WO2020021343A1 - 一种环境监测站数据可信度评价方法 - Google Patents
一种环境监测站数据可信度评价方法 Download PDFInfo
- Publication number
- WO2020021343A1 WO2020021343A1 PCT/IB2019/051243 IB2019051243W WO2020021343A1 WO 2020021343 A1 WO2020021343 A1 WO 2020021343A1 IB 2019051243 W IB2019051243 W IB 2019051243W WO 2020021343 A1 WO2020021343 A1 WO 2020021343A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- data
- station
- monitoring
- factor
- calibration
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Definitions
- the present invention relates to a method for evaluating the reliability of data of an environmental monitoring station, and belongs to the field of environmental monitoring.
- the monitoring indicators of atmospheric pollutants in environmental monitoring are sulfur dioxide, nitrogen oxides, ozone, carbon monoxide, PMi (particles with aerodynamic particle size less than 1 micron), PMZ 5 (particles with aerodynamic particle size less than 2.5 microns) in the atmosphere.
- PMi particles with aerodynamic particle size less than 1 micron
- PMZ 5 particles with aerodynamic particle size less than 2.5 microns
- Particles), PMio particles with aerodynamic particle size less than 10 microns
- PM WQ particles with aerodynamic particle size less than 100 microns
- VOCs volatile organic compounds
- TVOC total volatile organic compounds
- the atmospheric environment monitoring system can collect and process the monitored data, and timely and accurately reflect the regional ambient air quality status and changes.
- the atmospheric environment monitoring equipment mainly includes fixed monitoring stations and mobile monitoring equipment.
- the current fixed monitoring stations are mainly divided into large fixed monitoring stations and small stations.
- Mobile monitoring equipment mainly includes special atmospheric environmental monitoring vehicles, drones, and handheld devices.
- the aforementioned small monitoring stations and handheld devices all use air quality sensors to measure pollutants in the atmosphere.
- Small sensors have the characteristics of low cost, miniaturization, and online monitoring, and can be used on a large scale.
- the air quality sensor itself may cause errors due to inconsistencies between the measured values and the true values for various reasons.
- air quality sensors also have the characteristics of lower accuracy, poor stability, large errors, and frequent calibration.
- the laser scattering method for air pollution particulate matter sensors has a broad market prospect because of its low cost and portability.
- the portable analysis device using the scattering method has disadvantages such as poor measurement consistency, high noise, and low measurement accuracy.
- the core device is easily affected by various environmental factors and fluctuates, which easily causes misjudgment.
- the monitoring instrument can intelligently determine whether the reason for the change is a sensor failure or sudden pollution, it will greatly improve the reliability of the data and have important value for ensuring the quality of environmental monitoring data.
- the equipment is inaccurate, it can be automatically calibrated to improve the accuracy of the monitoring and the online rate of the data can be greatly improved. It is of great value for the continuous monitoring required for haze control.
- Maintaining good equipment is a necessary condition for obtaining accurate and reliable monitoring data. Calibration of the equipment is the key to obtaining reliable and accurate data.
- data from national control stations or super stations are often used as calibration reference data.
- the technology used to calibrate micro monitoring stations or mobile monitoring stations is a common approach taken by enterprises today.
- using only a small number of national control stations as a reference cannot represent the accurate value of a city or region. Further use of data from these national control stations to average or simple calculations to calibrate other micro monitoring stations or mobile monitoring stations is even more unreliable.
- micro-monitoring sites or mobile monitoring site equipment may be more inaccurate after data calibration at the national control site, making the results of the micro-monitoring site or mobile monitoring site low or too high.
- the state-controlled station is not stable. Due to equipment reliability, operation and maintenance, and power supply, the state-controlled station cannot output normal data.
- the invention provides a method for judging the credibility of the monitoring site data and the monitoring site calibration, which makes the urban pollution monitoring data more reliable, and also makes the monitoring site calibration more accurate.
- the main process of the present invention is divided into two steps. The first step is to calculate and judge the credibility of the reference station, and the second step is to use the reference station data judged by the credibility to calibrate the required monitoring equipment. Credibility determination For the monitoring data of monitoring sites, a credibility weight factor is introduced to evaluate their credibility. The credibility weight factor is affected by the distance between the reference site and the calibrated station or the geographical center, the geographic position of the reference site, the evaluation of other sites on the reference site, the stability of the reference site, and other influencing factors. Calculation formula of credibility weight factor:
- the present invention proposes an evaluation describing the effective area of a monitoring site.
- the method includes several weighting factors used to indicate the spatial impact weights of the data collected by the data site when real monitoring is performed in an area in the city, and then describes the site data impact range Or data valid range.
- the distance factor / d is used to consider the influence of the distance factor between the monitored point and the monitoring station on the reliability of the monitoring data.
- the distance factor can be normalized by the inverse ratio of the distance from the geometric center point of the area to each monitoring point.
- the distance factor can be obtained by the data obtained by monitoring stations in a certain area.
- the other embodiment of the distance factor is a specific location.
- the pollution data consists of monitoring data from several monitoring stations that are close to each other.
- These monitoring data can have different weights for pollution data at a specific location.
- the weight is normalized by the inverse ratio of the distance from the specific location to each monitoring point.
- the weight is the distance factor.
- d represents the distance from the geometric center point of the area to each station in the area or the distance from the specific position to each monitoring point, and the set value of the distance is represented by A. Within the set distance A, the distance factor is 1. After exceeding the set distance A, the farther the distance is, the smaller the weight of the monitoring station data is, and the closer the distance is, the greater the weight of the monitoring station data is.
- the distance factor calculation formula is: d represents the distance from the geometric center point of the area to each station in the area or the distance from the specific location to each monitoring point.
- the parameter K is a distance weight parameter.
- K A. Geographical location factor. During actual monitoring, there may be pollution source factors around the monitoring site and affect the monitoring results. Therefore, such a site needs to be given a geographical location impact assessment. factor. Factors are related to factors such as the distance to the pollution source and pollutant emissions. Therefore, in the calculation process of / i, a factor / ie for assessing the pollution degree of the pollution source around the monitoring site will be involved, and a factor / id for assessing the distance between the monitoring site and the surrounding pollution sources (for details, see the geographical location pollution degree factor and geographical location pollution distance factor).
- Sub-relationship table the set value in the relational table can also be adjusted according to the actual pollution situation), and evaluate the factors / i of other influencing factors of pollution sources around the monitoring site. (See the table of other influencing factors of pollution sources for details).
- Geographical location factor calculation formula: fl fie x fid.
- the relationship between the geographical location pollution factor and the geographical location pollution factor is as follows:
- Building occlusion If there is a large building construction occlusion within a certain range around the base station, the smaller the factor factor is.
- the influencing factors should be appropriately reduced.
- Long-term influence on wind direction The base station is located in a long-term fixed wind direction area, which may cause the fixed station to fail to represent the air quality in the measurement area.
- the factor factor should be appropriately reduced.
- Pollutants discharged from surrounding pollution sources are not the main pollutants monitored by the monitoring station: there are pollution sources around the monitoring station, but the pollutants emitted by the pollution source are not the primary pollutants monitored by the monitoring station.
- the data obtained by the Chinese control station will also be affected by factors such as equipment aging and the reliability will change. Therefore, other nearby stations (national control stations, fixed micro stations, vehicles) need to be used.
- the data of the state control station to evaluate this point, evaluate its accuracy, and give weight. For a single state-controlled station, the reliability of the data generated by the site at a certain time cannot be determined, and extreme abnormal conditions can only be ruled out.
- the specific method is: take data from several monitoring stations within a certain distance around the monitoring station, which can be within 10 kilometers, and average them. Then average the value f with the monitoring station.
- the monitoring value y is calculated as follows to obtain the ratio s, and the size of s can indicate whether other nearby devices, such as a fixed micro station or a mobile monitoring station, have similar data change trends with the data obtained by the station. Formula to get the site's weight for this influencing factor.
- f the average value of data from several monitoring stations within 10 kilometers around the monitoring station.
- Y in the formula represents the monitoring value of the monitoring station. Stability factor
- the site data is significantly abnormal.
- the PM10 data is less than the PM2.5 data.
- the PM10 data at the site will be manually checked and screened.
- the above-mentioned extreme situation occurs, whether it is an operation and maintenance reason or a device failure, it will reflect that the reliability of the device is decreasing during this period of time.
- a reliability factor can be set, which is expressed by the cumulative number of times an abnormality occurs, such as Counted once a month, the initial value is 1, and the reliability factor decreases by 0.1 each time.
- whether the national control station participates in the calibration can be determined according to the reliability weight of the national control station. Stability factor calculation formula: 0.1, n ⁇ 10
- n is the number of times that the site has abnormal data within a certain period of time.
- the abnormal situation and judgment are as follows.
- a period of time can be 1 month, 1 week, 1 day, and other time periods.
- PM C is the base station data after correction or screening.
- a mobile monitoring device may pass the same reference station multiple times. Each time this device passes the reference station, a comparison is performed to obtain the n value of the comparison.
- n values After recording a set number of n values (the set number can be 10, 50, 100, etc.), perform statistical calculations on all n values obtained from the recording, such as average, normal distribution value, approximation , PID and other mathematical methods. Finally, the average h after statistical calculation is obtained.
- a mobile monitoring device may pass through the area covered by multiple reference stations multiple times.
- this device passes this area, it is compared with the average reference data of the passing time in this area, and the corresponding n value is obtained.
- the reference value of the region can be obtained by using the normalized calculation method.
- the reference station that meets the standard is used as the reference, and at intervals, the base station data is used as a reference for comparison with the fixed station to be calibrated to obtain the corresponding n value.
- the base station data is used as a reference for comparison with the fixed station to be calibrated to obtain the corresponding n value.
- a mobile monitoring device may pass through the area covered by multiple reference stations multiple times.
- this device passes this area, it is compared with the average reference data of the passing time in this area, and the corresponding n value is obtained.
- the reference value of the region can be obtained by using the normalized calculation method.
- the time range of the data used for calibration needs to be limited.
- the process of the mobile monitoring device performing the calibration operation is periodic (for example, once a month). Between calibration periods, the device should get a set number of valid n values for the calculation of ⁇ (the set number can be 10 times, 100 times, etc., or once every 5 hours, etc.).
- the value of n obtained during a calibration period should be as uniform as possible. For example, if the calibration operation is performed once a month, at least one h value needs to be obtained every day; at the same time, the n value should be obtained in a uniformly dispersed time.
- the 12 sets of comparison data are every two hours Obtain i sets of comparative data instead of twelve sets of comparative data collected in i hours. Elimination of special extreme conditions Some data under special conditions need to be excluded, such as extreme weather events (storm, snowstorm, etc.), high humidity and high temperature. If the monitoring process is affected by weather and other conditions, and the data has extreme values during monitoring, the data comparison calibration will be suspended during these time periods, because the n value in these time periods will be different from the n value obtained in most time periods. The difference causes the problem of reduced calibration accuracy.
- Multi-sensor monitoring equipment calibration When the station being calibrated is a group of equipment containing two or more monitoring units, each monitoring unit can be calibrated separately using the reference station. You can also use the base station to calibrate one of the monitoring units first, and then calibrate the other units by the calibrated unit.
- the high- and low-frequency sensors disclosed in the earlier application PCT / IB2018 / 05531 disclosed air pollution detection equipment.
- the air pollution detection equipment includes a main control module and a detection module; the detection module uses at least four sub-sensor units to form a sensor module; After the control module detects a suspected abnormality in one of the sub-sensor units, and determines that the suspected abnormal sensor is an abnormal sensor, the abnormal sensor is isolated, the abnormal sensor is classified into an isolation area, and the multi-core sensor module is degraded. After continuing to work normally.
- the air pollution detection device includes a main control module and a detection module; the detection module includes at least two similar sub-sensor units to form a sensor module; and the sub-sensor units work At normal operating frequency.
- the detection module also includes at least one sub-sensor unit similar to the sensor module to form a low-frequency calibration module; the sub-sensor unit in the low-frequency calibration module works at a frequency much lower than the operating frequency of the sensor module. Therefore, the low-frequency calibration module is also called the low-frequency group.
- the sensor module is also called a high-frequency group.
- the operating frequency of the sensor module is 10 times or more than that of the low-frequency calibration module.
- the ratio of the working frequency of the high-frequency group to the low-frequency group is called the high-frequency and low-frequency ratio, and can be selected as: 2: 1, 3: 1, 4: 1, 5: 1, 6: 1, 7: 1, 8: 1 , 9: 1, 10: 1,
- the working frequency of the low frequency group can be consistent with the rhythm of abnormal judgment. That is, when it is necessary to determine whether there is an abnormal phenomenon of a sub-sensor in the sensor module, the low-frequency group performs the detection work.
- every certain period of time such as 1 day, 1 week, or 1 month, use the low-frequency group detection data as a reference, calibrate the high-frequency group detection data, and the calibration coefficients can use the high-frequency group sensor detection data.
- the base station is used to calibrate the sensor unit of the low frequency group first; then the low frequency group is used to calibrate the high frequency group sensor unit.
- Isolation and Recovery Prior application PCT / IB2018 / 05531 also disclosed a set of methods to identify the working status of sub-sensors and isolate and restore the sub-sensors.
- the sensor module obtains a set of detection data at a time, and the main control module filters out data that is suspected to be abnormal from this set of data, and then determines whether the corresponding sub-sensor meets the isolation condition.
- the abnormal sub-sensor is classified into the isolation area; after the sub-sensor suspected to be abnormal does not satisfy the isolation condition, the sub-sensor continues to work normally. It is judged whether the sub-sensor entering the isolation zone can heal itself. If it is judged that it can be self-healed, the frequency reduction work processing is performed on the self-healing sub-sensor. Sub-sensors that fail to heal will stop working and notify the operation and maintenance party for repair or replacement.
- the main control module detects the output data of the sub-sensor to determine whether it has reached the recovery condition. The sub-sensor that has reached the recovery condition is detached from the isolation area and resumes work. The output data participates in sensor module data or the main control Data calculation; judge again whether the abnormal sensor that does not meet the recovery conditions can heal itself.
- Figure 1 Schematic diagram of distance factor (geographic center) calculation
- FIG. 1 Schematic diagram of calculation of distance factors (base station and monitored points);
- FIG. 3 Schematic diagram of the calculation method of the pollution degree factor of the geographical location
- FIG. 4 Schematic diagram of calculation methods for other site evaluation factors
- FIG. 5 Schematic diagram of the relative positions of mobile station E and the reference station at time Ti;
- FIG. 6 is a schematic diagram of the relative positions of the mobile station E and the reference station at time T 2 ;
- FIG. 7 Schematic diagram of the relative position of mobile station E and the reference station at time T 3 ; in the figure: 101 is the reference station 1, 102 is the reference station 2, 103 is the reference station 3, 104 is the reference station 4, and 100-D is Base station D, 201-B is the calibrated station B, 201 is a small monitoring station 1, 202 is a small monitoring station 2, 203 is a small monitoring station 3, 204 is a small monitoring station 4, and 301-T1 is a mobile monitoring station E in Position at time Ti, 301-T2 is the position of mobile monitoring station E at time T 2 , 301-T3 is the position of mobile monitoring station E at time T 3 , 401-C is the pollution source small coal plant C, and 101-1 is the reference station 1 Distance to the regional center point, 102-1 is the distance from the reference station 2 to the regional center point, 103-1 is the distance from the reference station 3 to the regional center point, and 104-1 is the distance from the fixed station 4 to the regional center point.
- Example _ Applying a credibility weight factor calculation formula, a distance factor calculation formula, and a normalization method, when d represents the distance from the geometric center point of the area to each monitoring station: specify that the monitoring is performed when A is equal to 5km
- the weight of the station data is 1, as shown in Figure 1. It is known that the positions of monitoring stations 1, 2, 3, and 4 to the center of the area are 8km, 6km, 7km, and 5km, respectively.
- the normalized calculation formula is used to calculate the distance factor. The way is:
- the data of monitoring station 1 is PM; distance factor //
- PM C F c x PM c f
- the distances from monitoring stations 1, 2, 3, and 4 are 6km, 5km, 4km, 3km.
- the weights of the four monitoring points are 0, 0.1, 0.2, and 0.3, respectively.
- Example 3 As shown in FIG. 4, it is known that there are monitoring stations 1, 2, 3, and 4 within a range of 10 km around the reference station D.
- the pollutant concentration value monitored by the reference station D is 100, and the monitoring station No. 4
- the concentration values obtained from the monitoring are 120, 120, 90, and 90, respectively.
- the average value S obtained from the monitoring of the concentration values 1, 2, 3, and 4 is 105, and the average value [ratio to the monitoring station's y value 1-05, Calculation method based on other site evaluation factors:
- the other site evaluation factors for monitoring site D are:
- n is the number of times that the site has abnormal data within a certain period of time.
- the abnormal situation and judgment are as follows.
- the monitoring data when the mobile monitoring equipment E enters the coverage area of 10km around monitoring stations 1, 2, 3 is 100, 110, and 120 respectively; as shown in Figure 5, 6, as shown in Figure 7.
- the data of monitoring station 1, monitoring station 2 and monitoring station when the mobile monitoring device E enters the coverage area of 10km around the fixed monitoring station at time L is 105, 115, and 110 respectively; at time T 2 when the mobile monitoring device E enters The data of monitoring station 1, monitoring station 2 and monitoring station at 10 km around fixed monitoring station 2 are 110, 105, 110 respectively; at time T 3, when mobile monitoring equipment E enters 10 km around monitoring station 3, monitoring station 1
- the data of monitoring station 2 and monitoring station are 100, 115, 120 respectively.
- the distance factor weight of monitoring station 1 is 0.6
- the geographical location factor / i is 0.8
- the other site evaluation factors / are 0.8
- the stability factor is 1, and the calculation is based on the credibility weight factor.
- x 0.9 x 0.8 0.576; distance factor weight of monitoring station 3 / d is 0.7, geographical location factor / i is 0.9, other station evaluation factor / 6 is 0.8, stability factor / 5 is 1, then the weight is based on the credibility
- the calculation method of the factor F 3C f d xf t xf e x / s .
- the weight of monitoring station 3 is calculated.
- the distance factor weight of monitoring station 1 is 0.5
- the geographical location factor / i is 0.9
- the other station evaluation factors are 0.7
- the stability factor / 5 is 0.8, according to the credibility weight factor
- the calculation method f d xf t xf e x / s .
- the calculation method of the factor F 3C f d xf t xf e x / s .
- the weight of monitoring station 3 is calculated.
- the output value of the calibrated mobile monitoring device E is:
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种环境监测站数据可信度评价的方法,一种判断监测站点数据可信度和监测站点校准的方法,属于环境监测领域,通过引入可信度权重因子对监测站点的监测数据的可信度进行评价,使得城市污染检测数据更可靠,也使得监测站点的数据更加准确。
Description
一种环境监测站数据可信度评价方法 技术领域 本发明涉及一种环境监测站数据可信度评价的方法, 属于环境监测领域。 背景技术 环境监测中大气污染物监测指标为大气中的二氧化硫、 氮氧化物、 臭氧、 一氧化碳、 PMi(空 气动力学粒径小于 1微米的粒子)、 PMZ5(空气动力学粒径小于 2.5微米的粒子)、 PMio(空气动 力学粒径小于 10微米的粒子)、 PMWQ(空气动力学粒径小于 100微米的粒子)和 VOCs (挥发性 有机物) 或 TVOC (总挥发性有机物) 。 大气环境监测***可以对监测的数据进行收集和处理, 并及时准确地反映区域环境空气质量状况及变化规律。 现在的大气环境监测设备主要有固定式监测站和移动式监测设备。 目前的固定式监测站主要 分为大型固定监测站点和小型站点。 移动式监测设备主要有专用大气环境监测车、 无人机以 及手持设备等。 上述小型监测站点、 手持设备都用到了空气质量传感器来测量大气中的污染 物。 小型传感器具有低成本、 小型化和在线监测的特点, 可以大规模使用。 空气质量传感器 本身会由于各种原因造成测得值与真实值不一致而存在误差。 与大型精密仪器或者手工监测 方式相比, 空气质量传感器还有精确度更低、 稳定性差、 误差大、 需要经常校准的特点。 激光散射法的大气污染颗粒物传感器, 因为低成本和便携性, 有着宽广的市场前景。 然而采 用散射法的便携式分析装置就会存在测量一致性差、 噪声大、 测量精度低等缺点, 核心器件 容易受到各种环境因素影响而波动, 容易引起误判。 当传感器数据突然大幅变化时, 如果监测仪器能够智能判断出变化原因是传感器故障还是突 发污染, 将会极大提高数据可靠性, 对于保证环保监测数据质量具有重要价值。 当设备不准 确时, 可以自动校准, 提高监测的准确度, 可以大幅提高数据的在线率, 对于治霾工作所需 的连续监测具有重要价值。 同时又可以节省设备维护保养方面的人力物力, 减少社会资源浪 费。 在大气环境监测领域, 高精度的监测设备造价高昂、 设备庞大。 目前对于城市或者较大区域 尺度的大气环境监测而言, 由国家布设的国控站点就属于这样的高精度的站点, 但其数量较 少、 覆盖范围有限、 站点地理位置受限, 而且国控站的运行受设备情况、 维护条件的影响较 大, 数据输出不稳定。 目前国家公布的城市或者较大区域的环境数据就是根据这些国控站点 的监测数据的平均值或者经过简单运算得到。 但是这些国控站点监测的大气环境数据不能代 表整个城市或区域的大气环境数据。
仪器设备保持良好状态是获取准确、 可靠监测数据的必备条件, 仪器设备的校准是获得可靠 准确数据的关键。 目前时常以国控站或者超级站的数据作为校准的基准数据。 使用国控站点的数据为基准数据, 用于校准微型监测站或者移动监测站的技术为目前企业采 取的普遍方式。 但是仅由数量较少的国控站作为基准不能代表城市或者区域的准确值, 进一 步的使用这些国控站点的数据平均或者简单运算后用于校准其他微型监测站或者移动监测站 更加不可靠, 这些微型监测站点或者移动监测站点设备经过国控站点数据校准后可能会更加 不准确, 使得微型监测站点或者移动监测站点的结果偏低或者过高。 国控站运行并不稳定, 由于设备可靠性、 运维情况、 电力供应等原因会导致国控站不能输出正常数据。
发明内容 针对背景技术中对微站或者移动监测站校准方式的不足。 本发明提供一种判断监测站点数据 可信度和监测站点校准的方法, 使得城市污染监测数据更可靠, 并且也使得监测站点的校准 更加准确。 本发明的主要流程分为两步, 第一步为计算并判断基准站的可信度, 第二步为利用经可信度 判断的基准站数据对需要的监测设备进行校准。 可信度确定 对监测站点的监测数据, 引入可信度权重因子, 对其可信度进行评价。 可信度权重因子与基 准站点和被校准站或者地理位置中心距离、 基准站点地理位置、 其他站点对基准站点的评价 情况、 基准站点稳定性和其他影响因素影响。 可信度权重因子计算公式:
fc = /d X /i X /e X fs
距离因子: /d (factor distance)
地理位置因子: /i (factor location)
其他站点评价因子: fe (factor evaluated) 稳定性因子: /s (factor stability) 计算出基准站的可信度之后, 可以利用可信度对基准站的数据进行调整后用于对其他监测站 的校准计算;或者将基准站的可信度进行排名或设置范围, 排名后排除可信度较低的基准站
数据或者排除低于一定可信度的基准站, 然后利用筛选过后的基准站数据, 对其他监测站进 行校准计算。 距离因子 一个监测站点所监测到的数据的可信度随被监测区域距离该监测站点的距离增大而有效性降 低, 对于高精度站点的监测数据同样如此。 在对一定区域的大气质量进行评价时, 考虑该空 间范围内多个站点的数据融合结果。 本发明提出一种描述监测站点有效区域的评估, 方法内 包含若干权重因子用来表示在城市中某一区域进行真实监测时该数据站点所收集数据的空间 影响权重, 进而描述该站点数据影响范围或数据有效范围。 其中距离因子 /d用于考量被监测点与该监测站之间的距离因素所产生的对监测数据可靠性的 影响。 距离因子可以由某一区域内监测站点所获取数据占据该区域的权重由该区域几何中心 点到各个监测点的距离的反比归一化得到;距离因子另一种体现方式是, 某一特定位置的污 染数据由相近的数个监测站点的监测数据组成, 这些监测数据对特定位置的污染数据可以有 不同的权重, 该权重由该特定位置到各个监测点的距离的反比归一化得到, 该权重就是距离 因子。 在 /d计算中, d 表示该区域几何中心点到该区域内各个站点之间的距离或该特定位置到各个 监测点的距离, 该距离的设定值用 A表示。 在设定距离 A以内, 距离因子为 1 ;超过设定距 离 A后, 距离越远则该监测站点数据所占据的权重越小, 距离越近则该监测站点数据所占据 的权重越大。 距离因子计算公式为 :
d表示该区域几何中心点到该区域内各个站点之间的距离或该特定位置到各个监测点的距 离。 参数 K是距离权重参数, 一般情况下 K = A 地理位置因子 在实际监测过程中, 监测站点周边可能会存在污染源因素并会对监测结果产生影响, 所以需 要对这样的站点赋予其地理位置影响评价因子。 因子与污染源的距离以及污染物排放等因素 有关。 所以在 /i计算的过程中会涉及到评估该监测站点周围污染源污染程度的因子 /ie , 评估 该监测站点与周边污染源距离的因子 /id (详见地理位置污染程度因子与地理位置污染距离因
子关系表, 关系表内的设定值还可以根据实际污染情况调整) , 评估该监测站点周边污染源 其他影响因素的因子 /i。 (详见污染源其他影响因素表) 。 地理位置因子计算公式: fl = fie x fid. x flo 地理位置污染程度因子: /ie (factor location emission) 地理位置污染距离因子:
(factor location distance) 地理位置其他因素因子: /i。 (factor location other) 在不考虑其他因素因子情况下, 地理位置污染程度因子与地理位置污染距离因子关系表如 下:
地理位置因素中还需要考虑的其他因素因子:
楼宇遮挡:基准站周边一定范围内有大型楼宇建筑遮挡的, 因素因子越小。 周边环境存在森林公园等可影响颗粒污染物扩散的场所:基准站周边一定范围内有森林、 公 园等可能影响污染物扩散的场所, 可以降低污染物浓度的设施等情况, 影响因素应当适当减 小。
长期影响风向 :基准站位于长期固定风向地区, 可能导致固定站不能代表测定地区空气质量, 因素因子应当适当减小。 周边污染源排放污染物不为监测站监测的主要污染物:监测站周边有污染源, 但是污染源排 放物质不是监测站首要监测的污染物。 其他站点评价因子 在长期的监测过程中国控站所监测得到数据也会受设备老化等因素影响而导致产生的可靠性 发生变化, 因此需要利用附近其他站点 (国控站、 固定微站、 车辆) 的数据对这一点的国控 站进行评价, 评价其准确性, 并赋予权重。 对单个国控站来说, 无法确定某一时刻该站点产生数据的可靠性, 只可以排除极端异常情况, 当该站点与周围其他同等级别站点数据变化趋势产生较大差异时, 一个原因可能是附近有污 染源, 另一个原因可能是该站点监测设备出现异常。 此时, 需要用该站点附近的密集布设的 其他设备来验证该站点数据属于前一种情况还是后一种情况。 如果其附近的其他设备如固定 微站或移动监测站与该站点有相近的数据变化趋势, 则该站点数据是可信的, 相反则该站点 数据可信度下降。 因此, 需要设置其他站点评价因子 fe来针对这一影响因素对监测站数据赋 予权重。 其他站点评价因子计算公式:
( 0, 0 < £ < 0. 5, £ > 2
/e(s) = j o. 5, 0. 5 < £ < 0.9, 1. 1 < £ < 2
( 1, 0.9 < £ < 1. 1 具体方法为 :取监测站点周边一定距离范围内的, 可以是 10公里范围内的若干监测站点数据, 对其进行平均。 并将平均值 f与该监测站点监测值 y进行如下运算得到比值 s, 则 s的大小即 可表示附近的其他设备如固定微站或移动监测站与该站点所得到数据是否有相近的数据变化 趋势, 从而根据 s以及上述 ⑻关系式可得到该站点针对此影响因素的权重。 x
E = Y 公式中 f代表该监测站点周边 10公里范围内的若干监测站点数据的平均值。 公式中 y代表该监测站点监测值。 稳定性因子
当前国控站点运行有两种主要的极端情况, 一是站点数据出现明显异常, 如 PM10 的数据小 于 PM2.5的数据, 此时该站点 PM10数据会被人工核查筛除;二是设备由于断电或刚上电无 数据上传;除上述两种情况外还会有网络异常等其他原因导致数据异常。 上述极端情况出现 时, 无论是运维原因还是设备故障都会体现出该设备在该段时间内可靠性在下降, 可以设定 一个可靠性因子, 一段时间内的出现异常的累计次数来表示, 比如每个月统计一次, 初始值 为 1, 每出现一次异常可靠性因子下降 0.1。 在进行校准时, 可根据国控站的可靠性权重决定 该国控站是否参与校准。 稳定性因子计算公式: 0.1, n < 10
n为站点一定时间内数据出现异常的情况次数, 异常情况及判定如下。 一段时间可以是 1个 月、 1周、 1天等其他时间周期。
PM
T1 =
PMC
校准计算公式:
PM '
PMC为经过修正后或筛选后的基准站数据。
PMC '为未经修正的基准站数据。
PM为被校准站数据。
PM'为被校准站数据经过校准后数据。 以单个基准站的区域数据为基准对移动监测站进行多次校准的步骤为:
1) 判断可信度权重因子, 若基准站的可信度权重因子小于一定设定值, 则该基准站的监测 数据无效, 不能作为校准的依据。
2) 选取符合标准的基准站作为基准, 一台移动监测设备可能会多次经过同一个基准站。 这 一台设备每经过一次这个基准站, 则进行一次对比, 得到该次对比的 n值。
3) 在记录到设定数量的 n值后 (设定数量可以是 10个, 50个, 100个等), 将记录得到的所 有 n值进行统计计算, 如平均、 正态分布取值、 逼近、 PID 等数学方法。 最终得到统计计 算后的平均值 h。
4) 利用最终得到的平均值 ^和校准计算公式再对该台移动监测设备进行校准。 以多个基准站的区域数据为基准对移动监测站进行多次校准的步骤为:
1) 判断可信度权重因子, 若基准站的可信度权重因子小于设定值, 则该基准站的监测数据 无效, 不能作为校准的依据 。
2) 在实际监测与校准过程中, 一台移动监测设备可能会多次经过由多个基准站覆盖的区域。
这一台设备每经过这一区域, 则与该区域内经过时刻的平均基准数据进行一次对比, 得 到对应 n值。 区域的基准值可以采用归一化计算方法得出。
4) 利用最终得到的平均值 ^和校准计算公式再对该台移动监测设备进行校准。 以单个基准站的区域数据为基准对其他固定站点进行校准的步骤为:
1) 判断可信度权重因子, 若基准站的可信度权重因子小于设定值, 则该基准站的监测数据 无效, 不能作为校准的依据。
2) 以符合标准的基准站作为基准, 每间隔一段时间, 以基准站数据为基准和待校准固定站 进行一次对比, 得到对应 n值。
3) 在记录数量的 n值后, 将记录得到的所有 n值进行统计计算, 如平均、 正态分布取值、 逼 近、 PID等数学方法。 最终得到统计计算后的平均值 h。
4) 利用最终得到的平均值 ^和校准计算公式再对该台移动监测设备进行校准。 以多个基准站的区域数据为基准对其他固定站点进行校准的步骤为:
1) 判断可信度权重因子, 若基准站的可信度权重因子小于设定值, 则该基准站的监测数据 无效, 不能作为校准的依据。
2) 在实际监测与校准过程中, 一台移动监测设备可能会多次经过由多个基准站覆盖的区域。
这一台设备每经过这一区域, 则与该区域内经过时刻的平均基准数据进行一次对比, 得 到对应 n值。 区域的基准值可以采用归一化计算方法得出。
3) 在记录一定数量的 n值后, 将记录得到的所有 n值进行统计计算, 如平均、 正态分布取值、 逼近、 PI D等数学方法。 最终得到一个统计计算后的平均值
使用最终得到的平均值 h 再对该台移动监测设备进行校准。
4) 利用最终得到的平均值 ^和校准计算公式再对该台移动监测设备进行校准。 校准执行条件 用于校准的数据的时间范围需要进行限定。 移动监测设备执行校准操作的过程是周期性的 (例如每月一次) , 在校准周期之间, 设备应得到设定数量有效的 n值用于 ^的计算 (设定 数量可以是是 10次、 100次等, 也可以是每小时一次、 每 5小时一次等。 ) 。 除此之外, 在 一个校准周期内所获取 n值应尽量均匀。 例如每月执行校准操作一次的话, 则每天至少需要得 到一个 h值;同时每次 n值应当在均匀分散的时间内取得, 如获得了 12组对比数据, 这 12 组对比数据是每隔两小时获得 i组对比数据, 而不是在 i个小时内集中获得的 12组对比数 据。 特殊极端情况排除 特殊情况下的一些数据需要排除, 如极端天气事件 (暴雨、 暴风雪等) 、 高湿高温等。 如果 监测过程受天气等条件的影响, 在监测时数据出现了极端值, 则在这些时间段内暂停数据比 对校准, 因为在这些时间段内 n值会与大多数时间段得到的 n值有所差别, 进而引起校准准确 度下降的问题。
多传感器监测设备校准 当被校准站是包含两个或者两个以上监测单元的一组设备时, 可以使用基准站分别校准每一 个监测单元。 也可以使用基准站首先校准其中的一个监测单元, 再由其中被校准后的单元校 准其他单元。 高低频传感器 在先申请 PCT/IB2018/05531中公开了大气污染检测设备, 所述大气污染检测设备包含主控模 块和检测模块;所述检测模块采用至少四个子传感器单元组成传感器模组;当主控模块发现 其中一个子传感器单元出现疑似异常, 并判断所述疑似异常子传感器为异常子传感器后, 对 所述异常子传感器进行隔离, 所述异常子传感器归入隔离区, 多核传感器模组降级后继续正 常工作。
本申请进一步公开了另一种大气污染检测设备, 所述大气污染检测设备包含主控模块和检测 模块;所述检测模块包含至少两个同类子传感器单元组成传感器模组;所述子传感器单元工 作在正常的工作频率。 所述检测模块还包含至少一个与传感器模组同类的子传感器单元组成 低频校准模组;低频校准模组内的子传感器单元工作在远低于传感器模组的工作频率。 因此 低频校准模组也称之为低频组。 作为对照, 传感器模组也称之为高频组。
通常, 传感器模组的工作频率是低频校准模组的 10倍或以上。 高频组和低频组的工作频率的 比率, 称为高频低频比, 可以选择为 : 2:1, 3:1, 4:1, 5:1, 6:1, 7:1, 8:1, 9:1, 10:1,
15:1, 20:1
低频组的工作频率可以与异常判断的节奏保持一致。 也就是说, 当需要对传感器模组中是否 存在子传感器异常现象进行判断时, 低频组才进行检测工作。
由于激光功率衰减在激光传感器的工作寿命内的大多数时间是缓慢进行的, 是可以通过校准 来恢复其数据的准确性,'也就是使用未衰减或衰减程度非常低的子传感器来校准衰减程度高 的子传感器。
在传感器模组运行过程中, 每隔一定时间, 例如 1天, 1周或 1个月, 使用低频组检测数据作 参考, 校准高频组检测数据, 校准系数可以使用高频组传感器的检测数据平均值与低频组检 测数据平均值之比得到。
除了激光传感器的光衰效应, 其他类型的传感器, 也存在长时间高负荷工作情况下的性能不 稳定或者数据误差增大的可能倾向。 通过引入一个低频组, 能够作为相对可靠的基准, 用来 判断传感器模组是否存在数据偏移现象。
同时, 由于低频组的数据通常可信度更高, 在判断传感器模组中哪个子传感器单元属于疑似 异常或异常时, 可以通过增加低频组的数据权重, 来做出更可信的判断。 一种简单的方案是 所有的低频组数据按两倍权重参与疑似异常判断。
对于存在高低频分组的多传感器检测设备, 则使用基准站先校准低频组的传感器单元;然后 由低频组来校准高频组传感器单元。 隔离与恢复 在先申请 PCT/IB2018/05531还公开了一套识别子传感器工作状态并对子传感器进行隔离和恢 复的方法。 传感器模组获得一个时刻的一组检测数据, 主控模块从这一组数据中筛选出疑似 异常的数据, 进而判断相应的子传感器是否满足隔离条件。 判断子传感器为异常子传感器后 将异常子传感器归入隔离区;判断疑似异常的子传感器不满足隔离条件后, 该子传感器继续 正常工作。 判断进入隔离区的子传感器是否可以自愈, 如果判断可以自愈则对该可自愈的子 传感器做降频工作处理, 但是子传感器输出的数据不参与主控模块输出数据的计算。 对于无 法自愈的子传感器则停止工作, 并通知运行维护方进行维修或者更换。 对于降频后的子传感 器, 由主控模块检测其输出的数据, 判断其是否达到恢复条件, 将达到恢复条件的子传感器 调离隔离区, 恢复工作, 输出数据参与传感器模组数据或主控数据计算;对于不符合恢复条 件的异常子传感器再次进行是否可自愈的判断。
附图说明
图 1距离因子 (地理位置中心) 计算示意图;
图 2距离因子 (基准站与被监测点) 计算示意图;
图 3地理位置污染程度因子计算方法示意图;
图 4其他站点评价因子计算方法示意图;
图 5 Ti时刻移动站 E与基准站相对位置示意图;
图 6 T2时刻移动站 E与基准站相对位置示意图;
图 7 T3时刻移动站 E与基准站相对位置示意图; 图中 : 101为 1号基准站, 102为 2号基准站, 103为 3号基准站, 104为 4号基准站, 100- D为基准站 D , 201- B为被校准站 B, 201为小型监测站 1, 202为小型监测站 2 , 203为小 型监测站 3, 204为小型监测站 4, 301 -T1为移动监测站 E在 Ti时刻位置, 301-T2为移动监 测站 E在 T2时刻位置, 301-T3为移动监测站 E在 T3时刻位置, 401-C为污染源小型煤厂 C, 101-1为 1号基准站到区域中心点的距离, 102-1为 2号基准站到区域中心点的距离, 103-1 为 3号基准站到区域中心点的距离, 104-1为 4号固定站到区域中心点的距离, 101-B为 1 号基准站到被校准站 B位置的距离, 102-B为 2号基准站到被校准站 B位置的距离, 103- B
为 3号基准站到被校准站 B位置的距离, 104-B为 4号基准站到被校准站 B位置的距离, 201-C为 1号基准站到污染源 C的距离, 202-C为 2号基准站到污染源 C的距离, 203-C为 3号基准站到污染源 C的距离; 204-C为 4号基准站到污染源 C的距离。
具体实施方式 实施例 _ 应用可信度权重因子计算公式、 距离因子计算公式和归一化方法, 当 d 表示该区域几何中心 点到各监测站的距离的时候:规定当 A等于 5km时该监测站数据所占的权重为 1, 如图 1所 不。 已知 1、 2、 3、 4号监测站到区域中心点的位置分别为 8km、 6km、 7km、 5km, 应用距离因 子计算方法, 则根据归一化计算公式, 在考虑距离因子情况下的计算方式为:
1号监测站数据为 PM; 距离因子 //
PMC = Fc x PMc f
应用可信度权重因子计算公式、 距离因子计算公式和归一化方法, 当 d表示被监测位置到各 个监测点的距离的时候:规定当 A等于 5km时该监测站数据所占的权重为 1, 如图 2所示。 已知 1、 2、 3、 4号监测站到被监测点的位置分别为 9km、 8km、 7km、 5km, 应用距离因子 计算方法, 则根据归一化计算公式, 在考虑距离因子情况下的计算方式为: ⑻ = ^; 3号监测
PMC = Fc x PMc f
实施例二 如图 3所示, 在监测点周边存在一处产生中度污染排放的小型煤场 C, 如图 3所示, 距离 1、 2、 3、 4号监测站的距离分别为 6km、 5km、 4km、 3km。 在不考虑其他因素因子情况下, 根据如下地理位置污染程度因子和地理位置污染距离因子对 地理位置因子的计算示意表, 得到四个监测点所占的权重分别为 0、 0.1、 0.2、 0.3。
实施例三 如图 4所示, 已知在基准站 D周围 10km范围内存在 1、 2、 3、 4号监测站, 基准站 D所监 测得到的污染物浓度值为 100, 4号监测站所监测得到的浓度值分别为 120、 120、 90、 90, 计算可得 1、 2、 3、 4 监测得到的浓度值的平均值 S为 105, 则平均值[ 与该监测站点监测值 y的比值 1-05 , 根据其他站点评价因子计算方法:
( 0, 0 < £ < 0. 5, £ > 2
fe(s) = j o. 5, 0. 5 < £ < 0.9, 1. 1 < £ < 2
( 1, 0.9 < £ < 1. 1
监测站点 D的其他站点评价因子为 :
/e(1. 05) = 1
实施例四 某监测站点在 2019年 1月实施监测的过程中, 按照下表中判定规则判定出现停电、 设备维 护、 网络故障、 数据异常等极端情况的次数为 9次, 则根据如下监测站稳定性因子计算公式 以及判断标准: 0.1, n < 10
n为站点一定时间内数据出现异常的情况次数, 异常情况及判定如下。
得到该监测站的稳定性因子为 : fs(n) = 1 -9 X 0.1 = 0.1 实施例五 移动监测站 E在 2019年 1月的监测活动中, 总计进入到监测站 1、 监测站 2和监测站 3周围 10km所覆盖范围各一次, 已知移动监测设备 E进入到 1、 2、 3号监测站周围 10km所覆盖范 围时的监测数据分别为 100、 110、 120 ;如图 5、 图 6、 图 7所示。
L时刻当移动监测设备 E进入到 1号固定监测站周围 10km所覆盖范围时监测站 1、 监测站 2 和监测站的数据分别为 105、 115、 110 ; T2时刻当移动监测设备 E进入到 2号固定监测站周围 10km时监测站 1、 监测站 2和监测站的数据分别为 110、 105、 110 ; T3时刻当移动监测设备 E进入到 3号固定监测站周围 10km时监测站 1、 监测站 2和监测站的数据分别为 100、 115、 120。 在 时刻已知监测站 1的距离因子权重 /d为 0.9、 地理位置因子 /(为 0.8、 其他站点评价因子 /e 为 1、 稳定性因子 为 06 则根据可信度权重因子 的计算方法 = fdxftxfex /s计算得 监测站 1
= 0.9 x 0.8 x 1 x 0.6 = 0.432 ;监测站 2的距离因子权重 /d为 0.8、 地理 位置因子 /i为 0.8、 其他站点评价因子 ^为 1、 稳定性因子 为 0.8, 则根据可信度权重因子 的计算方法 F2C = fdxflxfex /s计算得监测站 2的权重 F2C = 0.8 x 0.8 x 1 x 0.8 = 0.512 ;监 测站 3的距离因子权重 /d为 1、 地理位置因子 /(为 0.8、 其他站点评价因子 ^为 0.9、 稳定性因 子 为 1, 则根据可信度权重因子 的计算方法 F3C =fdxftxfex /s计算得监测站 3 的权重
F3c = lx 0.8 x 0.9 x 1 = 0.72 ;所以根据归一化算法计算在 L时刻的经过修正后或筛选后的 基准站监测值: 110.24
PM1 100
ni= = 0.907
PMr 110.24
同里, 在 T2时刻已知监测站 1的距离因子权重 为 0.6、 地理位置因子 /i为 0.8、 其他站点评 价因子 /;为 0.8、 稳定性因子 为 1, 则根据可信度权重因子 的计算方法 = fd xftxfexfs 计算得监测站 1的权重为 Flc = 0.6 x 0.8 x 0.8 x 1 = 0.384 ;监测站 2的距离因子权重 /d为 1、 地理位置因子 /i为 0.8、 其他站点评价因子 ^为 0.9、 稳定性因子 为 0.8, 则根据可信度权重因 子 的计算方法 F2C = fdxflxfex /s计算得监测站 2的权重 F2C = 1 x 0.8 x 0.9 x 0.8 = 0.576 ; 监测站 3的距离因子权重 /d为 0.7、 地理位置因子 /i为 0.9、 其他站点评价因子 /6为 0.8、 稳定 性因子 /5为 1, 则根据可信度权重因子 的计算方法 F3C = fdxftxfex /s计算得监测站 3 的 权重 F3C = 0.7 X 0.9 X 0.8 X 1 = 0.504 ;所以根据归一化算法计算在 T2时刻的经过修正后或筛 选后的基准站监测值:
所以通过比对计算公式得到:
110
r\2 108 1.02 在 T3时刻已知监测站 1的距离因子权重 为 0.5、 地理位置因子 /i为 0.9、 其他站点评价因子 为 0.7、 稳定性因子 /5为 0.8, 则根据可信度权重因子 的计算方法 = fd xftxfex /s计算 得监测站 1的权重为 Flc = 0.5 x 0.9 x 0.7 x 0.8 = 0.384 ;监测站 2的距离因子权重 /d为 0.8、 地理位置因子 /i为 0.7、 其他站点评价因子 ^为 0.8、 稳定性因子 ^为 0.9, 则根据可信度权重因 子 的计算方法 F2C =fdxftxfex /s计算得监测站 2 的权重 F2C = 0.8 x 0.7 x 0.8 x 0.9 = 0.403 ;监测站 3的距离因子权重 为 1、 地理位置因子 /i为 0.8、 其他站点评价因子 ^为 0.9、 稳定性因子 ^为 0.6, 则根据可信度权重因子 的计算方法 F3C = fdxftxfex /s计算得监测站 3 的权重 F3C = 1 x 0.8 x 0.9 x 0.6 = 0.432 ;所以根据归一化算法计算在 T3时刻的经过修正后 或筛选后的基准站监测值:
112
所以通过比对计算公式得到:
120
% = m = L07 校准系数的平均值: 0.907 + 1 02 + 1.07
_ PM
PM’
0.999
Claims
1. 一种环境监测站数据可信度评价方法;所述环境监测站数据的可信度通过可 信度权重因子(Fc)进行评价;所述可信度权重因子(Fc) 受距离因子(fd)、 地理位置因子 (n u 其他站点评价因子 (fe )' 以及稳定性因子 (/s) 的影 响;
所述可信度权重因子 ( ) 的计算公式为 :
Pc = fd fl fe fs
3. 如权利要求 1所述的评价方法, 其特征在于, 所述地理位置因子 (/J 的计 算公式为 :
fl = fie X fid. X flo
4. 如权利要求 1所述的评价方法, 其特征在于, 所述其他站点评价因子 (/e ) 的计算公式为 :
( 0, 0 < £ < 0.5, £ > 2
/e(s) = j0.5, 0.5 < s < 0.9, 1.1 < s < 2
( 1, 0.9 < s < 1.1
其中, 参数 s代表了附近的其他设备, 包括固定微站或移动监测站, 与该监 测站点所得到数据是否有相近的数据变化趋势。
公式中 代表该监测站点周边 10公里范围内的若干监测站点数据的平均值; 公式中 y代表该监测站点监测值。
其中, 参数 n为监测站点在一段时间内出现数据异常情况的次数;一段时间 的长度范围:最短为 1天, 最长为 1个月。
7. 如权利要求 6所述的评价方法,其特征在于,所述数据异常情况为以下之一:
1) 停电导致无数据输出, 且无输出超过 1小时;
2) 维护原因导致的无数据输出, 且无输出超过 1小时;
3) 网络故障导致数据异常, 且无输出超过半小时;
4) PM25数据大于 PM:。数据, 且异常时间超过 1小时。
8. 一种对移动监测设备进行校准的方法, 所述移动监测设备以单个基准站的区 域数据为基准进行多次校准;其步骤为 :
1) 评价所述基准站的可信度权重因子, 若基准站的可信度权重因子小于 设定值, 则该基准站的监测数据无效, 不作为校准的依据;
2) 选取可信度权重因子满足设定值的基准站作为基准;一台移动监测设 备如多次经过同一个基准站, 这一台设备每经过一次这个基准站, 则 进行一次对比, 得到该次对比的 n值;
3) 在记录到设定数量的 n值后, 设定数量为 io至 ioo个之间;将记录得 到的所有 n值进行统计计算, 计算方法为平均、 正态分布取值、 逼近、 或者 PID数学方法;最终得到统计计算后的平均值 5 ;
4) 利用最终得到的平均值 和校准计算公式再对所述移动监测设备进行 校准。
9. 一种对移动监测设备进行校准的方法, 所述移动监测设备以多个基准站的区 域数据为基准进行多次校准;其步骤为 :
1) 评价所述基准站的可信度权重因子, 若基准站的可信度权重因子小于 设定值, 则该基准站的监测数据无效, 不作为校准的依据;
2) 在实际监测与校准过程中, 一台移动监测设备如多次经过由多个基准 站覆盖的区域;这一台设备每经过一次这一区域, 则与该区域内经过 时刻的平均基准数据进行一次对比, 得到对应 n值;区域的平均基准数 据采用归一化计算方法得出;
3) 在记录设定数量的 n值后, 将记录得到的所有 n值进行统计计算, 计算 方法为平均、 正态分布取值、 逼近、 或者 PID数学方法;最终得到统 计计算后的平均值 5 ;
4) 利用最终得到的平均值 和校准计算公式再对该台移动监测设备进行 校准。
10.一种以单个基准站的区域数据为基准对其他固定站点进行校准的方法;其步 骤为 :
D 判断可信度权重因子, 若基准站的可信度权重因子小于设定值, 则该 基准站的监测数据无效, 不作为校准的依据;
2) 以符合标准的基准站作为基准, 每间隔一段时间, 以基准站数据为基 准和待校准固定站进行一次对比, 得到对应 n值;
3) 在记录数量的 n值后, 将记录得到的所有 n值进行统计计算, 如平均、 正态分布取值、逼近、 PID等数学方法。最终得到统计计算后的平均值 n;
4) 利用最终得到的平均值 和校准计算公式再对该台移动监测设备进行 校准。
11.一种以多个基准站的区域数据为基准对其他固定站点进行校准的方法;其步 骤为 :
1) 判断可信度权重因子, 若基准站的可信度权重因子小于设定值, 则该
基准站的监测数据无效, 不作为校准的依据;
2) 在实际监测与校准过程中, 一台移动监测设备可能会多次经过由多个 基准站覆盖的区域。 这一台设备每经过这一区域, 则与该区域内经过 时刻的平均基准数据进行一次对比, 得到对应 n值;区域的基准值采用 归一化计算方法得出;
3) 在记录一定数量的 n值后, 将记录得到的所有 n值进行统计计算, 如平 均、正态分布取值、逼近、 PI D等数学方法;最终得到一个统计计算后 的平均值 使用最终得到的平均值 再对该台移动监测设备进行校 准;
4) 利用最终得到的平均值 和校准计算公式再对该台移动监测设备进行 校准。
其中, PMc为经过修正后或筛选后的基准站数据;
为未经修正的基准站数据;
PM为被校准站数据;
PM'为被校准站数据经过校准后数据。
13.如权利要求 8至 11之一所述的方法, 其特征在于, 所述校准计算公式为 :
PM
PM —
T1
其中, PM为被校准站数据; PM'为被校准站数据经过校准后数据。
14.如权利要求 8至 11之一所述的方法, 其特征在于, 所述移动监测设备包含主 控模块和检测模块;所述检测模块包含至少两个同类子传感器单元组成传感 器模组;所述子传感器单元工作在正常的工作频率;所述检测模块还包含至 少一个与传感器模组同类的子传感器单元组成的低频校准模组;低频校准模 组内的子传感器单元的工作频率远低于传感器模组内子传感器单元的工作频
率。
15.如权利要求 14所述的方法, 其特征在于, 所述传感器模组的工作频率与低频 校准模组的工作频率的比率为 :2:1, 3:1, 4:1, 5:1, 6:1, 7:1, 8:1, 9:1, 10:1, 15:1, 或者 20:1。
16.如权利要求 14所述的方法, 其特征在于, 先对低频组的子传感器单元进行校 准; 然后由低频组对高频组进行校准。
17.如权利要求 14所述的方法, 其特征在于, 当所述主控模块发现所述传感器模 组中一个子传感器单元出现疑似异常, 并判断该疑似异常子传感器为异常子 传感器后, 对所述异常子传感器进行隔离, 所述异常子传感器归入隔离区, 多核传感器模组降级后继续正常工作; 进入隔离区的子传感器如无法自愈则 停止工作; 如可以自愈则做降频工作处理, 但是子传感器输出的数据不参与 主控模块输出数据的计算;主控模块监测进入隔离区的子传感器输出的数据, 判断其是否达到恢复条件; 将达到恢复条件的子传感器调离隔离区, 恢复工 作。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201980006119.0A CN111788578B (zh) | 2018-07-25 | 2019-02-15 | 一种环境监测站数据可信度评价及校准方法 |
PCT/CN2019/102420 WO2020043031A1 (zh) | 2018-08-25 | 2019-08-25 | 一种大气污染监测传感器校准和协同工作的方法 |
PCT/CN2019/102419 WO2020043030A1 (zh) | 2018-08-25 | 2019-08-25 | 大气污染监测设备数据可信度评价及校准方法 |
CN201980089854.2A CN113330283B (zh) | 2018-08-25 | 2019-08-25 | 大气污染检测设备数据可信度评价及校准方法 |
CN201980089835.XA CN113728220B (zh) | 2018-08-25 | 2019-08-25 | 一种大气污染监测传感器校准和协同工作的方法 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IBPCT/IB2018/055531 | 2018-07-25 | ||
PCT/IB2018/055531 WO2019150182A1 (zh) | 2018-02-01 | 2018-07-25 | 多核传感器***及其隔离和恢复的方法 |
CN201810965453.6 | 2018-08-25 | ||
CN201810965453 | 2018-08-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2020021343A1 true WO2020021343A1 (zh) | 2020-01-30 |
Family
ID=69180628
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/IB2019/051245 WO2020044127A1 (zh) | 2018-08-25 | 2019-02-15 | 一种大气污染预测的方法 |
PCT/IB2019/051243 WO2020021343A1 (zh) | 2018-07-25 | 2019-02-15 | 一种环境监测站数据可信度评价方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/IB2019/051245 WO2020044127A1 (zh) | 2018-08-25 | 2019-02-15 | 一种大气污染预测的方法 |
Country Status (3)
Country | Link |
---|---|
CN (5) | CN112513896B (zh) |
GB (1) | GB2591886A (zh) |
WO (2) | WO2020044127A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633779B (zh) * | 2021-02-25 | 2022-08-12 | 北京英视睿达科技股份有限公司 | 一种对环境监测数据可信度进行评估的方法 |
CN113514611B (zh) * | 2021-06-28 | 2024-01-12 | 杭州谱育科技发展有限公司 | 污染物传输路径的识别方法 |
CN113536630B (zh) * | 2021-07-12 | 2023-09-29 | 西南科技大学 | 污染物无组织排放因子获取方法 |
CN113393058B (zh) * | 2021-07-14 | 2023-10-20 | 成都佳华物链云科技有限公司 | 污染物管控方法、预测管控方法、实时管控方法及装置 |
CN116187981B (zh) * | 2023-04-21 | 2023-07-25 | 广东工业大学 | 一种基于历史维修数据的微波炉智能检测方法 |
CN117933466A (zh) * | 2024-01-23 | 2024-04-26 | 中科三清科技有限公司 | 污染预测方法、装置、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697568A (zh) * | 2015-02-13 | 2015-06-10 | 中国人民解放军海军工程大学 | 一种船用机电产品的混合型可靠性试验方法 |
CN106325144A (zh) * | 2015-07-06 | 2017-01-11 | 湖州庆渔堂农业科技有限公司 | 一种水产养殖监控***的监测数据校准方法及*** |
CN107609731A (zh) * | 2017-07-31 | 2018-01-19 | 贵州大学 | 一种环境空气质量评价方法 |
CN108229821A (zh) * | 2018-01-02 | 2018-06-29 | 中国神华能源股份有限公司 | 矿区生态环境的评估方法、装置、存储介质和*** |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5582961A (en) * | 1978-12-20 | 1980-06-23 | Toshiba Corp | Monitoring device for pollution of surface of the sea |
US9053616B2 (en) * | 2010-04-20 | 2015-06-09 | Temptime Corporation | Computing systems and methods for electronically indicating the acceptability of a product |
CN102339445A (zh) * | 2010-07-23 | 2012-02-01 | 阿里巴巴集团控股有限公司 | 对网络交易用户的可信度进行评价的方法和*** |
CN104008278B (zh) * | 2014-05-14 | 2017-02-15 | 昆明理工大学 | 一种基于特征向量和最小二乘支持向量机的pm2.5浓度预测方法 |
CN104200104A (zh) * | 2014-09-04 | 2014-12-10 | 浙江鸿程计算机***有限公司 | 一种基于空间特征的细粒度空气污染物浓度区域估计方法 |
CN104200103A (zh) * | 2014-09-04 | 2014-12-10 | 浙江鸿程计算机***有限公司 | 一种基于多领域特征的城市空气质量等级预测方法 |
CN104280070B (zh) * | 2014-10-16 | 2017-02-01 | 北京中恒电国际信息技术有限公司 | 大数据云服务集中环境监测平台 |
CN105589843B (zh) * | 2014-10-24 | 2019-02-26 | 科大讯飞股份有限公司 | 一种文本字串匹配方法及*** |
WO2016129715A1 (ko) * | 2015-02-10 | 2016-08-18 | 주식회사 주빅스 | 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템 |
CN104751242A (zh) * | 2015-03-27 | 2015-07-01 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
CN104850913B (zh) * | 2015-05-28 | 2019-03-26 | 深圳先进技术研究院 | 一种空气质量pm2.5预测方法及*** |
US10438125B2 (en) * | 2015-11-12 | 2019-10-08 | International Business Machines Corporation | Very short-term air pollution forecasting |
CN105930653B (zh) * | 2016-04-19 | 2019-01-18 | 清华大学 | 一种基于计量分区流量监测数据的爆管预警方法 |
CN106339775B (zh) * | 2016-08-23 | 2019-10-11 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
CN106644862B (zh) * | 2016-09-12 | 2023-08-29 | 山东诺方电子科技有限公司 | 一种传感器、基于该传感器的监测站及监测站的监测方法 |
CN106485353B (zh) * | 2016-09-30 | 2019-11-29 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及*** |
CN108375648A (zh) * | 2016-10-28 | 2018-08-07 | 神达电脑股份有限公司 | 空气品质监控***及其方法 |
US20180239057A1 (en) * | 2017-02-22 | 2018-08-23 | International Business Machines Corporation | Forecasting air quality |
CN107292417B (zh) * | 2017-05-09 | 2020-03-17 | 北京市环境保护监测中心 | 基于重污染序列案例库的区域重污染判别预报方法及装置 |
CN108701274B (zh) * | 2017-05-24 | 2021-10-08 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与*** |
CN107991722A (zh) * | 2017-12-25 | 2018-05-04 | 北京墨迹风云科技股份有限公司 | 天气预测模型的建立方法、预测方法和预测装置 |
-
2019
- 2019-02-15 CN CN201980006136.4A patent/CN112513896B/zh active Active
- 2019-02-15 GB GB2103044.0A patent/GB2591886A/en not_active Withdrawn
- 2019-02-15 WO PCT/IB2019/051245 patent/WO2020044127A1/zh unknown
- 2019-02-15 CN CN201980006119.0A patent/CN111788578B/zh active Active
- 2019-02-15 WO PCT/IB2019/051243 patent/WO2020021343A1/zh unknown
- 2019-08-25 CN CN201980089855.7A patent/CN113348471B/zh active Active
- 2019-08-25 CN CN201980089866.5A patent/CN113632101B/zh active Active
- 2019-08-25 CN CN201980089816.7A patent/CN113330456B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697568A (zh) * | 2015-02-13 | 2015-06-10 | 中国人民解放军海军工程大学 | 一种船用机电产品的混合型可靠性试验方法 |
CN106325144A (zh) * | 2015-07-06 | 2017-01-11 | 湖州庆渔堂农业科技有限公司 | 一种水产养殖监控***的监测数据校准方法及*** |
CN107609731A (zh) * | 2017-07-31 | 2018-01-19 | 贵州大学 | 一种环境空气质量评价方法 |
CN108229821A (zh) * | 2018-01-02 | 2018-06-29 | 中国神华能源股份有限公司 | 矿区生态环境的评估方法、装置、存储介质和*** |
Also Published As
Publication number | Publication date |
---|---|
GB2591886A (en) | 2021-08-11 |
CN113348471B (zh) | 2023-07-18 |
CN113632101A (zh) | 2021-11-09 |
CN111788578B (zh) | 2023-10-20 |
CN112513896B (zh) | 2023-05-23 |
CN113330456A (zh) | 2021-08-31 |
CN111788578A (zh) | 2020-10-16 |
CN113632101B (zh) | 2024-05-03 |
GB202103044D0 (en) | 2021-04-21 |
CN113348471A (zh) | 2021-09-03 |
CN113330456B (zh) | 2023-05-26 |
WO2020044127A1 (zh) | 2020-03-05 |
CN112513896A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113330283B (zh) | 大气污染检测设备数据可信度评价及校准方法 | |
WO2020021343A1 (zh) | 一种环境监测站数据可信度评价方法 | |
Bulot et al. | Long-term field comparison of multiple low-cost particulate matter sensors in an outdoor urban environment | |
US20210140935A1 (en) | Pollution-monitoring taxi roof light with airflow stabilization ability | |
Malings et al. | Fine particle mass monitoring with low-cost sensors: Corrections and long-term performance evaluation | |
CN114818391A (zh) | 一种基于多溯源模型的污染源浓度智能分析方法 | |
US11262339B2 (en) | Remote sensor calibration system | |
CN107063955B (zh) | 空气颗粒物检测仪校准方法及管理*** | |
Reddy et al. | Improving spatio-temporal understanding of particulate matter using low-cost IoT sensors | |
WO2020021344A1 (zh) | 环境传感器协同校准方法 | |
Hagler et al. | Evaluation of two collocated federal equivalent method PM2. 5 instruments over a wide range of concentrations in Sarajevo, Bosnia and Herzegovina | |
Malky et al. | Evaluation of precalibrated electrochemical gas sensors for air quality monitoring systems | |
Barthwal et al. | Extreme Value Analysis of Urban Air Quality using Internet of Things. | |
TW202206803A (zh) | 提高環境感測裝置檢測精度的校正方法 | |
Spyropoulos et al. | The use of low-cost sensing for air pollution measurements in urban outdoor environments | |
Steventon | Smarter Suffolk Project: air quality sensors | |
Villanueva et al. | Development of an Movil IoT System Using ESP8266 for the Detection of Pollutants in the Environment | |
Velásquez et al. | Implementation and analysis of low-cost network for air pollution in Lima and Arequipa | |
Vanderpool et al. | Multisite Evaluations of Candidate Methodologies for Determining Coarse Particulate Matter Concentrations | |
Yi | Enabling Personalized Air Pollution and Health Monitoring Using Low-Cost Sensors and Artificial Intelligence | |
Ramirez-Espinosa et al. | Improving Data Quality of Low-Cost Light-Scattering PM Sensors: Towards Automatic Air Quality Monitoring in Urban Environments | |
Aboosaedi et al. | Investigating the performance of urban air quality monitoring station in measuring PM2. 5 and PM10: A case study in Tehran, Iran | |
Pinho et al. | Ubiquitous Environmental Monitoring as Decision Tool-MONITAR SENSE: An Environmental Tool | |
TWM609136U (zh) | 用於環境感測裝置之巡檢機制優化系統 | |
Dionisio et al. | Supporting Information Air pollution in Accra neighborhoods: spatial, socioeconomic, and temporal patterns |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
NENP | Non-entry into the national phase |
Ref country code: DE |