CN109117549A - 一种污染物扩散预测方法及*** - Google Patents
一种污染物扩散预测方法及*** Download PDFInfo
- Publication number
- CN109117549A CN109117549A CN201810897376.5A CN201810897376A CN109117549A CN 109117549 A CN109117549 A CN 109117549A CN 201810897376 A CN201810897376 A CN 201810897376A CN 109117549 A CN109117549 A CN 109117549A
- Authority
- CN
- China
- Prior art keywords
- flue gas
- diffusion
- pollutant
- emission mouth
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种污染物扩散预测方法及***,其方法包括S1,根据扩散条件构建目标烟气排放口排放的烟气的高斯扩散模型;S2,采集所述目标烟气排放口排放的烟气的图像,并对所述图像进行图像处理,得出所述目标烟气排放口排放的烟气的轨迹方程;S3,根据所述轨迹方程对所述目标烟气排放口排放的烟气进行空间浓度分布预测,并通过与采集的所述目标烟气排放口排放的烟气的真实值进行比较,对所述高斯扩散模型进行修正;S4,利用修正后的所述高斯扩散模型,并采用关联规则算法对所述目标烟气排放口排放的烟气中的污染物进行轨迹扩散预测。本发明方法基于高斯扩散模型结合图像识别技术,可以有效的减少数据的采集难度,能够优化预测效果。
Description
技术领域
本发明涉及污染物扩散预测领域,具体涉及一种污染物扩散预测方法及***。
背景技术
现有技术中通常采用高斯扩散模型对污染物的扩散进行预测。然而,现有的高斯扩散模型建立在较多的理想假设的前提下,其需要的假设条件有:①风的平均流场稳定,风速均匀,风向平直;②污染物的浓度在y、z轴方向符合正态分布;③污染物在输送扩散中质量守恒;④污染源的源强均匀、连续。另外,根据现有的高斯扩散模型推导出的公式所需数据多,且数据获取难度大,高斯扩散模型准确度较低,实际预测效果不理想。
发明内容
本发明所要解决的技术问题是提供一种污染物扩散预测方法及***,可以有效的减少数据的采集难度并能够优化预测效果。
本发明解决上述技术问题的技术方案如下:一种污染物扩散预测方法,包括以下步骤,
S1,根据扩散条件构建目标烟气排放口排放的烟气的高斯扩散模型;
S2,采集所述目标烟气排放口排放的烟气的图像,并对所述图像进行图像处理,得出所述高斯扩散模型所需的参数数据和所述目标烟气排放口排放的烟气的轨迹方程;
S3,根据所述轨迹方程对所述目标烟气排放口排放的烟气进行空间浓度分布预测,并通过与采集的所述目标烟气排放口排放的烟气的真实值进行比较,且结合所述高斯扩散模型所需的参数数据对所述高斯扩散模型进行修正;
S4,利用修正后的所述高斯扩散模型,并采用关联规则算法对所述目标烟气排放口排放的烟气中的污染物进行轨迹扩散预测。
本发明的有益效果是:本发明一种污染物扩散预测方法基于高斯扩散模型,结合图像识别技术,从图像数据获取高斯扩散模型所需的参数数据,可以有效的减少数据的采集难度;同时,利用图像信息拟合烟气轨迹,修正高斯扩散模型,这样能够提高高斯扩散模型的准确度;通过修正后的高斯扩散模型且采用关联规则算法,对烟气中的污染物进行轨迹扩散预测,能够优化预测效果。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,还包括以下步骤,
S5,根据反演算法,利用修正后的所述高斯扩散模型,并结合企业排放物的特征因子库,对污染物进行溯源。
采用上述进一步方案的有益效果是:采用反演算法,根据多个大气站的监测数据以及风向等,进行反推得出目标污染气体的可以排放工厂区域,结合企业的特征因子库,进一步缩小排放区域的范围,达到溯源的效果。
进一步,所述S5具体为,
采用反演算法,根据多个大气站的监测数据以及风向和修正后的所述高斯扩散模型进行反推,得出污染气体的排放区域;
结合企业的特征因子库,缩小排放区域的范围,实现污染物的溯源。
进一步,所述S2具体为,
S21,对所述图像进行二值化处理;
S22,利用边缘模板算子对经过二值化处理后的图像的背景差分,并结合区域增长算法,分割获取所述高斯扩散模型所需的参数数据和所述目标烟气排放口排放的烟气的轨迹方程。
进一步,所述S4具体为,
S41,根据所述目标烟气排放口周围的采样点的实际浓度数据,采用关联规则算法,计算出所述目标烟气排放口排放的烟气中的已知可见气体和未知不可见气体之间的关联规则;
S42,通过修正后的所述高斯扩散模型计算出所述目标烟气排放口排放的烟气中的已知可见气体的扩散轨迹;
S43,基于所述关联规则,通过所述目标烟气排放口排放的烟气中的已知可见气体的扩散轨迹对所述目标烟气排放口排放的烟气中的未知不可见气体在空间上的浓度分布进行预测。
基于上述一种污染物扩散预测发明,本发明还提供一种污染物扩散预测***。
一种污染物扩散预测***,包括以下模块,
高斯扩散模型构建模块,其用于根据扩散条件构建目标烟气排放口排放的烟气的高斯扩散模型;
轨迹方程获取模块,其用于采集所述目标烟气排放口排放的烟气的图像,并对所述图像进行图像处理,得出所述高斯扩散模型所需的参数数据和所述目标烟气排放口排放的烟气的轨迹方程;
高斯扩散模型修正模块,其用于根据所述轨迹方程对所述目标烟气排放口排放的烟气进行空间浓度分布预测,并通过与采集的所述目标烟气排放口排放的烟气的真实值进行比较,且结合所述高斯扩散模型所需的参数数据对所述高斯扩散模型进行修正;
轨迹扩散预测模块,其用于利用修正后的所述高斯扩散模型,并采用关联规则算法对所述目标烟气排放口排放的烟气中的污染物进行轨迹扩散预测。
本发明的有益效果是:本发明一种污染物扩散预测***基于高斯扩散模型,结合图像识别技术,从图像数据获取高斯扩散模型所需的参数数据,可以有效的减少数据的采集难度;同时,利用图像信息拟合烟气轨迹,修正高斯扩散模型,这样能够提高高斯扩散模型的准确度;通过修正后的高斯扩散模型且采用关联规则算法,对烟气中的污染物进行轨迹扩散预测,能够优化预测效果。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,还包括,
污染物溯源模块,其用于根据反演算法,利用修正后的所述高斯扩散模型,并结合企业排放物的特征因子库,对污染物进行溯源。
采用上述进一步方案的有益效果是:采用反演算法,根据多个大气站的监测数据以及风向等,进行反推得出目标污染气体的可以排放工厂区域,结合企业的特征因子库,进一步缩小排放区域的范围,达到溯源的效果。
进一步,所述污染物溯源模块具体用于,
采用反演算法,根据多个大气站的监测数据以及风向和修正后的所述高斯扩散模型进行反推,得出污染气体的排放区域;
结合企业的特征因子库,缩小排放区域的范围,实现污染物的溯源。
进一步,所述轨迹方程获取模块具体用于,
对所述图像进行二值化处理;
利用边缘模板算子对经过二值化处理后的图像的背景差分,并结合区域增长算法,分割获取所述高斯扩散模型所需的参数数据和所述目标烟气排放口排放的烟气的轨迹方程。
进一步,所述轨迹扩散预测模块具体用于,
根据所述目标烟气排放口周围的采样点的实际浓度数据,采用关联规则算法,计算出所述目标烟气排放口排放的烟气中的已知可见气体和未知不可见气体之间的关联规则;
通过修正后的所述高斯扩散模型计算出所述目标烟气排放口排放的烟气中的已知可见气体的扩散轨迹;
基于所述关联规则,通过所述目标烟气排放口排放的烟气中的已知可见气体的扩散轨迹对所述目标烟气排放口排放的烟气中的未知不可见气体在空间上的浓度分布进行预测。
附图说明
图1为大空间点源的高斯扩散模式示意图;
图2为地面全反射的高架连续点源扩散模式示意图;
图3为高架点源地面浓度分布示意图;
图4为高斯扩散气体正太分布图;
图5为污染物在垂直于风向的水平方向上和垂直于水平面的铅直方向上的正态分布图;
图6为高架点源扩散气体全反射示意图;
图7为本发明一种污染物扩散预测方法的流程图;
图8为烟气曲线拟合轨迹图;
图9为企业特征因子库图;
图10为本发明一种污染物扩散预测***的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
在现有技术中,根据扩散条件的不同,高斯扩散模型有不同的形式。
连续点源的扩散:连续点源一般指排放大量污染物的烟囱、放散管、通风口等。排放口安置在地面的称为地面点源,处于高空位置的称为高架点源。
下面具体介绍两种高斯扩散模型:
1.大空间点源扩散
对于大空间点源扩散,高斯扩散模型的建立有如下假设条件:①风的平均流场稳定,风速均匀,风向平直;②污染物的浓度在y、z轴方向符合正态分布;③污染物在输送扩散中质量守恒;④污染源的源强均匀、连续。
图1为大空间点源的高斯扩散模式示意图。有效源位于坐标原点o处,平均风向与x轴平行,并与x轴正向同向。假设点源在没有任何障碍物的自由空间扩散,不考虑下垫面的存在。大气中的扩散是具有y与z两个坐标方向的二维正态分布,当两坐标方向的随机变量独立时,分布密度为每个坐标方向的一维正态分布密度函数的乘积。由假设条件②,参照正态分布函数的基本形式式,取μ=0,则在点源下风向任一点的浓度分布函数为:
式(1)中,C为空间点(x,y,z)的污染物的浓度;A(x)为待定函数;σy和σz分别为水平、垂直方向的标准差,即y、x方向的扩散参数。
由假设条件③和④,在任一垂直于x轴的烟流截面上有:
式(2)中q为源强,即单位时间内排放的污染物;u为平均风速。
将式(1)代入式(2),由假设条件①,A与y、z无关,考虑到以及假设条件③和④,积分可得待定函数A(x):
将式(3)代入式(1),得大空间点源的高斯扩散模型为
式(4)中,扩散系数σy、σz与大气稳定度和水平距离x有关,并随x的增大而增加。当y=0,z=0时,A(x)=C(x,0,0),即A(x)为x轴上的浓度,也是垂直于x轴截面上污染物的最大浓度点Cmax。当x→∞,σy及σz→∞,则C→0,表明污染物以在大气中得以完全扩散。
2.高架点源扩散
在点源的实际扩散中,污染物可能受到地面障碍物的阻挡,因此应当考虑地面对扩散的影响。处理的方法是,假定污染物在扩散过程中的质量不变,到达地面时不发生沉降或化学反应而全部反射;或者污染物在没有反射而被全部吸收,实际情况应在这两者之间。
(1)高架点源扩散。点源在地面上的投影点o作为坐标原点,有效源位于z轴上某点,z=H。高架有效源的高度由两部分组成,即H=h+Δh,其中h为排放口的有效高度,Δh是热烟流的浮升力和烟气以一定速度竖直离开排放口的冲力使烟流抬升的一个附加高度,如图2所示。
当污染物到达地面后被全部反射时,可以按照全反射原理,用“像源法”来求解空间某点k的浓度。图2中k点的浓度显然比大空间点源扩散模型式(4)的计算值大,它是位于(0,0,H)的实源在k点扩散的浓度和反射回来的浓度的叠加。反射浓度可视为由一与实源对称的位于(0,0,-H)的像源(假想源)扩散到k点的浓度。由图2可见,k点在以实源为原点的坐标系中的垂直坐标为(z-H),则实源在k点扩散的浓度为式(4)的坐标沿z轴向下平移距离H:
k点在以像源为原点的坐标系中的垂直坐标为(z+H),则像源在k点扩散的浓度为式(4)的坐标沿z轴向上平移距离H:
由此,实源Cs与像源Cx之和即为k点的实际污染物浓度:
若污染物到达地面后被完全吸收,则Cx=0,污染物浓度C(x,y,z,H)=Cs,即式(5)。
(2)地面全部反射时的地面浓度。实际中,高架点源扩散问题中最关心的是地面浓度的分布状况,尤其是地面最大浓度值和它离源头的距离。在式(7)中,令z=0,可得高架点源的地面浓度公式:
式(8)中,进一步令y=0,则可得到沿x轴线上的浓度分布:
地面浓度分布如图3所示。y方向的浓度以x轴为对称轴按正态分布;沿x轴线上,在污染物排放源附近地面浓度接近于零,然后顺风向不断增大,在离源一定距离时的某处,地面轴线上的浓度达到最大值,以后又逐渐减小。
地面最大浓度值Cmax及其离源的距离xmax可以由式(9)求导并取极值得到。令由于σy、σz均为x的未知函数,最简单的情况可假定σy/σz=常数,则当
时,得地面浓度最大值
由式(10)可以看出,有效源H越高,xmax处的σz值越大,而σz∝xmax,则Cmax出现的位置离污染源的距离越远。式(11)表明,地面上最大浓度Cmax与有效源高度的平方及平均风速成反比,增加H可以有效地防止污染物在地面某一局部区域的聚积。
现有的高斯扩散模型建立在较多的理想假设的前提下:假设条件,①风的平均流场稳定,风速均匀,风向平直;②污染物的浓度在y、z轴方向符合正态分布;③污染物在输送扩散中质量守恒;④污染源的源强均匀、连续。根据模型推导出的公式所需数据多,且数据获取难度大,模型准确度较低,实际效果不理想。
本发明的方法着重解决传统高斯扩散模型中的局限性:其一原模型中所需参数多而杂,且数据获取较为困难;其二模型建立的前提假设条件较多,得出的结果与实际情况偏差较大,准确度低;本发明方法结合图像识别技术,可以有效的减少数据的采集难度并能够提高模型的准确度。
传统的高斯气体扩散模型:
模型一:地面点源扩散模型(即为上述所述的大空间点源扩散模型)
考虑排放口安置在地面的,一种适用于均一大气及地面开阔平坦地区条件下,点源扩散模式的气体扩散模型。点源源强为Q,且排放气体时稳定输出,在风向上将这一点均匀的拉成一条直线即C(x)=Q/u,如图4所示;线上的污染物分别在垂直于风向的水平方向上和垂直于水平面的铅直方向上遵循的正态分布的规律扩散,如图5所示,则可得空间点(x,y,z)处的浓度为:
其中,源强Q为点源在单位时间的排放量;H为烟气点源在高空开始扩散的高度;u为风速;y为水平面上垂直于x轴的高斯扩散方向;z为垂直平面的高斯扩散方向;σy、σz—分别为水平、垂直方向的标准差,即y、z方向的扩散参数。
模型二:高架点源扩散模型
若考虑排放口处于高空位置的情形,并且假设气体触碰到地面时为全反射,如图6所示,采用镜面反射的方法计算:
其中,H=H1+Δh,H1为烟囱高度,Δh为烟流抬升高度,Δh是高架源的位置与估计地面污染浓度的重要参数之一。
其中Vs为烟流出口速度,单位m/s;D为烟囱出口内径,单位m;u烟囱出口环境平均风速单位m/s;Ts为烟气出口温度,单位k;Ta为环境平均温度;Qh为烟囱热排放率,单位kw。
如图7所示,一种污染物扩散预测方法,包括以下步骤,
S1,根据扩散条件构建目标烟气排放口排放的烟气的高斯扩散模型;
S2,采集所述目标烟气排放口排放的烟气的图像,并对所述图像进行图像处理,得出所述高斯扩散模型所需的参数数据和所述目标烟气排放口排放的烟气的轨迹方程;
S3,根据所述轨迹方程对所述目标烟气排放口排放的烟气进行空间浓度分布预测,并通过与采集的所述目标烟气排放口排放的烟气的真实值进行比较,且结合所述高斯扩散模型所需的参数数据对所述高斯扩散模型进行修正;
S4,利用修正后的所述高斯扩散模型,采用关联规则算法对所述目标烟气排放口排放的烟气中的污染物进行轨迹扩散预测。
具体的:
在S1中:根据实际情况构建对应的高斯扩散模型,(根据扩散条件的不同,通常具有地面连续点源,连续线源和连续面源等几种扩散方式,以上简述其中两种常见的情形,其余情形在论文期刊中有详细描述)。
在S2中:对目标烟囱或排气口采集视频图像信息,选取清晰的正面图像,建立空间直接坐标系,如图8所示,对可见的烟气轨迹使用图像识别技术,计算出图像中排放口的高度H1、烟流抬升高度Δh以及烟气轨迹曲线方程
在S3中:根据烟气轨迹曲线方程,计算出高斯扩散模型中的参数,对烟气不可见的部分的浓度根据模型进行扩散预测,得到烟气的空间浓度分布;并通过与采集的所述目标烟气排放口排放的烟气的真实值进行比较,对所述高斯扩散模型进行修正。
在S4中:若需针对某一无色不可见气体G1的扩散及浓度进行预测,则根据可见气体G2的扩散规律以及历史监测G1、G2之间的浓度采用关联规则算法得到关联规则即满足
本发明还包括步骤S5,S5,利用修正后的所述高斯扩散模型,并结合企业排放物的特征因子库,对污染物进行溯源。
在S5中:根据反演算法,结合大气监测站的浓度检测值与模型预估值之间的差值分析,计算出烟囱区域的烟气浓度,从而达到对企业排放气体浓度在空间上的预测式监控,通过超标排放气体的企业与监测站获取的超标浓度进行对比,再结合风向等气象数据得到目标污染气体可疑排放区域,最后结合现有企业污染物排放因子库(如图9所示)的信息进行对比进一步锁定污染物排放源。
在本发明中,图像识别技术指以图像的主要特征为基础,进行对象识别,以识别各种不同模式的目标和对象的技术;对企业排放口的图像数据进行二值化、利用边缘模板算子对图像背景差分结合区域增长等算法分割获取图像中的点源、烟囱口的位置与烟气轨迹信息;利用园区现有的视频监控设备、高空瞭望设备等,可完成图像数据的采集工作,从而大大减少了人为测量数据带来的高成本与高危性,并且,实际的烟气轨迹数据结合高斯扩散模型,通过可见烟气与目标无色气体的关联分析,进一步提高了对无色污染气体扩散轨迹预测的准确性,同时由此反向可构建对污染气体溯源,缩小的目标区域,锁定可疑企业。
本发明可提供一种基于图像识别与高斯扩散理论的污染物扩散预测及溯源方法,政府部门对于化工园区的环保问题日趋重视,并在园区建立监测站以及投入大量的传感器监测设备对污染有毒气体进行监控,因此产生海量的污染物浓度数据与视屏图像监控数据。利用这些海量数据,基于高斯烟气扩散模型,结合非接触式视频图像识别技术,构建针对化工园区污染气体的扩散、溯源分析模型,并使用大数据平台的海量数据处理能力进行模型训练,实现预测监控、有效溯源。为政府智慧执法提供辅助决策,进一步实现“AI+BigData+智慧环保”的结合与应用。
基于上述一种污染物扩散预测发明,本发明还提供一种污染物扩散预测***。
如图10所示,一种污染物扩散预测***,包括以下模块,
高斯扩散模型构建模块,其用于根据扩散条件构建目标烟气排放口排放的烟气的高斯扩散模型;
轨迹方程获取模块,其用于采集所述目标烟气排放口排放的烟气的图像,并对所述图像进行图像处理,得出所述高斯扩散模型所需的参数数据和所述目标烟气排放口排放的烟气的轨迹方程;
高斯扩散模型修正模块,其用于根据所述轨迹方程对所述目标烟气排放口排放的烟气进行空间浓度分布预测,并通过与采集的所述目标烟气排放口排放的烟气的真实值进行比较,且结合所述高斯扩散模型所需的参数数据对所述高斯扩散模型进行修正;
轨迹扩散预测模块,其用于利用修正后的所述高斯扩散模型,采用关联规则算法对所述目标烟气排放口排放的烟气中的污染物进行轨迹扩散预测。
本发明还包括污染物溯源模块,其用于根据反演算法,利用修正后的所述高斯扩散模型,并结合企业排放物的特征因子库,对污染物进行溯源。
所述污染物溯源模块具体用于,采用反演算法,根据多个大气站的监测数据以及风向和修正后的所述高斯扩散模型进行反推,得出污染气体的排放区域;结合企业的特征因子库,缩小排放区域的范围,实现污染物的溯源。
所述轨迹方程获取模块具体用于,对所述图像进行二值化处理;利用边缘模板算子对经过二值化处理后的图像的背景差分,并结合区域增长算法,分割获取所述高斯扩散模型所需的参数数据和所述目标烟气排放口排放的烟气的轨迹方程。
所述轨迹扩散预测模块具体用于,根据采样点的实际浓度数据,采用关联规则算法,计算出所述目标烟气排放口排放的烟气中的已知可见气体和未知不可见气体之间的关联规则;通过修正后的所述高斯扩散模型计算出所述目标烟气排放口排放的烟气中的已知可见气体的扩散轨迹;基于所述关联规则,通过所述目标烟气排放口排放的烟气中的已知可见气体的扩散轨迹对所述目标烟气排放口排放的烟气中的未知不可见气体在空间上的浓度分布进行预测。
本发明一种污染物扩散预测***基于高斯扩散模型,结合图像识别技术,从图像数据获取高斯扩散模型所需的参数数据,可以有效的减少数据的采集难度;同时,利用图像信息拟合烟气轨迹,修正高斯扩散模型,这样能够提高高斯扩散模型的准确度;通过修正后的高斯扩散模型且采用关联规则算法,对烟气中的污染物进行轨迹扩散预测,能够优化预测效果;根据反演算法,结合大气监测站的浓度检测值与模型预估值之间的差值分析,计算出烟囱区域的烟气浓度,从而达到对企业排放气体浓度在空间上的预测式监控,通过超标排放气体的企业与监测站获取的超标浓度进行对比,再结合风向等气象数据得到目标污染气体可疑排放区域,最后结合现有企业污染物排放因子库的信息进行对比进一步锁定污染物排放源。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种污染物扩散预测方法,其特征在于:包括以下步骤,
S1,根据扩散条件构建目标烟气排放口排放的烟气的高斯扩散模型;
S2,采集所述目标烟气排放口排放的烟气的图像,并对所述图像进行图像处理,得出所述高斯扩散模型所需的参数数据和所述目标烟气排放口排放的烟气的轨迹方程;
S3,根据所述轨迹方程对所述目标烟气排放口排放的烟气进行空间浓度分布预测,并通过与采集的所述目标烟气排放口排放的烟气的真实值进行比较,且结合所述高斯扩散模型所需的参数数据对所述高斯扩散模型进行修正;
S4,利用修正后的所述高斯扩散模型,并采用关联规则算法对所述目标烟气排放口排放的烟气中的污染物进行轨迹扩散预测。
2.根据权利要求1所述的一种污染物扩散预测方法,其特征在于:还包括以下步骤,
S5,根据反演算法,利用修正后的所述高斯扩散模型,并结合企业排放物的特征因子库,对污染物进行溯源。
3.根据权利要求2所述的一种污染物扩散预测方法,其特征在于:所述S5具体为,
采用反演算法,根据多个大气站的监测数据以及风向和修正后的所述高斯扩散模型进行反推,得出污染气体的排放区域;
结合企业的特征因子库,缩小排放区域的范围,实现污染物的溯源。
4.根据权利要求1至3任一项所述的一种污染物扩散预测方法,其特征在于:所述S2具体为,
S21,对所述图像进行二值化处理;
S22,利用边缘模板算子对经过二值化处理后的图像的背景差分,并结合区域增长算法,分割获取所述高斯扩散模型所需的参数数据和所述目标烟气排放口排放的烟气的轨迹方程。
5.根据权利要求1至3任一项所述的一种污染物扩散预测方法,其特征在于:所述S4具体为,
S41,根据所述目标烟气排放口周围的采样点的实际浓度数据,采用关联规则算法,计算出所述目标烟气排放口排放的烟气中的已知可见气体和未知不可见气体之间的关联规则;
S42,通过修正后的所述高斯扩散模型计算出所述目标烟气排放口排放的烟气中的已知可见气体的扩散轨迹;
S43,基于所述关联规则,通过所述目标烟气排放口排放的烟气中的已知可见气体的扩散轨迹对所述目标烟气排放口排放的烟气中的未知不可见气体在空间上的浓度分布进行预测。
6.一种污染物扩散预测***,其特征在于:包括以下模块,
高斯扩散模型构建模块,其用于根据扩散条件构建目标烟气排放口排放的烟气的高斯扩散模型;
轨迹方程获取模块,其用于采集所述目标烟气排放口排放的烟气的图像,并对所述图像进行图像处理,得出所述高斯扩散模型所需的参数数据和所述目标烟气排放口排放的烟气的轨迹方程;
高斯扩散模型修正模块,其用于根据所述轨迹方程对所述目标烟气排放口排放的烟气进行空间浓度分布预测,并通过与采集的所述目标烟气排放口排放的烟气的真实值进行比较,且结合所述高斯扩散模型所需的参数数据对所述高斯扩散模型进行修正;
轨迹扩散预测模块,其用于利用修正后的所述高斯扩散模型,并采用关联规则算法对所述目标烟气排放口排放的烟气中的污染物进行轨迹扩散预测。
7.根据权利要求6所述的一种污染物扩散预测***,其特征在于:还包括,
污染物溯源模块,其用于根据反演算法,利用修正后的所述高斯扩散模型,并结合企业排放物的特征因子库,对污染物进行溯源。
8.根据权利要求7所述的一种污染物扩散预测***,其特征在于:所述污染物溯源模块具体用于,
采用反演算法,根据多个大气站的监测数据以及风向和修正后的所述高斯扩散模型进行反推,得出污染气体的排放区域;
结合企业的特征因子库,缩小排放区域的范围,实现污染物的溯源。
9.根据权利要求6至8任一项所述的一种污染物扩散预测***,其特征在于:所述轨迹方程获取模块具体用于,
对所述图像进行二值化处理;
利用边缘模板算子对经过二值化处理后的图像的背景差分,并结合区域增长算法,分割获取所述高斯扩散模型所需的参数数据和所述目标烟气排放口排放的烟气的轨迹方程。
10.根据权利要求6至8任一项所述的一种污染物扩散预测***,其特征在于:所述轨迹扩散预测模块具体用于,
根据所述目标烟气排放口周围的采样点的实际浓度数据,采用关联规则算法,计算出所述目标烟气排放口排放的烟气中的已知可见气体和未知不可见气体之间的关联规则;
通过修正后的所述高斯扩散模型计算出所述目标烟气排放口排放的烟气中的已知可见气体的扩散轨迹;
基于所述关联规则,通过所述目标烟气排放口排放的烟气中的已知可见气体的扩散轨迹对所述目标烟气排放口排放的烟气中的未知不可见气体在空间上的浓度分布进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810897376.5A CN109117549B (zh) | 2018-08-08 | 2018-08-08 | 一种污染物扩散预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810897376.5A CN109117549B (zh) | 2018-08-08 | 2018-08-08 | 一种污染物扩散预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117549A true CN109117549A (zh) | 2019-01-01 |
CN109117549B CN109117549B (zh) | 2023-09-05 |
Family
ID=64853137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810897376.5A Active CN109117549B (zh) | 2018-08-08 | 2018-08-08 | 一种污染物扩散预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117549B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783966A (zh) * | 2019-01-25 | 2019-05-21 | 清华大学 | Calpuff模型对轻质气体扩散模拟的改进方法和装置 |
CN109840374A (zh) * | 2019-01-25 | 2019-06-04 | 清华大学 | Calpuff模型对重质气体扩散模拟的改进方法和装置 |
CN109858576A (zh) * | 2019-03-22 | 2019-06-07 | 盾钰(上海)互联网科技有限公司 | 气体渐进式自反馈浓度熵变预测方法、***及存储介质 |
CN110210756A (zh) * | 2019-05-31 | 2019-09-06 | 华南理工大学 | 一种计及污染物扩散里程的电力***经济调度方法 |
CN110334452A (zh) * | 2019-07-09 | 2019-10-15 | 中南大学 | 一种智慧农业大气污染浓度分层次预警方法 |
CN111443015A (zh) * | 2020-03-04 | 2020-07-24 | 平安国际智慧城市科技股份有限公司 | 大气污染物的溯源方法、装置、计算机设备及存储介质 |
CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
CN111914415A (zh) * | 2020-07-24 | 2020-11-10 | 国网天津市电力公司电力科学研究院 | 一种基于高斯扩散模型的区域环境腐蚀性评估方法 |
CN112345201A (zh) * | 2020-11-10 | 2021-02-09 | 中国石油大学(北京) | 一种气体泄漏的检测方法和*** |
CN112444605A (zh) * | 2020-11-24 | 2021-03-05 | 深圳中兴网信科技有限公司 | 大气污染智能化精准溯源方法、***、设备和存储介质 |
CN112485319A (zh) * | 2020-10-19 | 2021-03-12 | 上海畅合智能技术有限公司 | 大气环境走航监测方法及信息处理方法、装置、监测车 |
CN112630386A (zh) * | 2020-12-31 | 2021-04-09 | 南京信息工程大学 | 一种污染源条件下单点空气质量的估算方法 |
CN113311119A (zh) * | 2021-07-28 | 2021-08-27 | 深圳市图元科技有限公司 | 气体源头追踪方法、装置及*** |
JP2021196330A (ja) * | 2020-06-18 | 2021-12-27 | 株式会社日立パワーソリューションズ | 拡散源位置推定装置および拡散源位置推定方法 |
CN113849899A (zh) * | 2021-11-09 | 2021-12-28 | 浙江智海化工设备工程有限公司 | 一种高空水冷塔污氮排放缺氧区域界定方法 |
CN116738539A (zh) * | 2023-06-09 | 2023-09-12 | 西安交通大学 | 一种基于水动力模型的污染物扩散预测***及方法 |
CN117524354A (zh) * | 2024-01-05 | 2024-02-06 | 北京佳华智联科技有限公司 | 一种化工区域的空气污染溯源方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005121474A (ja) * | 2003-10-16 | 2005-05-12 | Taisei Corp | 大気物質指標分布解析装置 |
US20070285304A1 (en) * | 2006-03-16 | 2007-12-13 | Guy Cooper | Target orbit modification via gas-blast |
CN103258116A (zh) * | 2013-04-18 | 2013-08-21 | 国家电网公司 | 一种大气污染物扩散模型的构建方法 |
KR20150031577A (ko) * | 2013-09-16 | 2015-03-25 | 주식회사 에니텍 | 대기오염물질 배출량 역산출 방법 |
CN106202679A (zh) * | 2016-07-04 | 2016-12-07 | 重庆大学 | 一种基于无人机***的气体泄漏扩散过程的预测方法 |
CN106355166A (zh) * | 2016-10-13 | 2017-01-25 | 北京师范大学 | 一种基于监控视频与遥感图像的灰霾扩散路径绘制与来源确定方法 |
CN106651036A (zh) * | 2016-12-26 | 2017-05-10 | 东莞理工学院 | 空气质量预报*** |
CN107084911A (zh) * | 2017-04-24 | 2017-08-22 | 汪先锋 | 一种颗粒物最大落地浓度预测方法 |
KR20170119018A (ko) * | 2016-04-15 | 2017-10-26 | (주)인스페이스 | 기름유출 탐지 및 확산 예측 방법 |
US20180053307A1 (en) * | 2016-08-22 | 2018-02-22 | Ulsee Inc. | Image Target Tracking Method and System Thereof |
US20180053318A1 (en) * | 2016-08-22 | 2018-02-22 | Ulsee Inc | Image Target Tracking Method and System Thereof |
-
2018
- 2018-08-08 CN CN201810897376.5A patent/CN109117549B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005121474A (ja) * | 2003-10-16 | 2005-05-12 | Taisei Corp | 大気物質指標分布解析装置 |
US20070285304A1 (en) * | 2006-03-16 | 2007-12-13 | Guy Cooper | Target orbit modification via gas-blast |
CN103258116A (zh) * | 2013-04-18 | 2013-08-21 | 国家电网公司 | 一种大气污染物扩散模型的构建方法 |
KR20150031577A (ko) * | 2013-09-16 | 2015-03-25 | 주식회사 에니텍 | 대기오염물질 배출량 역산출 방법 |
KR20170119018A (ko) * | 2016-04-15 | 2017-10-26 | (주)인스페이스 | 기름유출 탐지 및 확산 예측 방법 |
CN106202679A (zh) * | 2016-07-04 | 2016-12-07 | 重庆大学 | 一种基于无人机***的气体泄漏扩散过程的预测方法 |
US20180053307A1 (en) * | 2016-08-22 | 2018-02-22 | Ulsee Inc. | Image Target Tracking Method and System Thereof |
US20180053318A1 (en) * | 2016-08-22 | 2018-02-22 | Ulsee Inc | Image Target Tracking Method and System Thereof |
CN106355166A (zh) * | 2016-10-13 | 2017-01-25 | 北京师范大学 | 一种基于监控视频与遥感图像的灰霾扩散路径绘制与来源确定方法 |
CN106651036A (zh) * | 2016-12-26 | 2017-05-10 | 东莞理工学院 | 空气质量预报*** |
CN107084911A (zh) * | 2017-04-24 | 2017-08-22 | 汪先锋 | 一种颗粒物最大落地浓度预测方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783966A (zh) * | 2019-01-25 | 2019-05-21 | 清华大学 | Calpuff模型对轻质气体扩散模拟的改进方法和装置 |
CN109840374A (zh) * | 2019-01-25 | 2019-06-04 | 清华大学 | Calpuff模型对重质气体扩散模拟的改进方法和装置 |
CN109783966B (zh) * | 2019-01-25 | 2020-12-18 | 清华大学 | Calpuff模型对轻质气体扩散模拟的改进方法和装置 |
CN109840374B (zh) * | 2019-01-25 | 2021-01-01 | 清华大学 | Calpuff模型对重质气体扩散模拟的改进方法和装置 |
CN109858576A (zh) * | 2019-03-22 | 2019-06-07 | 盾钰(上海)互联网科技有限公司 | 气体渐进式自反馈浓度熵变预测方法、***及存储介质 |
CN110210756A (zh) * | 2019-05-31 | 2019-09-06 | 华南理工大学 | 一种计及污染物扩散里程的电力***经济调度方法 |
CN110334452A (zh) * | 2019-07-09 | 2019-10-15 | 中南大学 | 一种智慧农业大气污染浓度分层次预警方法 |
CN111443015A (zh) * | 2020-03-04 | 2020-07-24 | 平安国际智慧城市科技股份有限公司 | 大气污染物的溯源方法、装置、计算机设备及存储介质 |
CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
CN111537023B (zh) * | 2020-05-13 | 2021-05-07 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
JP2021196330A (ja) * | 2020-06-18 | 2021-12-27 | 株式会社日立パワーソリューションズ | 拡散源位置推定装置および拡散源位置推定方法 |
CN111914415A (zh) * | 2020-07-24 | 2020-11-10 | 国网天津市电力公司电力科学研究院 | 一种基于高斯扩散模型的区域环境腐蚀性评估方法 |
CN112485319A (zh) * | 2020-10-19 | 2021-03-12 | 上海畅合智能技术有限公司 | 大气环境走航监测方法及信息处理方法、装置、监测车 |
CN112485319B (zh) * | 2020-10-19 | 2023-01-20 | 上海畅合智能技术有限公司 | 大气环境走航监测方法及信息处理方法、装置、监测车 |
CN112345201A (zh) * | 2020-11-10 | 2021-02-09 | 中国石油大学(北京) | 一种气体泄漏的检测方法和*** |
CN112345201B (zh) * | 2020-11-10 | 2022-01-28 | 中国石油大学(北京) | 一种气体泄漏的检测方法和*** |
CN112444605A (zh) * | 2020-11-24 | 2021-03-05 | 深圳中兴网信科技有限公司 | 大气污染智能化精准溯源方法、***、设备和存储介质 |
CN112630386A (zh) * | 2020-12-31 | 2021-04-09 | 南京信息工程大学 | 一种污染源条件下单点空气质量的估算方法 |
CN113311119A (zh) * | 2021-07-28 | 2021-08-27 | 深圳市图元科技有限公司 | 气体源头追踪方法、装置及*** |
CN113849899A (zh) * | 2021-11-09 | 2021-12-28 | 浙江智海化工设备工程有限公司 | 一种高空水冷塔污氮排放缺氧区域界定方法 |
CN116738539A (zh) * | 2023-06-09 | 2023-09-12 | 西安交通大学 | 一种基于水动力模型的污染物扩散预测***及方法 |
CN116738539B (zh) * | 2023-06-09 | 2024-01-09 | 西安交通大学 | 一种基于水动力模型的污染物扩散预测***及方法 |
CN117524354A (zh) * | 2024-01-05 | 2024-02-06 | 北京佳华智联科技有限公司 | 一种化工区域的空气污染溯源方法及装置 |
CN117524354B (zh) * | 2024-01-05 | 2024-03-29 | 北京佳华智联科技有限公司 | 一种化工区域的空气污染溯源方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109117549B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117549A (zh) | 一种污染物扩散预测方法及*** | |
CN111537023B (zh) | 一种工业园区大气污染物扩散模拟与溯源方法 | |
CN108648127B (zh) | 一种城市空气污染热点区域锁定方法 | |
CN113610243B (zh) | 基于耦合机器学习和相关性分析的大气污染物溯源方法 | |
CN104897853A (zh) | 基于塔式扩散模型的火电厂污染物排放监测显示方法 | |
Wilson et al. | Estimates of building surface concentrations from nearby point sources | |
CN110823456B (zh) | 一种自动搜索定位化学品输送管道泄漏点的方法和设备 | |
Khan et al. | Review of developments in air quality modelling and air quality dispersion models | |
CN115327038A (zh) | 一种确定大气VOCs特征组分污染源区的方法及*** | |
CN105512485A (zh) | 一种估算细颗粒物及其前体物环境容量的新方法 | |
Luhar | The influence of vertical wind direction shear on dispersion in the convective boundary layer, and its incorporation in coastal fumigation models | |
Carruthers et al. | UK atmospheric dispersion modelling system | |
Sahyoun et al. | Dynamic plume tracking using mobile sensors | |
CN117030949B (zh) | 一种识别不同污染物种类的精准调控方法及*** | |
CN111289991B (zh) | 一种基于多场景的激光测距方法及装置 | |
CN116258101A (zh) | 一种基于气体浓度监测数据快速计算排放源强的方法 | |
Shtripling et al. | Emission process system organisation of pollutants into the atmosphere for refinery enterprises | |
Carruthers et al. | Developments in ADMS-Airport to take account of near field dispersion and applications to Heathrow Airport | |
CN112257354B (zh) | 一种动态风场条件下的空气污染源逆向定位方法 | |
CN115705510A (zh) | 厂区气体污染分布预测方法、***、电子设备及存储介质 | |
CN113552289B (zh) | 一种基于高斯模式的大气污染溯源方法 | |
Graff | The new German regulatory model—A Lagrangian particle dispersion model | |
Thakur et al. | AIR POLLUTANT SOURCE ESTIMATION FROM SENSOR NETWORKS | |
CN113627246B (zh) | 联合视觉探测与浓度传感的建筑环境突发污染源辨识方法 | |
CN112819916B (zh) | 工人在车间移动停留时间概率峰谷图的绘制方法及其应用 |
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 | ||
GR01 | Patent grant |