CN117057668A - 基于深度学习模型的工业污染物排放量预测方法 - Google Patents
基于深度学习模型的工业污染物排放量预测方法 Download PDFInfo
- Publication number
- CN117057668A CN117057668A CN202311168381.XA CN202311168381A CN117057668A CN 117057668 A CN117057668 A CN 117057668A CN 202311168381 A CN202311168381 A CN 202311168381A CN 117057668 A CN117057668 A CN 117057668A
- Authority
- CN
- China
- Prior art keywords
- emission
- pollutant
- prediction
- deep learning
- information
- 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 130
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013136 deep learning model Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 239000002910 solid waste Substances 0.000 claims abstract description 8
- 239000002351 wastewater Substances 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 238000009776 industrial production Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 239000002912 waste gas Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000000356 contaminant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 241000287127 Passeridae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于深度学习模型的工业污染物排放量预测方法,涉及工业污染物技术领域;为了解决只能对固定情况下的污染物排放进行预测的问题;具体包括如下步骤:根据收集的工厂历史污染物相关数据,建立基础信息库;基于基础信息库信息,利用深度学习算法构建污染排放预测模型;输入待预估污染物信息,经污染排放预测模型计算得到不同预测结果的排放量预估值;所述污染物包括废气、废水和固体废物。本发明能够预测生产排放污染物期间可能发生的多种影响排放量情况,从而得到不同情况下的预测排放量,以便人们能够提前作出预防措施,避免因突发情况而导致污染物排放出现不可控,保证污染物排放期间的安全可控性。
Description
技术领域
本发明涉及工业污染物技术领域,尤其涉及基于深度学习模型的工业污染物排放量预测方法。
背景技术
随着工业化的快速发展,工业污染物排放量日益增加,对环境和人类健康造成严重威胁。因此,为了更好地规划和管理工业企业的污染物排放、保护环境、改善空气质量以及维护人类健康,对工业污染物排放量进行准确预测成为了一个重要的问题。工业污染物排放量预测是指利用科学的方法和技术手段,对未来一定时期内工业企业的污染物排放量进行预测和估计。传统的工业污染物排放量预测方法主要基于经验模型,但其预测精度有限,而深度学习技术的发展为预测研究带来了新契机,深度学习模型具有强大的表示能力和泛化能力,可以自动学习数据中的特征,并对未知数据进行准确预测。
经检索,中国专利申请号为CN202310035441.4的专利,公开了一种流程工业污染物排放浓度预测方法及系统,其中,方法包括:基于流程工业历史运行数据,根据最大信息系数,确定污染物浓度相对于各相关特征的迟滞时间;其中,流程工业历史运行数据包括:相关特征历史数据和对应时刻的污染物浓度历史数据;相关特征为流程工业中与污染物浓度相关度较高的特征;根据迟滞时间,采用滑动窗格求平均值重构样本数据,确定样本数据集;使用样本数据集训练支持向量机回归模型,确定目标污染物浓度预测模型;基于流程工业相关特征实际数据,根据目标污染物浓度预测模型,确定污染物排放浓度。上述专利中的流程工业污染物排放浓度预测方法及系统存在以下不足:能够实现在固定情况下对污染物的排放浓度预测,若实际污染物排放期间出现突发情况,则需要人们进行现场应变,极易会出现不可控情况,因此还存在不能对污染物排放期间,可能会出现的多种影响排放量情况进行提前预测的不足。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的基于深度学习模型的工业污染物排放量预测方法。
为了实现上述目的,本发明采用了如下技术方案:
基于深度学习模型的工业污染物排放量预测方法,包括如下步骤:
S1:根据收集的工厂历史污染物相关数据,建立基础信息库;
S2:基于基础信息库信息,利用深度学习算法构建污染排放预测模型;
S3:输入待预估污染物信息,经污染排放预测模型计算得到不同预测结果的排放量预估值;
所述污染物包括废气、废水和固体废物,固体废物包括废渣和粉尘;
所述待预估污染物信息包括工业生产数据、污染物类型、环境和设备信息。
优选的:所述污染物相关数据包括不同类型污染物的排放量信息、工业生产信息、同一污染物名下不同排放量对应的环境信息、同一污染物名下不同排放量对应的污染情况信息;
所述环境信息包括天气、气压、风速、土壤、水质和温度。
优选的:所述基础信息库由不同类型的板块构成,每一板块均匹配一种类型的污染物及其对应的排放量信息;
所述排放量信息包括排放浓度、流速、流量和时间指数。
优选的:所述深度学习算法为卷积神经网络、循环神经网络和长短期记忆网络中的一种或两种及以上混合。
优选的:所述污染排放预测模型包括用于预估计算污染物排放量的预测模块、用于进行反向输入训练预测准确性的训练优化模块和用于在污染物排放期间实时核对排放量的实时校验模块。
优选的:所述训练优化模块对预测模块的优化方式为:采用群智能优化算法对预测模块权值与阈值进行优化。
优选的:所述预测模块的预测结果,包括以下方面:
①正常条件下的排放量预估值;
②不同突发情况下的排放量预估值。
优选的:所述排放量预估值包括污染物的排放量、排放范围和后续环境影响;
所述后续环境影响包括当前排放量对环境的污染影响、影响持续时长、是否具有可恢复性、恢复时长。
优选的:所述建立基础信息库之前还包括对收集的工厂历史污染物相关数据进行预处理,预处理的方式包括数据清洗、特征提取和归一化处理。
本发明的有益效果为:
1.本发明,通过向污染排放预测模型输入待预估污染物信息,能够经计算得到不同预测结果的排放量预估值,包括正常条件下的排放量预估值以及预测出现不同突发情况时对应的污染物排放量预估值,能够预测生产排放污染物期间可能发生的多种影响排放量情况,从而得到不同情况下的预测排放量,以便人们能够提前作出预防措施,避免因突发情况而导致污染物排放出现不可控,保证污染物排放期间的安全可控性。
2.本发明,收集工厂所排放污染物的自身数据、污染物排放期间的环境信息以及对应排放量下的污染情况信息,经预处理后建立较为全面的基础信息库,为污染排放预测模型的建立提供准确数据支撑,进而能够提高污染排放预测模型的预测准确性和可靠性。
3.本发明,通过训练模块输入历史污染物相关数据至预测模块中计算,并将得到预测排放量值与实际排放量值比对,实现对预测模块验证训练目的的同时,也能够及时检测出其预估的优缺点;实时校验模块能够在污染物排放结束后,将监测的污染物排放量实时数据与预测模块的预估排放量值进行核对,从而能够进一步判别预测模块的预测准确性,以便对预测模块进行优化更新相关对应参数,减少预测误差。
4.本发明与传统的统计预测模型相比,本发明基于深度学习的预测模型可以自动学习数据中的特征,并建立更复杂的映射关系,从而得到更准确的预测结果;预测前,尽可能的输入与工厂生产相关污染物排放的所有因素参数至污染排放预测模型中,得到计算结果后,以便根据工厂污染物的排放量预估值得到可能会产生的环境影响后果,为污染物的是否能够排放等提供数据支撑。
附图说明
图1为本发明提出的基于深度学习模型的工业污染物排放量预测方法的流程示意图;
图2为本发明提出的基于深度学习模型的工业污染物排放量预测方法的污染排放预测模型组成示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
下面详细描述本专利的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本专利,而不能理解为对本专利的限制。
实施例1:
基于深度学习模型的工业污染物排放量预测方法,如图1-2所示,包括如下步骤:
S1:根据收集的工厂历史污染物相关数据,建立基础信息库;收集工厂所排放污染物的自身数据、污染物排放期间的环境信息以及对应排放量下的污染情况信息,经预处理后建立较为全面的基础信息库,为污染排放预测模型的建立提供准确数据支撑,进而能够提高污染排放预测模型的预测准确性。
优选的,污染物包括废气、废水和固体废物等,固体废物包括废渣和粉尘等;
优选的,污染物相关数据包括不同类型污染物的排放量信息、工业生产信息、同一污染物名下不同排放量对应的环境信息、同一污染物名下不同排放量对应的污染情况信息等。
优选的,环境信息包括当时天气、气压、风速、土壤、水质和温度等;结合当时环境信息来判断其对污染物的排放范围等是否造成影响。
进一步优选的,基础信息库由不同类型的板块构成,每一板块均匹配一种类型的污染物及其对应的排放量信息;
优选的,排放量信息可为多种;以保证数据的收集完善。
优选的,排放量信息包括排放浓度、流速、流量和时间等相关指数;如建立废气板块、废水板块和固体废物板块,每一类型板块均对应匹配有该类型污染物的相关数据如浓度、流速、流量等。
进一步的,建立基础信息库之前还包括对收集的工厂历史污染物相关数据进行预处理,预处理的方式包括数据清洗、特征提取和归一化处理等步骤;在去除收集数据中的无效信息后提取特征值,并将不同特征值域映射到相同的范围归类,以确保基础信息库的建立效率及准确性。
S2:基于基础信息库信息,利用深度学习算法构建污染排放预测模型;
优选的,深度学习算法为卷积神经网络(CNN)、循环神经网络(RNN)和长短期记忆网络(LSTM)中的一种或多种混合;可以使用CNN来提取时间序列数据的特征,使用RNN或LSTM来建立时间序列数据的时序关系,或者融合多种深度学习算法模型,进一步提高所构建污染排放预测模型的预测精度。
进一步的,所述污染排放预测模型包括用于预估计算污染物排放量的预测模块、用于进行反向输入训练预测准确性的训练优化模块和用于在污染物排放期间实时核对排放量的实时校验模块,预测模块分别与训练优化模块和实时校验模块通信连接;可通过训练模块输入历史污染物相关数据至预测模块中计算,并将得到预测排放量值与实际排放量值比对,实现对预测模块验证训练目的的同时,也能够及时检测出其预估的优缺点;实时校验模块能够在污染物排放结束后,将监测的污染物排放量实时数据与预测模块的预估排放量值进行核对,从而能够进一步判别预测模块的预测准确性,以便对预测模块进行优化更新相关对应参数,减少预测误差。
优选的,训练优化模块对预测模块的优化方式为:采用群智能优化算法对预测模块权值与阈值进行优化,群智能优化算法为麻雀搜索算法和海洋捕食者法等中的一种。
S3:输入待预估污染物信息,经污染排放预测模型计算得到不同预测结果的排放量预估值。
优选的,待预估污染物信息包括工业生产数据、污染物类型、环境、设备信息等;尽可能的输入与工厂生产相关污染物排放的所有因素参数至污染排放预测模型中,以提高其预测的准确性。
进一步的,预测模块的预测结果,包括以下方面:
①正常条件下的排放量预估值;在输入各项条件参数与实际各项条件参数不发生变化的情况下,得到的污染物排放量预估值。
②不同突发情况下的排放量预估值;预测出现不同突发情况时对应的污染物排放量预估值;本发明通过预测模块得到的预测结果,能够预测生产排放污染物期间可能发生的多种情况,从而得到不同情况下的预测排放量,以便人们能够提前作出预防措施,避免因突发情况而导致污染物排放出现不可控。
本实施例收集工厂所排放污染物的自身数据、污染物排放期间的环境信息以及对应排放量下的污染情况信息,经预处理后建立较为全面的基础信息库,为污染排放预测模型的建立提供准确数据支撑;基于基础信息库信息,利用深度学习算法构建污染排放预测模型。在使用时,输入待预估污染物信息,经污染排放预测模型计算得到不同预测结果的排放量预估值。
本发明有效提高预测精度和效率,与传统的统计预测模型相比,本发明基于深度学习的预测模型可以自动学习数据中的特征,并建立更复杂的映射关系,从而得到更准确的预测结果。
实施例2:
基于深度学习模型的工业污染物排放量预测方法,如图1-2所示,为了方便人们了解因工厂待生产信息产生的污染物对环境的各方面影响;本实施例在实施例1的基础上作出以下补充:所述排放量预估值包括污染物的排放量、排放范围和后续环境影响等;
优选的,后续环境影响包括当前排放量对土地或水或大气等环境的污染影响、影响持续时长、是否具有可恢复性、恢复时长等;根据工厂污染物的排放量预估值得到可能会产生的环境影响后果,为污染物的是否能够排放等提供数据支撑。
本实施例收集工厂所排放污染物的自身数据、污染物排放期间的环境信息以及对应排放量下的污染情况信息,经预处理后建立较为全面的基础信息库,为污染排放预测模型的建立提供准确数据支撑;基于基础信息库信息,利用深度学习算法构建污染排放预测模型。在使用时,尽可能的输入与工厂生产相关污染物排放的所有因素参数至污染排放预测模型中,经污染排放预测模型计算得到不同预测结果的排放量预估值,包括在输入各项条件参数与实际各项条件参数不发生变化的情况下,得到的污染物排放量预估值,以及预测出现不同突发情况时对应的污染物排放量预估值,根据工厂污染物的排放量预估值得到可能会产生的环境影响后果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.基于深度学习模型的工业污染物排放量预测方法,其特征在于,包括如下步骤:
S1:根据收集的工厂历史污染物相关数据,建立基础信息库;
S2:基于基础信息库信息,利用深度学习算法构建污染排放预测模型;
S3:输入待预估污染物信息,经污染排放预测模型计算得到不同预测结果的排放量预估值;
所述污染物包括废气、废水和固体废物,固体废物包括废渣和粉尘;
所述待预估污染物信息包括工业生产数据、污染物类型、环境和设备信息。
2.根据权利要求1所述的基于深度学习模型的工业污染物排放量预测方法,其特征在于,所述污染物相关数据包括不同类型污染物的排放量信息、工业生产信息、同一污染物名下不同排放量对应的环境信息、同一污染物名下不同排放量对应的污染情况信息;
所述环境信息包括天气、气压、风速、土壤、水质和温度。
3.根据权利要求2所述的基于深度学习模型的工业污染物排放量预测方法,其特征在于,所述基础信息库由不同类型的板块构成,每一板块均匹配一种类型的污染物及其对应的排放量信息;
所述排放量信息包括排放浓度、流速、流量和时间指数。
4.根据权利要求1所述的基于深度学习模型的工业污染物排放量预测方法,其特征在于,所述深度学习算法为卷积神经网络、循环神经网络和长短期记忆网络中的一种或两种及以上混合。
5.根据权利要求4所述的基于深度学习模型的工业污染物排放量预测方法,其特征在于,所述污染排放预测模型包括用于预估计算污染物排放量的预测模块、用于进行反向输入训练预测准确性的训练优化模块和用于在污染物排放期间实时核对排放量的实时校验模块。
6.根据权利要求5所述的基于深度学习模型的工业污染物排放量预测方法,其特征在于,所述训练优化模块对预测模块的优化方式为:采用群智能优化算法对预测模块权值与阈值进行优化。
7.根据权利要求6所述的基于深度学习模型的工业污染物排放量预测方法,其特征在于,所述预测模块的预测结果,包括以下方面:
①正常条件下的排放量预估值;
②不同突发情况下的排放量预估值。
8.根据权利要求7所述的基于深度学习模型的工业污染物排放量预测方法,其特征在于,所述排放量预估值包括污染物的排放量、排放范围和后续环境影响;
所述后续环境影响包括当前排放量对环境的污染影响、影响持续时长、是否具有可恢复性、恢复时长。
9.根据权利要求1所述的基于深度学习模型的工业污染物排放量预测方法,其特征在于,所述建立基础信息库之前还包括对收集的工厂历史污染物相关数据进行预处理,预处理的方式包括数据清洗、特征提取和归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168381.XA CN117057668A (zh) | 2023-09-12 | 2023-09-12 | 基于深度学习模型的工业污染物排放量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168381.XA CN117057668A (zh) | 2023-09-12 | 2023-09-12 | 基于深度学习模型的工业污染物排放量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117057668A true CN117057668A (zh) | 2023-11-14 |
Family
ID=88666334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311168381.XA Pending CN117057668A (zh) | 2023-09-12 | 2023-09-12 | 基于深度学习模型的工业污染物排放量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057668A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312888A (zh) * | 2023-11-28 | 2023-12-29 | 天津市扬天环保科技有限公司 | 一种固定污染源的数据整合处理方法及系统 |
-
2023
- 2023-09-12 CN CN202311168381.XA patent/CN117057668A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312888A (zh) * | 2023-11-28 | 2023-12-29 | 天津市扬天环保科技有限公司 | 一种固定污染源的数据整合处理方法及系统 |
CN117312888B (zh) * | 2023-11-28 | 2024-02-06 | 天津市扬天环保科技有限公司 | 一种固定污染源的数据整合处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
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 | |
CN111460728A (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN111881627B (zh) | 一种核动力装置故障诊断方法和系统 | |
CN117057668A (zh) | 基于深度学习模型的工业污染物排放量预测方法 | |
CN113157732B (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
CN115860286B (zh) | 一种基于时序门机制的空气质量预测方法及系统 | |
CN112070317A (zh) | 酒店空调能耗预测方法 | |
CN114996110B (zh) | 一种基于微服务架构的深度巡检优化方法及系统 | |
CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
CN114113773A (zh) | 一种基于零样本学习的非侵入式负荷监测方法 | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
CN110850837A (zh) | 基于长短时记忆神经网络的系统寿命分析与故障诊断方法 | |
CN117744704A (zh) | 一种烟气污染源采集监测系统、方法及可读存储介质 | |
CN103197564B (zh) | 数字化人机界面监视单元数量优化方法及系统 | |
CN113591078A (zh) | 基于卷积神经网络架构优化的工控入侵检测系统及方法 | |
CN117332815A (zh) | 一种工业园区大气污染的预测方法及预测预警系统 | |
CN117196883A (zh) | 一种基于人工智能的污水处理决策优化方法及系统 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
Hu et al. | The early warning model of dust concentration in smart construction sites based on long short term memory network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |