CN118037503A - 恶臭污染物投诉预测方法、装置、电子设备和存储介质 - Google Patents
恶臭污染物投诉预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN118037503A CN118037503A CN202311701746.0A CN202311701746A CN118037503A CN 118037503 A CN118037503 A CN 118037503A CN 202311701746 A CN202311701746 A CN 202311701746A CN 118037503 A CN118037503 A CN 118037503A
- Authority
- CN
- China
- Prior art keywords
- concentration
- methane total
- emission source
- inorganic component
- target
- 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 122
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 68
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 459
- 229930195733 hydrocarbon Natural products 0.000 claims abstract description 239
- 150000002430 hydrocarbons Chemical class 0.000 claims abstract description 220
- 239000004215 Carbon black (E152) Substances 0.000 claims abstract description 117
- 230000035945 sensitivity Effects 0.000 claims abstract description 47
- 230000002411 adverse Effects 0.000 claims abstract description 40
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 38
- 239000011707 mineral Substances 0.000 claims description 38
- 239000000356 contaminant Substances 0.000 claims description 36
- -1 methane hydrocarbon Chemical class 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 230000002349 favourable effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 description 22
- 238000011156 evaluation Methods 0.000 description 13
- 238000009792 diffusion process Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 9
- 239000000126 substance Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 231100000331 toxic Toxicity 0.000 description 4
- 230000002588 toxic effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910010272 inorganic material Inorganic materials 0.000 description 2
- 239000011147 inorganic material Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229910001129 Aermet Inorganic materials 0.000 description 1
- 206010063659 Aversion Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Disinfection, Sterilisation Or Deodorisation Of Air (AREA)
Abstract
本方案属于污染防治技术领域,公开了一种恶臭污染物投诉预测方法、装置、电子设备和存储介质,解决了如何预测复杂排放源的恶臭污染物投诉的问题。该方法包括:获取目标企业目标排放源的各无机物组分浓度的1小时均值和非甲烷总烃浓度的1小时均值;基于各无机物组分浓度的1小时均值、非甲烷总烃浓度的1小时均值、各无机物组分的控制浓度和非甲烷总烃的控制浓度,获取目标排放源的恶臭污染物投诉预测结果;无机物组分的控制浓度,是基于无机物组分的嗅阈值与无机物组分对无机物组分的最不利敏感点的预测浓度贡献比例得到的;非甲烷总烃的控制浓度,是基于非甲烷总烃的嗅阈值与非甲烷总烃对非甲烷总烃的最不利敏感点的预测浓度贡献比例得到的。
Description
技术领域
本方案属于污染物防治技术领域,具体涉及一种恶臭污染物投诉预测方法、装置、电子设备和存储介质。
背景技术
恶臭污染属于感官污染,即通过嗅觉感官引起人心理上的厌恶感。恶臭污染属于扰民污染,投诉率呈上升趋势,占全部环境类投诉比例已达20%以上,占大气环境投诉比例近50%。
现有恶臭污染物投诉概率评估分析模型和计算机系统一般是通过某类或某种恶臭污染物的组分计算得到臭气浓度和臭气强度后估算投诉概率,具有较大局限性,难以实现实时评估某一企业中复杂的排放源类型的恶臭污染物投诉概率,因而难以达到实际应用的基本需求。并且,落地成本也较高,需使用能测有机物组分较多的在线监测仪器。
综上,如何实现对复杂的排放源类型的恶臭污染物投诉进行预测成为本领域亟待解决的技术课题。
发明内容
本方案旨在克服现有技术中的至少一种缺陷,提供一种恶臭污染物投诉预测方法、装置、电子设备和存储介质,用于解决如何实现对复杂的排放源类型的恶臭污染物投诉进行预测的问题。
为了解决上述技术问题,采取下述技术方案:
第一方面,本方案提供一种恶臭污染物投诉预测方法,包括:
获取目标企业各排放源中的目标排放源的各无机物组分浓度的1小时均值和非甲烷总烃浓度的1小时均值;
基于各所述无机物组分浓度的1小时均值、所述非甲烷总烃浓度的1小时均值、各所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,获取所述目标排放源的恶臭污染物投诉预测结果;
其中,所述无机物组分的控制浓度,是基于所述无机物组分的嗅阈值与所述无机物组分对所述无机物组分的最不利敏感点的预测浓度贡献比例得到的;所述非甲烷总烃的控制浓度,是基于所述非甲烷总烃的嗅阈值与所述非甲烷总烃对所述非甲烷总烃的最不利敏感点的预测浓度贡献比例得到的。
可选地,所述基于各所述无机物组分浓度的1小时均值、所述非甲烷总烃浓度的1小时均值、各所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,获取所述目标排放源的恶臭污染物投诉预测结果,包括:
分别基于每一所述无机物组分浓度的1小时均值和所述无机物组分的控制浓度,获取所述无机物组分的浓度倍数,并基于所述非甲烷总烃浓度的1小时均值和所述非甲烷总烃的控制浓度,获取所述非甲烷总烃的浓度倍数;
获取各所述无机物组分的浓度倍数和所述非甲烷总烃的浓度倍数中的最大值;
基于所述最大值,获取所述目标排放源的投诉概率的中间值;
基于所述中间值,获取所述目标排放源的恶臭污染物投诉预测结果。
可选地,所述基于各所述无机物组分浓度的1小时均值、所述非甲烷总烃浓度的1小时均值、各所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,获取所述目标排放源的恶臭污染物投诉预测结果之前,还包括:
获取所述目标排放源的臭气浓度总值、各所述无机物组分的浓度和嗅阈值,以及所述非甲烷总烃的浓度;
基于所述排放源的臭气浓度总值、各所述无机物组分的浓度和嗅阈值,以及所述非甲烷总烃的浓度,获取所述非甲烷总烃的嗅阈值。
可选地,所述基于所述排放源的臭气浓度总值、各所述无机物组分的浓度和嗅阈值,以及所述非甲烷总烃的浓度,获取所述非甲烷总烃的嗅阈值,包括:
基于各所述无机物组分的浓度和嗅阈值,获取各所述无机物组分的臭气浓度总值;
基于所述目标排放源的臭气浓度总值和各所述无机物组分的臭气浓度总值,获取所述非甲烷总烃的臭气浓度;
基于所述非甲烷总烃的浓度和所述非甲烷总烃的臭气浓度,获取所述非甲烷总烃的嗅阈值。
可选地,所述基于各所述无机物组分浓度的1小时均值、所述非甲烷总烃浓度的1小时均值、各所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,获取所述目标排放源的恶臭污染物投诉预测结果之前,且所述基于所述排放源的臭气浓度总值、各所述无机物组分的浓度和嗅阈值,以及所述非甲烷总烃的浓度,获取所述非甲烷总烃的嗅阈值之后,还包括:
获取各所述排放源的历史排放数据、以所述目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段所述目标区域的恶臭污染物投诉事件的信息和所述预设时间段所述目标区域的地理信息数据;
基于各所述排放源的历史排放数据、以所述目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段所述目标区域的恶臭污染物投诉事件的信息和所述预设时间段所述目标区域的地理信息数据,获取每一所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度。
可选地,所述基于各所述排放源的历史排放数据、以所述目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段所述目标区域的恶臭污染物投诉事件的信息和所述预设时间段所述目标区域的地理信息数据,获取每一所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,包括:
基于各所述排放源的历史排放数据、以所述目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段所述目标区域的恶臭污染物投诉事件的信息和所述预设时间段所述目标区域的地理信息数据,根据AERMOD模型,获取各所述排放源恶臭污染物叠加排放的情况下,所述预设时间段每一所述敏感点恶臭污染物的最大1小时平均浓度;
基于所述预设时间段各所述敏感点恶臭污染物的最大1小时平均浓度,确定各敏感点中的所述目标排放源每一所述无机物组分的最不利敏感点和所述非甲烷总烃的最不利敏感点;
基于各所述排放源的历史排放数据、以所述目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段所述目标区域的恶臭污染物投诉事件的信息和所述预设时间段所述目标区域的地理信息数据,根据AERMOD模型,获取每一所述排放源每一所述无机物组分单独排放的情况下,所述目标排放源每一所述无机物组分的浓度预测值和所述目标排放源所述非甲烷总烃的浓度预测值;
分别基于每一所述无机物组分的浓度和所述目标排放源所述无机物组分的浓度预测值,获取所述无机物组分对所述无机物组分的最不利敏感点的预测浓度贡献比例,并根据所述非甲烷总烃的浓度和所述非甲烷总烃的浓度,获取所述非甲烷总烃对所述非甲烷总烃的最不利敏感点的预测浓度贡献比例;
基于每一所述无机物组分的嗅阈值和所述无机物组分对所述无机物组分的最不利敏感点的预测浓度贡献比例,获取所述无机物组分的控制浓度,并基于所述非甲烷总烃的嗅阈值与所述非甲烷总烃对所述非甲烷总烃的最不利敏感点的预测浓度贡献比例,获取所述非甲烷总烃的控制浓度。
第二方面,本方案提供一种恶臭污染物投诉预测装置,包括:
均值获取模块,用于获取目标企业各排放源中的目标排放源的各无机物组分浓度的1小时均值和非甲烷总烃浓度的1小时均值;
投诉预测模块,用于基于各所述无机物组分浓度的1小时均值、所述非甲烷总烃浓度的1小时均值、各所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,获取所述目标排放源的恶臭污染物投诉预测结果;
其中,所述无机物组分的控制浓度,是基于所述无机物组分的嗅阈值与所述无机物组分对所述无机物组分的最不利敏感点的预测浓度贡献比例得到的;所述非甲烷总烃的控制浓度,是基于所述非甲烷总烃的嗅阈值与所述非甲烷总烃对所述非甲烷总烃的最不利敏感点的预测浓度贡献比例得到的。
第三方面,本方案还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述恶臭污染物投诉预测方法。
本方案还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述恶臭污染物投诉预测方法。
本方案还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述恶臭污染物投诉预测方法。
本方案与现有技术相比较有如下有益效果:针对目标企业各排放源对周边各敏感点的恶臭污染物影响的复杂情况,基于目标排放源恶臭污染物中各组分浓度的1小时均值,结合各组分的嗅阈值和控制浓度,对目标排放源的恶臭污染物投诉情况进行预测,能实现更加精准的预测评估,能克服传统的异味投诉概率评估分析模型和计算机系统的局限性。并且,本方案实施例中在线监测无机物组分和非甲烷总烃的成本较低,计算所需的数据较少,更容易实现,因而具有落地性更强和成本更低的特点。
附图说明
附图仅用于示例性说明,不能理解为对本方案的限制;为了更好说明本方案,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
图1是本方案提供的恶臭污染物投诉预测方法的流程示意图;
图2是本方案提供的恶臭污染物投诉预测方法中获取投诉预测结果的流程示意图;
图3是本方案提供的恶臭污染物投诉预测方法中获取非甲烷总烃的嗅阈值的流程示意图;
图4是本方案提供的恶臭污染物投诉预测方法中建立基础数据库的流程示意图;
图5是本方案提供的恶臭污染物投诉预测方法中进行恶臭污染物扩散影响模拟的流程示意图;
图6是本方案提供的恶臭污染物投诉预测方法中获取控制浓度的流程示意图;
图7是本方案提供的恶臭污染物投诉预测装置的结构示意图;
图8是本方案提供的电子设备的结构示意图。
具体实施方式
为了让本领域的技术人员更好地理解本方案,下面结合具体实施例对本方案做进一步详细说明。实施例中所使用的工艺方法如无特殊说明,均为常规方法;所用的材料,如无特殊说明,均可从商业途径得到。
图1是本方案提供的恶臭污染物投诉预测方法的流程示意图。下面结合图1描述本方案的恶臭污染物投诉预测方法。如图1所示,该方法包括:步骤101和步骤102。
步骤101、获取目标企业各排放源中的目标排放源的各无机物组分浓度的1小时均值和非甲烷总烃浓度的1小时均值。
具体地,污染来源非常广泛,涉及几十个行业,不仅存在于大气污染领域,还涉及污水和土壤领域,例如黑臭水体和污染土壤问题等。恶臭污染物的种类多,在极低浓度下就可以被人的感官识别,因而识别恶臭污染物的难度大,对恶臭污染物的治理效率的要求高。并且,恶臭污染物还具有瞬时性和阵发性的特点,导致恶臭污染物的捕捉比较困难。因而针对有、无组织排放源的恶臭污染物对周边敏感点的投诉概率的评估或预测,目前从技术上尚未建立方法与标准。
本方案实施例中,目标企业是工业企业,该目标企业有M个排放源(M为正整数)。本方案实施例是以上述多个排放源中的任意一个为目标排放源,预测目标排放源的恶臭污染物投诉情况。
可以对目标排放源的排放物的无机物组分j和非甲烷总烃进行在线监测,并对在线检测得到的数据进行计算,得到每一种无机物组分j和非甲烷总烃的1小时均值,分别为ECS-i-j和ECS-i-NMHC,单位为ug/m3。其中,S-i中的i为正整数,表示目标排放源的编号,即目标排放源为排放源S-i,1≤i≤M;j为正整数,表示无机物组分的编号;NMHC为非甲烷总烃的缩写。
可以理解的是,目标排放源的无机物组分可以有多种,可以记为S-i-j,1≤j≤N。其中N表示目标排放源的无机物组分的数量。
可选地,可以基于环境监测标准规范规定的方法,对在线检测得到的数据进行计算,得到每一种无机物组分j和非甲烷总烃的1小时均值。
步骤102、基于各无机物组分浓度的1小时均值、非甲烷总烃浓度的1小时均值、各无机物组分的控制浓度和非甲烷总烃的控制浓度,获取目标排放源的恶臭污染物投诉预测结果;
其中,无机物组分的控制浓度,是基于无机物组分的嗅阈值与无机物组分对无机物组分的最不利敏感点的预测浓度贡献比例得到的;非甲烷总烃的控制浓度,是基于非甲烷总烃的嗅阈值与非甲烷总烃对非甲烷总烃的最不利敏感点的预测浓度贡献比例得到的。
具体地,控制浓度,用于指示恰好引起恶臭污染投诉时的最大浓度。
最不利敏感点浓度,是指在恶臭污染发生时,目标企业所有排放源叠加后,小区Rn无机物组分j和非甲烷总烃在该敏感点建筑物区域内(小区Rn),可能受到影响最大的位置(小区Rn的楼栋Bn的楼层Fn)的浓度。
最不利敏感点,是指再恶臭污染发生时,目标企业所有排放源叠加后,浓度最大的位置。
敏感点,指预先确定的目标区域内的多个位置。目标区域是以目标企业为中心的一定范围内的区域。
目标区域可以根据目标企业的恶臭污染物排放量、排放源的多少、与周边小区之间的距离以及小区的人口数量、是否发生过恶臭污染物投诉事件和投诉事件的次数等灵活确定。对于目标区域的具体范围,本方案实施例不进行具体限定。
示例性地,目标区域是目标企业周边5千米或3千米的范围。
最不利敏感点的预测浓度贡献比例,是指对于目标排放源的任一无机物组分或非甲烷总烃,最不利敏感点处该组分的浓度占目标排放源排放该组分的浓度的比例。
对于目标排放源的任一无机物组分或非甲烷总烃,步骤102之前,可以基于该组分的嗅阈值与无机物组分对无机物组分的最不利敏感点的预测浓度贡献比例,获取该组分的控制浓度。
可选地,获取各无机物组分浓度的1小时均值、非甲烷总烃浓度的1小时均值、各无机物组分的控制浓度和非甲烷总烃的控制浓度之后,可以针对目标排放源的每一组分(包括各种无机物组分和非甲烷总烃),基于该组分浓度的1小时均值和该组分浓度的控制浓度,通过预先得到的预测模型,获取因该组分进行投诉的概率;获取因每一组分进行投诉的概率之后,可以采用合适的数理统计方法,对因各组分进行投诉的概率进行综合计算(例如取最大值或最大的多个值的平均值等),得到目标排放源的恶臭污染物投诉预测结果。
需要说明的是,目标排放源的恶臭污染物投诉预测结果的形式可以灵活多样。例如,投诉预测结果可以直接以投诉的概率表示,也可以以投诉的概率所属的等级表示(例如0至0.49为低,0.5至0.75为中,0.71至1为高)。对于投诉预测结果的具体形式,本方案实施例不进行具体限定。对于上述等级的具体形式(包括等级的数量和每个等级的范围等),本方案实施例也不进行具体限定。
需要说明的是,上述预测模型可以是基于目标企业各排放源的历史排放数据、目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据等训练数据,预先得到的模型。
可选地,可以采用任一种机器学习方法或结合至少两种机器学习方法,基于训练数据进行训练,得到预测模型。
预测模型的形式可以是灵活多样的,例如回归模型、概率模型或神经网络模型等。对于预测模型的具体形式,本方案实施例不进行具体限定。
本方案实施例针对目标企业各排放源对周边各敏感点的恶臭污染物影响的复杂情况,基于目标排放源恶臭污染物中各组分浓度的1小时均值,结合各组分的嗅阈值和控制浓度,对目标排放源的恶臭污染物投诉情况进行预测,能实现更加精准的预测评估,能克服传统的异味投诉概率评估分析模型和计算机系统的局限性。并且,本方案实施例中在线监测无机物组分和非甲烷总烃的成本较低,计算所需的数据较少,更容易实现,因而具有落地性更强和成本更低的特点。
在一些可能的实施例中,基于各无机物组分浓度的1小时均值、非甲烷总烃浓度的1小时均值、各无机物组分的控制浓度和非甲烷总烃的控制浓度,获取目标排放源的恶臭污染物投诉预测结果,包括:分别基于每一无机物组分浓度的1小时均值和无机物组分的控制浓度,获取无机物组分的浓度倍数,并基于非甲烷总烃浓度的1小时均值和非甲烷总烃的控制浓度,获取非甲烷总烃的浓度倍数。
具体地,可以针对目标排放源的每一组分(包括各种无机物组分和非甲烷总烃),基于该组分浓度的1小时均值和该组分浓度的控制浓度,获取目标企业目标排放源实时排放的污染物中该组分的浓度倍数。
排放源S-i无机物组分j的浓度倍数EMS-i-j的计算公式可以为EMS-i-j=ECS-i-j/CMS-i-j。
其中,ECS-i-j表示排放源S-i无机物组分j浓度的1小时均值,为实测值,可以表征连续自动监测浓度;CMS-i-j表示排放源S-i无机物组分j的控制浓度,可以表征恰好引起恶臭污染投诉时排放源S-i无机物组分j的监测浓度。
非甲烷总烃的浓度倍数的计算公式可以为EMS-i-NMHC=ECS-i-NMHC/CMS-i-NMHC。
其中,ECS-i-NMHC表示排放源S-i非甲烷总烃浓度的1小时均值,为实测值,可以表征连续自动监测浓度;CMS-i-NMHC表示排放源S-i非甲烷总烃的控制浓度,可以表征恰好引起恶臭污染投诉时排放源S-i非甲烷总烃的监测浓度。
获取各无机物组分的浓度倍数和非甲烷总烃的浓度倍数中的最大值。
具体地,将各无机物组分j和非甲烷总烃的浓度倍数的数值进行对比,取其中的最大值。
获取该最大值EMMAX的计算公式可以为EMMAX=MAX(EMS-i-j,EMS-i-NMHC),j=1,2,3,……
基于最大值,获取目标排放源的投诉概率的中间值。
具体地,可以利用Probit函数和RIVM(荷兰国家公共卫生及环境研究院,lang-nl|Rijksinstituut voor Volksgezondheid en Milieu)中有毒有害气体伤害概率方程,基于该最大值EMMAX进行推导计算,得到投诉概率的中间值,目的是将有毒有害气体伤害概率方程,转化为恶臭污染物投诉概率方程。
可以先通过EMMAX值计算得到排放源S-i的投诉概率的中间值PRS-i。
排放源S-i的投诉概率的中间值PRS-i的计算公式可以为PRS-i=2.67+1.1772ln(EMMAX)。
需要说明的是,采用Probit函数和RIVM中有毒有害气体伤害概率方程仅为一种示例,本方案实施例还可以采用其他恶臭污染物投诉概率方程,或者基于其他函数和/或有毒有害气体伤害概率方程得到的其他恶臭污染物投诉概率方程,来获取目标排放源的投诉概率的中间值。对于计算排放源S-i的投诉概率的中间值PRS-i的公式,本方案实施例不进行具体限定。
基于中间值,获取目标排放源的恶臭污染物投诉预测结果。
具体地,得到排放源S-i的投诉概率的中间值PRS-i之后,可以基于ERF函数计算得到排放源S-i的投诉概率PES-i,作为目标排放源的恶臭污染物投诉预测结果。
排放源S-i的投诉概率PES-i的计算公式可以为
需要说明的是,采用ERF函数仅为一种示例,本方案实施例还可以采用函数,来获取目标排放源的投诉概率。对于计算排放源S-i的投诉概率PES-i的公式,本方案实施例不进行具体限定。
图2是本方案提供的恶臭污染物投诉预测方法中获取投诉预测结果的流程示意图。上述获取目标排放源的恶臭污染物投诉预测结果的过程可以如图2所示。
本方案实施例通过获取各无机物组分的浓度倍数和非甲烷总烃的浓度倍数中的最大值,基于最大值,获取目标排放源的投诉概率的中间值,基于中间值,获取目标排放源的恶臭污染物投诉预测结果,能实现更加精准的预测评估,能克服传统的异味投诉概率评估分析模型和计算机系统的局限性。并且,本方案实施例中计算所需的数据较少,更容易实现,因而具有落地性更强和成本更低的特点。
在一些可能的实施例中,基于各无机物组分浓度的1小时均值、非甲烷总烃浓度的1小时均值、各无机物组分的控制浓度和非甲烷总烃的控制浓度,获取目标排放源的恶臭污染物投诉预测结果之前,还包括:获取目标排放源的臭气浓度总值、各无机物组分的浓度和嗅阈值,以及非甲烷总烃的浓度。
具体地,步骤102之前,可以先获取目标排放源的臭气浓度总值、各无机物组分的浓度和嗅阈值,以及非甲烷总烃的浓度。
可以获取排放源S-i的臭气浓度总值AS-i、排放源S-i的无机物组分j的浓度CS-i-j、排放源S-i的非甲烷总烃的浓度CS-i-NMHC、排放源S-i的无机物组分j的嗅阈值TS-i-j等参数。
其中,目标排放源的臭气浓度总值、各无机物组分的浓度和非甲烷总烃的浓度,可以是来自于目标排放源的历史排放数据的实测值或通过实时监测得到的实测值;各无机物组分的嗅阈值,是根据已有的文献资料和数据得到的参考值。臭气浓度总值为无量纲的参数,各无机物组分的浓度和嗅阈值,以及非甲烷总烃的浓度的单位可以为ug/m3。
基于排放源的臭气浓度总值、各无机物组分的浓度和嗅阈值,以及非甲烷总烃的浓度,获取非甲烷总烃的嗅阈值。
在一些可能的实施例中,基于排放源的臭气浓度总值、各无机物组分的浓度和嗅阈值,以及非甲烷总烃的浓度,获取非甲烷总烃的嗅阈值,包括:基于各无机物组分的浓度和嗅阈值,获取各无机物组分的臭气浓度总值。
排放源S-i的无机物组分j的臭气浓度aS-i-j,以排放源的无机物物质组分的浓度与该组分的嗅阈值浓度的比值表示,可以用于定量评价排放源混合气体中无机物组分j的臭气贡献率,即aS-i-j=CS-i-j/TS-i-j。排放源S-i各无机物组分的臭气浓度总值aS-i为该排放源的无机物组分的臭气浓度的总和,即OS-i-无机物=ΣaS-i-j。
基于目标排放源的臭气浓度总值和各无机物组分的臭气浓度总值,获取非甲烷总烃的臭气浓度。
排放源S-i中非甲烷总烃的臭气浓度aS-i-NMHC是单个排放源的臭气浓度总值与该排放源各无机物组分的臭气浓度之差,即aS-i-NMHC=AS-i-OS-i-无机物。
基于非甲烷总烃的浓度和非甲烷总烃的臭气浓度,获取非甲烷总烃的嗅阈值。
由于排放源各无机物组分的嗅阈值均是已知的参考值,因而排放源中嗅阈值的计算,指的是排放源中非甲烷总烃的嗅阈值计算。
排放源S-i的非甲烷总烃的嗅阈值用TS-i-NMHC来表示,计算公式为TS-i-NMHC=CS-i-NMHC/aS-i-NMHC。
图3是本方案提供的恶臭污染物投诉预测方法中获取非甲烷总烃的嗅阈值的流程示意图。上述获取非甲烷总烃的嗅阈值的过程可以如图3所示。
本方案实施例通过基于排放源的臭气浓度总值、各无机物组分的浓度和嗅阈值,以及非甲烷总烃的浓度,获取非甲烷总烃的嗅阈值,能实现工业企业恶臭污染物排放源中各种组分的嗅阈值的获取,尤其是非甲烷总烃的嗅阈值的计算。
在一些可能的实施例中,基于各无机物组分浓度的1小时均值、非甲烷总烃浓度的1小时均值、各无机物组分的控制浓度和非甲烷总烃的控制浓度,获取目标排放源的恶臭污染物投诉预测结果之前,且基于排放源的臭气浓度总值、各无机物组分的浓度和嗅阈值,以及非甲烷总烃的浓度,获取非甲烷总烃的嗅阈值之后,还包括:获取各排放源的历史排放数据、以目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据。
具体地,图4是本方案提供的恶臭污染物投诉预测方法中建立基础数据库的流程示意图。如图4所示,可以建立化合物嗅阈值数据库、目标企业排放源清单和目标区域中敏感点数据清单等数据库,并集成为基础数据库。
化合物嗅阈值数据库,在本方案中主要用于自动获取无机物组分j的嗅阈值。
可以基于各国涉及恶臭污染物防治的实验室等科研机构公布的数据和全球文献资料,建立化合物嗅阈值数据库。
上述涉及恶臭污染物防治的实验室可以包括中国国家环境保护恶臭污染控制重点实验室、日本环境部(Ministry of the Environment,MOE)和美国工业卫生协会(American Industrial Hygiene Association,AIHA)等。
嗅阈值数据库存储的主要数据包括无机物组分的物质名称、CAS(化学文摘社,Chemical Abstracts Service)号和嗅阈值(Ti-j,单位ug/m3)。目前,该化合物嗅阈值数据库已经累计1971种化合物组分。
可以对目标企业的各排放源进行归类,分为三类:点源、面源和体源。可以对目标企业的环评报告、风评报告、应急预案、排放废气检测报告和废气治理设施台账等资料进行梳理分析,并结合对排放源现场实测得到的排放源的坐标位置信息和排放信息等实际测量值,得到排放源的历史排放数据,建立目标企业排放源清单。
点源可以进一步细化为普通点源、点源加盖和点源水平出气等类型。点源的历史排放数据可以包括排放源的坐标(x,y,z)(单位可以为米)、出口内径(单位可以为米)、几何高度(单位可以为米)、流量(单位可以为m3/h)或流速(单位可以为m/s)、气体温度(单位可以为开尔文)、排放速率(单位可以为g/s)、臭气浓度AS-i(无量纲)、底座高度(单位可以为米)和排放浓度(单位可以为ug/m3,包括无机物组分的浓度CS-i-j和非甲烷总烃的浓度CS-i-NMHC)等。
面源可以根据形状进一步细化为矩形、近圆形、多边形和露天坑。面源的历史排放数据可以包括排放源的坐标(x,y,z)(单位可以为米)、出口内径(单位可以为米)、几何高度(单位可以为米)、流量(单位可以为m3/h)或流速(单位可以为m/s)、气体温度(单位可以为开尔文)、排放速率(单位可以为g/(s*m2))、臭气浓度AS-i(无量纲)、底座高度(单位可以为米)、排放浓度(单位可以为ug/m3,包括无机物组分的浓度CS-i-j和非甲烷总烃的浓度CS-i-NMHC)、露天坑深度(单位可以为米)、平均释放高度(单位可以为米)和旋转角度(单位可以为度)等。
体源可以的历史排放数据可以包括坐标(x,y,z)(单位可以为米)、平均释放高度(单位可以为米)、旋转角度(单位可以为度)、臭气浓度AS-i(无量纲)、排放浓度(单位可以为ug/m3,包括无机物组分的浓度CS-i-j和非甲烷总烃的浓度CS-i-NMHC)、初始水平尺寸(单位可以为米)、初始垂直尺寸(单位可以为米)、排放速率(单位可以为g/(s*m2))和底座高度(单位可以为米)。
可以通过调研获取目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据,建立目标区域中敏感点数据清单。
敏感点的建筑物数据可以包括敏感点的中心坐标(x,y)、平均层高(单位可以为米)、建筑物高度(单位可以为米)、每层地面高程(单位可以为米)、建筑物名称、建筑物轮廓坐标(x,y)、建筑物楼层数量和建筑物底座高程(单位可以为米)。
地理信息数据可以包括土地利用和地形数据,以及地面及高空气象观测及预测数据。
预设时间段可以根据实际情况设置。例如,预设时间段可以为近1年、近3年、近5年或近10年等。对于预设时间段的具体值,本方案实施例不进行具体限定。
建立基础数据库之后,对于目标排放源,可以从基础数据库获取各排放源的历史排放数据、以目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据。
基于各排放源的历史排放数据、以目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据,获取每一无机物组分的控制浓度和非甲烷总烃的控制浓度。
在一些可能的实施例中,基于各排放源的历史排放数据、以目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据,获取每一无机物组分的控制浓度和非甲烷总烃的控制浓度,包括:
基于各排放源的历史排放数据、以目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据,根据AERMOD模型,获取各排放源恶臭污染物叠加排放的情况下,预设时间段每一敏感点恶臭污染物的最大1小时平均浓度。
具体地,可以基于目标企业排放源清单中各排放源的历史排放数据和目标区域中敏感点数据清单中目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据,根据AERMOD模型进行恶臭污染物扩散影响模拟。图5是本方案提供的恶臭污染物投诉预测方法中进行恶臭污染物扩散影响模拟的流程示意图。如图5所示,进行恶臭污染物扩散影响模拟可以包括以下步骤。
AERMOD模型是空气质量模型。具体采用的模型可以包括AERMET、AERSURFACE、AERMAP、BPIPPRM和AERMO。
在AERMOD空气质量模型中,可以根据前述数据设定不同的工业企业排放源和敏感点的参数,对不同的工业企业排放源的恶臭污染进行扩散模拟,根据模拟得到的不同工业企业排放源的模拟结果,即工业企业所有排放源叠加后,敏感点预设时间段内扩散模拟预测恶臭污染物最大1小时平均浓度。
基于预设时间段各敏感点恶臭污染物的最大1小时平均浓度,确定各敏感点中的目标排放源每一无机物组分的最不利敏感点和非甲烷总烃的最不利敏感点。
可选地,可以以不同小区为筛选范围,从每个小区中筛选出最不利敏感点无机物组分j的预测浓度CRn-Bn-Fn-j-t(单位可以为ug/m3)和非甲烷总烃的预测浓度CRn-Bn-Fn-NMHC-t(单位可以为ug/m3),并确定该浓度对应的时间t。
可选地,时间t可以包括xx年、xx月、xx日和xx时等信息。最不利敏感点浓度定义为:在恶臭污染发生时,目标企业所有排放源叠加后,该小区无机物组分j和非甲烷总烃在该敏感点建筑物区域内(小区Rn),可能受到影响最大的位置(小区Rn的楼栋Bn的楼层Fn)的浓度。
基于各排放源的历史排放数据、以目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据,根据AERMOD模型,获取每一排放源每一无机物组分单独排放的情况下,目标排放源每一无机物组分的浓度预测值和目标排放源非甲烷总烃的浓度预测值。
具体地,可以基于恶臭污染物扩散影响模拟的结果,反推计算排放源中各组分的控制浓度。图6是本方案提供的恶臭污染物投诉预测方法中获取控制浓度的流程示意图。如图6所示,反推计算排放源中各组分的控制浓度可以包括以下步骤。
可以从恶臭污染物扩散影响模拟的结果中取提取参数,包括敏感点小区Rn-楼栋Bn-楼层Fn、时间t、无机物组分j和排放源S-i。提取上述参数之后,再针对单一排放源S-i和单一污染物(每一无机物组分j和非甲烷总烃),通过AERMOD模型进行扩散模拟计算,计算排放源S-i在对应时间t、敏感点-小区Rn-楼栋Bn-楼层Fn的污染物浓度(单位可以为ug/m3),包括每一无机物组分j的污染物浓度FCS-i-j和非甲烷总烃的污染物浓度FCS-i-NMHC。
分别基于每一无机物组分的浓度和目标排放源无机物组分的浓度预测值,获取无机物组分对无机物组分的最不利敏感点的预测浓度贡献比例,并根据非甲烷总烃的浓度和非甲烷总烃的浓度,获取非甲烷总烃对非甲烷总烃的最不利敏感点的预测浓度贡献比例。
基于AERMOD大气扩散原理和扩散浓度计算方法,可通过计算排放源S-i的污染物对最不利敏感点(小区n-楼栋n-楼层n)的预测浓度贡献比例的倒数(无机物组分j为ES-i-Rn-Bn-Fn-j,非甲烷总烃为ES-i-Rn-Bn-Fn-NHMC),即ES-i-Rn-Bn-Fn-j=CS-i-j/FCS-i-j和ES-i-Rn-Bn-Fn-NHMC=CS-i-NMHC/FCS-i-NMHC。
基于每一无机物组分的嗅阈值和无机物组分对无机物组分的最不利敏感点的预测浓度贡献比例,获取无机物组分的控制浓度,并基于非甲烷总烃的嗅阈值与非甲烷总烃对非甲烷总烃的最不利敏感点的预测浓度贡献比例,获取非甲烷总烃的控制浓度。
可以根据无机物组分j的最不利敏感点的预测浓度贡献比例的倒数为ES-i-Rn-Bn-Fn-j,反算得到排放源S-i的无机物组分j的控制浓度CMS-i-j(单位可以为ug/m3)。计算公式可以为CMS-i-j=TS-i-j*ES-i-Rn-Bn-Fn-j。
可以根据非甲烷总烃的最不利敏感点的预测浓度贡献比例的倒数为ES-i-Rn-Bn-Fn-NHM,反算得到排放源S-i的非甲烷总烃的控制浓度CMS-i-NMHC(单位可以为ug/m3)。计算公式可以为CMS-i-NMHC=TS-i-NMHC*ES-i-Rn-Bn-Fn-NHMC。
本方案实施例基于AERMOD模型计算结果反算得到每一个排放源各组分的控制浓度,从而能实现基于排放源各组分的控制浓度,对目标排放源的恶臭污染物投诉情况进行预测,能实现更加精准的预测评估,能克服传统的异味投诉概率评估分析模型和计算机系统的局限性。并且,本方案实施例中在线监测无机物组分和非甲烷总烃的成本较低,计算所需的数据较少,更容易实现,因而具有落地性更强和成本更低的特点。
本方案实现了点源、面源和体源类型的污染源对周边敏感点异味影响的复杂情况,通过获取工业企业无机物组分和非甲烷总烃浓度数据,计算得到排放源的非甲烷总烃浓度对应的嗅阈值数据,再基于AERMOD模型计算结果反算得到每一个排放源的控制浓度;通过获取工业企业的在线监测无机物组分和非甲烷总烃的浓度数据,使用异味投诉概率方程计算得到实时的排放源异味投诉概率,可以更加精准地进行预测评估,解决了市面上工业企业现有异味投诉概率评估分析模型和计算机系统的局限性。该方案具有落地性较强、成本低的特点,企业实施在线监测无机物组分和非甲烷总烃成本较低,计算所需的数据较少,因此较容易实现。
图7是本方案提供的恶臭污染物投诉预测装置的结构示意图。下面结合图7对本方案提供的恶臭污染物投诉预测装置进行描述,下文描述的恶臭污染物投诉预测装置与上文描述的本方案提供的恶臭污染物投诉预测方法可相互对应参照。如图7所示,一种恶臭污染物投诉预测装置,包括:
均值获取模块701,用于获取目标企业各排放源中的目标排放源的各无机物组分浓度的1小时均值和非甲烷总烃浓度的1小时均值;
投诉预测模块702,用于基于各无机物组分浓度的1小时均值、非甲烷总烃浓度的1小时均值、各无机物组分的控制浓度和非甲烷总烃的控制浓度,获取目标排放源的恶臭污染物投诉预测结果;
其中,无机物组分的控制浓度,是基于无机物组分的嗅阈值与无机物组分对无机物组分的最不利敏感点的预测浓度贡献比例得到的;非甲烷总烃的控制浓度,是基于非甲烷总烃的嗅阈值与非甲烷总烃对非甲烷总烃的最不利敏感点的预测浓度贡献比例得到的。
可选地,投诉预测模块702,可以具体用于:
分别基于每一无机物组分浓度的1小时均值和无机物组分的控制浓度,获取无机物组分的浓度倍数,并基于非甲烷总烃浓度的1小时均值和非甲烷总烃的控制浓度,获取非甲烷总烃的浓度倍数;
获取各无机物组分的浓度倍数和非甲烷总烃的浓度倍数中的最大值;
基于最大值,获取目标排放源的投诉概率的中间值;
基于中间值,获取目标排放源的恶臭污染物投诉预测结果。
可选地,该装置,还可以包括:
浓度获取模块,用于获取目标排放源的臭气浓度总值、各无机物组分的浓度和嗅阈值,以及非甲烷总烃的浓度。
嗅阈值获取模块,用于基于排放源的臭气浓度总值、各无机物组分的浓度和嗅阈值,以及非甲烷总烃的浓度,获取非甲烷总烃的嗅阈值。
可选地,嗅阈值获取模块,可以具体用于:
基于各无机物组分的浓度和嗅阈值,获取各无机物组分的臭气浓度总值;
基于目标排放源的臭气浓度总值和各无机物组分的臭气浓度总值,获取非甲烷总烃的臭气浓度;
基于非甲烷总烃的浓度和非甲烷总烃的臭气浓度,获取非甲烷总烃的嗅阈值。
可选地,该装置,还可以包括:
数据获取模块,用于获取各排放源的历史排放数据、以目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据;
控制浓度获取模块,用于基于各排放源的历史排放数据、以目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据,获取每一无机物组分的控制浓度和非甲烷总烃的控制浓度。
可选地,控制浓度获取模块,可以具体用于:
基于各排放源的历史排放数据、以目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据,根据AERMOD模型,获取各排放源恶臭污染物叠加排放的情况下,预设时间段每一敏感点恶臭污染物的最大1小时平均浓度;
基于预设时间段各敏感点恶臭污染物的最大1小时平均浓度,确定各敏感点中的目标排放源每一无机物组分的最不利敏感点和非甲烷总烃的最不利敏感点;
基于各排放源的历史排放数据、以目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段目标区域的恶臭污染物投诉事件的信息和预设时间段目标区域的地理信息数据,根据AERMOD模型,获取每一排放源每一无机物组分单独排放的情况下,目标排放源每一无机物组分的浓度预测值和目标排放源非甲烷总烃的浓度预测值;
分别基于每一无机物组分的浓度和目标排放源无机物组分的浓度预测值,获取无机物组分对无机物组分的最不利敏感点的预测浓度贡献比例,并根据非甲烷总烃的浓度和非甲烷总烃的浓度,获取非甲烷总烃对非甲烷总烃的最不利敏感点的预测浓度贡献比例;
基于每一无机物组分的嗅阈值和无机物组分对无机物组分的最不利敏感点的预测浓度贡献比例,获取无机物组分的控制浓度,并基于非甲烷总烃的嗅阈值与非甲烷总烃对非甲烷总烃的最不利敏感点的预测浓度贡献比例,获取非甲烷总烃的控制浓度。
本方案实施例提供的恶臭污染物投诉预测装置,用于执行本方案上述恶臭污染物投诉预测方法,其实施方式与本方案提供的恶臭污染物投诉预测方法的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
该恶臭污染物投诉预测装置用于前述各实施例的恶臭污染物投诉预测方法。因此,在前述各实施例中的恶臭污染物投诉预测方法中的描述和定义,可以用于本方案实施例中各执行模块的理解。
本方案实施例针对目标企业各排放源对周边各敏感点的恶臭污染物影响的复杂情况,基于目标排放源恶臭污染物中各组分浓度的1小时均值,结合各组分的嗅阈值和控制浓度,对目标排放源的恶臭污染物投诉情况进行预测,能实现更加精准的预测评估,能克服传统的异味投诉概率评估分析模型和计算机系统的局限性。并且,本方案实施例中在线监测无机物组分和非甲烷总烃的成本较低,计算所需的数据较少,更容易实现,因而具有落地性更强和成本更低的特点。
图8是本方案提供的电子设备的结构示意图。如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行恶臭污染物投诉预测方法,该方法包括:获取目标企业各排放源中的目标排放源的各无机物组分浓度的1小时均值和非甲烷总烃浓度的1小时均值;基于各无机物组分浓度的1小时均值、非甲烷总烃浓度的1小时均值、各无机物组分的控制浓度和非甲烷总烃的控制浓度,获取目标排放源的恶臭污染物投诉预测结果;其中,无机物组分的控制浓度,是基于无机物组分的嗅阈值与无机物组分对无机物组分的最不利敏感点的预测浓度贡献比例得到的;非甲烷总烃的控制浓度,是基于非甲烷总烃的嗅阈值与非甲烷总烃对非甲烷总烃的最不利敏感点的预测浓度贡献比例得到的。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本方案的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本方案各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本方案还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的恶臭污染物投诉预测方法,该方法包括:获取目标企业各排放源中的目标排放源的各无机物组分浓度的1小时均值和非甲烷总烃浓度的1小时均值;基于各无机物组分浓度的1小时均值、非甲烷总烃浓度的1小时均值、各无机物组分的控制浓度和非甲烷总烃的控制浓度,获取目标排放源的恶臭污染物投诉预测结果;其中,无机物组分的控制浓度,是基于无机物组分的嗅阈值与无机物组分对无机物组分的最不利敏感点的预测浓度贡献比例得到的;非甲烷总烃的控制浓度,是基于非甲烷总烃的嗅阈值与非甲烷总烃对非甲烷总烃的最不利敏感点的预测浓度贡献比例得到的。
又一方面,本方案还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的恶臭污染物投诉预测方法,该方法包括:获取目标企业各排放源中的目标排放源的各无机物组分浓度的1小时均值和非甲烷总烃浓度的1小时均值;基于各无机物组分浓度的1小时均值、非甲烷总烃浓度的1小时均值、各无机物组分的控制浓度和非甲烷总烃的控制浓度,获取目标排放源的恶臭污染物投诉预测结果;其中,无机物组分的控制浓度,是基于无机物组分的嗅阈值与无机物组分对无机物组分的最不利敏感点的预测浓度贡献比例得到的;非甲烷总烃的控制浓度,是基于非甲烷总烃的嗅阈值与非甲烷总烃对非甲烷总烃的最不利敏感点的预测浓度贡献比例得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
显然,本方案的上述实施例仅仅是为清楚地说明本方案所作的举例,而并非是对本方案的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本方案的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本方案权利要求的保护范围之内。
Claims (10)
1.一种恶臭污染物投诉预测方法,其特征在于,包括:
获取目标企业各排放源中的目标排放源的各无机物组分浓度的1小时均值和非甲烷总烃浓度的1小时均值;
基于各所述无机物组分浓度的1小时均值、所述非甲烷总烃浓度的1小时均值、各所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,获取所述目标排放源的恶臭污染物投诉预测结果;
其中,所述无机物组分的控制浓度,是基于所述无机物组分的嗅阈值与所述无机物组分对所述无机物组分的最不利敏感点的预测浓度贡献比例得到的;所述非甲烷总烃的控制浓度,是基于所述非甲烷总烃的嗅阈值与所述非甲烷总烃对所述非甲烷总烃的最不利敏感点的预测浓度贡献比例得到的。
2.根据权利要求1所述的恶臭污染物投诉预测方法,其特征在于,所述基于各所述无机物组分浓度的1小时均值、所述非甲烷总烃浓度的1小时均值、各所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,获取所述目标排放源的恶臭污染物投诉预测结果,包括:
分别基于每一所述无机物组分浓度的1小时均值和所述无机物组分的控制浓度,获取所述无机物组分的浓度倍数,并基于所述非甲烷总烃浓度的1小时均值和所述非甲烷总烃的控制浓度,获取所述非甲烷总烃的浓度倍数;
获取各所述无机物组分的浓度倍数和所述非甲烷总烃的浓度倍数中的最大值;
基于所述最大值,获取所述目标排放源的投诉概率的中间值;
基于所述中间值,获取所述目标排放源的恶臭污染物投诉预测结果。
3.根据权利要求1所述的恶臭污染物投诉预测方法,其特征在于,所述基于各所述无机物组分浓度的1小时均值、所述非甲烷总烃浓度的1小时均值、各所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,获取所述目标排放源的恶臭污染物投诉预测结果之前,还包括:
获取所述目标排放源的臭气浓度总值、各所述无机物组分的浓度和嗅阈值,以及所述非甲烷总烃的浓度;
基于所述排放源的臭气浓度总值、各所述无机物组分的浓度和嗅阈值,以及所述非甲烷总烃的浓度,获取所述非甲烷总烃的嗅阈值。
4.根据权利要求3所述的恶臭污染物投诉预测方法,其特征在于,所述基于所述排放源的臭气浓度总值、各所述无机物组分的浓度和嗅阈值,以及所述非甲烷总烃的浓度,获取所述非甲烷总烃的嗅阈值,包括:
基于各所述无机物组分的浓度和嗅阈值,获取各所述无机物组分的臭气浓度总值;
基于所述目标排放源的臭气浓度总值和各所述无机物组分的臭气浓度总值,获取所述非甲烷总烃的臭气浓度;
基于所述非甲烷总烃的浓度和所述非甲烷总烃的臭气浓度,获取所述非甲烷总烃的嗅阈值。
5.根据权利要求3所述的恶臭污染物投诉预测方法,其特征在于,所述基于各所述无机物组分浓度的1小时均值、所述非甲烷总烃浓度的1小时均值、各所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,获取所述目标排放源的恶臭污染物投诉预测结果之前,且所述基于所述排放源的臭气浓度总值、各所述无机物组分的浓度和嗅阈值,以及所述非甲烷总烃的浓度,获取所述非甲烷总烃的嗅阈值之后,还包括:
获取各所述排放源的历史排放数据、以所述目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段所述目标区域的恶臭污染物投诉事件的信息和所述预设时间段所述目标区域的地理信息数据;
基于各所述排放源的历史排放数据、以所述目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段所述目标区域的恶臭污染物投诉事件的信息和所述预设时间段所述目标区域的地理信息数据,获取每一所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度。
6.根据权利要求5所述的恶臭污染物投诉预测方法,其特征在于,所述基于各所述排放源的历史排放数据、以所述目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段所述目标区域的恶臭污染物投诉事件的信息和所述预设时间段所述目标区域的地理信息数据,获取每一所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,包括:
基于各所述排放源的历史排放数据、以所述目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段所述目标区域的恶臭污染物投诉事件的信息和所述预设时间段所述目标区域的地理信息数据,根据AERMOD模型,获取各所述排放源恶臭污染物叠加排放的情况下,所述预设时间段每一所述敏感点恶臭污染物的最大1小时平均浓度;
基于所述预设时间段各所述敏感点恶臭污染物的最大1小时平均浓度,确定各敏感点中的所述目标排放源每一所述无机物组分的最不利敏感点和所述非甲烷总烃的最不利敏感点;
基于各所述排放源的历史排放数据、以所述目标企业为中心的目标区域内各敏感点的建筑物数据、预设时间段所述目标区域的恶臭污染物投诉事件的信息和所述预设时间段所述目标区域的地理信息数据,根据AERMOD模型,获取每一所述排放源每一所述无机物组分单独排放的情况下,所述目标排放源每一所述无机物组分的浓度预测值和所述目标排放源所述非甲烷总烃的浓度预测值;
分别基于每一所述无机物组分的浓度和所述目标排放源所述无机物组分的浓度预测值,获取所述无机物组分对所述无机物组分的最不利敏感点的预测浓度贡献比例,并根据所述非甲烷总烃的浓度和所述非甲烷总烃的浓度,获取所述非甲烷总烃对所述非甲烷总烃的最不利敏感点的预测浓度贡献比例;
基于每一所述无机物组分的嗅阈值和所述无机物组分对所述无机物组分的最不利敏感点的预测浓度贡献比例,获取所述无机物组分的控制浓度,并基于所述非甲烷总烃的嗅阈值与所述非甲烷总烃对所述非甲烷总烃的最不利敏感点的预测浓度贡献比例,获取所述非甲烷总烃的控制浓度。
7.一种恶臭污染物投诉预测装置,其特征在于,包括:
均值获取模块,用于获取目标企业各排放源中的目标排放源的各无机物组分浓度的1小时均值和非甲烷总烃浓度的1小时均值;
投诉预测模块,用于基于各所述无机物组分浓度的1小时均值、所述非甲烷总烃浓度的1小时均值、各所述无机物组分的控制浓度和所述非甲烷总烃的控制浓度,获取所述目标排放源的恶臭污染物投诉预测结果;
其中,所述无机物组分的控制浓度,是基于所述无机物组分的嗅阈值与所述无机物组分对所述无机物组分的最不利敏感点的预测浓度贡献比例得到的;所述非甲烷总烃的控制浓度,是基于所述非甲烷总烃的嗅阈值与所述非甲烷总烃对所述非甲烷总烃的最不利敏感点的预测浓度贡献比例得到的。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述恶臭污染物投诉预测方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述恶臭污染物投诉预测方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述恶臭污染物投诉预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311701746.0A CN118037503A (zh) | 2023-12-11 | 2023-12-11 | 恶臭污染物投诉预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311701746.0A CN118037503A (zh) | 2023-12-11 | 2023-12-11 | 恶臭污染物投诉预测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118037503A true CN118037503A (zh) | 2024-05-14 |
Family
ID=90990051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311701746.0A Pending CN118037503A (zh) | 2023-12-11 | 2023-12-11 | 恶臭污染物投诉预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118037503A (zh) |
-
2023
- 2023-12-11 CN CN202311701746.0A patent/CN118037503A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thunis et al. | PM2. 5 source allocation in European cities: A SHERPA modelling study | |
Cobourn | An enhanced PM2. 5 air quality forecast model based on nonlinear regression and back-trajectory concentrations | |
Preisler et al. | A statistical model for determining impact of wildland fires on Particulate Matter (PM2. 5) in Central California aided by satellite imagery of smoke | |
Jeong | CALPUFF and AERMOD dispersion models for estimating odor emissions from industrial complex area sources | |
Ozel et al. | A new approach to the prediction of PM10 concentrations in Central Anatolia Region, Turkey | |
Vitali et al. | A Lagrangian modelling approach to assess the representativeness area of an industrial air quality monitoring station | |
Fasolino et al. | Odour control strategies for a sustainable nuisances action plan | |
Brancher et al. | Do odour impact criteria of different jurisdictions ensure analogous separation distances for an equivalent level of protection? | |
Brancher et al. | Temporal variability in odour emissions: to what extent this matters for the assessment of annoyance using dispersion modelling | |
RU2243554C1 (ru) | Способ комплексной оценки экологической обстановки и эффективности экологического менеджмента в регионе | |
CN116934102B (zh) | 一种用于工业园区的环境风险管控系统 | |
Zhang et al. | Machine learning assesses drivers of PM2. 5 air pollution trend in the Tibetan Plateau from 2015 to 2022 | |
Galán-Madruga et al. | A methodological framework for estimating ambient PM2. 5 particulate matter concentrations in the UK | |
Khan et al. | An outlook of ozone air pollution through comparative analysis of artificial neural network, regression, and sensitivity models | |
CN109613179B (zh) | 累积高值区的确定方法 | |
CN118037503A (zh) | 恶臭污染物投诉预测方法、装置、电子设备和存储介质 | |
Cao et al. | A machine-learning-based classification method for meteorological conditions of ozone pollution | |
Vivanco et al. | Influence of model resolution on ozone predictions over Madrid area (Spain) | |
Zhu et al. | A data-driven approach for optimal design of integrated air quality monitoring network in a chemical cluster | |
Vivanco et al. | An evaluation of the performance of the Chimere model over spain using meteorology from MM5 and WRF models | |
RU2818685C1 (ru) | Способ идентификации источника выброса вредных веществ в атмосферу на базе технологии искусственного интеллекта | |
Oliva et al. | Urban odour annoyance management: An advanced embedded system for real-time monitoring enhanced by citizen science | |
Sicardi et al. | Ground-level ozone concentration over Spain: an application of Kalman Filter post-processing to reduce model uncertainties | |
Afful et al. | Odour impact determination of a communal toilet: Field measurement with panellists using dynamic plume method and dispersion modelling | |
Zhu et al. | The GIS-based approach for optimal design of air quality monitoring network for management of chemical clusters |
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 |