一种PM2.5排放浓度的预警方法和装置制造方法及图纸

本发明专利技术提供了一种PM2.5排放浓度的预警方法和装置，方法包括：获取空气质量自动监测标准站逐时统计的历史基础数据并划分成训练集数据和测试集数据；利用LightGBM算法及训练集数据构建出PM2.5排放浓度预测模型；利用测试集数据对模型进行验证；将验证后的预测模型上传至智慧环保管控平台，根据空气质量实时数据实时显示PM2.5排放浓度预测结果；根据预测结果对PM2.5排放浓度超标的区域进行预警。本发明专利技术能够实现对钢铁企业重点关注区域污染物排放浓度实时预测；通过LightGBM算法搭建的模型可以实时预测结果，结合PM2.5排放浓度变化情况，为重点关注区域未来PM2.5排放浓度是否存在超标风险做出预判。在超标风险做出预判。在超标风险做出预判。

【技术实现步骤摘要】
一种PM2.5排放浓度的预警方法和装置


[0001]本专利技术涉及大气污染防治
，尤其涉及一种PM2.5排放浓度的预警方法和装置。

技术介绍

[0002]大气中的细颗粒物(PM2.5)对空气质量、能见度和人体健康都具有十分重要的影响，同时也是导致灰霾天气的重要影响因子。随着公众环保意识的逐步提高，环境空气中细颗粒物(PM2.5)的排放引起了广泛关注，环境空气质量已经成为社会关注的热点问题和重点关注问题。
[0003]钢铁企业作为高污染排放行业，在环保要求日趋严格的背景下，近年来大力推行钢铁行业超低排放改造。值得关注的是，目前重点控制区内的钢铁企业已经全面开始建设超低排放智慧环保管控平台，建设智慧环保管控平台系统已经成为钢铁行业绿色发展的趋势。其中，企业PM2.55无组织排放与厂内环境空气质量息息相关，能够有效治理PM2.5污染物排放，并为企业重点关注的区域未来PM2.5排放浓度是否存在超标风险提供预判依据，提前对PM2.5排放浓度进行预测显得尤为重要。
[0004]目前，针对大气中PM2.5排放浓度预测方法取得了诸多成果，但普遍针对的区域范围较大，并多采用气象部门开源数据与监测站数据相结合的方式，数据来源稳定性、时效性、针对性相对较弱；目前进行无组织PM2.5排放浓度预测的钢铁企业较少，且多采用简单的回归模型等方法，预测结果精度较低，不具备参考价值，导致企业无法对PM2.5排放浓度进行有效的预判。
[0005]比如公开号为CN112418560A的专利技术专利申请，提供了一种PM2.5浓度预测方法及系统，通过采用PM2.5浓度平均值、PM
10
浓度平均值、SO2浓度平均值、NO2浓度平均值、CO浓度平均值、O3浓度平均值、天气状况平均值等合成的历史特征数据集合，按照设定时间间隔进行划分，得到多组历史特征数据集合，输入至长短期记忆模型中，实现从多维度单输入序列的模型结构到三维度多输入序列的模型优化，以提高PM2.5浓度预测速度和预测精度。
[0006]但是这种技术方案采用长短期记忆网络预测PM2.5浓度，该模型适合处理预测时间序列中间隔和延迟时间较长的数据，针对于监测站逐分钟、逐小时实时监测的连续时间序列适用性较差；且当前技术方案采用PM2.5浓度平均值、PM
10
浓度平均值、SO2浓度平均值、NO2浓度平均值、CO浓度平均值、O3浓度平均值、天气状况平均值等合成的历史特征数据集合，选用平均值作为训练集时效性较差，针对实时预测下一时刻PM2.5浓度适用性较差。
[0007]另外，公开号为CN108805253A专利技术专利申请，公开了一种PM2.5浓度预测方法，通过采用灰狼优化算法优化三层BP神经网络权值和阈值的方法预测PM2.5，根据前一天的PM2.5浓度值、气象数据和污染物浓度数据预测后一天的PM2.5的浓度值。通过算法优化给定训练起点，避免网络陷入局部优化，以提高PM2.5浓度预测准确率。
[0008]但是这种技术方案采用神经网络算法预测PM2.5浓度，神经网络算法更适用于大样本数据，针对钢铁企业小区域范围、小样本量的数据特征，利用神经网络算法，运行成本
较高，运行内存占用较大。

技术实现思路

[0009]有鉴于此，本专利技术提供一种PM2.5排放浓度的预警方法和装置，以解决上述提及的至少一个问题。
[0010]为了实现上述目的，本专利技术采用以下方案：
[0011]根据本专利技术的第一方面，提供一种PM2.5排放浓度的预警方法，所述方法包括：获取空气质量自动监测标准站逐时统计的历史基础数据；将所述历史基础数据划分成训练集数据和测试集数据；利用LightGBM机器集成学习算法及所述训练集数据构建出PM2.5排放浓度预测模型；利用测试集数据对所述PM2.5排放浓度预测模型进行验证；将验证后的PM2.5排放浓度预测模型上传至智慧环保管控平台，根据空气质量自动监测标准站的实时数据实时显示PM2.5排放浓度预测结果；根据所述预测结果对存在PM2.5排放浓度超标的区域进行预警。
[0012]优选的，本专利技术实施例的预警方法中上述历史基础数据包括逐时统计的PM2.5、PM
10
、SO2、NO2、CO和O3的浓度数据以及气象数据，其中PM
10
、SO2、NO2、CO和O3的浓度数据以及气象数据作为LightGBM机器集成学习算法的特征变量，PM2.5的浓度数据作为目标变量。
[0013]优选的，本专利技术实施例的预警方法中获取空气质量自动监测标准站逐时统计的历史基础数据之后，所述方法还包括：对所述历史基础数据中数据不全、存在奇异值的样本进行剔除。
[0014]优选的，本专利技术实施例的预警方法中利用LightGBM机器集成学习算法及所述训练集数据构建出PM2.5排放浓度预测模型时，所述方法还包括：选定提升模型类别，选择平均绝对误差MAE和平均平方误差MSE两个损失函数作为预测模型的评价指标，其中：
[0015][0016][0017]上式中：表示第i个样本的预测值，y
i
表示第i个样本的实际值，n表示样本个数；在每次训练过程中，通过MAE和MSE的结果判定所述PM2.5排放浓度预测模型是否可用。
[0018]优选的，本专利技术实施例的预警方法中将所述历史基础数据划分成训练集数据和测试集数据包括：将所述历史基础数据随机分割成10个子样本，其中9个子样本作为训练集数据，剩余1个子样本作为测试集数据；利用训练集数据和测试集数据对PM2.5排放浓度预测模型进行训练及验证时，将9个子样本进行训练，训练完后再用剩余1个子样本进行验证，每个子样本均作为一次测试集数据参加验证，以此完成十次训练及验证过程；对10次预测结果取平均作为最终预测值。
[0019]优选的，本专利技术实施例的预警方法还包括：通过分别计算均方根误差RMES和拟合优度R2对所述最终预测值进行进一步检验，其中：
[0020][0021][0022]上式中：表示第i个样本的预测值，y
i
表示第i个样本的实际值，n表示样本个数。
[0023]优选的，本专利技术实施例的预警方法中根据所述预测结果对存在PM2.5排放浓度超标的区域进行预警包括：判断预测结果是否超出报警阈值，若超出报警阈值，则获取超出报警阈值的预测区域的位置信息，对所述位置信息对应的区域进行预警。
[0024]根据本专利技术的第二方面，提供一种PM2.5排放浓度的预警装置，所述装置包括：基础数据获取单元，用于获取空气质量自动监测标准站逐时统计的历史基础数据；数据划分单元，用于将所述历史基础数据划分成训练集数据和测试集数据；训练单元，用于利用LightGBM机器集成学习算法及所述训练集数据构建出PM2.5排放浓度预测模型；验证单元，用于利用测试集数据对所述PM2.5排放浓度预测模型进行验证；预测单元，用于利用所述PM2.5排放浓度预测模型及空气质量自动监测标准站的实时数据实时显示PM2.5排放浓度预测结果；预警单元，用于根据所述预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种PM2.5排放浓度的预警方法，其特征在于，所述方法包括：获取空气质量自动监测标准站逐时统计的历史基础数据；将所述历史基础数据划分成训练集数据和测试集数据；利用LightGBM机器集成学习算法及所述训练集数据构建出PM2.5排放浓度预测模型；利用测试集数据对所述PM2.5排放浓度预测模型进行验证；将验证后的PM2.5排放浓度预测模型上传至智慧环保管控平台，根据空气质量自动监测标准站的实时数据实时显示PM2.5排放浓度预测结果；根据所述预测结果对存在PM2.5排放浓度超标的区域进行预警。2.如权利要求1所述的PM2.5排放浓度的预警方法，其特征在于，所述历史基础数据包括PM2.5、PM
10
、SO2、NO2、CO和O3的浓度数据以及气象数据，其中PM
10
、SO2、NO2、CO和O3的浓度数据以及气象数据作为LightGBM机器集成学习算法的特征变量，PM2.5的浓度数据作为目标变量。3.如权利要求2所述的PM2.5排放浓度的预警方法，其特征在于，所述获取空气质量自动监测标准站逐时统计的历史基础数据之后，所述方法还包括：对所述历史基础数据中数据不全、存在奇异值的样本进行剔除。4.如权利要求1所述的PM2.5排放浓度的预警方法，其特征在于，利用LightGBM机器集成学习算法及所述训练集数据构建出PM2.5排放浓度预测模型时，所述方法还包括：选定提升模型类别，选择平均绝对误差MAE和平均平方误差MSE两个损失函数作为预测模型的评价指标，其中：模型的评价指标，其中：上式中：表示第i个样本的预测值，y
i
表示第i个样本的实际值，n表示样本个数；在每次训练过程中，通过MAE和MSE的结果判定所述PM2.5排放浓度预测模型是否可用。5.如权利要求1所述的PM2.5排放浓度的预警方法，其特征在于，所述将所述历史基础数据划分成训练集数据和测试集数据包括：将所述历史基础数据随机分割成10个子样本，其中9个子样本作为训练集数据，剩余1个子样本作为测试集数据；利用训练集数据和测试集数据对PM2.5排放浓度预测模型进行训练及验证时，将9个子样本进行训练，训练完后再用剩余1个子样本进行验证，每个子样本均作为一次测试集数据参加验证，以此完成十次训练及验证过程；对10次预测结果取平均作为最终预测值。6.如权利要求5所述的PM2.5排放浓度的预警方法，其特征在于，所述方法还包括：通过分别计算均方根误差RMES和拟合优度R2对所述最终预测值进行进一步检验，其中：对所述最终预测值进行进一步检验，其中：上式中：表示第i个样本的预测值，y
i
表示第i个样本的实际值，n表示样本个数。
7.如权利要求1所述的PM2.5排放浓度的预警方法，其特征在于，所述根据所述预测结果对存在PM2.5排放浓度超标的区域进行预警包括：判断预测结果是否超出报警阈值，若超出报警阈值，则获取超出报警阈值的预测区域的位置信息，对所述位置信息对应的区域进行预警。8.一种PM2.5排放浓度的预警装置，其特征在于，所述装置包括：基础数据获取单元，用于获取空气质量自动监测标准站逐时统计的历史基础数据；数据划分单元，用于将所述历史基础数据划分成训练集数据和测试集数据；训练单元，用于利用LightGBM机器集成学习算法及所述训练集数据构建出PM2.5排放...

【专利技术属性】
技术研发人员：董晓峣，张磊，朱宴恒，
申请(专利权)人：北京京诚瑞达电气工程技术有限公司中冶京诚工程技术有限公司，
类型：发明
国别省市：