CN114200077B - 一种应用于网格化空气质量监测***的云平台智能辅助校准算法 - Google Patents

一种应用于网格化空气质量监测***的云平台智能辅助校准算法 Download PDF

Info

Publication number
CN114200077B
CN114200077B CN202111343491.6A CN202111343491A CN114200077B CN 114200077 B CN114200077 B CN 114200077B CN 202111343491 A CN202111343491 A CN 202111343491A CN 114200077 B CN114200077 B CN 114200077B
Authority
CN
China
Prior art keywords
concentration
equipment
cloud platform
background
corrected
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
Application number
CN202111343491.6A
Other languages
English (en)
Other versions
CN114200077A (zh
Inventor
胡俊涛
丁文科
方勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Entropy Wo Intelligent Technology Co ltd
Original Assignee
Anhui Entropy Wo Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Entropy Wo Intelligent Technology Co ltd filed Critical Anhui Entropy Wo Intelligent Technology Co ltd
Priority to CN202111343491.6A priority Critical patent/CN114200077B/zh
Publication of CN114200077A publication Critical patent/CN114200077A/zh
Application granted granted Critical
Publication of CN114200077B publication Critical patent/CN114200077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0006—Calibrating gas analysers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

本发明涉及大气环境空气质量监测领域，一种应用于网格化空气质量监测***的云平台智能辅助校准算法，该算法包括以下步骤：历史数据获取，通过云平台选择待校正设备附近若干台监测设备作为参***，同时调取参***的7日内历史数据；统计背景浓度，使用概率统计学统计参***7日内每3小时的污染物浓度概率密度函数，选取出现概率最大的浓度作为上述设备的背景浓度，计算参***相同时间内的背景浓度概率方差，根据浓度概率方差选择合适的污染物浓度建立7日内区域背景浓度集合。本发明是数据融合支撑的校准方案，具有流程简单，准确可靠，可与云平台深度融合的特点，可节约大量的人力物力成本。

Description

一种应用于网格化空气质量监测***的云平台智能辅助校准算法
技术领域
本发明涉及空气质量监测技术领域，具体为一种应用于网格化空气质量监测***的云平台智能辅助校准算法。
背景技术
随着我国经济快速发展与城镇化水平不断提高，大气污染源结构发生较大变化，污染主体已由大中型固定污染源向移动源、生活源转变，现有的环境监管多关注于固定污染源，对城市大气环境监测依赖于昂贵的国控站，远不能适应新形势下日益繁重的环境管理和执法监督的精细化需要。因此，低成本、安装方便快捷及可持续动态监测的网格化环境空气监测***应运而生，可实现对监测区域的全面布点、全面覆盖，消灭监测盲区，为各地政府进行大气网格化环境监管提供科技支撑。
网格化环境空气监测***通常是由若干个微型空气质量监测子站构成，通过采集各种微型传感器的电信号，结合算法反演出污染物的浓度。然而由于微型传感器受自身理化特性、交叉干扰、使用寿命及工作环境等诸多因素影响，导致其输出的结果与实际大气质量数据相关性较差，无法为区域大气的科学管控和治理提供理论依据。
发明内容
本发明的目的在于提供一种应用于网格化空气质量监测***的云平台智能辅助校准算法，以解决背景技术中解决的问题。
为实现上述目的，本发明提供如下技术方案：一种应用于网格化空气质量监测***的云平台智能辅助校准算法，所述一种应用于网格化空气质量监测***的云平台智能辅助校准算法包括以下几个步骤：
(1)历史数据获取：选择待校正设备，通过云平台选择待校正设备附近若干台监测设备作为参***，同时调取参***的7日内历史数据；
(2)统计背景浓度：使用概率统计学统计参***7日内每3小时的污染物浓度概率密度函数，选取出现概率最大的浓度作为上述设备的背景浓度，计算参***相同时间内的背景浓度概率方差，根据浓度概率方差选择合适的污染物浓度建立7日内背景浓度集合；
(3)计算云平台智能辅助校正系数，重新建立待校正设备传感器电信号与污染物浓度的对应关系，实时修正待校正设备监测数据，完成云平台智能辅助校正。
优选的，通过概率统计学获取待校正设备区域背景浓度，使用该背景浓度采用最小二乘法拟合出校准系数，重新建立待校正设备传感器电信号与污染物浓度的对应关系。所述背景浓度，为待校准设备附近大气环境中污染物浓度的背景值，该背景值反应的是污染物浓度的大范围变化。
优选的，所述参***的7日内历史数据，通过云平台获取，在云平台中选择待校正设备后，得到若干台附近监测设备7日内污染物浓度历史数据，并将所得历史数据以3小时为一个时间段分为56个集合。
优选的，所述3小时的污染物浓度概率密度函数通过以下方式获取：fi＝ni/N
(1)首先将被测污染物量程均匀划分为若干区间，统计每个集合内污染物浓度在第i区间的分布个数记为ni，其中，数据总数记为N；
(2)然后计算3小时内污染物浓在第i区间内的出现频率，记为fi，将所得的所有出现频率按照时间顺序进行排列组合{fi}；
(3)最后利用最小二乘法拟合出3小时的污染物浓度概率密度函数F(i)。
优选的，所述监测设备背景浓度通过以下方式获取：监测设备背景浓度表示为监测设备附近的环境污染物浓度，3小时的污染物浓度概率密度最大值所在的污染物浓度区间即为监测设备背景浓度b，b＝F-1(max{fi})。
优选的，所述7日内背景浓度集合通过以下步骤获得：
(1)将m台设备相同时间7日每3小时的背景浓度b在同一个集合中，记为Bθ＝{b}，其中θ＝1,2…56。
(2)分别计算θ个数组的方差σθ，剔除各数组中残余误差大于3σθ的背景浓度，得到新集合Bθ’，其中θ＝1,2…56。
(3)计算数组Bθ’的平均值，得到7日内背景浓度集合，记为
Figure GDA0004091296510000031
其中θ＝1,2…56。
优选的，所述云平台智能辅助校正系数获取方法如下：
Figure GDA0004091296510000032
将7日内相同时间测量的背景浓度与待校正设备测量浓度一一对应，以为背景浓度自变量，即
Figure GDA0004091296510000033
待校正设备测量浓度为因变量，即C(t)；采用最小二乘法过零线性拟合，拟合函数斜率即为所述云平台智能辅助校正系数k。
优选的，所述重新建立待校正设备传感器电信号与污染物浓度的对应关系，通过以下方式获取：C校正值＝kC检测值，其中C检测值为待校正监测设备污染物浓度实时检测值，C校正值为校正后的监测设备污染物浓度值。
与现有技术相比，本发明具有以下有益效果：本发明流程简单，可与云平台深度融合。配合云平台可实现自动化校准，同时具有自适应能力，适用于大多数应用场景。
数据支撑的校准方案，准确可靠。校正流程全部基于监测设备的历史数据，节约大量现场校正的人力物力成本。
附图说明
图1为本发明***原理示意图。
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、完整地描述，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。
请参阅图1，本发明提供一种技术方案：微型空气质量监测仪所使用的气体及颗粒物传感器由于其自身理化特性，易受使用寿命及监测环境温湿度、风速影响，因此需要在一定时间内对监测设备进行校准。传统的校准以现场校正为主，需要将大型标准设备置于监测设备附近，投入成本大，耗时严重。为了能够实时准确的反演出空气中各污染物的实际浓度，减小各影响因素带来的***误差，本发明提供一种应用于网格化空气质量监测***的云平台智能辅助校准算法，可以提高网格化空气质量监测***的数据质量，减少设备的维护成本。
本发明为实现上述目的所采用的技术方案是：一种应用于网格化空气质量监测***的云平台智能辅助校准算法，包含以下几个步骤：
(1)历史数据获取：选择待校正设备，通过云平台选择待校正设备附近若干台监测设备作为参***，同时调取参***的7日内历史数据；
(3)统计背景浓度：使用概率统计学统计参***7日内每3小时的污染物浓度概率密度函数，选取出现概率最大的浓度作为上述设备的背景浓度，计算参***相同时间内的背景浓度概率方差，根据浓度概率方差选择合适的污染物浓度建立7日内背景浓度集合；
(3)计算云平台智能辅助校正系数，重新建立待校正设备传感器电信号与污染物浓度的对应关系。
本发明所述网格化空气质量监测***的云平台智能辅助校准算法，其原理在于通过概率统计学获取待校正设备区域背景浓度，使用该背景浓度采用最小二乘法拟合出校准系数，重新建立待校正设备传感器电信号与污染物浓度的对应关系。
所述背景浓度，为待校准设备附近大气环境中污染物浓度的背景值，该背景值反应的是污染物浓度的大范围变化。
所述参***的7日内历史数据，通过云平台获取，在云平台中选择待校正设备后，得到若干台附近监测设备7日内污染物浓度历史数据，并将所得历史数据以3小时为一个时间段分为56个集合。
所述3小时的污染物浓度概率密度函数获取方式具体为：
Figure GDA0004091296510000051
其中fi为3小时内污染物浓度为i时的频率，将被测污染物量程均匀划分为若干区间，统计每个集合内污染物浓度在第i区间的分布个数，记为ni。集合内数据总数记为N。再利用最小二乘法拟合出3小时的污染物浓度概率密度函数F(i)。
所述监测设备背景浓度通过以下方式获取：
监测设备背景浓度表示为监测设备附近的环境污染物浓度，3小时的污染物浓度概率密度最大值所在的污染物浓度区间即为监测设备背景浓度b。
b＝F-1(max{fi})
所述7日内背景浓度集合通过以下步骤获得：
(1)将m台设备相同时间7日每3小时的背景浓度b在同一个集合中，记为Bθ＝{b}，其中θ＝1,2…56。
(2)分别计算θ个数组的方差σθ，剔除各数组中残余误差大于3σθ的背景浓度，得到新集合Bθ’，其中θ＝1,2…56。
(3)计算数组Bθ’的平均值，得到7日内背景浓度集合，记为
Figure GDA0004091296510000052
其中θ＝1,2…56。
所述云平台智能辅助校正系数获取方法如下：
Figure GDA0004091296510000053
将7日内相同时间测量的背景浓度与待校正设备测量浓度一一对应，以背景浓度为自变量，即
Figure GDA0004091296510000061
；待校正设备测量浓度为因变量，即C(t)。
采用最小二乘法过零线性拟合，拟合函数斜率即为所述云平台智能辅助校正系数k。
所述重新建立待
校正设备传感器电信号与污染物浓度的对应关系，通过以下方式获取：
C校正值＝kC检测值
其中，C检测值为待校正监测设备污染物浓度实时检测值，C校正值为校正后的监测设备污染物浓度值。
所述污染物浓度是且不限于以下几种大气污染物浓度：CO、SO2、NO2、O3、PM1.0、PM2.5、PM10中的一种。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种应用于网格化空气质量监测***的云平台智能辅助校准算法，其特征在于：所述一种应用于网格化空气质量监测***的云平台智能辅助校准算法包括以下几个步骤：
(1)历史数据获取：选择待校正设备，通过云平台选择待校正设备附近若干台监测设备作为参***，同时调取参***的7日内历史数据；
(2)统计背景浓度：使用概率统计学统计参***7日内每3小时的污染物浓度概率密度函数，选取出现概率最大的浓度作为上述设备的背景浓度，计算参***相同时间内的背景浓度概率方差，根据浓度概率方差选择合适的污染物浓度建立7日内背景浓度集合；
所述3小时的污染物浓度概率密度函数通过以下方式获取：fi＝ni/N
(1)首先将被测污染物量程均匀划分为若干区间，统计每个集合内污染物浓度在第i区间的分布个数记为ni，其中，数据总数记为N；
(2)然后计算3小时内污染物浓在第i区间内的出现频率，记为fi，将所得的所有出现频率按照时间顺序进行排列组合{fi}；
(3)最后利用最小二乘法拟合出3小时的污染物浓度概率密度函数F(i)；
所述监测设备背景浓度通过以下方式获取：监测设备背景浓度表示为监测设备附近的环境污染物浓度，3小时的污染物浓度概率密度最大值所在的污染物浓度区间即为监测设备背景浓度b，b＝F-1(max{fi})；
所述7日内背景浓度集合通过以下步骤获得：
(1)将m台设备相同时间7日每3小时的背景浓度b在同一个集合中，记为Bθ＝{b}，其中θ＝1,2…56；
(2)分别计算θ个数组的方差σθ，剔除各数组中残余误差大于3σθ的背景浓度，得到新集合Bθ’，其中θ＝1,2…56；
(3)计算数组Bθ’的平均值，得到7日内背景浓度集合，记为
Figure FDA0004006620180000021
其中θ＝1,2…56；
(3)计算云平台智能辅助校正系数，重新建立待校正设备传感器电信号与污染物浓度的对应关系，实时修正待校正设备监测数据，完成云平台智能辅助校正；
所述云平台智能辅助校正系数获取方法如下：
Figure FDA0004006620180000022
将7日内相同时间测量的背景浓度与待校正设备测量浓度一一对应，以为背景浓度自变量，即
Figure FDA0004006620180000023
待校正设备测量浓度为因变量，即C(t)；采用最小二乘法过零线性拟合，拟合函数斜率即为所述云平台智能辅助校正系数k。
2.根据权利要求1所述的一种应用于网格化空气质量监测***的云平台智能辅助校准算法，其特征在于：通过概率统计学获取待校正设备区域背景浓度，使用该背景浓度采用最小二乘法拟合出校准系数，重新建立待校正设备传感器电信号与污染物浓度的对应关系，所述背景浓度，为待校准设备附近大气环境中污染物浓度的背景值，该背景值反应的是污染物浓度的大范围变化。
3.根据权利要求2所述的一种应用于网格化空气质量监测***的云平台智能辅助校准算法，其特征在于：所述参***的7日内历史数据，通过云平台获取，在云平台中选择待校正设备后，得到若干台附近监测设备7日内污染物浓度历史数据，并将所得历史数据以3小时为一个时间段分为56个集合。
4.根据权利要求3所述的一种应用于网格化空气质量监测***的云平台智能辅助校准算法，其特征在于：所述重新建立待校正设备传感器电信号与污染物浓度的对应关系，通过以下方式获取：C校正值＝kC检测值，其中C检测值为待校正监测设备污染物浓度实时检测值，C校正值为校正后的监测设备污染物浓度值。
CN202111343491.6A 2021-11-13 2021-11-13 一种应用于网格化空气质量监测***的云平台智能辅助校准算法 Active CN114200077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111343491.6A CN114200077B (zh) 2021-11-13 2021-11-13 一种应用于网格化空气质量监测***的云平台智能辅助校准算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111343491.6A CN114200077B (zh) 2021-11-13 2021-11-13 一种应用于网格化空气质量监测***的云平台智能辅助校准算法

Publications (2)

Publication Number Publication Date
CN114200077A CN114200077A (zh) 2022-03-18
CN114200077B true CN114200077B (zh) 2023-04-04

Family

ID=80647626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111343491.6A Active CN114200077B (zh) 2021-11-13 2021-11-13 一种应用于网格化空气质量监测***的云平台智能辅助校准算法

Country Status (1)

Country Link
CN (1) CN114200077B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508511B (zh) * 2022-09-19 2023-05-26 中节能天融科技有限公司 基于网格化设备全参数特征分析的传感器自适应校准方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2602752A1 (en) * 2011-12-09 2013-06-12 ATS Group (IP Holdings) Limited Method and system for sensor calibration support
CN105823713A (zh) * 2016-05-24 2016-08-03 深圳市蜂联科技有限公司 一种迭代最优标定提高空气质量检测设备测量精度的方法
CN108182491A (zh) * 2017-12-27 2018-06-19 宇星科技发展(深圳)有限公司 大气细颗粒物(pm2.5)实时源解析定位方法
CN108469273A (zh) * 2018-02-27 2018-08-31 济宁中科云天环保科技有限公司 基于机器学习算法的云端数据联调校准方法
CN111435110A (zh) * 2019-01-13 2020-07-21 康姆德润达（无锡）测量技术有限公司 一种颗粒物光散射检测仪器校准平台
CN110514626B (zh) * 2019-07-23 2024-01-26 北京英视睿达科技股份有限公司 大气污染监测***的数据校准方法和大气污染监测***
CN111323544B (zh) * 2020-03-27 2022-09-20 沈阳沃尔鑫环保科技有限公司 一种基于微型空气质量监测仪器的校准方法及***
CN111398523B (zh) * 2020-03-30 2022-08-02 清华-伯克利深圳学院筹备办公室 基于分布的传感器数据校准方法及***
CN112345698B (zh) * 2020-10-30 2022-04-12 大连理工大学 一种空气污染物监测站点的网格化排布方法

Also Published As

Publication number Publication date
CN114200077A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN114200077B (zh) 一种应用于网格化空气质量监测***的云平台智能辅助校准算法
CN201886114U (zh) 一种变电站绝缘子泄漏电流监测终端
CN103631681B (zh) 一种在线修复风电场异常数据的方法
CN108318630B (zh) 一种城市空气质量实时监测***和预警方法
CN105527208A (zh) 一种大气颗粒物质量浓度数据校正方法
CN212083634U (zh) 一种输电线路绝缘子泄漏电流监测***
WO2021135855A1 (zh) 一种分布式空气质量监测装置及其监测方法
CN114778767B (zh) 碳排放园区直接碳排放连续测量方法、装置、设备及介质
CN110146008B (zh) 基于叉指电容传感器的覆冰参量和状态的监测方法
CN104215744A (zh) 基于城市公交网的大气监测***及方法
WO2024021375A1 (zh) 一种开关柜老化在线监测方法及***
WO2022027615A1 (zh) 一种基于河流水质自动监测***的信号处理电路及处理方法
CN108981892A (zh) 一种环境噪声检测方法
CN115759488A (zh) 一种基于边缘计算的碳排放监测预警分析***及其方法
CN117406685B (zh) 适用于绿色低碳建筑的建筑设备智能控制优化管理***
CN116168502B (zh) 一种自优化工业园区消防传感器节能控制***
CN114510850B (zh) 一种大气六参差异化的多模型融合校准方法及***
CN112764130A (zh) 一种电网气象监测预警装置及监测方法
CN207923814U (zh) 一种便携式空气污染物浓度监测仪器
CN115733258A (zh) 一种基于物联网技术的全户内智能变电站***的控制方法
CN106413086B (zh) 光伏电池组件监测认知无线定位方法
CN115471128A (zh) 一种基于大数据的预测空气质量趋势的装置
CN211014194U (zh) 一种空气负氧离子检测及组网装置
CN115430230A (zh) 一种布袋除尘器进出口控制方法
CN113721082A (zh) 一种用于区域环境电磁辐射监测的方法

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