一种气体浓度预测方法、系统、设备及其存储介质技术方案

本发明专利技术提供的一种气体浓度预测方法，包括步骤：S1、以时长m

【技术实现步骤摘要】
一种气体浓度预测方法、系统、设备及其存储介质
本专利技术涉及对气体浓度的实时预测，尤其涉及一种气体浓度预测方法、系统、设备及其存储介质。
技术介绍
化工园区存储的危险化学品，数量大，种类多，并且大多具有易燃易爆、有毒有害，腐蚀性、强氧化性、强还原性等危险特性，一旦发生泄漏，会造成生态、人畜、设备等的污染、引起人体中毒及火灾爆炸等事故。这些事故不仅严重危害广大人民群众生命和财产安全，而且对社会和环境造成严重的不良影响，严重制约石化行业的健康快速发展。因此对泄漏事故进行实时浓度预测，可以为泄漏事故应急响应、采取防护措施提供有力的数据支撑，从而在最短时间内完成泄漏事故的应急救援措施，将事故的损失降低到最小，对降低事故的风险以及提高危化品气体泄漏事故现场中应急能力方面具有重要意义。传统的基于气体扩散模型的气体浓度预测方法，需要设置假设条件和给定泄漏源的参数和周围环境的参数，不具有普适性，难以满足其预测精度要求；基于BP神经网络算法的气体浓度预测方法，通过训练已有的气体浓度数据，得到预测模型，可以提高预测精度，但是BP神经网络中的权值和阈本文档来自技高网...

【技术保护点】
1.一种气体浓度预测方法，其特征在于，所述方法包括：/nS1、以时长m

【技术特征摘要】
1.一种气体浓度预测方法，其特征在于，所述方法包括：
S1、以时长m1为间隔单位，获取m段气体浓度数据，组成气体浓度数据组对所述气体浓度数据组进行分段平均处理得到气体浓度平均值，对所述气体平均值进行归一化处理得到训练输入数据和训练输出数据；
S2、基于所述训练输入数据和所述训练输出数据，训练并建立BP神经网络模型；
S3、基于改进的人工蜂群算法优化所述BP神经网络模型；
S4、将当前时刻所述气体浓度平均值代入S3中所述优化后的BP神经网络模型，得到下一刻的预测气体浓度平均值。


2.根据权利要求1所述的一种气体浓度预测方法，其特征在于，所述步骤S1包括：
S11、以时长m1为间隔单位，获取m段气体浓度数据，组成气体浓度数据组
S12、以时长m1为间隔单位，对所述气体浓度数据组进行分段平均处理，得到每一段所述气体浓度平均值；
S13、对所述气体浓度平均值进行归一化处理，得到所述训练输入数据和所述训练输出数据。


3.根据权利要求1所述的一种气体浓度预测方法，其特征在于，所述步骤S2包括：
S21、预设所述BP神经网络输入层、隐含层及输出层的节点数，并根据所述节点数确定所述输入层与所述隐含层之间的权值w1、所述隐含层的阈值b1、所述隐含层与所述输出层之间的权值w2、及所述输出层的阈值b2的个数；
S22、根据所述训练输入数据、所述输入层与所述隐含层之间的权值w1及所述隐含层的阈值b1，计算所述隐含层的输入值；
S23、根据所述隐含层的输入值，计算所述隐含层的输出值；
S24、根据所述隐含层的输出值、所述隐含层与所述输出层之间的权值w2及所述输出层的阈值b2，计算所述输出层的输入值；
S25、根据所述输出层的输入值，计算所述输出层的输出值；
S26、根据所述输出层的输出值及所述训练输出数据，建立优化BP神经网络权值和阈值的目标函数。


4.根据权利要求1所述的一种气体浓度预测方法，其特征在于，所述步骤S3包括：
S31、预设食物源的个数以及迭代次数，并初始化所述w1、w2、b1、b2的值；
S32、每一所述食物源作为一个可行解，且每一所述可行解包括n维度解，将每一所述可行解代入所述目标函数得到函数值，并将所述函数值代入适应度函数中，得到适应度值；
S33、将每一个所述可行解的第j维解与随机产生的邻居可行解的第j维解进行交叉变异，得到变异后的可行解，再将变异后的可行解代入步骤S32中的目标函数，获得变异后的适应度，其中，j为自然数；
S34、判断所述变异后的适应度是否大于初始的适应度，若是，则将变异前的所述可行解的w1、w2、b1、b2变为所述变异后的可行解的w1、w2、b1、b2；否则，返回步骤S33继续进行所述交叉变异；
S35、根据所述变异后的适应度，计算所述变异后的可行解的概率；
S36、根据所述概率判断所述食物源是否满足所述目标函数的性能误差目标值，若满足，则完成了优化，若不满足，则优化失败；
S37、判断优化失败的次数是否满足异维变换的条件，若满足，则进行异维变换，并重新跳转至步骤S32，否则，返回步骤S33继续进行交叉变异。

...

【专利技术属性】
技术研发人员：姜烨，刘建，姜兆能，殷文斐，贾璐，董飞彪，何凯柯，荆书浩，任晓洋，刘来虎，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34