一种对大气污染物浓度的预测调控方法及系统技术方案

本发明专利技术公开一种对大气污染物浓度的预测调控方法及系统，基于Elman神经网络递归与直接推测相结合的DirRec方法来准确获得大气污染物浓度并实时调控，可以快速、准确地预估大气污染物浓度，为污染物浓度的监控人员预先提供更加准确的大气污染物浓度数据，从而实现对净化系统空气量的及时准确调控，适用于任意大气污染物浓度的预测，同时避免因控制系统数据传递时间延滞造成的系统能耗，为企业带来极大的经济效益和社会价值。

A predictive control method and system for air pollutant concentration

【技术实现步骤摘要】
一种对大气污染物浓度的预测调控方法及系统
本专利技术属于居室及公共场所空气污染物净化及品质舒适性领域，特别涉及一种对大气污染物浓度的预测调控方法及系统。
技术介绍
为控制室内空气污染，减少其对人体健康的影响，通常会采用新风净化系统、室内循环净化系统等来处理室内污染物浓度。在目前的室内空气品质(IAQ)优化控制系统中，是以当前监测浓度作为判断值，确定调控策略以调控下一时刻室内污染物的浓度值，但IAQ控制系统的数据传递及反馈存在时滞问题，所以，当前浓度很难反映空气污染物的真实情况，据此所做出的调控策略也将存在偏差。这种偏差将导致送风量过大或不足，送风量不足将无法满足室内的卫生要求，不利于室内人员的健康；另外，系统长期在送风量过大的工况下运行，将造成不必要的能源浪费，同时会影响室内环境的舒适性，尤其在供暖季影响更为明显。
技术实现思路
为克服现有技术的不足，本专利技术目的在于提供一种对大气污染物浓度的预测调控方法及系统，快速、准确地预估大气污染物浓度，避免因控制系统数据传递时间延滞造成的系统能耗增加。一种对大气污染物浓度的预测调控方法，包括以下步骤：(一)选取以下影响因素作为大气污染物浓度预测的输入变量值：历史各时刻不同大气污染物浓度、干球温度、湿球温度、相对湿度、风速、日照量化值、工作状态；(二)以预测的各时刻大气污染物浓度值为输出变量值；(三)整理学习样本数据，根据训练样本集中输入变量的最大值和最小值，采用最大值最小值法，归一化处理输入变量值、输出变量值：C′i＝2*(Ci-Cmin)/(Cmax-Cmin)-1其中，C′i为归一化处理后变量，Ci为输入变量，Cmin为输入变量最小值，Cmax为输入变量最大值；对大气污染物浓度、环境温度、相对湿度、风速、日照量化值及工作状态数据进行处理，归一化到[-1,1]之间；日照量化值按照晴天(1)、少云(2)、多云(3)、阴天(4)和小雨(5)、中雨(6)、大雨(7)、暴雨(8)八种情况进行量化；工作状态按照工作日取值为1，周末取值为0进行量化；(四)生成样本输入与输出矩阵集，抽取C1～CN组成第一个样本，其中(C1,C2,…,CN-1)为自变量，CN为目标函数值；抽取C2～CN+1组成第二个样本，其中(C2,C3,…,CN)为自变量，CN+1为目标函数值；依次类推，构成输入与输出样本矩阵集：其中每列为一个样本，最后一行为期望输出；(五)构建递归与直接相结合的DirRec动态浓度预测模型，动态模型中上一时刻的输出作为这一时刻的输入对下一时刻进行预测，具体如下：Y(t+1)＝fDR_1(X(t-1),X(t-2),…,X(t-n))Y(t+2)＝fDR_2(Y(t+1),X(t-1),…,X(t-n))Y(t+N)＝fDR_N(Y(t+N-1),Y(t+N-2),…,X(t+N-n))式中当前时刻取t，n为历史延迟时间间隔，fDR_N为t+N时刻的动态映射模型；(六)建立Elman神经网络模型，先随机生成网络的权值和阈值，初始化网络参数，网络参数按如下设置：wi,j(i＝1,2,…,l,j＝1,2,…,M)为输入层和隐含层之间的连接权值，其中l为隐含层神经元个数；Bi,(i＝1,2,…,1)为隐含层第i个的节点阈值；β为隐含层和输出层的权值，其中βi,(i＝1,2,…,1)为隐含层第i个节点与输出层节点的连接权值；(七)网络训练，将输入与输出矩阵集合输入神经网络，对网络进行训练找到最优输出层权值，使网络的实际输出无限逼近目标输出，通过求取最小范数二乘解的方法得到最优输出层权值；若网络收敛，则得到神经网络模型，若网络不收敛，则返回上一步进行调整；(八)仿真测试，利用求解到的最优权值，求得最优输出层权值下的神经网络的预测输出；(九)实时比较预测输出与标准限值，并将差值信号传递至IAQ调控系统，启动相应的净化调控模式对空气质量进行调控。进一步，所述步骤(九)中净化调控模式具体按照以下策略进行：预测室外污染物浓度Cout，并计算出预测浓度与国家标准规定的标准限值DCout＝Cout-Co；监测室内污染物浓度Cin，并计算出室内污染物浓度与国家标准规定的标准限值DCin＝Cin-Co，对DCout与DCin进行比较判断并采取合理的净化措施，具体判断策略如下：若DCin≤0且DCout≤0，则室内外空气品质均达标，新风净化系统关闭或不关闭，若室外温度满足需求，能够开窗通风；若DCin＞0且DCout＞0，则室内与室外空气品质均不达标，开启内部循环系统，不能开窗通风；若DCin＞0且DCout≤0，则室内空气品质不达标，室外空气品质达标，开启新风净化系统，若室外温度满足需求，能只开窗通风；若DCin≤0且DCout＞0，则室内空气品质达标，室外空气品质不达标，开启内部循环系统，不能开窗通风；采取净化措施后，再次比较预测浓度与标准限值DCout，室内污染物浓度与标准限值DCin，直至室内空气品质IAQ满足标准要求。进一步，所述步骤(三)中整理学习样本数据时，针对极端气候或数据缺失因素形成的数据异常波动，采用数据横向对比法修正补录。进一步，针对外界干扰所造成的浓度突变，所述网络将随时学习，并及时储存数据。一种对大气污染物浓度的预测调控系统，包括数据采集设备、数据处理设备、浓度模型工作站、用户交互管理设备、浓度预测结果输出设备、结果执行装置(6)和IAQ调控系统；所述数据采集设备和数据处理设备用于采集、整合和处理输入变量，并处理后数据送入浓度模型工作站；所述浓度模型工作站按照对大气污染物浓度的预测调控方法进行空气污染物的动态浓度预测，其中动态预测的延迟时隔τf小于数据采集设备的采样间隔τs，预测结果通过浓度预测结果输出设备输出至用户交互管理设备；通过用户交互管理设备用户实时在线进行数据管理、预测结果分析、系统设置功能；所述用户交互管理设备分析微调后的预测结果，根据室内外污染物浓度的分析判断，通过结果执行装置向IAQ调控系统发送实施室内净化系统的调控指令，IAQ调控系统控制室内净化系统工作，对空气质量进行调控。进一步，所述室内净化系统包括新风净化系统、内部循环系统及排风系统。本专利技术的优点在于：本专利技术对大气污染物浓度的预测调控方法，基于Elman神经网络递归与直接推测相结合的DirRec方法来准确获得大气污染物浓度并实时调控，可以快速、准确地预估大气污染物浓度，为污染物浓度的监控人员预先提供更加准确的大气污染物浓度数据，从而实现对净化系统空气量的及时准确调控，并为自动监测控制提供必要的反馈信息，确保污染物浓度控制在国家标准规定的健康范围内，该方法对历史监测数据的污染物类型没有特别要求，可以适用于任意大气污染物浓度的预测，同时避免因控制系统数据传递时间延滞造成的系统能耗，为企业带来极大的经济效益和社会价值。本专利技术方法适用范围很广本文档来自技高网...

【技术保护点】
1.一种对大气污染物浓度的预测调控方法，其特征在于包括以下步骤：/n(一)选取以下影响因素作为大气污染物浓度预测的输入变量值：历史各时刻不同大气污染物浓度、干球温度、湿球温度、相对湿度、风速、日照量化值、工作状态；/n(二)以预测的各时刻大气污染物浓度值为输出变量值；/n(三)整理学习样本数据，根据训练样本集中输入变量的最大值和最小值，采用最大值最小值法，归一化处理输入变量值、输出变量值：/nC′

【技术特征摘要】
1.一种对大气污染物浓度的预测调控方法，其特征在于包括以下步骤：
(一)选取以下影响因素作为大气污染物浓度预测的输入变量值：历史各时刻不同大气污染物浓度、干球温度、湿球温度、相对湿度、风速、日照量化值、工作状态；
(二)以预测的各时刻大气污染物浓度值为输出变量值；
(三)整理学习样本数据，根据训练样本集中输入变量的最大值和最小值，采用最大值最小值法，归一化处理输入变量值、输出变量值：
C′i＝2*(Ci-Cmin)/(Cmax-Cmin)-1
其中，C′i为归一化处理后变量，Ci为输入变量，Cmin为输入变量最小值，Cmax为输入变量最大值；
对大气污染物浓度、环境温度、相对湿度、风速、日照量化值及工作状态数据进行处理，归一化到[-1,1]之间；日照量化值按照晴天(1)、少云(2)、多云(3)、阴天(4)和小雨(5)、中雨(6)、大雨(7)、暴雨(8)八种情况进行量化；工作状态按照工作日取值为1，周末取值为0进行量化；
(四)生成样本输入与输出矩阵集，抽取C1～CN组成第一个样本，其中(C1,C2,…,CN-1)为自变量，CN为目标函数值；抽取C2～CN+1组成第二个样本，其中(C2,C3,…,CN)为自变量，CN+1为目标函数值；依次类推，构成输入与输出样本矩阵集：



其中每列为一个样本，最后一行为期望输出；
(五)构建递归与直接相结合的DirRec动态浓度预测模型，动态模型中上一时刻的输出作为这一时刻的输入对下一时刻进行预测，具体如下：
Y(t+1)＝fDR_1(X(t-1),X(t-2),…,X(t-n))
Y(t+2)＝fDR_2(Y(t+1),X(t-1),…,X(t-n))



Y(t+N)＝fDR_N(Y(t+N-1),Y(t+N-2),…,X(t+N-n))
式中当前时刻取t，n为历史延迟时间间隔，fDR_N为t+N时刻的动态映射模型；
(六)建立Elman神经网络模型，先随机生成网络的权值和阈值，初始化网络参数，网络参数按如下设置：
wi,j(i＝1,2,…,l,j＝1,2,…,M)为输入层和隐含层之间的连接权值，其中l为隐含层神经元个数；
Bi,(i＝1,2,…,1)为隐含层第i个的节点阈值；
β为隐含层和输出层的权值，其中βi,(i＝1,2,…,1)为隐含层第i个节点与输出层节点的连接权值；
(七)网络训练，将输入与输出矩阵集合输入神经网络，对网络进行训练找到最优输出层权值，使网络的实际输出无限逼近目标输出，通过求取最小范数二乘解的方法得到最优输出层权值；若网络收敛，则得到神经网络模型，若网络不收敛，则返回上一步进行调整；
(八)仿真测试，利用求解到的最优权值，求得最优输出层权值下的神经网络的预测输出；
(九)实时比较预测输出与标准限值，并将差值信号传递至IAQ调...

【专利技术属性】
技术研发人员：胡露露，亓新，刘迎文，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61