CN117744704B - 一种烟气污染源采集监测系统、方法及可读存储介质 - Google Patents
一种烟气污染源采集监测系统、方法及可读存储介质 Download PDFInfo
- Publication number
- CN117744704B CN117744704B CN202410190648.3A CN202410190648A CN117744704B CN 117744704 B CN117744704 B CN 117744704B CN 202410190648 A CN202410190648 A CN 202410190648A CN 117744704 B CN117744704 B CN 117744704B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- real
- representing
- historical
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 17
- 239000003546 flue gas Substances 0.000 title claims abstract description 16
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 69
- 231100000719 pollutant Toxicity 0.000 claims abstract description 69
- 238000013135 deep learning Methods 0.000 claims abstract description 47
- 238000007405 data analysis Methods 0.000 claims abstract description 33
- 239000000779 smoke Substances 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 9
- 230000007774 longterm Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000000356 contaminant Substances 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 239000013618 particulate matter Substances 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 19
- 230000006872 improvement Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及污染源监测技术领域，具体地说，涉及一种烟气污染源采集监测系统、方法及可读存储介质。其包括污染源监测单元，污染源监测单元基于传感器模块监测烟气中污染物的浓度；数据分析单元基于深度学习预测模型对经过预处理的浓度数据进行分析，并根据实时浓度数据预测未来时间内的排放趋势；数据分析单元基于深度学习预测模型，通过动态调整实时数据与历史污染物浓度数据的权重，调整并优化深度学习预测模型，远程控制单元包括通信模块和烟气排放控制模块。将实时数据与截断后的历史数据结合，可以使模型在一定程度上兼顾长期历史信息和最新的实时信息，从而提高了模型预测的准确性和实时性。
Description
技术领域
本发明涉及污染源监测技术领域，具体地说，涉及一种烟气污染源采集监测系统、方法及可读存储介质。
背景技术
烟气污染源采集监测系统是用于监测和收集烟气排放数据的系统，它可以用于不同类型的工业场所、发电厂、化工厂或其他产生烟尘、废气、气体等排放物的场所，确保烟气排放在符合环境标准和规定的情况下进行，并且能够实时监测和处理烟气排放的数据，以保障环境安全和健康，通过监测和管理排放数据，这种系统有助于预测排放趋势、提前发现问题并采取措施来减少对环境的不利影响。
而传统的烟气污染源采集监测系统过度依赖长期历史数据，导致模型过度拟合训练集，并增加预测的不确定性，模型无法捕捉到未来可能出现的新变化，实时性较差，可能使得模型预测的排放趋势滞后于实际情况，难以准确预测未来的变化，突发事件可能导致数据的突然变化，而过度依赖历史数据的模型可能无法很好地适应这种突发情况；因此，提供一种烟气污染源采集监测系统、方法及可读存储介质。
发明内容
本发明的目的在于提供烟气污染源采集监测系统、方法及可读存储介质，以解决上述背景技术中提出的过度依赖历史数据的模型实时性较差，无法捕捉到未来可能出现的新变化的问题。
为实现上述目的，本发明目的在于提供了烟气污染源采集监测系统，包括：污染源监测单元，所述污染源监测单元基于传感器模块监测烟气中污染物的浓度；
数据采集单元，所述数据采集单元用于采集传感器模块监测到的实时监测数据，并将采集到的浓度数据进行预处理；
数据分析单元，所述数据分析单元基于深度学习预测模型对经过预处理的浓度数据进行分析，用于判断污染物浓度是否异常，并根据实时浓度数据预测未来时间内的排放趋势；
其中，数据分析单元基于深度学习预测模型，并通过动态调整实时数据与历史污
染物浓度数据的权重，调整并优化深度学习预测模型，其历史数据权重的调整计算规则
具体为：
；
远程控制单元，所述远程控制单元包括通信模块和烟气排放控制模块；其中，所述烟气排放控制模块基于数据分析单元分析、预测的结果，通过通信模块远程控制排放设备实现污染物排放量的调节。
作为本技术方案的进一步改进，所述传感器模块至少包括化学传感器、光学传感器和颗粒物传感器，用于检测不同种类的污染物。
作为本技术方案的进一步改进，所述数据采集单元包括实时数据采集模块和数据预处理模块；
其中，所述实时数据采集模块用于采集传感器模块的监测到的污染物浓度实时数据，并由数据预处理模块对污染物浓度实时数据进行预处理，用于提高实时数据的准确性和完整性。
作为本技术方案的进一步改进，所述数据分析单元包括数据存储模块、数据处理模块和预警模块；
其中，所述数据存储模块包括实时数据库和历史数据库，其中，实时数据库用于暂时存储来自数据采集单元的经过预处理的污染物浓度实时数据，所述数据处理模块用于读取实时数据库中的污染物浓度实时数据，并基于深度学习预测模型对污染物浓度实时数据进行分析，并根据实时数据分析的结构对未来时间节点的污染物浓度做出预测，所述数据处理模块将数据分析结果存储至历史数据库中，所述历史数据库用于存储融合数据，其中，所述融合数据包括实时数据库中的实时数据和数据处理模块的预测数据；
所述历史数据库将融合数据不断回传至深度学习预测模型，通过融合数据训练并提高深度学习预测模型的预测能力；
所述预警模块根据数据处理模块的数据分析结果，用于对数据分析结果超出预定阈值时发出警报。
作为本技术方案的进一步改进，所述深度学习预测模型基于长短期记忆网络（LSTM），所述深度学习预测模型具体构建步骤为：
S5.1、确定LSTM层数、隐藏单元数量；
S5.2、将污染物浓度数据输入到LSTM网络中，并确定需要预测的时间步长；
S5.3、使用实时数据与历史污染物浓度数据来训练LSTM网络，并动态调整实时数据与历史污染物浓度数据的权重，通过反向传播算法来优化模型参数，并引入最大时间步限制历史污染物浓度数据来优化模型学习；
S5.4、使用已训练好的LSTM网络，输入当前的污染物浓度数据，预测下一个时间步的浓度。
作为本技术方案的进一步改进，所述LSTM网络中，在时间步时，LSTM的污染物浓
度数据为，前一个时间步的隐藏状态为，则LSTM网络的具体函数模型为：
遗忘门：
；
其中，表示sigmoid函数；表示遗忘门权重矩阵；表示遗忘门的偏置；表
示遗忘门的输出；
输入门：
；
计算候选细胞状态；
；
其中，表示输入门的输出；表示候选细胞状态；表示输入门的权重矩阵；
表示输入门的偏置项；表示用于生成候选细胞状态的权重矩阵；表示用于生成候
选细胞状态的偏置项；表示双曲正切函数；
更新细胞状态：
；
其中，表示逐元素相乘；表示细胞状态；表示前一个时间步的细胞
状态；
输出门：
；
；
其中，表示隐藏状态；表示输出门的输出；表示输出门的权重矩阵；表
示输出门的偏置；表示对细胞状态中的每个元素都应用双曲正切函数。
作为本技术方案的进一步改进，所述S5.3中，通过引入最大时间步限制来截断历
史数据，用于减少深度学习预测模型对长期历史数据的过度依赖，若原始的历史数据是一
个长度为的序列，想要保留的最大时间步数为T，则：
；
其中，表示截断后的列序；表示对序列进行截取操作，保留到之间的历史数据；表示从序列的第一个历史数据开始一直截取到
第个历史数据。
另一方面，本发明提供了一种烟气污染源采集监测方法，应用上述中任意一项所述的烟气污染源采集监测系统来实现，包括如下步骤：
S8.1、污染源监测单元通过传感器模块监测烟气中污染物的浓度数据，并由数据采集单元将采集到的污染物浓度数据进行预处理；
S8.2、数据分析单元接收来自预处理的污染物浓度数据，基于深度学习预测模型分析浓度数据，判断异常情况并预测未来排放趋势；
S8.3、数据存储模块中的实时数据库和历史数据库用于为深度学习预测模型提供训练数据，通过动态调整实时数据与历史污染物浓度数据的权重，控制历史数据对模型预测的影响程度，并引入最大时间步限制来减少对历史污染物浓度数据的过度依赖；
S8.4、根据数据分析单元分析得到的数据信息，通过远程控制单元远程控制排放设备实现污染物排放量的调节。
另一方面，本发明提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的烟气污染源采集监测方法的步骤。
与现有技术相比，本发明的有益效果：
1、一种烟气污染源采集监测系统、方法及可读存储介质中，动态调整历史数据和实时数据的权重有助于模型及时地适应这些变化，模型可以更快地学习到新的数据模式，不过于依赖历史数据，提高模型的训练效果和性能，使模型更适应不断变化的环境和数据，增强模型的鲁棒性和可靠性。
2、一种烟气污染源采集监测系统、方法及可读存储介质中，通过引入最大时间步限制来截断历史数据，用于减少深度学习预测模型对长期历史数据的过度依赖，使深度学习预测模型更专注于处理最近的数据，学习和适应最近的信息，在一定程度上控制深度学习预测模型更对历史数据的依赖程度；
将实时数据与截断后的历史数据结合，可以使模型在一定程度上兼顾长期历史信息和最新的实时信息，从而提高了模型预测的准确性和实时性。
附图说明
图1为本发明的整体流程框图。
图中各个标号意义为：
1、污染源监测单元；2、数据采集单元；3、数据分析单元；4、远程控制单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
请参阅图1所示，提供了一种烟气污染源采集监测系统，包括：
污染源监测单元1，污染源监测单元1基于传感器模块监测烟气中污染物的浓度；
数据采集单元2，数据采集单元2用于采集传感器模块监测到的实时监测数据，并将采集到的浓度数据进行预处理；
数据分析单元3，数据分析单元3基于深度学习预测模型对经过预处理的浓度数据进行分析，用于判断污染物浓度是否异常，并根据实时浓度数据预测未来时间内的排放趋势；
远程控制单元4，远程控制单元4包括通信模块和烟气排放控制模块；其中，烟气排
放控制模块基于数据分析单元3分析、预测的结果，且数据分析单元3基于深度学习预测模
型，并通过动态调整实时数据与历史污染物浓度数据的权重，调整并优化深度学习预测模
型，其历史数据权重的调整计算规则具体为：
；
并通过通信模块远程控制排放设备实现污染物排放量的调节。烟气排放控制模块能够接收数据分析单元3的指令并实现对污染物排放的调控，包括增减排放、调整排放浓度等操作，以满足环境标准和管理要求；而通信模块用于监测系统内各个模块之间以及外部系统之间的通信。
所述传感器模块至少包括化学传感器、光学传感器和颗粒物传感器，用于检测不同种类的污染物。污染物类型至少包括二氧化硫、氮氧化物、一氧化碳、颗粒物。
所述数据采集单元2包括实时数据采集模块和数据预处理模块；
其中，实时数据采集模块用于采集传感器模块的监测到的污染物浓度实时数据，并由数据预处理模块对污染物浓度实时数据进行预处理，用于提高实时数据的准确性和完整性。预处理步骤至少包括数据清洗、数据转换、数据集成和序列构建；数据清洗用于清除异常值、处理缺失值或错误值，确保数据的准确性和完整性；数据转换采用Z-score标准化将数据按比例缩放，使其具有相似的范围，这有助于消除不同特征之间的量纲差异，以确保各个特征对模型的影响权重相对均，用于后续分析或建模；数据集成用于将来自不同类型传感器采集的数据进行整合，创建一个更全面、更完整的数据集。
序列构建将数据转换为适合LSTM输入的序列形式，即将时间序列数据转换为输入和输出序列对。
所述数据分析单元3包括数据存储模块、数据处理模块和预警模块；数据处理模块用于对实时数据分析和未来风险预测；
其中，所述数据存储模块包括实时数据库和历史数据库，其中，实时数据库用于暂时存储来自数据采集单元2的经过预处理的污染物浓度实时数据，数据处理模块用于读取实时数据库中的污染物浓度实时数据，并基于深度学习预测模型对污染物浓度实时数据进行分析，并根据实时数据分析的结果对未来时间节点的污染物浓度做出预测，数据处理模块将数据分析结果存储至历史数据库中，历史数据库用于存储融合数据，其中，融合数据包括实时数据库中的实时数据和数据处理模块的预测数据，进一步地，历史数据库包括临时数据库和历史预测数据库，实时数据和预测数据分开存储，且临时数据库用于暂存实时数据库中的实时数据，历史预测数据库用于存储数据处理模块的预测数据；深度学习预测模型根据实时数据与历史数据库对未来一定时间内污染物浓度进行预测；
所述历史数据库将融合数据不断回传至深度学习预测模型，通过融合数据训练并提高深度学习预测模型的预测能力。借助历史监测数据分析过去的异常事件，系统可以更好地预测、识别和应对未来可能出现的问题，从而提高系统的稳定性、可靠性和效率；
历史数据中包含过去出现的异常事件的模式，对异常事件进行分析，模型可以学习如何识别异常，并提前预测未来可能出现的类似问题，有助于系统在面临类似情况时更快做出应对，提高系统的稳定性和可靠性；
将历史数据用于深度学习预测模型训练后，可以通过比较模型预测结果和实际情况来进行模型的改进和优化，这种反馈循环可以不断提升模型的性能和效率，从而提高预测的能力和系统的稳定性。
最后，所述预警模块根据数据处理模块的数据分析结果，用于对数据分析结果超出预定阈值时发出警报。
所述深度学习预测模型基于长短期记忆网络（LSTM），所述深度学习预测模型具体构建步骤为：
S5.1、确定LSTM层数、隐藏单元数量；
根据问题复杂度和数据特征确定要堆叠的LSTM层数，更深的网络有助于捕获更复杂的模式；并确定每个LSTM层的隐藏单元数量；
S5.2、将污染物浓度数据输入到LSTM网络中，并确定需要预测的时间步长；将时间序列的污染物浓度数据整理成适当的输入序列形式，用于训练和预测，确定模型需要预测未来的时间步长。
S5.3、使用实时数据与历史污染物浓度数据来训练LSTM网络，并动态调整实时数据与历史污染物浓度数据的权重，通过反向传播算法来优化模型参数，并引入最大时间步限制历史污染物浓度数据来优化模型学习；
在本实施例中，所述反向传播算法使用均方误差（MSE）作为损失函数，表示模型预测值与实际值之间的差异，均方误差（MSE）具体为：
；
其中，表示样本数量；表示实际值；表示模型的预测值；
使用链式法则计算损失函数对网络参数的梯度，对于LSTM网络中的参数（包括权重和偏置），可以通过反向传播计算梯度；
并根据梯度下降法进行参数更新：
；
其中，表示网络参数，对于LSTM网络，网络参数包括权重和偏置，通过训练过程
中的梯度下降算法进行调整，以最小化损失函数，在一个典型的神经网络中，每个神经元
（或节点）与前一层的所有神经元相连，每条连接都有一个权重。这些权重和偏置是网络中
的参数，它们决定了神经网络的行为和预测能力。在训练过程中，这些参数会被调整以最小
化损失函数，使得网络能够更好地拟合训练数据并对新数据进行泛化；表示学习率；表示损失函数对参数的梯度。
使用历史污染物浓度数据，将其转换为LSTM网络可接受的训练数据格式；
在本实施例中，动态调整实时数据与历史污染物浓度数据的权重，用于调整并优化深度学习预测模型，由于对于深度学习预测模型而言，初期的历史数据样本较少，较少的历史数据样本不具备代表性，因此，初期历史数据样本权重较轻，而随着时间的推移增加，历史数据拥有了较多的样本量，能够提供更广泛的数据分布，历史数据的权重分配逐渐增加；
因此，在时间步上，历史数据的权重为，实时数据的权重为，则历史数
据权重的调整规则为：
；
其中，表示在时间步上历史数据的权重；表示时间步；表示初始历史数据
的权重；表示最终时历史数据的权重；表示调整函数变化的速率参数；历史数据的
权重在初始时较小，随着时间的推移增加，达到最终值，通过调整和来控制
初始和最终时历史数据的影响大小，并通过调整参数控制历史数据权重随时间变化的速
率；表示自然对数的底数，表示一个在时间推移中递减的函数，其值随时间的增加
而趋近于零，通过在时间推移中递减的特性，来控制历史数据的影响随时间的增加而
增加的过程，和分布控制初始和最终时历史数据的权重大小。
同时，实时数据包含新的模式或变化，动态调整历史数据和实时数据的权重有助于模型及时地适应这些变化，模型可以更快地学习到新的数据模式，而不是过于依赖历史数据，提高模型的训练效果和性能，使模型更适应不断变化的环境和数据，增强模型的鲁棒性和可靠性。
进一步地，通过引入最大时间步限制来截断历史数据，用于减少深度学习预测模
型对长期历史数据的过度依赖，过度依赖长期历史数据可能导致模型过度拟合训练集，而
忽视了新的趋势和变化，若原始的历史数据是一个长度为的序列，想要保留的最大时间步数为T，则：
；
其中，表示截断后的列序；表示对序列进行截取操作，保留到之间的历史数据，即保留最近的T个时间步的数据，如果，则从序列的倒数第T个历史数据开始取到最后一个历史数据；而如果，表示历史数据不足T
个时间步，则保留整个历史数据序列；表示从序列的第一个历史数据开始一直截取
到第个历史数据。
在本实施例中，通过引入最大时间步限制来截断历史数据，用于减少深度学习预测模型对长期历史数据的过度依赖，使深度学习预测模型更专注于处理最近的数据，学习和适应最近的信息，在一定程度上控制深度学习预测模型更对历史数据的依赖程度，限制历史数据的时间步数有助于避免过拟合，提高模型的泛化能力。
将实时数据与截断后的历史数据结合，可以使模型在一定程度上兼顾了长期历史信息和最新的实时信息，模型能够更准确地捕捉到当前的情况和变化，提高了预测的准确性和稳定性，从而提高了模型的综合性能。
S5.4、使用已训练好的LSTM网络，输入当前的污染物浓度数据，预测下一个时间步的浓度。
在本实施例的LSTM网络中，在时间步时，LSTM的污染物浓度数据为，则前一个
时间步的隐藏状态为，则LSTM网络的具体函数模型为：
遗忘门：
；
其中，表示sigmoid函数；表示遗忘门权重矩阵；表示遗忘门的偏置；表
示遗忘门的输出；
输入门：
；
计算候选细胞状态；
；
其中，表示输入门的输出；表示候选细胞状态，用于计算更新细胞状态；表
示输入门的权重矩阵；表示输入门的偏置项；表示用于生成候选细胞状态的权重
矩阵；表示用于生成候选细胞状态的偏置项；表示双曲正切函数；
更新细胞状态：
；
其中，表示逐元素相乘；表示细胞状态，包含模型学习到的关于污染物浓度的
信息；表示前一个时间步的细胞状态；细胞状态用于在LSTM网络中存储和传
递信息，包含LSTM网络学习到的关于污染物浓度的信息；
输出门：
；
；
其中，表示隐藏状态，包括当前时间步的模型状态信息，以及用于预测下一个时
间步的污染物浓度信息；表示输出门的输出，输出门的作用是控制当前时间步的隐藏状
态经过tanh函数后的值的哪一部分会成为该时间步的最终输出；表示输出门的权重矩
阵；表示输出门的偏置；表示对细胞状态中的每个元素都应用双曲正切函
数，使用双曲正切函数（）可以确保细胞状态中的值适当地被压缩到合适的范围内，以
便在计算隐藏状态时产生适当的输出。
实施例2：
本发明实施例2与实施例1的区别在于，本实施例是对一种烟气污染源采集监测系统所使用的烟气污染源采集监测方法进行介绍。
一种烟气污染源采集监测方法，应用上述中任意一项的烟气污染源采集监测系统来实现，包括如下步骤：
S8.1、污染源监测单元1通过传感器模块监测烟气中污染物的浓度数据，并由数据采集单元2将采集到的污染物浓度数据进行预处理；
S8.2、数据分析单元3接收来自预处理的污染物浓度数据，基于深度学习预测模型分析浓度数据，判断异常情况并预测未来排放趋势；
S8.3、数据存储模块中的实时数据库和历史数据库用于为深度学习预测模型提供训练数据，通过动态调整实时数据与历史污染物浓度数据的权重，控制历史数据对模型预测的影响程度，并引入最大时间步限制来减少对历史污染物浓度数据的过度依赖；
S8.4、根据数据分析单元3分析得到的数据信息，通过远程控制单元4远程控制排放设备实现污染物排放量的调节。
本发明还提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述烟气污染源采集监测方法的步骤。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种烟气污染源采集监测系统，其特征在于，包括：
污染源监测单元（1），所述污染源监测单元（1）基于传感器模块监测烟气中污染物的浓度；
数据采集单元（2），所述数据采集单元（2）用于采集传感器模块监测到的实时监测数据，并将采集到的浓度数据进行预处理；
数据分析单元（3），所述数据分析单元（3）基于深度学习预测模型对经过预处理的浓度数据进行分析，用于判断污染物浓度是否异常，并根据实时浓度数据预测未来时间内的排放趋势；
其中，数据分析单元（3）基于深度学习预测模型，并通过动态调整实时数据与历史污染
物浓度数据的权重，调整并优化深度学习预测模型，其历史数据权重的调整计算规则具
体为：
；
其中，表示在时间步/>上历史数据的权重；/>表示时间步；/>表示初始历史数据的权重；/>表示最终时历史数据的权重；/>表示调整函数变化的速率参数；/>表示自然对数的底数；
远程控制单元（4），所述远程控制单元（4）包括通信模块和烟气排放控制模块；其中，所述烟气排放控制模块基于数据分析单元（3）分析、预测的结果，通过通信模块远程控制排放设备实现污染物排放量的调节；
所述深度学习预测模型基于长短期记忆网络，所述深度学习预测模型具体构建步骤为：
S5.1、确定LSTM层数、隐藏单元数量；
S5.2、将污染物浓度数据输入到LSTM网络中，并确定需要预测的时间步长；
S5.3、使用实时数据与历史污染物浓度数据来训练LSTM网络，并动态调整实时数据与历史污染物浓度数据的权重，通过反向传播算法来优化模型参数，并引入最大时间步限制历史污染物浓度数据来优化模型学习；
S5.4、使用已训练好的LSTM网络，输入当前的污染物浓度数据，预测下一个时间步的浓度；
所述LSTM网络中，在时间步时，LSTM的污染物浓度数据为/>，前一个时间步/>的隐藏状态为/>，则LSTM网络的具体函数模型为：
遗忘门：
；
其中，表示sigmoid函数；/>表示遗忘门权重矩阵；/>表示遗忘门的偏置；/>表示遗忘门的输出；
输入门：
；
计算候选细胞状态；
；
其中，表示输入门的输出；/>表示候选细胞状态；/>表示输入门的权重矩阵；/>表示输入门的偏置项；/>表示用于生成候选细胞状态/>的权重矩阵；/>表示用于生成候选细胞状态/>的偏置项；/>表示双曲正切函数；
更新细胞状态：
；
其中，表示逐元素相乘；/>表示细胞状态；/>表示前一个时间步/>的细胞状态；
输出门：
；
;
其中，表示隐藏状态；/>表示输出门的输出；/>表示输出门的权重矩阵；/>表示输出门的偏置；/>表示对细胞状态/>中的每个元素都应用双曲正切函数。
2.根据权利要求1所述的烟气污染源采集监测系统，其特征在于：所述传感器模块至少包括化学传感器、光学传感器和颗粒物传感器。
3.根据权利要求1所述的烟气污染源采集监测系统，其特征在于：所述数据采集单元（2）包括实时数据采集模块和数据预处理模块；
其中，所述实时数据采集模块用于采集传感器模块的监测到的污染物浓度实时数据，并由数据预处理模块对污染物浓度实时数据进行预处理，用于提高实时数据的准确性和完整性。
4.根据权利要求1所述的烟气污染源采集监测系统，其特征在于：所述数据分析单元（3）包括数据存储模块、数据处理模块和预警模块；
其中，所述数据存储模块包括实时数据库和历史数据库，其中，实时数据库用于暂时存储来自数据采集单元（2）的经过预处理的污染物浓度实时数据，所述数据处理模块用于读取实时数据库中的污染物浓度实时数据，并基于深度学习预测模型对污染物浓度实时数据进行分析，并根据实时数据分析的结构对未来时间节点的污染物浓度做出预测，所述数据处理模块将数据分析结果存储至历史数据库中，所述历史数据库用于存储融合数据，其中，所述融合数据包括实时数据库中的实时数据和数据处理模块的预测数据；
所述历史数据库将融合数据不断回传至深度学习预测模型，通过融合数据训练并提高深度学习预测模型的预测能力；
所述预警模块根据数据处理模块的数据分析结果，用于对数据分析结果超出预定阈值时发出警报。
5.根据权利要求1所述的烟气污染源采集监测系统，其特征在于：所述S5.3中，通过引入最大时间步限制来截断历史数据，用于减少深度学习预测模型对长期历史数据的过度依赖，若原始的历史数据是一个长度为的序列/>，想要保留的最大时间步数为T，则：
；
其中，表示截断后的列序；/>表示对序列/>进行截取操作，保留/>到/>之间的历史数据；/>表示从序列/>的第一个历史数据开始一直截取到第/>个历史数据。
6.一种烟气污染源采集监测方法，应用如权利要求1-5中任意一项所述的烟气污染源采集监测系统来实现，其特征在于，包括如下步骤：
S8.1、污染源监测单元（1）通过传感器模块监测烟气中污染物的浓度数据，并由数据采集单元（2）将采集到的污染物浓度数据进行预处理；
S8.2、数据分析单元（3）接收来自预处理的污染物浓度数据，基于深度学习预测模型分析浓度数据，判断异常情况并预测未来排放趋势；
S8.3、数据存储模块中的实时数据库和历史数据库用于为深度学习预测模型提供训练数据，通过动态调整实时数据与历史污染物浓度数据的权重，控制历史数据对模型预测的影响程度，并引入最大时间步限制来减少对历史污染物浓度数据的过度依赖；
S8.4、根据数据分析单元（3）分析得到的数据信息，通过远程控制单元（4）远程控制排放设备实现污染物排放量的调节。
7.一种可读存储介质，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如权利要求6中所述的烟气污染源采集监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410190648.3A CN117744704B (zh) | 2024-02-21 | 2024-02-21 | 一种烟气污染源采集监测系统、方法及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410190648.3A CN117744704B (zh) | 2024-02-21 | 2024-02-21 | 一种烟气污染源采集监测系统、方法及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117744704A CN117744704A (zh) | 2024-03-22 |
| CN117744704B true CN117744704B (zh) | 2024-04-30 |
Family
ID=90261369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410190648.3A Active CN117744704B (zh) | 2024-02-21 | 2024-02-21 | 一种烟气污染源采集监测系统、方法及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117744704B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| CN109492830A (zh) * | 2018-12-17 | 2019-03-19 | 杭州电子科技大学 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
| CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN111047012A (zh) * | 2019-12-06 | 2020-04-21 | 重庆大学 | 基于深度双向长短期记忆网络的空气质量预测方法 |
| CN111639748A (zh) * | 2020-05-15 | 2020-09-08 | 武汉大学 | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN116702836A (zh) * | 2022-02-24 | 2023-09-05 | 中移(上海)信息通信科技有限公司 | 交通参与者的轨迹预测方法、装置及相关设备 |
| CN117565727A (zh) * | 2024-01-15 | 2024-02-20 | 朗峰新材料启东有限公司 | 基于人工智能的无线充电自动控制方法及系统 |
-
2024
- 2024-02-21 CN CN202410190648.3A patent/CN117744704B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN109492830A (zh) * | 2018-12-17 | 2019-03-19 | 杭州电子科技大学 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
| CN111047012A (zh) * | 2019-12-06 | 2020-04-21 | 重庆大学 | 基于深度双向长短期记忆网络的空气质量预测方法 |
| CN111639748A (zh) * | 2020-05-15 | 2020-09-08 | 武汉大学 | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN116702836A (zh) * | 2022-02-24 | 2023-09-05 | 中移(上海)信息通信科技有限公司 | 交通参与者的轨迹预测方法、装置及相关设备 |
| CN117565727A (zh) * | 2024-01-15 | 2024-02-20 | 朗峰新材料启东有限公司 | 基于人工智能的无线充电自动控制方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| Combining LSTM Network Ensemble via Adaptive Weighting for Improved Time Series Forecasting;Jae Young Choi 等;《Mathematical Problems in Engineering》;20181231;1-8 * |
| PV Power Prediction Based on LSTM With Adaptive Hyperparameter Adjustment;MINKANG CHAI 等;《IEEE Access》;20190821;第7卷;115473-115486 * |
| 基于数据挖掘及博弈论的异常用电检测及防御方法研究;江枫;《中国硕士学位论文全文数据库 工程科技Ⅱ辑》;20230215(第2期);C042-2757 * |
| 基于量子粒子群与深度学习的煤矿瓦斯涌出量软测量;付华 等;《仪器仪表学报》;20210430;第42卷(第4期);160-168 * |
| 智能车辆运动轨迹规划方法的研究;李爱娟;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20141215(第12期);C034-107 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117744704A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
| CN112183709B (zh) | 一种垃圾焚烧废气二噁英超标预测预警方法 | |
| CN114839881B (zh) | 智能化垃圾清理与环境参数大数据物联网系统 | |
| US20220365521A1 (en) | Virtual simulation manufacturing platform based on automatic control | |
| CN117113729B (zh) | 一种基于数字孪生的电力设备在线状态监测系统 | |
| CN117495210B (zh) | 公路混凝土施工质量管理系统 | |
| CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
| CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
| CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
| CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
| CN115687995A (zh) | 大数据环境污染监测方法及系统 | |
| CN117744704B (zh) | 一种烟气污染源采集监测系统、方法及可读存储介质 | |
| CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
| KHAMIS et al. | Deep learning Feedforward Neural Network in predicting model of Environmental risk factors in the Sohar region | |
| KR20220138250A (ko) | 고농도 미세먼지 상황의 발생을 추론하기 위한 방법 및 전자 장치 | |
| CN112070303B (zh) | 参数自适应的光伏功率爬坡事件的分级概率性预测方法 | |
| Xiao et al. | Reliability analysis of aging control system via stability margins | |
| CN114726751A (zh) | 资源质量监控的智能化预警方法、系统、设备和存储介质 | |
| Yang et al. | Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system | |
| Liu et al. | Polluted gas quantitative detection in multi-gas sensor based on bidirectional long-short term memory network | |
| CN111832832B (zh) | 一种基于物联网的小区自巡检系统 | |
| Dunea et al. | Comparing statistical and neural network approaches for urban air pollution time series analysis | |
| KR102520255B1 (ko) | 태양광 발전량 예측 시스템 및 방법 | |
| CN117671507B (zh) | 一种结合气象数据的河流水质预测方法 | |
| CN117291781B (zh) | 一种突发性水污染溯源方法、设备及介质 |
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 |