CN116976562A - 一种固定点源污染物与碳排放清单动态核算系统及方法 - Google Patents
一种固定点源污染物与碳排放清单动态核算系统及方法 Download PDFInfo
- Publication number
- CN116976562A CN116976562A CN202311011808.5A CN202311011808A CN116976562A CN 116976562 A CN116976562 A CN 116976562A CN 202311011808 A CN202311011808 A CN 202311011808A CN 116976562 A CN116976562 A CN 116976562A
- Authority
- CN
- China
- Prior art keywords
- emission
- point source
- fixed point
- activity level
- pollutant
- 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
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 113
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 113
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 77
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000000694 effects Effects 0.000 claims abstract description 92
- 238000012544 monitoring process Methods 0.000 claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 239000000779 smoke Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 239000000446 fuel Substances 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 239000003546 flue gas Substances 0.000 description 5
- 239000012855 volatile organic compound Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001360 synchronised effect Effects 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种固定点源污染物与碳排放清单动态核算系统及方法,包括以下步骤:对固定点源污染物监测指标的实时排放量进行采集,输入预先训练的排放‑能源活动水平关联规则模型后,得到当前能源活动水平;基于当前能源活动水平对固定点源污染物与碳排放清单进行核算,并基于监测指标的实测排放量对固定点源污染物与碳排放清单准确性进行校验;对校验后的固定点源污染物与碳排放清单进行动态更新、共享和存储。本发明广泛应用于大气污染源排放清单技术领域,很好改善点源活动水平数据难以实时获取的局限,为高时空分辨率的固定点源排放清单构建提供了新方法,开辟了新思路,具有重要的科学意义与实际推广应用价值。
Description
技术领域
本发明属于大气污染源排放清单核算技术领域,尤其涉及一种固定点源污染物与碳排放清单动态核算系统及方法。
背景技术
精准、实时的动态化排放清单是识别污染来源的基础,也是科学设计污染物减排路径与精细化环境管理战略决策的核心支撑。目前,我国针对固定点源减排已制定并实施多项措施,且建立了重点污染源在线监测(Continuous Emission Monitoring System,CEMS)环境监管系统,取得了显著成效。在排放清单方面,国内外已形成多尺度的本地化的污染物与碳排放清单,各清单在可靠性、时效性与分辨率等方面均有不同程度提升。然而,现有网格化或仅涉及在线监测指标(SO2、NO2、PM)的点源化排放清单在精准剖析固定点源对于复杂环境污染形势及其时空演变规律等方面的贡献研究中仍存在排放物种不全的缺陷,成为制约我国环境精细化管理的主要瓶颈。
从影响因素来看,精确的排放核算过程需要准确的活动水平数据和可靠的排放系数,以往研究采用区域平均化的固定排放系数,忽略了产业结构调整、技术进步与标准加严等因素对排放系数的影响,导致结果不确定性很大。而致力于满足精细化管理需求,研究者则逐渐将CEMS数据、大数据、卫星反演、计算机等技术应用于排放清单核算,大幅提升了清单精度。但仍局限于SO2、NO2、PM等可监测污染物的排放,缺乏对VOCs、CO、CO2等未监测污染物排放的动态更新。
同时,由于厂级实时的活动水平数据难以获取,有研究者基于经验参数分解具有时间滞后性特征的活动水平统计数据,以提高工业源排放清单的时间分辨率,但仍无法满足核算结果的时效性要求。
发明内容
针对上述问题,本发明的目的是提供一种科学、精准、实时的固定点源污染物与碳排放清单动态核算系统及方法,能够改善多源环境统计的数据缺陷又能全面精准动态更新固定点源污染物与碳排放清单,可以有效支撑环境精细化管理。
为实现上述目的,本发明采取以下技术方案:
第一方面,本发明提供一种固定点源污染物与碳排放清单动态核算方法,包括以下步骤:
对固定点源污染物监测指标的实时排放量进行采集,输入预先训练的排放-能源活动水平关联规则模型后,得到当前能源活动水平预测值;
基于当前能源活动水平预测值对固定点源污染物与碳排放清单进行核算,并基于在线监测指标的实测排放量对固定点源污染物与碳排放清单准确性进行校验;
对校验后的固定点源污染物与碳排放清单进行动态更新、共享和存储。
进一步,所述对固定点源污染物监测指标的实时排放量进行采集,输入预先训练的排放-能源活动水平关联规则模型后,得到当前能源活动水平预测值,具体为:
明确核算基准年,依据核算对象明确核算的数据需求及数据源,得到进行固定点源污染物与碳排放清单核算所需的历史数据集;
对获取的历史数据集进行预处理后,用于构建排放-能源活动水平关联规则模型;
对固定点源污染物监测指标的实时排放量进行采集和处理,得到实时数据集;
将实时数据集输入训练好的排放-能源活动水平关联规则模型,得到当前能源活动水平预测值。
进一步,所述明确核算基准年,依据核算对象明确核算的数据需求及数据源,得到进行固定点源污染物与碳排放清单核算所需的历史数据集,具体为:
根据能够获取的满足预设时间分辨率要求的点源数据集,明确核算基准年;
采集核算基准年的基础数据和能源活动水平作为点源数据集;
采集核算基准年的小时尺度的固定点源CEMS数据集;
将点源数据集和CEMS数据集共同作为历史数据集。
进一步,所述对获取的历史数据集进行预处理后,用于构建排放-能源活动水平关联规则模型,具体为:
依据核算需求,明确固定点源污染物与碳排放清单核算的时间分辨率;
基于确定的时间分辨率,对获取的历史数据集进行预处理,得到训练样本集与测试样本集;
采用机器学习方法构建核算基准年监测指标的排放-能源活动水平关联规则模型,并利用训练样本集对排放-能源活动关联规则模型进行训练,利用测试样本集对训练模型进行测试。
进一步,所述基于确定的时间分辨率,对获取的历史数据集进行预处理,得到训练样本集与测试集,具体为:
剔除异常统计信息;
基于固定污染源的在线监测实时指标,对企业实际运行状态进行识别;
基于企业实际运行状态,剔除异常信息后,整理为所需时间分辨率的历史数据集;
将数值型特征的监测指标排放量进行对数化处理,对离散型特征的监测指标排放量进行one-hot编码处理,得到模型输入数据集,并按比例划分为模型训练样本集与测试样本集。
进一步,所述时间分辨率包括实际分辨率和小时分辨率;
实际分辨率下对监测指标排放量进行处理时,将采集的核算基准年小时尺度的监测指标排放量数据进行特征平铺,得到监测指标排放量特征数据;
小时分辨率下对监测指标排放量进行处理时,计算公式为:
Ep,i,j,h=Cp,i,j,h×Vp,i×10-6
其中,Ep,i,j,h为p企业第i个排放口监测的j污染物的小时排放量,kg/h;Cp,i,j,h为p企业第i个排放口j污染物的实时监测浓度,mg/m3;Vp,i为p企业第i个排放口烟气流量,m3/h。
进一步,所述基于当前能源活动水平预测值对固定点源污染物与碳排放清单进行核算,并基于监测指标的实测排放量对固定点源污染物与碳排放清单进行校验,具体为:
基于当前能源活动水平以及固定点源的基础参数,核算得到固定点源污染物与碳排放清单,包括监测指标和非监测指标排放量的核算值;
基于监测指标的实时排放量对监测指标排放量的核算值进行趋势分析,对固定点源污染物与碳排放清单进行验证。
第二方面,本发明提供一种固定点源污染物与碳排放清单动态核算系统,包括:
能源活动水平计算模块,用于对固定点源污染物监测指标的实时排放量进行采集,输入预先训练的排放-能源活动水平关联规则模型后,得到当前能源活动水平预测值;
清单计算及校验模块,用于基于当前能源活动水平预测值对固定点源污染物与碳排放清单进行核算,并基于监测指标的实测排放量对固定点源污染物与碳排放清单进行校验;
清单输出模块,用于对校验后的固定点源污染物与碳排放清单进行动态更新、共享和存储。
第三方面,本发明提供一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述方法中的任一方法。
第四方面,本发明提供一种计算设备,包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述方法中的任一方法的指令。
本发明由于采取以上技术方案,其具有以下优点:
(1)本发明涉及的SO2、NO2、PM排放量为固定点源不同排放口在线监测获得,其余输入参数均为同期历史动态数据,辅以点源基础信息等静态参数,基于历史规则与实时在线监测数据核算可快速、精准、有效增强清单时效性,简单易操作。
(2)本发明采用机器学习算法实现基准年监测污染物排放量与燃料消耗活动水平的关联,反演固定点源实时的燃料消耗活动水平,解决了在清单编制过程中,高时间分辨率的燃料消耗活动水平数据难以实时获取的难题。
(3)本发明由于机器学习算法在建模时,对在线监测的小时分辨率的污染物排放量进行特征平铺,可反映点源实际运行过程排放状况。
(4)本发明由于建立基于在线监测与机器学习算法的固定点源污染物与碳排放动态清单,较已有研究排放清单更具时效性;本发明方法与研究思路在交通源等其他源类高时空分辨率动态清单编制方面具有通用性,具有重要的科学意义和实际推广应用价值。
因此,本发明可以广泛应用于大气污染源排放清单技术领域。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1为本发明实施例提供的固定点源污染物与碳排放清单动态核算方法流程图;
图2为本发明实施例提供的固定点源污染物与碳排放清单动态核算系统结构图;
图3为本发明实施例中日尺度能源活动水平预测值与真实值对比图;
图4为本发明实施例中小时尺度能源活动水平预测值与真实值对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的一些实施例中,公开了一种固定点源污染物与碳排放清单动态核算方法,首先,基于实测的污染物排放量、高分辨率的固定点源活动水平数据,采用机器学习算法建立了基准年的排放-能源活动水平关联规则,即SO2、NO2、PM等监测指标排放量与对应能源活动水平的关联规则;然后,基于基准年的排放-能源活动水平关联规则,通过实时采集并获取的SO2、NO2、PM等监测指标排放量反演对应时段能源活动水平,进一步核算SO2、NO2、PM、VOCs、CO、CO2等的实时排放量,并通过实时监测的SO2、NO2、PM排放量与其对应核算的排放量进行核对,确保核算结果的准确性,最终实现固定点源污染物与碳排放清单的实时动态更新,为高时空分辨率的固定点源排放清单构建提供了新方法,开辟了新思路。该方法具有重要的科学意义和重要的实际推广应用价值。
与之相对应地,本发明的另一些实施例中,提供一种固定点源污染物与碳排放清单动态核算系统、设备和存储介质。
实施例1
如图1所示,本实施例提供一种固定点源污染物与碳排放清单动态核算方法,具体地,包括以下步骤:
(1)对固定点源污染物监测指标的实时排放量进行采集,输入预先构建的排放-能源活动水平关联规则模型后,得到当前能源活动水平;
(2)基于当前能源活动水平对固定点源污染物与碳排放清单进行核算,并基于监测指标的实测排放量对固定点源污染物与碳排放清单进行校验;其中,固定点源污染物与碳排放清单是指特定时段内,由固定点源排放到大气中的污染物与CO2的数据集,且污染物包括监测指标和非监测指标;
(3)对校验后的固定点源污染物与碳排放清单进行快速动态更新,并通过在线技术平台实现数据共享,同时储存更新后的固定点源污染物与碳排放清单数据集,用于对固定点源污染物减排措施进行优化。
优选地,上述步骤(1)中,具体为:
(1.1)明确核算基准年,依据核算对象明确核算的数据需求及数据源,得到进行固定点源污染物与碳排放清单核算所需的历史数据集;其中,固定点源污染物与碳排放清单是指特定时段内,由固定点源排放到大气中的污染物与CO2的数据集,其时间分辨率主要取决于建模时采用的能源活动水平数据的时间分辨率。
(1.2)对获取的历史数据集进行预处理后,用于构建排放-能源活动水平关联规则模型。
(1.3)计算固定点源污染物监测指标的实时排放量,得到实时数据集。
(1.4)将实时数据集输入构建的排放-能源活动水平关联规则模型,得到当前能源活动水平。
优选地,上述步骤(1.1)中,获取历史数据集的方法,具体为:
(1.1.1)根据能够获取的满足预设时间分辨率要求的点源数据集,明确核算基准年。其中,时间分辨率以日或小时为准,本实施例中,能源消耗活动水平数据的时间分辨率以日计。
(1.1.2)采集核算基准年的基础数据和能源活动水平作为点源数据集。
其中,基础数据包括固定点源地理信息数据、投产时间、行业类别等;能源活动水平数据包括生产设施规模、原料消耗量、燃料类型、燃料消耗量、低位发热量、产品产量、锅炉类型、锅炉数量、锅炉装机及其他参数、污染控制工艺及类型、污染控制设备数量、污染控制设备运行时间、烟囱高度、电厂机组参数(机组容量、汽轮机类型、压力参数、个数)、电厂机组投产日期等。
(1.1.3)采集核算基准年的固定点源CEMS数据集,其中,CEMS数据为小时尺度,主要包括:SO2浓度、NO2浓度、烟尘浓度、烟气流量、烟气温度、烟气湿度、烟气含氧量、设备运行状态等;
(1.1.4)将点源数据集和CEMS数据集共同作为历史数据集。
优选地,上述步骤(1.2)中,对获取的历史数据集进行预处理后,用于构建排放-能源活动水平关联规则模型,具体为:
(1.2.1)依据核算需求,明确固定点源污染物与碳排放清单核算的时间分辨率;
(1.2.2)基于确定的时间分辨率,对获取的历史数据集进行预处理,得到模型输入样本集;
(1.2.3)采用机器学习方法快速构建核算基准年监测指标(SO2、NO2、PM)排放-能源活动水平关联规则模型,同时评估模型合理性与适用性。
优选地,上述步骤(1.2.1)中,本实施例采用两种方法确定核算清单的时间分辨率,即以实际统计的能源活动水平数据对应时间分辨率为准的确定方法和小时分辨率确定方法。
优选地,上述步骤(1.2.2)中,对获取的历史数据集进行预处理,具体为:
①结合理论与实际经验,剔除异常统计信息:对于排放口在线监测数据,持续24h以上的空值或零值采用月平均值补充;空值或零值小于24h时以空值或零值时间段前后时间节点有效数据的算术平均值补充;异常值按空值处理。
②基于固定污染源的在线监测实时指标,识别企业运行状态:正常、停运/停产、故障、检修等。其中,对企业的实际运行状态进行识别,用于获取相对符合实际运行情况的日排放量或小时分辨率能源活动水平分解,对于非正常时段不核算非监测指标(VOCs、CO、CO2)排放量,那么日排放量为正常运行时段污染物加和;小时分辨率能源活动水平可依据日统计值与企业真实运行的时间进行小时尺度分解。
③基于企业实际运行状态以及剔除异常信息后的数据,整理为所需时间分辨率的历史数据集。
实际分辨率:将采集的基准年小时尺度的SO2、NO2、PM等监测指标排放量数据进行特征平铺,即将当天在线监测的每个污染物(SO2、NO2、PM)的24个时刻的相关指标(如监测浓度、烟气参数),作为24个特征输入,则3种污染物共产生24*3=72个特征,结合实际统计数据,用于实际统计的最高分辨率(如天)的能源活动水平数据与监测指标排放的关联规则训练;
小时分辨率:对于更高分辨率需求(如小时),则对实际统计的能源活动水平进行小时尺度分解,用于与其对应的小时尺度SO2、NO2、PM等监测指标排放量的关联规则训练。其中,小时分辨率的监测指标(例如SO2、NO2、PM)排放量,其具体计算公式如下:
Ep,i,j,h=Cp,i,j,h×Vp,i×10-6 (1)
其中,Ep,i,j,h为p企业第i个排放口监测的j污染物的小时排放量,kg/h;Cp,i,j,h为p企业第i个排放口j污染物的实时监测浓度,mg/m3;Vp,i为p企业第i个排放口烟气流量,m3/h。
④将数值型特征进行对数化处理,对离散型特征进行one-hot编码处理,同时,将日期变量预处理为一年中的各月、一周中的各天、一天中的各小时,并将此类变量按离散型特征对待,用于探索每天排放权重的因子以及年内时间参数。其中,数值型特征主要包括烟气流量、SO2监测浓度、NO2监测浓度、烟尘监测浓度、烟气温度、烟气湿度、烟气含氧量、锅炉参数(如额定蒸发量、低位发热量)、机组单机容量、日煤耗量等;离散型特征主要包括生产设备类型、燃料类型、机组参数(如汽轮机类型、压力参数、个数)、冷却方式等。
优选地,上述步骤(1.2.3)中,以实际统计的燃料消耗活动水平或时间模块分解的能源消耗活动水平作为输出参数,以历史数据集,即数值型特征,离散型特征,时间参数以及在线监测污染物排放量数据作为输入参数,采用机器学习算法,训练基准年监测指标(例如SO2、NO2、PM)排放与能源活动水平的关联规则,分析各输入特征参数在建模过程中的重要性及权重,以考虑重要性特征且其数据易获取、反演结果与真实数据一致性最高为基本原则,筛选并明确最适宜的监测指标排放量与能源活动水平关联规则模型。
优选地,上述步骤(1.3)中,对固定点源污染物监测指标的实时排放量,得到实时数据集,具体为:
(1.3.1)实时采集固定点源小时尺度的CEMS数据,主要包括:SO2浓度、NO2浓度、烟尘浓度、烟气流量、烟气温度、烟气湿度、烟气含氧量、设备运行状态等,形成实时数据集;
(1.3.2)基于实时采集的固定点源小时尺度的CEMS数据,计算得到小时分辨率的监测指标排放量,例如SO2、NO2、PM排放量。
(1.3.3)对核算的小时分辨率的监测指标排放量进行对数化处理,作为实时清单核算的输入特征参数。
优选地,上述步骤(2)中,具体为:
(2.1)基于当前能源活动水平以及固定点源的基础参数,核算得到固定点源监测指标和非监测指标的核算值。
基于当前能源活动水平,核算SO2、NO2、PM、VOCs、CO、CO2等指标的实时排放量,具体计算公式如下:
Ep,i,j=EFj×Ap,i×(1-ηj) (2)
其中,Ep,i,j为p点源第i个排放口未监测j污染物的排放量;Ap,i为p点源第i个排放口对应设备燃料消耗量或能源活动水平;EFj为未监测j污染物排放因子;ηj为污染控制技术对污染物j的去除效率。
(2.2)对监测指标的实测排放量与监测指标的核算排放量进行趋势分析,验证基于能源活动水平反演而动态核算的污染物与碳排放清单的准确性;
(2.3)开展详细的文献调研,收集现有研究中固定点源排放清单,与本发明排放清单进行横向比较;通过区域空气质量监测数据的趋势分析,实现与本发明排放清单的趋势校验;采用蒙特卡洛方法,对本发明污染物与碳排放清单的不确定性进行定量评估。
实施例2
本发明已成功应用于某钢铁厂污染物与碳排放的动态核算,采用了轻量级的梯度提升机(Light Gradient Boosting Machine,LightGBM)算法建模。依据核算对象与需求,明确核算的时间分辨率;以燃料消耗活动水平作为输出参数,其他数据作为输入参数,其中80%样本数据作为训练集,20%样本数据作为测试集。对基础信息数据、活动水平数据、CEMS数据等按照连续与离散特征分别选用对数化或one-hot编码处理;对于在线监测数据采用小时特征平铺方式并对数据进行对数化处理;离散型特征(包括:燃料类型、生产设备类型、锅炉类型、污染控制工艺及类型等)进行one-hot编码处理;连续型特征(包括:燃料消耗量、低位发热量、产品产量等)进行对数化处理。另外加入星期和月份变量,用于探索每天排放权重的因子以及年内时间参数。依据建模结果,明确各输入特征参数在建模过程中的重要性;以考虑重要特征且其数据易获取、反演结果与真实数据一致性最高为基本原则,筛选并明确最适宜的SO2、NO2、PM排放量与燃料消耗量关联规则,同时与真实值比较,评估模型合理性与适用性。
实施例3
本实施例以某电厂2018年3月-2022年1月污染物与CO2排放清单动态核算为例,对于电厂历史数据集中的CEMS数据,剔除电厂停运、故障、检修等状态下数据与异常数据,最终获取有效样本33720个,持续24h以上的空值或零值采用月平均值补充;空值或零值小于24h时以空值或零值时间段前后时间节点有效数据的算术平均值补充;异常值按空值处理;基于在线监测的烟气流量与NO2、SO2、烟尘排放浓度核算小时分辨率的NO2、SO2、PM排放量。
针对实际分辨率,将获取的日尺度的燃料消耗活动水平数据作为输出,对小时尺度的NO2、SO2、PM排放量平铺后作为输入参数,采用LightGBM算法建模,以考虑重要特征且其数据易获取、反演结果与真实数据一致性最高为基本原则,筛选并明确最适宜的小时分辨率的SO2、NO2、PM排放量与燃料消耗量关联规则。实施例测试集中通过模型输出值与真实值的对比分析(如图3所示),得到标准化处理后的无量纲统计量标准平均偏差(NMB,-0.035)、标准平均误差(NME,0.073)、平均分数偏差(MFB,-0.028)、平均分数误差(MFE,0.075)、可决系数(R2,0.87)等指标均处于模型评价合理范围,进一步说明所建模型具有合理性与适用性,建模结果可靠。
对于时间分辨率,对日尺度的燃料消耗活动水平数据进行小时分解,分解系数参考《城市大气污染物排放清单编制技术手册》,以分解后的小时分辨率的燃料消耗活动水平数据进行对数化处理后作为输出参数,以考虑重要特征且其数据易获取、反演结果与真实数据一致性最高为基本原则,筛选并明确最适宜的小时分辨率的SO2、NO2、PM排放量与燃料消耗量关联规则,依据测试集模型输出的预测值与真实值的对比分析(图4),得到标准化处理后的无量纲统计量标准平均偏差(NMB,-0.004)、标准平均误差(NME,0.080)、平均分数偏差(MFB,0.004)、平均分数误差(MFE,0.081)、可决系数(R2,0.86)等指标均处于模型评价合理范围,进一步说明所建模型具有合理性与适用性,建模结果可靠。
对核算结果进行整理,形成基于实际燃料消耗活动水平时间分辨率(本实施例对应时间分辨率为天)的污染物与碳排放清单;本实施例同时将日尺度的燃料消耗活动水平进行小时分解,快速核算了电厂小时分辨率的污染物与碳排放清单;两套清单均可通过在线技术平台实现共享,以满足政府、企业、公众不同程度需求。
实施例4
上述实施例1提供了固定点源污染物与碳排放清单动态核算方法,与之相对应地,本实施例提供一种固定点源污染物与碳排放清单动态核算系统。本实施例提供的系统可以实施实施例1的固定点源污染物与碳排放清单动态核算方法,该系统可以通过软件、硬件或软硬结合的方式来实现。例如,该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的系统基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例1的部分说明即可,本实施例提供的系统的实施例仅仅是示意性的。
本实施例提供的固定点源污染物与碳排放清单动态核算系统,包括:
能源活动水平计算模块,用于对固定点源污染物监测指标的实时排放量进行采集,输入预先构建的排放-能源活动水平关联规则模型后,得到当前能源活动水平;
清单计算及校验模块,用于基于当前能源活动水平对固定点源污染物与碳排放清单进行核算,并基于监测指标的实测排放量对固定点源污染物与碳排放清单的准确性进行校验;
清单输出模块,用于对校验后的固定点源污染物与碳排放清单进行动态更新、共享和存储。
优选地,清单计算及核算模块包括:
历史数据采集模块,用于获取历史数据集及点源数据集并进行预处理;
实时数据采集模块,用于实时采集固定点源小时尺度CEMS数据(即实时数据集),并进行数据预处理;
模型训练模块,用于利用预处理后的历史数据集和点源数据集对排放-能源活动水平关联规则模型进行训练;
核算模块基于实时采集的CEMS数据与训练的排放-能源活动水平关联规则,同时结合固定点源信息数据核算SO2、NO2、PM、VOCs、CO、CO2等指标实时排放量。
实施例5
本实施例提供一种与本实施例1所提供的固定点源污染物与碳排放清单动态核算方法对应的处理设备,处理设备可以是用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例1所提供的固定点源污染物与碳排放清单动态核算方法。
在一些实施例中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实施例中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例6
本实施例1的固定点源污染物与碳排放清单动态核算方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的固定点源污染物与碳排放清单动态核算方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种固定点源污染物与碳排放清单动态核算方法,其特征在于,包括以下步骤:
对固定点源污染物监测指标的实时排放量进行采集,输入预先构建的排放-能源活动水平关联规则模型后,得到当前能源活动水平预测值;
基于当前能源活动水平预测值对固定点源污染物与碳排放清单进行核算,并基于监测指标的实测排放量对固定点源污染物与碳排放清单准确性进行校验;
对校验后的固定点源污染物与碳排放清单进行动态更新、共享和存储。
2.如权利要求1所述的一种固定点源污染物与碳排放清单动态核算方法,其特征在于,所述对固定点源污染物监测指标的实时排放量进行采集,输入预先构建的排放-能源活动水平关联规则模型后,得到当前能源活动水平预测值,具体为:
明确核算基准年,依据核算对象明确核算的数据需求及数据源,得到进行固定点源污染物与碳排放清单核算所需的历史数据集;
对获取的历史数据集进行预处理后,用于构建排放-能源活动水平关联规则模型;
对固定点源污染物监测指标的实时排放量进行采集和处理,得到实时数据集;
将实时数据集输入训练好的排放-能源活动水平关联规则模型,得到当前能源活动水平预测值。
3.如权利要求2所述的一种固定点源污染物与碳排放清单动态核算方法,其特征在于,所述明确核算基准年,依据核算对象明确核算的数据需求及数据源,得到进行固定点源污染物与碳排放清单核算所需的历史数据集,具体为:
根据能够获取的满足预设时间分辨率要求的点源数据集,明确核算基准年;
采集核算基准年的基础数据和能源活动水平作为点源数据集;
采集核算基准年的小时尺度的固定点源CEMS数据集;
将点源数据集和CEMS数据集共同作为历史数据集。
4.如权利要求2所述的一种固定点源污染物与碳排放清单动态核算方法,其特征在于,所述对获取的历史数据集进行预处理后,用于构建排放-能源活动水平关联规则模型,具体为:
依据核算需求,明确固定点源污染物与碳排放清单核算的时间分辨率;
基于确定的时间分辨率,对获取的历史数据集进行预处理,得到模型训练样本集与测试样本集;
采用机器学习方法构建核算基准年监测指标的排放-能源活动水平关联规则模型,并利用训练样本集对排放-能源活动水平关联规则模型进行训练,利用测试样本集对排放-能源活动水平关联规则模型进行测试。
5.如权利要求4所述的一种固定点源污染物与碳排放清单动态核算方法,其特征在于,所述基于确定的时间分辨率,对获取的历史数据集进行预处理,得到模型训练样本集与测试样本集,具体为:
剔除异常统计信息;
基于固定污染源的在线监测实时指标,对企业实际运行状态进行识别;
基于企业实际运行状态以及剔除异常信息后的数据,整理为所需时间分辨率的历史数据集;
将数值型特征的监测指标排放量进行对数化处理,对离散型特征的监测指标排放量进行one-hot编码处理,得到模型输入数据集。
6.如权利要求5所述的一种固定点源污染物与碳排放清单动态核算方法,其特征在于,所述时间分辨率包括实际分辨率和小时分辨率;
实际分辨率下对监测指标排放量进行处理时,将采集的核算基准年小时尺度的监测指标排放量数据进行特征平铺,得到监测指标排放量特征数据;
小时分辨率下对监测指标排放量进行处理时,计算公式为:
Ep,i,j,h=Cp,i,j,h×Vp,i×10-6
其中,Ep,i,j,h为p企业第i个排放口监测的j污染物的小时排放量,kg/h;Cp,i,j,h为p企业第i个排放口j污染物的实时监测浓度,mg/m3;Vp,i为p企业第i个排放口烟气流量,m3/h。
7.如权利要求5所述的一种固定点源污染物与碳排放清单动态核算方法,其特征在于,所述基于当前能源活动水平预测值对固定点源污染物与碳排放清单进行核算,并基于监测指标的实测排放量对固定点源污染物与碳排放清单进行校验,具体为:
基于当前能源活动水平以及固定点源的基础参数,核算得到固定点源污染物与碳排放清单,包括监测指标和非监测指标排放量的核算值;
基于监测指标的实测排放量对监测指标排放量的核算值进行趋势分析,对固定点源污染物与碳排放清单准确性进行验证。
8.一种固定点源污染物与碳排放清单动态核算系统,其特征在于:
能源活动水平计算模块,用于对固定点源污染物监测指标的实时排放量进行采集,输入预先构建的排放-能源活动水平关联规则模型后,得到当前能源活动水平预测值;
清单计算及校验模块,用于基于当前能源活动水平预测值对固定点源污染物与碳排放清单进行核算,并基于监测指标的实测排放量对固定点源污染物与碳排放清单准确性进行校验;
清单输出模块,用于对校验后的固定点源污染物与碳排放清单进行动态更新、共享和存储。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备,其特征在于,包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311011808.5A CN116976562A (zh) | 2023-08-11 | 2023-08-11 | 一种固定点源污染物与碳排放清单动态核算系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311011808.5A CN116976562A (zh) | 2023-08-11 | 2023-08-11 | 一种固定点源污染物与碳排放清单动态核算系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116976562A true CN116976562A (zh) | 2023-10-31 |
Family
ID=88484933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311011808.5A Pending CN116976562A (zh) | 2023-08-11 | 2023-08-11 | 一种固定点源污染物与碳排放清单动态核算系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976562A (zh) |
-
2023
- 2023-08-11 CN CN202311011808.5A patent/CN116976562A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Predictive analysis of the air quality indicators in the Yangtze River Delta in China: An application of a novel seasonal grey model | |
CN110889088A (zh) | 一种应用电力模型辅助的企业排污监管方法 | |
CN112034800B (zh) | 挥发性有机污染物无组织排放量计算方法、系统、介质及终端 | |
CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
CN113792988A (zh) | 一种企业在线监测数据异常识别方法 | |
CN112085156B (zh) | 一种分压线损率预测及降损潜力评估方法及系统 | |
CN112288149A (zh) | 一种船舶工业智能制造协同服务系统 | |
CN116739368A (zh) | 基于能源大数据的工业园区碳排放水平监测及评估方法 | |
CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
Wang et al. | The role of industrial intelligence in peaking carbon emissions in China | |
Yang et al. | A Long‐Term Prediction Model of Beijing Haze Episodes Using Time Series Analysis | |
CN116976562A (zh) | 一种固定点源污染物与碳排放清单动态核算系统及方法 | |
CN116930423A (zh) | 一种空气质量模型模拟效果的自动验证评估方法及系统 | |
Shi et al. | Forecasting smog in Beijing using a novel time-lag GM (1, N) model based on interval grey number sequences | |
CN112085257B (zh) | 一种基于时序分析的综合能源业务潜力预测模型 | |
CN116384622A (zh) | 基于电力大数据的碳排放监测方法及装置 | |
CN105809304B (zh) | 电厂和治污设施生产运行参数相关性分析的方法 | |
Mado et al. | Short-term electricity load forecasting model based dsarima | |
CN106845823B (zh) | 一种防覆冰舞动技改项目效益评价方法和系统 | |
CN112734123A (zh) | 一种基于arima模型的工业废气排放量预测的方法 | |
CN113552289B (zh) | 一种基于高斯模式的大气污染溯源方法 | |
CN114819371B (zh) | 基于税务数据的产排污量预测模型构建方法和系统 | |
Donghui | Short-term Load Forecasting System for Power System Based on Big Data | |
CN111651938B (zh) | 基于热力计算与大数据的变煤质机组出力预测方法 |
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 |