臭氧生成贡献率分析方法及装置制造方法及图纸

本发明专利技术公开了一种臭氧生成贡献率分析方法及装置。该方法包括：获取包括不同要素的观测数据；对观测数据中各要素的观测数据进行分析，分别判断是否在对应要素的全局阈值范围内；当在全局阈值范围内时，判断为正常数据；将判断为正常数据的要素观测数据输入训练完成的TabNet中计算，得到对应要素的臭氧生成贡献率。该装置包括观测数据获取单元、数据质控单元和计算单元。这种方法及装置提出臭氧生成贡献率的定义；提出直接将VOCs观测资料、气象观测资料和常规污染物观测资料应用于臭氧生成贡献分析；提出将深度表格学习神经网络应用于臭氧生成贡献率计算的应用策略；提出可以对单一时次的观测数据进行臭氧生成贡献率分析的非线性方法。非线性方法。非线性方法。

【技术实现步骤摘要】
network)应用于臭氧生成贡献率计算的应用策略；提出了可以对单一时次的观测数据进行臭氧生成贡献率分析的非线性方法。
[0008]为实现上述的技术目的，一方面，本专利技术公开了一种臭氧生成贡献率分析方法。所述臭氧生成贡献率分析方法包括：获取包括不同要素的观测数据；对所述观测数据中各个要素的观测数据进行分析，分别判断是否在对应要素的全局阈值范围内；当在所述全局阈值范围内时，判断为正常数据；将判断为正常数据的要素观测数据输入训练完成的深度表格学习网络中进行计算，得到对应要素的臭氧生成贡献率。
[0009]进一步地，对于所述臭氧生成贡献率分析方法，所述各个要素的全局阈值范围通过如下过程得到：收集不小于第一预设时段的历史观测数据，所述历史观测数据包括不同要素的数据；对于各个要素的数据，分别将所述要素在所述第一预设时段内的各个观测数据按升序或降序排列；综合考虑所述要素的观测数据的概率分布特征和各百分位的数据量梯度变化，得到所述要素的异常小值分位数和异常大值分位数；根据异常小值分位数和异常大值分位数，确定所述要素数据的全局阈值。
[0010]进一步地，对于所述臭氧生成贡献本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种臭氧生成贡献率分析方法，其特征在于，包括：获取包括不同要素的观测数据；对所述观测数据中各个要素的观测数据进行分析，分别判断是否在对应要素的全局阈值范围内；当在所述全局阈值范围内时，判断为正常数据；将判断为正常数据的要素观测数据输入训练完成的深度表格学习网络中进行计算，得到对应要素的臭氧生成贡献率。2.根据权利要求1所述的臭氧生成贡献率分析方法，其特征在于，所述深度表格学习网络的训练过程包括：对于所收集的不小于第一预设时段的历史观测数据中各个要素的观测数据，分别判断是否在对应要素的全局阈值范围内；如果在所述全局阈值范围内，则判断为正常数据，从而生成训练数据集；将所述训练数据集中除臭氧浓度之外的要素的观测数据输入深度表格学习网络，对应的臭氧浓度数据作为深度表格学习网络的输出，训练得到深度表格学习网络的参数，其中，所述对应的臭氧浓度数据相对于输入的所述要素的观测数据滞后预设时长。3.根据权利要求1所述的臭氧生成贡献率分析方法，其特征在于，所述各个要素的全局阈值范围通过如下过程得到：收集不小于第一预设时段的历史观测数据，所述历史观测数据包括不同要素的数据；对于各个要素的数据，分别将所述要素在所述第一预设时段内的各个观测数据按升序或降序排列；综合考虑所述要素的观测数据的概率分布特征和各百分位的数据量梯度变化，得到所述要素的异常小值分位数和异常大值分位数；根据异常小值分位数和异常大值分位数，确定所述要素数据的全局阈值。4.根据权利要求3所述的臭氧生成贡献率分析方法，其特征在于，所述概率分布特征为正态分布特征。5.根据权利要求3所述的臭氧生成贡献率分析方法，其特征在于，对于将所述要素在所述第一预设时段内的各个观测数据按升序排列的情况，根据异常小值分位数和异常大值分位数，确定所述要素数据的全局阈值，包括：分别判断异常小值分位数和异常大值分位数是否为整数；如果异常大值分位数为整数，则按升序排列的要素观测数据与异常大值分位数和要素在第一预设时段内数据个数的乘积数值相同的排位上的要素观测数据的数值为全局阈值的高值阈值；如果异常小值分...

【专利技术属性】
技术研发人员：樊旭，肖林鸿，陈焕盛，秦东明，王文丁，吴剑斌，
申请(专利权)人：中科三清科技有限公司，
类型：发明
国别省市：