KR102549313B1 - 오염물질 배출수준 산정 시스템 및 방법 - Google Patents
오염물질 배출수준 산정 시스템 및 방법 Download PDFInfo
- Publication number
- KR102549313B1 KR102549313B1 KR1020230021417A KR20230021417A KR102549313B1 KR 102549313 B1 KR102549313 B1 KR 102549313B1 KR 1020230021417 A KR1020230021417 A KR 1020230021417A KR 20230021417 A KR20230021417 A KR 20230021417A KR 102549313 B1 KR102549313 B1 KR 102549313B1
- Authority
- KR
- South Korea
- Prior art keywords
- item
- data
- pollutant emission
- derived
- target period
- Prior art date
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 131
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004364 calculation method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000001186 cumulative effect Effects 0.000 claims abstract description 12
- 238000007637 random forest analysis Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000004092 self-diagnosis Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 6
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000007435 diagnostic evaluation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 description 3
- 229910000041 hydrogen chloride Inorganic materials 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 150000002222 fluorine compounds Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical class S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 description 2
- 229910052815 sulfur oxide Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 오염물질 배출수준 산정 시스템 및 방법에 관한 것으로, 컴퓨터에서 판독가능한 명령어가 저장되는 메모리; 및 메모리에 저장된 명령어를 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서가 오염물질을 배출하는 적어도 하나의 설비로부터 서로 다른 유형의 운영인자 데이터를 시점별로 수집하고, 수집된 서로 다른 유형의 운영인자 데이터로부터 기 설정된 항목에 의거하여 적어도 하나의 항목에 대한 로우 데이터(Raw data)를 추출하고 추출된 항목별 로우 데이터의 이상치(Outlier)를 제거하고, 이상치가 제거된 항목별 로우 데이터를 랜덤 포레스트(Random Forest) 알고리즘을 이용하여 운영인자 데이터에 대한 중요도를 산출하고 산출된 중요도의 누적합이 기 설정된 기준값 이상인 운영인자 데이터를 주요 운영인자 데이터로 설정하며, 이상치가 제거된 항목별 로우 데이터 및 설정된 주요 운영인자 데이터를 딥러닝 알고리즘을 기반으로 학습하여 오염물질의 배출농도를 도출하는 구성으로 사람의 의사결정 개입을 최소화하여 오염물질 배출농도 수준에 대한 데이터의 신뢰성이 향상되며, 오염물질 배출 농도를 저감할 수 있다.
Description
본 발명은 오염물질 배출수준 산정 시스템 및 방법에 관한 것으로, 공장별 또는 설비별로 배출되는 오염물질의 배출수준을 산정할 수 있도록 한 기술에 관한 것이다.
한국환경관리공단은 굴뚝원격감시체계(CleanSYS)를 시행하고 이를 온라인에 공개하고 있다. 이때, 각 공장별로 기 설정된 시간마다 굴뚝에서 오염물질의 배출농도를 측정하는 굴뚝자동측정기기(TMS)로부터 측정된 데이터는 매년 수백만개 이상으로 생성된다. 이러한 방대한 데이터는 사람이 직접 수작업을 거쳐 범용 프로그램을 이용하여 정리하고 있으며, 데이터를 기반으로 배출허용기준의 초과를 판단하여 행정처분을 진행한다.
종래의 오염물질 배출농도 평가방식은 해당 업종과 오염물질에 따라 따른 정책에 의해 각기 다른 유형정보를 사용해야 하나 인간의 의사결정이 개입되어 이상치 판단 결과의 상이함에 따라 최종 도출되는 데이터의 객관성이 저하되는 문제가 있다.
또한, 종래의 평가방식은 공통된 정보를 가진 데이터를 취합하는 과정에서 데이터의 필터링 작업은 필수적으로 이루어지나 사람의 손으로 직접 작업함에 따라 비효율적인 작업 방식 및 방대한 자료 검수로 인한 실수가 발생하여 데이터 손실의 우려가 존재하며, 공장의 오염물질 배출 저감에 초점을 두지 아니하여 배출기준 또는 배출량의 변화에 따른 사전 대처가 불가능한 문제가 있다.
이러한 문제를 해결하기 위해, 각 공장 또는 설비별로 오염물질의 배출수준을 산정하여 실시간으로 평가하고 공장 개별에 따른 진단기준을 최적화하여 의사판단을 지원할 수 있는 기술 개발이 필요하다.
본 발명은 2022년도 환경부의 재원으로 국립환경과학원의 지원을 받아 수행된 스마트 통합환경관리체계 구축 시범사업의 결과이다(과제번호 : NIER-2021-03-02-031)
본 발명은, 사람의 의사결정 개입을 최소화하고, 데이터를 기반으로 한 평가방식으로 객관성을 확립하며, 실시간으로 필요한 오염물질의 양을 판단하여 공장의 가동 및 운영 방식에 대한 조언 또는 자료를 제공하며, 배출 기준 또는 배출량의 변화 발생 시 사전에 대처할 수 있도록 각 사업장에 따른 최적화된 모델과 진단 기준을 제시할 수 있는 오염물질 배출수준 산정 시스템 및 방법을 제공할 수 있다.
본 발명의 일 측면에 따른 오염물질 배출수준 산정 시스템은 컴퓨터에서 판독가능한 명령어가 저장되는 메모리; 및 상기 메모리에 저장된 명령어를 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 오염물질을 배출하는 적어도 하나의 설비로부터 서로 다른 유형의 운영인자 데이터를 시점별로 수집하는 제1 프로세스; 수집된 서로 다른 유형의 상기 운영인자 데이터로부터 기 설정된 항목에 의거하여 적어도 하나의 항목에 대한 로우 데이터(Raw data)를 추출하고 추출된 상기 항목별 로우 데이터의 이상치(Outlier)를 제거하는 제2 프로세스; 이상치가 제거된 상기 항목별 로우 데이터를 랜덤 포레스트(Random Forest) 알고리즘에 적용하여 상기 운영인자 데이터에 대한 중요도를 산출하고 산출된 상기 중요도의 누적합이 기 설정된 기준값 이상인 운영인자 데이터를 주요 운영인자 데이터로 설정하는 제3 프로세스; 및 상기 이상치가 제거된 항목별 로우 데이터 및 설정된 주요 운영인자 데이터를 딥러닝 알고리즘을 기반으로 학습하여 오염물질의 배출농도를 도출하는 제4 프로세스를 포함한다.
바람직하게는, 상기 제2 프로세스는, 상기 로우 데이터로부터 제1 시점의 오염물질 농도값 및 상기 제1 시점 바로 이전인 제2 시점의 오염물질 농도값의 차이가 기 설정된 임계값보다 크면 이전 시점의 오염물질의 농도값을 제거할 수 있다.
바람직하게는, 상기 제4 프로세스는, 설정된 시간범위에 따른 적어도 하나의 오염물질의 평균절대오차(Mean Absolute Error, MAE)를 시점별로 도출하고 도출된 평균절대오차가 기 설정된 수치 미만인 시점을 학습에 사용할 시퀀스 길이(Sequence length)로 설정할 수 있다.
바람직하게는, 상기 적어도 하나의 프로세서는, 상기 도출된 오염물질의 배출농도에 따른 자가진단평가를 수행하는 제5 프로세스를 더 포함하고, 상기 제5 프로세스는, 설정된 기간동안 배출되는 오염물질의 이상 배출 횟수가 기 설정된 제1 기준치를 초과하는 제1 목표기간을 도출하고, 전체 기간동안 배출되는 오염물질의 이상 배출 횟수가 기 설정된 제2 기준치를 초과하는 제2 목표기간을 도출하여 도출된 상기 제1 목표기간 및 도출된 상기 제2 목표기간의 이상치 비율(False Alarm Rate)이 1에 가까운 제3 목표기간을 도출할 수 있다.
바람직하게는, 상기 제5 프로세스는, 도출된 상기 제3 목표기간의 오염물질 배출 변화량으로 자기진단계수(Autocorrelation)을 산출하여 산출된 자가진단계수에 따라 상기 제3 목표기간의 정상, 주의, 및 경고 중 어느 하나의 상태를 도출할 수 있다.
본 발명의 다른 측면에 따른 오염물질 배출수준 산정 시스템에서 수행되는 오염물질 배출수준 산정 방법은 적어도 하나의 프로세서가 오염물질을 배출하는 적어도 하나의 설비로부터 서로 다른 유형의 운영인자 데이터를 시점별로 수집하는 제1 단계; 상기 적어도 하나의 프로세서가 수집된 서로 다른 유형의 상기 운영인자 데이터로부터 기 설정된 항목에 의거하여 적어도 하나의 항목에 대한 로우 데이터(Raw data)를 추출하고 추출된 상기 항목별 로우 데이터의 이상치(Outlier)를 제거하는 제2 단계; 상기 적어도 하나의 프로세서가 이상치가 제거된 상기 항목별 로우 데이터를 랜덤 포레스트(Random Forest) 알고리즘에 적용하여 상기 운영인자 데이터에 대한 중요도를 산출하고 산출된 상기 중요도의 누적합이 기 설정된 기준값 이상인 운영인자 데이터를 주요 운영인자 데이터로 설정하는 제3 단계; 및 상기 적어도 하나의 프로세서가 상기 이상치가 제거된 항목별 로우 데이터 및 설정된 주요 운영인자 데이터를 딥러닝 알고리즘을 기반으로 학습하여 오염물질의 배출농도를 도출하는 제4 단계를 포함한다.
바람직하게는, 상기 적어도 하나의 프로세서가 상기 도출된 오염물질의 배출농도에 따른 자가진단평가를 수행하는 제5 단계를 더 포함하고, 상기 제5 단계는, 설정된 기간동안 배출되는 오염물질의 농도값이 기 설정된 제1 기준치를 초과하는 제1 목표기간을 도출하고, 전체 기간동안 배출되는 오염물질의 농도값이 기 설정된 제2 기준치를 초과하는 제2 목표기간을 도출하여 도출된 상기 제1 목표기간 및 도출된 상기 제2 목표기간의 이상치 비율(False Alarm Rate)이 1에 가까운 제3 목표기간을 도출할 수 있다.
바람직하게는, 상기 제5 단계는, 도출된 상기 제3 목표기간의 오염물질 배출 변화량으로 자가진단계수(Autocorrelation)을 산출하여 산출된 자가진단계수에 따라 상기 제3 목표기간에 대한 정상, 주의, 및 경고 중 어느 하나의 상태를 도출할 수 있다.
오염물질 배출수준 산정 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록된 것을 특징으로 하는 컴퓨터에서 판독가능한 기록매체를 제공한다.
컴퓨터와 결합되어 오염물질 배출수준 산정 방법을 컴퓨터에 실행시키기 위해 컴퓨터에서 판독가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.
본 발명에 따르면, 사람의 의사결정 개입을 최소화하여 오염물질 배출농도 수준에 대한 데이터의 신뢰성이 향상되며, 오염물질 배출 농도를 저감할 수 있다.
도 1은 일 실시예에 따른 오염물질 배출수준 산정 시스템의 구성도이다.
도 2는 일 실시예에 따른 프로세서의 세부구성도이다.
도 3은 일 실시예에 따른 오염물질 배출수준 산정 시스템의 흐름도이다.
도 4는 일 실시예에 따른 배출 오염물질 배출수준을 산정하는 세부 흐름도이다.
도 5는 일 실시예에 따른 자가진단평가를 수행하는 세부 흐름도이다.
도 6은 일 실시예에 따른 이상치가 제거된 그래프이다.
도 7은 일 실시예에 따른 운영인자 데이터의 중요도를 도시한 그래프이다.
도 8은 일 실시예에 따른 BiLSTM-AE을 계략적으로 도시한 도이다.
도 9는 일 실시예에 따른 평균절대오차를 나타낸 그래프이다.
도 10은 일 실시예에 따른 오염물질 배출수준 산정 방법을 나타낸 순서도이다.
도 2는 일 실시예에 따른 프로세서의 세부구성도이다.
도 3은 일 실시예에 따른 오염물질 배출수준 산정 시스템의 흐름도이다.
도 4는 일 실시예에 따른 배출 오염물질 배출수준을 산정하는 세부 흐름도이다.
도 5는 일 실시예에 따른 자가진단평가를 수행하는 세부 흐름도이다.
도 6은 일 실시예에 따른 이상치가 제거된 그래프이다.
도 7은 일 실시예에 따른 운영인자 데이터의 중요도를 도시한 그래프이다.
도 8은 일 실시예에 따른 BiLSTM-AE을 계략적으로 도시한 도이다.
도 9는 일 실시예에 따른 평균절대오차를 나타낸 그래프이다.
도 10은 일 실시예에 따른 오염물질 배출수준 산정 방법을 나타낸 순서도이다.
이하에서는 본 발명에 따른 오염물질 배출수준 산정 시스템 및 방법을 첨부된 도면들을 참조하여 상세하게 설명한다. 이러한 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로, 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명의 목적 및 효과는 하기의 설명에 의해서 자연스럽게 이해되거나 보다 분명해질 수 있으며, 하기의 기재만으로 본 발명의 목적 및 효과가 제한되는 것은 아니다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.
도 1은 일 실시예에 따른 오염물질 배출수준 산정 시스템의 구성도이다.
도 1에서 나타낸 바와 같이, 일 실시예에 따른 오염물질 배출수준 산정 시스템은 컴퓨터에서 판독가능한 명령어가 저장되는 메모리(100) 및 상기 메모리(100)에 저장된 명령어를 실행하도록 구현되는 적어도 하나의 프로세서(300)를 포함하고, 적어도 하나의 프로세서(300)는, 제1 프로세스, 제2 프로세스, 제3 프로세스, 및 제4 프로세스를 포함하며, 제5 프로세스를 더 포함할 수 있다.
제1 프로세스는 오염물질을 배출하는 적어도 하나의 설비로부터 서로 다른 유형의 운영인자 데이터를 시점별로 수집한다. 운영인자 데이터는 대기배출원관리시스템(Stack Emission Management System, SEMS)에서 측정된 SEMS 데이터, 굴뚝원격감시체계(Tele-Monitoring System, TMS)에서 측정된 TMS 데이터, WTMS 데이터, 및 WEMS 데이터일 수 있다. 여기서, SEMS 데이터로부터 사업장명, 배출구번호, 분류체계, 오염물질, 대기법 배출시설 상세구분, 연도, 농도, 단위의 항목의 로우 데이터를 추출하고, 상기 TMS 데이터로부터 연도, 사업장명, 배출구번호, TSP 농도, SOX 농도, NOX 농도, HCl 농도, NH3 농도, 및 CO 농도의 항목의 로우 데이터를 추출할 수 있다.
제2 프로세스는 수집된 서로 다른 유형의 상기 운영인자 데이터로부터 기 설정된 항목에 의거하여 적어도 하나의 항목에 대한 로우 데이터(Raw data)를 추출하고 추출된 상기 항목별 로우 데이터의 이상치(Outlier)를 제거한다. 여기서, 제2 프로세스는 상기 로우 데이터로부터 제1 시점의 오염물질 농도값 및 상기 제1 시점 바로 이전인 제2 시점의 오염물질 농도값의 차이가 기 설정된 임계값보다 크면 이전 시점의 오염물질의 농도값을 제거할 수 있다.
제3 프로세스는 이상치가 제거된 상기 항목별 로우 데이터를 랜덤 포레스트(Random Forest) 알고리즘에 적용하여 상기 운영인자 데이터에 대한 중요도를 산출하고 산출된 상기 중요도의 누적합이 기 설정된 기준값 이상인 운영인자 데이터를 주요 운영인자 데이터로 설정한다.
제4 프로세스는 상기 이상치가 제거된 항목별 로우 데이터 및 설정된 주요 운영인자 데이터를 딥러닝 알고리즘을 기반으로 학습하여 오염물질의 배출농도를 도출한다. 여기서, 제4 프로세스는 설정된 시간 범위에 따른 적어도 하나의 오염물질의 평균절대오차(Mean Absolute Error, MAE)를 시점별로 도출하고 도출된 평균절대오차가 기 설정된 수치 미만인 시점을 학습에 사용할 시퀀스 길이(Sequence length)로 설정할 수 있다.
이때, 적어도 하나의 프로세서(300)는, 상기 도출된 오염물질의 배출농도에 따른 자가진단평가를 수행하는 제5 프로세스를 더 포함할 수 있다.
제5 프로세스는 설정된 기간동안 배출되는 오염물질의 이상 배출 횟수가 기 설정된 제1 기준치를 초과하는 제1 목표기간을 도출하고, 전체 기간동안 배출되는 오염물질의 이상 배출 횟수가 기 설정된 제2 기준치를 초과하는 제2 목표기간을 도출하여 도출된 상기 제1 목표기간 및 도출된 상기 제2 목표기간의 이상치 비율(False Alarm Rate)이 1에 가까운 제3 목표기간을 도출할 수 있다. 또한, 제5 프로세스는 도출된 상기 제3 목표기간의 오염물질 배출 변화량으로 자가진단계수(Autocorrelation)을 산출하여 산출된 자가진단계수에 따라 상기 제3 목표기간에 대한 정상, 주의, 및 경고 중 어느 하나의 상태를 도출할 수 있다.
일 실시예에 따른 상기 적어도 하나의 프로세서(300)는 추출된 상기 로우 데이터를 최적가용기법 연계배출수준(Best Available Techniques Associate Emission Level, BAT-AEL) 산정 계산식으로 연산하여 상기 설비의 정상운영 중 배출되는 오염물질의 배출농도 수준을 도출할 수 있다. 상기 적어도 하나의 프로세서(300)는 도출된 상기 배출농도 수준으로 기 설정된 분류기준에 따른 피봇 테이블(Pivot table) 및 상기 항목별로 로우 데이터를 비교한 그래프 중 어느 하나를 생성할 수 있다. 상기 적어도 하나의 프로세서(300)는 서로 다른 유형의 운영인자 데이터의 항목들을 기 설정된 텍스트의 항목으로 변경하고, 상기 항목에 따라 로우 데이터를 취합할 수 있다. 또한, 상기 적어도 하나의 프로세서(300)는 로우 데이터가 추출된 적어도 하나의 항목을 그룹으로 설정하고 설정된 그룹별로 그룹식별정보(Identification)를 생성할 수 있다.
오염물질은 먼지, 황산화물, 질소산화물, 염화수소, 불소화합물, 암모니아, 및 일산화탄소일 수 있고, 오염물질 배출농도는 먼지, 황산화물, 질소산화물, 염화수소, 불소화합물, 암모니아, 및 일산화탄소의 배출농도일 수 있다.
도 2는 일 실시예에 따른 프로세서의 세부구성도이다.
도 2에서 나타낸 바와 같이, 일 실시예에 따른 프로세서(300)의 세부구성도는 자료 수집부(310), 전처리부(320), 주요인자 설정부(330), 학습부(340), 자가진단부(350)를 포함할 수 있다.
자료 수집부(310)는 오염물질을 배출하는 적어도 하나의 설비로부터 서로 다른 유형의 운영인자 데이터를 시점별로 수집한다.
전처리부(320)는 수집된 서로 다른 유형의 상기 운영인자 데이터로부터 기 설정된 항목에 의거하여 적어도 하나의 항목에 대한 로우 데이터(Raw data)를 추출하고 추출된 상기 항목별 로우 데이터의 이상치(Outlier)를 제거한다.
주요인자 설정부(330)는 이상치가 제거된 상기 항목별 로우 데이터를 랜덤 포레스트(Random Forest) 알고리즘에 적용하여 상기 운영인자 데이터에 대한 중요도를 산출하고 산출된 상기 중요도의 누적합이 기 설정된 기준값 이상인 운영인자 데이터를 주요 운영인자 데이터로 설정한다.
학습부(340)는 상기 이상치가 제거된 항목별 로우 데이터 및 설정된 주요 운영인자 데이터를 딥러닝 알고리즘을 기반으로 학습하여 오염물질의 배출농도를 도출한다.
자가진단부(350)는 상기 도출된 오염물질의 배출농도에 따른 자가진단평가를 수행한다. 이때 자가진단부(350)는 설정된 기간동안 배출되는 오염물질의 이상 배출 횟수가 기 설정된 제1 기준치를 초과하는 제1 목표기간을 도출하고, 전체 기간동안 배출되는 오염물질의 이상 배출 횟수가 기 설정된 제2 기준치를 초과하는 제2 목표기간을 도출하여 도출된 상기 제1 목표기간 및 도출된 상기 제2 목표기간의 이상치 비율(False Alarm Rate)이 1에 가까운 제3 목표기간을 도출할 수 있다. 또한, 자가진단부(350)는 도출된 상기 제3 목표기간의 오염물질 배출 변화량으로 자기진단계수(Autocorrelation)을 산출하여 산출된 자가진단계수에 따라 상기 제3 목표기간의 정상, 주의, 및 경고 중 어느 하나의 상태를 도출할 수 있다.
도 3은 일 실시예에 따른 오염물질 배출수준 산정 시스템의 흐름도이고, 도 4는 일 실시예에 따른 배출 오염물질 배출수준을 산정하는 세부 흐름도이며, 도 5는 일 실시예에 따른 자가진단평가를 수행하는 세부 흐름도이다.
도 3에서 나타낸 바와 같이, 오염물질 배출수준 산정 시스템은 IoT를 통한 공장운영인자 및 배출오염물질 농도를 측정하고, 주요 공장운영인자를 분석하여 주요 공장운영인자를 이용한 각 배출 오염물질의 배출수준을 산정할 수 있다. 이후 자가진단계수를 통해 산정된 오염물질 배출수준을 평가를 수행할 수 있고, 평가결과를 실시간으로 제공할 수 있다.
인공지능을 이용하여 주요 운영인자 데이터를 설정할 수 있다. 각 오염물질의 배출수준을 산정할 때 및 하나의 시스템으로 보았을 때 랜덤 포레스트 모델의 운영 인자 변수 중요도를 순서대로 나열하여 중요도의 합이 전체의 80%를 차지하는 인자들을 해당 공장의 주요 인자로 설정할 수 있다.
도 4에서 나타낸 바와 같이, 설정된 주요 인자들을 입력으로 하여 인공지능 모델을 학습할 수 있다. 인공지능 모델의 학습 방법은 각 타임 스텝마다 또는 시점마다 각 시점으로부터 기 설정된 시간 이전의 시점 데이터부터 반영할 것인지를 의미하는 하이퍼파라미터(Hyperparameter)인 학습용 시퀀스 길이(Sequence length)를 1 분 내지 300 분 범위 내에서 설정할 수 있다.
시점 t=1에서 시작하여 평균이동한 시점(Moving average time step)의 데이터로 학습된 모델의 평균절대오차(Mean Absolute Error)값을 계산한다. 시점이 t=1 일 때의 평균절대오차가 기 설정된 수치인 10을 초과하는 경우, 시점 t를 5로 변경하여 평균이동한 데이터로 평균절대오차 값을 계산한다. 이후 반복 연산하여 평균절대오차 값이 10이하가 되면 해당 t를 학습에 사용할 시퀀스 길이로 정한다. 시점 t>300일 경우, 1 분 내지 300 분 범위 내의 MAE 값이 최저인 t를 학습에 사용할 시퀀스 길이로 정하여 오염물질 배출수준을 산정할 수 있다.
도 5에서 나타낸 바와 같이, 일 실시예에 따른 자가진단평가는 운영인자 데이터에 대한 간접운영인자 데이터를 생성하여 산정된 오염물질 배출수준 데이터(최소 기간 60일동안 측정된 데이터)에서 자가 진단 시 타겟 오염물질의 이상 배출 목표(95 or 99%이나 법적 기준치)를 설정할 수 있다. 이때, 사전 진단 지수의 경우, 과거와 현재의 오염물질 배출농도가 증가하는 경향을 진단할 수 있도록 자가상관계수(Autocorrelation)를 적용할 수 있고, 이는 다음 수학식으로 도출될 수 있다.
[수학식 1]
수학식 1에서, R(t)는 과거와 현재 시점의 오염물질 배출농도의 패턴 변화를 사전에 탐지할 수 있는 지수로 사용할 수 있다. 자가상관계수를 계산 시 일정 기간의 데이터를 사용할지 결정할 수 있다. 한달 기간의 자가상관계수 지수를 이용하여 다음 시점에서의 자가상관계수 지수와 비교한다. 즉, 이를 비율로 계산하여 한달 간격의 오염물질 배출농도 데이터와 현재 측정된 오염물질 배출농도 데이터의 차이를 계산하고 이를 비교하여 공장 또는 설비의 가동 혹은 오염물질 배출농도에 관한 정보를 나타낼 수 있다. t는 1분 내지 60분 간격일 수 있다.
과거 산정 오염 데이터에서 타겟 오염물질의 이상 배출 목표를 넘어선 시점들(A)을 도출하여 도출된 시점들로부터 하루부터 30일전까지 24시간 단위로 변경하면서 R(t)값을 도출할 수 있다. 도출된 R(t)값이 1.5를 초과하는 시점으로 자가상관계수를 도출할 수 있다. 또한, 전체 기간에서 R(t)값이 1.5이상인 시점들(B)을 도출하여 이상치 비율(False Alarm Rate)이 B/A일 때 1에 가까운 시점을 R(t)값을 설정하는 시점으로 변경하여 자가진단계수 R(t)값과 자가상관계수를 연산하여 0(정상), 1(주의), 2(경고) 중 어느 하나의 상태를 도출할 수 있다.
도 6은 일 실시예에 따른 이상치가 제거된 그래프이다.
도 6에서 나타낸 바와 같이, 일 실시예에 따른 이상치 제거는 t 시점의 오염물질 배출농도와 t+1 시점의 오염물질 배출농도의 차이가 전체 시점의 오염물질 배출농도의 0.1 백분위수와 99.9 백분위수의 차이의 1/2보다 클 경우 이상치로 판단할 수 있고, 이상치로 판단된 시점의 오염물질 배출농도를 삭제할 수 있다. 이는 다음 수학식으로 표현될 수 있다.
[수학식 2]
수학식 1에서, 
는 t 시점의 오염물질 배출농도 데이터 x이고, 
는 데이터 x의 99.9 백분위수이고, 
는 0.1 백분위수이다.
도 7은 일 실시예에 따른 운영인자 데이터의 중요도를 도시한 그래프이다.
도 7에서 나타낸 바와 같이, 일 실시예에 따른 운영인자 데이터의 중요도는 랜덤 포레스트 알고리즘에서 어떠한 운영인자가 오염물질 배출농도에 기여를 하였는지 나타낼 수 있다. 이때, 변수 중요도의 누적합은 1일 수 있으며, 정렬된 중요도의 누적합이 80% 이상에 해당하는 인자들을 해당 설비의 주요 운영인자 데이터로 설정할 수 있다.
도 8은 일 실시예에 따른 BiLSTM-AE을 계략적으로 도시한 도이다.
도 8에서 나타낸 바와 같이, 일 실시예에 따른 BiLSTM-AE(AutoEncoder)는 64개의 및 32개의 히든 유닛(Hidden unit)으로 이루어진 LSTM 층을 거쳐 입력을 압축된 내부 표현으로 바꾼 후, 32개 및 64개의 히든 유닛으로 이루어진 LSTM 층을 통하여 내부 표현을 복원하여 데이터를 효율적으로 학습하는 구조이다.
BiLSTM-AE는 LSTM-AE의 각 LSTM 층이 BiLSTM으로 구성되어 순방향과 역방향의 결과를 이용하여 학습하는 구조이며, 초기에는 인코더가 각각 64개, 32개의 히든 유닛의 BiLSTM으로 연결되어 있고, 두번째는 128, 64, 32의 BiLSTM으로 이루어져있다. 인코더와 디코더는 대칭으로 구축될 수 있다. 이를 통해 배치 사이즈(Batch Size) 및 히든 유닛을 최적화할 수 있다. 이때, 배치 사이즈는 학습으로 사용할 데이터를 단위 크기로 재조정하여 학습을 수행할 것인지를 나타내는 하이퍼 파라미터일 수 있다.
도 9는 일 실시예에 따른 평균절대오차를 나타낸 그래프이다.
도 9에서 나타낸 바와 같이, 평균절대오차가 기 설정된 수치보다 높을 경우 시점 t를 5씩 늘려가며 t분 이동평균에 대한 산정 성능을 도출할 수 있다. 평균절대오차가 10보다 낮은 경우의 시점 t를 시퀀스 길이로 설정하여 모델의 학습 및 산정을 수행할 수 있다. 또한, h 시점의 오염물질 배출수준을 산정할 때 h-t 시점부터 h시점까지의 오염물질 배출농도를 반영할 수 있다.
도 10은 일 실시예에 따른 오염물질 배출수준 산정 방법을 나타낸 순서도이다.
도 10에서 나타낸 바와 같이, 일 실시예에 따른 오염물질 배출수준 산정 방법은 제1 단계(S100), 제2 단계(S300), 제3 단계(S500), 및 제4 단계(S700)를 포함하고, 제5 단계(S900)를 더 포함할 수 있다.
제1 단계(S100)는 적어도 하나의 프로세서(300)가 오염을 배출하는 적어도 하나의 설비로부터 서로 다른 유형의 운영인자 데이터를 시점별로 수집한다.
제2 단계(S300)는 상기 적어도 하나의 프로세서(300)가 수집된 서로 다른 유형의 상기 운영인자 데이터로부터 기 설정된 항목에 의거하여 적어도 하나의 항목에 대한 로우 데이터(Raw data)를 추출하고 추출된 상기 항목별 로우 데이터의 이상치(Outlier)를 제거한다.
제3 단계(S500)는 상기 적어도 하나의 프로세서(300)가 이상치가 제거된 상기 항목별 로우 데이터를 랜덤 포레스트(Random Forest) 알고리즘에 적용하여 상기 운영인자 데이터에 대한 중요도를 산출하고 산출된 상기 중요도의 누적합이 기 설정된 기준값 이상인 운영인자 데이터를 주요 운영인자 데이터로 설정한다.
제4 단계(S700)는 상기 적어도 하나의 프로세서(300)가 상기 이상치가 제거된 항목별 로우 데이터 및 설정된 주요 운영인자 데이터를 딥러닝 알고리즘을 기반으로 학습하여 오염물질의 배출농도를 도출한다.
제5 단계(S900)는 상기 적어도 하나의 프로세서(300)가 상기 도출된 오염물질의 배출농도에 따른 자가진단평가를 수행할 수 있다. 여기서 제5 단계(S900)는 설정된 기간동안 배출되는 오염물질의 농도값이 기 설정된 제1 기준치를 초과하는 제1 목표기간을 도출하고, 전체 기간동안 배출되는 오염물질의 농도값이 기 설정된 제2 기준치를 초과하는 제2 목표기간을 도출하여 도출된 상기 제1 목표기간 및 도출된 상기 제2 목표기간의 이상치 비율(False Alarm Rate)이 1에 가까운 제3 목표기간을 도출할 수 있다. 제5 단계(S900)는 도출된 상기 제3 목표기간의 오염물질 배출 변화량으로 자가진단계수(Autocorrelation)을 산출하여 산출된 자가진단계수에 따라 상기 제3 목표기간에 대한 정상, 주의, 및 경고 중 어느 하나의 상태를 도출할 수 있다.
오염물질 배출수준 산정 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록된 것을 특징으로 하는 컴퓨터에서 판독가능한 기록매체를 더 포함할 수 있고, 컴퓨터와 결합되어 오염물질 배출수준 산정 방법을 컴퓨터에 실행시키기 위해 컴퓨터에서 판독가능한 기록매체에 저장된 컴퓨터 프로그램을 더 포함할 수 있다. 컴퓨터 프로그램의 오염물질 배출수준 산정 방법은 제1 단계(S100), 제2 단계(S300), 제3 단계(S500), 및 제4 단계(S700)를 포함한다.
제1 단계(S100)는 오염물질을 배출하는 적어도 하나의 설비로부터 서로 다른 유형의 운영인자 데이터를 시점별로 수집한다.
제2 단계(S300) 수집된 서로 다른 유형의 상기 운영인자 데이터로부터 기 설정된 항목에 의거하여 적어도 하나의 항목에 대한 로우 데이터(Raw data)를 추출하고 추출된 상기 항목별 로우 데이터의 이상치(Outlier)를 제거한다.
제3 단계(S500)는 이상치가 제거된 상기 항목별 로우 데이터를 랜덤 포레스트(Random Forest) 알고리즘에 적용하여 상기 운영인자 데이터에 대한 중요도를 산출하고 산출된 상기 중요도의 누적합이 기 설정된 기준값 이상인 운영인자 데이터를 주요 운영인자 데이터로 설정한다.
제4 단계(S700)는 상기 이상치가 제거된 항목별 로우 데이터 및 설정된 주요 운영인자 데이터를 딥러닝 알고리즘을 기반으로 학습하여 오염물질의 배출농도를 도출한다.
이상에서 대표적인 실시예를 통하여 본 발명을 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명한 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 특허청구범위와 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태에 의하여 정해져야 한다.
100: 메모리 300: 프로세서
500: 통신모듈
310: 자료 수집부 320: 전처리부
330: 주요인자 설정부 340: 학습부
350: 자가진단부
500: 통신모듈
310: 자료 수집부 320: 전처리부
330: 주요인자 설정부 340: 학습부
350: 자가진단부
Claims (10)
- 오염물질 배출수준 산정 시스템에 있어서,
컴퓨터에서 판독가능한 명령어가 저장되는 메모리; 및
상기 메모리에 저장된 명령어를 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는,
오염물질을 배출하는 적어도 하나의 설비로부터 서로 다른 유형의 운영인자 데이터를 시점별로 수집하는 제1 프로세스;
수집된 서로 다른 유형의 상기 운영인자 데이터로부터 기 설정된 항목에 의거하여 적어도 하나의 항목에 대한 로우 데이터(Raw data)를 추출하고 추출된 상기 항목별 로우 데이터의 이상치(Outlier)를 제거하는 제2 프로세스;
이상치가 제거된 상기 항목별 로우 데이터를 랜덤 포레스트(Random Forest) 알고리즘에 적용하여 상기 운영인자 데이터에 대한 중요도를 산출하고 산출된 상기 중요도의 누적합이 기 설정된 기준값 이상인 운영인자 데이터를 주요 운영인자 데이터로 설정하는 제3 프로세스; 및
상기 이상치가 제거된 항목별 로우 데이터 및 설정된 주요 운영인자 데이터를 딥러닝 알고리즘을 기반으로 학습하여 오염물질의 배출농도를 도출하는 제4 프로세스를 포함하는 오염물질 배출수준 산정 시스템.
- 제 1 항에 있어서,
상기 제2 프로세스는,
상기 로우 데이터로부터 제1 시점의 오염물질 농도값 및 상기 제1 시점 바로 이전인 제2 시점의 오염물질 농도값의 차이가 기 설정된 임계값보다 크면 이전 시점의 오염물질의 농도값을 제거하는 것을 특징으로 하는 오염물질 배출수준 산정 시스템.
- 제 1 항에 있어서,
상기 제4 프로세스는,
설정된 시간범위에 따른 적어도 하나의 오염물질의 평균절대오차(Mean Absolute Error, MAE)를 시점별로 도출하고 도출된 평균절대오차가 기 설정된 수치 미만인 시점을 학습에 사용할 시퀀스 길이(Sequence length)로 설정하는 것을 특징으로 하는 오염물질 배출수준 산정 시스템.
- 제 1 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 도출된 오염물질의 배출농도에 따른 자가진단평가를 수행하는 제5 프로세스를 더 포함하고,
상기 제5 프로세스는,
설정된 기간동안 배출되는 오염물질의 이상 배출 횟수가 기 설정된 제1 기준치를 초과하는 제1 목표기간을 도출하고, 전체 기간동안 배출되는 오염물질의 이상 배출 횟수가 기 설정된 제2 기준치를 초과하는 제2 목표기간을 도출하여 도출된 상기 제1 목표기간 및 도출된 상기 제2 목표기간의 이상치 비율(False Alarm Rate)이 1에 가까운 제3 목표기간을 도출하는 것을 특징으로 하는 오염물질 배출수준 산정 시스템.
- 제 4 항에 있어서,
상기 제5 프로세스는,
도출된 상기 제3 목표기간의 오염물질 배출 변화량으로 자기진단계수(Autocorrelation)을 산출하여 산출된 자가진단계수에 따라 상기 제3 목표기간의 정상, 주의, 및 경고 중 어느 하나의 상태를 도출하는 것을 특징으로 하는 오염물질 배출수준 산정 시스템.
- 오염물질 배출수준 산정 시스템에서 수행되는 오염물질 배출수준 산정 방법에 있어서,
적어도 하나의 프로세서가 오염물질을 배출하는 적어도 하나의 설비로부터 서로 다른 유형의 운영인자 데이터를 시점별로 수집하는 제1 단계;
상기 적어도 하나의 프로세서가 수집된 서로 다른 유형의 상기 운영인자 데이터로부터 기 설정된 항목에 의거하여 적어도 하나의 항목에 대한 로우 데이터(Raw data)를 추출하고 추출된 상기 항목별 로우 데이터의 이상치(Outlier)를 제거하는 제2 단계;
상기 적어도 하나의 프로세서가 이상치가 제거된 상기 항목별 로우 데이터를 랜덤 포레스트(Random Forest) 알고리즘에 적용하여 상기 운영인자 데이터에 대한 중요도를 산출하고 산출된 상기 중요도의 누적합이 기 설정된 기준값 이상인 운영인자 데이터를 주요 운영인자 데이터로 설정하는 제3 단계; 및
상기 적어도 하나의 프로세서가 상기 이상치가 제거된 항목별 로우 데이터 및 설정된 주요 운영인자 데이터를 딥러닝 알고리즘을 기반으로 학습하여 오염물질의 배출농도를 도출하는 제4 단계를 포함하는 오염물질 배출수준 산정 방법.
- 제 6 항에 있어서,
상기 적어도 하나의 프로세서가 상기 도출된 오염물질의 배출농도에 따른 자가진단평가를 수행하는 제5 단계를 더 포함하고,
상기 제5 단계는,
설정된 기간동안 배출되는 오염물질의 농도값이 기 설정된 제1 기준치를 초과하는 제1 목표기간을 도출하고, 전체 기간동안 배출되는 오염물질의 농도값이 기 설정된 제2 기준치를 초과하는 제2 목표기간을 도출하여 도출된 상기 제1 목표기간 및 도출된 상기 제2 목표기간의 이상치 비율(False Alarm Rate)이 1에 가까운 제3 목표기간을 도출하는 것을 특징으로 하는 오염물질 배출수준 산정 방법.
- 제 7 항에 있어서,
상기 제5 단계는,
도출된 상기 제3 목표기간의 오염물질 배출 변화량으로 자가진단계수(Autocorrelation)을 산출하여 산출된 자가진단계수에 따라 상기 제3 목표기간에 대한 정상, 주의, 및 경고 중 어느 하나의 상태를 도출하는 것을 특징으로 하는 오염물질 배출수준 산정 방법.
- 제 6 항 내지 제 7 항 중 어느 한 항의 오염물질 배출수준 산정 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록된 것을 특징으로 하는 컴퓨터에서 판독가능한 기록매체.
- 컴퓨터와 결합되어 오염물질 배출수준 산정 방법을 컴퓨터에 실행시키기 위해 컴퓨터에서 판독가능한 기록매체에 저장된 컴퓨터 프로그램에 있어서,
상기 오염물질 배출수준 산정 방법은,
오염물질을 배출하는 적어도 하나의 설비로부터 서로 다른 유형의 운영인자 데이터를 시점별로 수집하는 제1 단계;
수집된 서로 다른 유형의 상기 운영인자 데이터로부터 기 설정된 항목에 의거하여 적어도 하나의 항목에 대한 로우 데이터(Raw data)를 추출하고 추출된 상기 항목별 로우 데이터의 이상치(Outlier)를 제거하는 제2 단계;
이상치가 제거된 상기 항목별 로우 데이터를 랜덤 포레스트(Random Forest) 알고리즘에 적용하여 상기 운영인자 데이터에 대한 중요도를 산출하고 산출된 상기 중요도의 누적합이 기 설정된 기준값 이상인 운영인자 데이터를 주요 운영인자 데이터로 설정하는 제3 단계; 및
상기 이상치가 제거된 항목별 로우 데이터 및 설정된 주요 운영인자 데이터를 딥러닝 알고리즘을 기반으로 학습하여 오염물질의 배출농도를 도출하는 제4 단계를 포함하는 오염물질 배출수준 산정 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230021417A KR102549313B1 (ko) | 2023-02-17 | 2023-02-17 | 오염물질 배출수준 산정 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230021417A KR102549313B1 (ko) | 2023-02-17 | 2023-02-17 | 오염물질 배출수준 산정 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102549313B1 true KR102549313B1 (ko) | 2023-06-30 |
Family
ID=86959503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230021417A KR102549313B1 (ko) | 2023-02-17 | 2023-02-17 | 오염물질 배출수준 산정 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102549313B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332357A (zh) * | 2023-11-28 | 2024-01-02 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
| CN117558367A (zh) * | 2024-01-08 | 2024-02-13 | 科扬环境科技有限责任公司 | 一种挥发性有机污染物排放量计算方法及装置 |
| CN117709208A (zh) * | 2024-02-05 | 2024-03-15 | 四川国蓝中天环境科技集团有限公司 | 一种人为排放污染物的大气环境容量计算方法 |
| CN117973027A (zh) * | 2024-01-30 | 2024-05-03 | 长江水资源保护科学研究所 | 砂石废水回用絮凝剂累积模型构建方法及对混凝土影响的避免方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101756791B1 (ko) | 2016-05-31 | 2017-07-12 | 대한민국 | 오염물질 배출농도의 질량 환산 결과를 이용한 연비계산 방법 |
| CN115269675A (zh) * | 2022-06-15 | 2022-11-01 | 浙江工业大学 | 工业园区大气污染时空解析方法 |
-
2023
- 2023-02-17 KR KR1020230021417A patent/KR102549313B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101756791B1 (ko) | 2016-05-31 | 2017-07-12 | 대한민국 | 오염물질 배출농도의 질량 환산 결과를 이용한 연비계산 방법 |
| CN115269675A (zh) * | 2022-06-15 | 2022-11-01 | 浙江工业大学 | 工业园区大气污染时空解析方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332357A (zh) * | 2023-11-28 | 2024-01-02 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
| CN117332357B (zh) * | 2023-11-28 | 2024-03-12 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
| CN117558367A (zh) * | 2024-01-08 | 2024-02-13 | 科扬环境科技有限责任公司 | 一种挥发性有机污染物排放量计算方法及装置 |
| CN117558367B (zh) * | 2024-01-08 | 2024-03-26 | 科扬环境科技有限责任公司 | 一种挥发性有机污染物排放量计算方法及装置 |
| CN117973027A (zh) * | 2024-01-30 | 2024-05-03 | 长江水资源保护科学研究所 | 砂石废水回用絮凝剂累积模型构建方法及对混凝土影响的避免方法 |
| CN117709208A (zh) * | 2024-02-05 | 2024-03-15 | 四川国蓝中天环境科技集团有限公司 | 一种人为排放污染物的大气环境容量计算方法 |
| CN117709208B (zh) * | 2024-02-05 | 2024-04-16 | 四川国蓝中天环境科技集团有限公司 | 一种人为排放污染物的大气环境容量计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102549313B1 (ko) | 오염물질 배출수준 산정 시스템 및 방법 | |
| CN110603501B (zh) | 时间序列数据处理装置、时间序列数据处理系统以及时间序列数据处理方法 | |
| Louit et al. | A practical procedure for the selection of time-to-failure models based on the assessment of trends in maintenance data | |
| JP5203984B2 (ja) | 測定システムの測定データを解析及び評価するための方法及び装置 | |
| CN110658308B (zh) | 考虑共因失效的烟气在线监测系统安全可靠性评价方法 | |
| CN113567635B (zh) | 一种工业气体智能监测一体化系统及监测方法 | |
| CN110990393A (zh) | 一种行业企业数据异常行为的大数据识别方法 | |
| 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 | |
| KR102100739B1 (ko) | 미세먼지 발생 예측방법 | |
| CN115375522A (zh) | 智慧城市碳中和数据分析系统 | |
| CN116663962A (zh) | 一种用于水利工程堤坝材料质量检测分析系统 | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| Torres et al. | A functional data analysis approach for the detection of air pollution episodes and outliers: A case study in Dublin, Ireland | |
| CN112037106B (zh) | 一种基于特征互相关性和概率密度的数据异常分析方法 | |
| CN113313529A (zh) | 一种基于时间回归序列成品油销售额预测方法 | |
| CN116862109A (zh) | 一种区域碳排放态势感知预警方法 | |
| RU121944U1 (ru) | Автоматизированная система выявления неисправных датчиков среди датчиков, предназначенных для контроля технологических процессов | |
| 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 | |
| CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
| CN113688506B (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
| KR102544293B1 (ko) | 이상치 탐지 및 제거 방법 | |
| CN112734123A (zh) | 一种基于arima模型的工业废气排放量预测的方法 | |
| CN111340095A (zh) | 基于深度学习的环境监测数据质量控制方法 | |
| CN112149969B (zh) | 特高压直流控制保护合并单元运行状态评价方法及系统 | |
| CN117540346B (zh) | 大气污染数据高维回归建模的秩序类别变量冗余去除方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |