权重分析后得到的参数作为通过AnsysFluent软件建立的模型的输入量，获得工业园区的无组织排放的流体流动模型。
9.根据权利要求8所述的一种工业园区温室气体无组织排放碳计量方法，其特征在于：步骤S6中，将无组织排放在某一时刻的具体流量值与通过传感器测得的温室气体无组织排放浓度值相乘，获得工业园区温室气体无组织排放的碳计量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310804420.4A CN116862105B (zh) | 2023-07-03 | 2023-07-03 | 一种工业园区温室气体无组织排放碳计量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310804420.4A CN116862105B (zh) | 2023-07-03 | 2023-07-03 | 一种工业园区温室气体无组织排放碳计量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116862105A true CN116862105A (zh) | 2023-10-10 |
| CN116862105B CN116862105B (zh) | 2024-07-02 |
Family
ID=88228073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310804420.4A Active CN116862105B (zh) | 2023-07-03 | 2023-07-03 | 一种工业园区温室气体无组织排放碳计量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116862105B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN113919448A (zh) * | 2021-12-14 | 2022-01-11 | 武汉大学 | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 |
| CN116227712A (zh) * | 2023-03-13 | 2023-06-06 | 生态环境部南京环境科学研究所 | 一种工业园区碳达峰预测方法 |
-
2023
- 2023-07-03 CN CN202310804420.4A patent/CN116862105B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN113919448A (zh) * | 2021-12-14 | 2022-01-11 | 武汉大学 | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 |
| US20230186173A1 (en) * | 2021-12-14 | 2023-06-15 | Wuhan University | Method of analyzing influence factor for predicting carbon dioxide concentration of any spatiotemporal position |
| CN116227712A (zh) * | 2023-03-13 | 2023-06-06 | 生态环境部南京环境科学研究所 | 一种工业园区碳达峰预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116862105B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Urban microclimate and its impact on built environment–a review | |
| CN106650825B (zh) | 一种机动车尾气排放数据融合系统 | |
| Zhang et al. | Modified ensemble Kalman filter for nuclear accident atmospheric dispersion: Prediction improved and source estimated | |
| Kumar et al. | CFD simulation of short-range plume dispersion from a point release in an urban like environment | |
| CN106651036A (zh) | 空气质量预报系统 | |
| CN110009226A (zh) | 一种场地污染风险等级评测及敏感受体影响识别系统 | |
| Shao et al. | PIGNN-CFD: A physics-informed graph neural network for rapid predicting urban wind field defined on unstructured mesh | |
| Yener et al. | Prediction of soil temperatures for shallow geothermal applications in Turkey | |
| CN115688636B (zh) | 一种基于计算流体力学的大气环境污染修复仿真方法及系统 | |
| Rentai | Atmospheric dispersion of radioactive material in radiological risk assessment and emergency response | |
| Annunzio et al. | Utilizing state estimation to determine the source location for a contaminant | |
| CN113624439A (zh) | 一种基于数字孪生技术的汽车环境风洞模拟方法 | |
| CN114841031A (zh) | 一种三维虚拟训练环境中模拟有毒有害气体扩散浓度的计算方法 | |
| CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
| Li et al. | Wind tunnel study on the morphological parameterization of building non-uniformity | |
| CN117114428B (zh) | 一种电力设备气象灾害分析预警方法 | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| Kémajou et al. | Application of artificial neural network for predicting the indoor air temperature in modern building in humid region | |
| Hu et al. | Inverse tracking of an airborne pollutant source location in a residential apartment by joint simulation of CFD and a multizone model | |
| Adelia et al. | Tool comparison for urban microclimate modelling | |
| CN116862105B (zh) | 一种工业园区温室气体无组织排放碳计量方法 | |
| CN117669249A (zh) | 一种装备环境适应性仿真与评估方法 | |
| KR20130104661A (ko) | 다차원 수질 모델링 시스템 | |
| CN117291293A (zh) | 隧道火场灾情感知和态势发展预测方法 | |
| CN110502849A (zh) | 一种应用于四维变分同化系统的扰动模式构建方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240419 Address after: 610000, 5th Floor, Building 5, No. 200 Tianfu Fifth Street, Chengdu High tech Zone, China (Sichuan) Pilot Free Trade Zone, Chengdu, Sichuan Province Applicant after: Chengdu Schr o dinger Energy Carbon Technology Co.,Ltd. Country or region after: China Address before: No.8 Xindu Avenue, Xindu District, Chengdu, Sichuan 610000 Applicant before: SOUTHWEST PETROLEUM University Country or region before: China Applicant before: Chengdu Schr o dinger Energy Carbon Technology Co.,Ltd. |
|
| GR01 | Patent grant |