基于人工智能的臭氧层预报算法制造技术

本发明专利技术公开了基于人工智能的臭氧层预报算法，包括以下步骤：S1.建立臭氧浓度监测站点；S2.收集、获取历史气象数据；S3.选取影响因子；S4.对一天O3‑

【技术实现步骤摘要】
基于人工智能的臭氧层预报算法


[0001]本专利技术属于臭氧层预报
，具体涉及基于人工智能的臭氧层预报算法。

技术介绍

[0002]臭氧层是大气层的平流层中臭氧浓度高的层次。浓度最大的部分位于20—25公里的高度处。若把臭氧层的臭氧校订到标准情况，则其厚度平均仅为3毫米左右。臭氧含量随纬度、季节和天气等变化而不同。紫外辐射在高空被臭氧吸收，对大气有增温作用，同时保护了地球上的生物免受远紫外辐射的伤害，透过的少量紫外辐射，有杀菌作用，对生物大有裨益。
[0003]随着结构性减排措施的不断深入，环保技术的大面积推广，以及清洁能源的逐渐普及，颗粒物浓度实现了逐年下降。然而，臭氧污染却“不降反升”，成为下阶段大气污染防治工作亟待解决的难题。大气臭氧污染成因复杂，给现实治理工作带来很大困难。
[0004]目前现有的基于人工智能的臭氧层预报算法还存在一些问题：数学建模过程比较繁琐，不方便对臭氧浓度进行准确的预报，不利于环境保护，为此我们提出基于人工智能的臭氧层预报算法。

技术实现思路

[0005]本专利技术的目的在于提供基于人工智能的臭氧层预报算法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：基于人工智能的臭氧层预报算法，包括以下步骤：
[0007]S1.建立臭氧浓度监测站点：选取对周围环境和活性污染物的排放没有影响的位置作为臭氧浓度监测站点；
[0008]S2.收集、获取历史气象数据：获取每一臭氧浓度监测站点历史每天的日浓度数据、每一臭氧浓度监测站点历史每天预测的日浓度数据和所述每一臭氧浓度监测站点历史每天对应的参考结果，所述每一臭氧浓度监测站点历史每天对应的参考结果为每一臭氧浓度监测站点历史每天预测的日浓度数据与每一臭氧浓度监测站点历史每天的日浓度数据之差；
[0009]S3.选取影响因子：选取昨日O3‑
8h值、PM2.5日均浓度、NO2日均浓度、预测的日平均气压、日平均风速和日平均气温作为影响因子；
[0010]S4.对一天O3‑
8h值进行初步预测：通过拟合的方式，将气象参数的预测值和实测值代入预测方程中，通过求取方程来对每一臭氧浓度监测站点的要预测的那一天的O3‑
8h值进行预测；
[0011]S5.建立新的超混沌系统：提出新的超混沌系统及其相应的复杂系统，以生成神经网络输入层和隐含层之间的连接权重值、隐含层中的神经元阈值，实现更好的预测结果；
[0012]S6.建立人工神经网络：网络分为三个部分：输入层，隐藏层和输出层，在网络中，
输入层，隐藏层和输出层的神经元完全连接；
[0013]S7.建立混沌人工神经网络：所述混沌人工神经网络是将新的超混沌系统与人工神经网络混合，且所述混沌人工神经网络是通过人工神经网络、BP和多元线性回归模型对臭氧浓度进行预测；
[0014]S8.利用混沌人工神经网络进行长短期预报。
[0015]优选的，所述S1中的污染物浓度数据包括二氧化硫SO2、二氧化氮NO2、O3、O3‑
8h、空气动力学直径为2.5微米或更小的细颗粒物PM2.5和空气动力学直径为10微米或更小的细颗粒物PM10。
[0016]优选的，所述S2中收集、获取历史气象数据还包括获取每一臭氧浓度监测站点的任一历史时刻对应的点源排放特征，所述每一臭氧浓度监测站点的任一历史时刻对应的点源排放特征通过以下步骤获取：
[0017]S101.获取敏感区域，所述敏感区域包括与所述每一臭氧浓度监测站点所在的城市接壤的所有城市；
[0018]S102.将所述敏感区域划分为若干个相同的矩形，获取所述每一矩形对应的点源排放子特征，根据所述每一矩形的点源排放子特征，获得所述点源排放特征。
[0019]优选的，所述S4中通过拟合的方式的拟合的预测方程为：
[0020][0021]其中，c为要预测的那一天的O3‑
8h预测值，x1，x2，
……
，x6分别表示要预测那一天的NO2平均浓度、平均气温、平均气压、平均风速、PM2.5平均浓度的预测值，以及要预测那一天的昨日O3‑
8h的预测值或实测值，a0，a1，
……
，a6是回归系数。
[0022]优选的，所述S5中的新的超混沌系统由以下公式描述：
[0023][0024]其中，a、b、c和d表示实常数，而ξ1、ξ2、ξ3和ξ4表示实变量，符号上的点表示相对于时间t的导数；
[0025]相应的超混沌复杂系统由下式给出：
[0026][0027]其中，η1＝u1+ju2，η2＝u3+ju4，η3＝u5，η4＝u6+ju7表示复变量，j＝
‑1‑
0.5
，变量上方的条形代表变量的复共轭；
[0028]系统的真实版本如下：
[0029][0030]优选的，所述S8利用混沌人工神经网络进行长短期预报的公式如下：
[0031][0032][0033]其中，n表示样本数量，xobs,i表示观测值，xpre,i表示预测值，Var表示样本方差。
[0034]优选的，所述S7中的混沌人工神经网络采用CANN操作，所述CANN操作通常分为两个步骤：第一，设置参数，选择激活函数和操作模式，对于激活函数，使用sigmoid函数，并且
将操作模式设置为回归；第二，选择70％
‑
80％的样本数据进行训练，其余作为测试数据，权重和阈值在CANN中自动设置。
[0035]优选的，还包括臭氧污染预警，所述臭氧污染预警包括预警模块，所述预警模块用于对臭氧污染进行预警，确定臭氧污染的区间和污染等级。
[0036]优选的，所述臭氧污染预警的方法包括以下步骤：
[0037]S201.通过分析大气臭氧生成的外部条件，得到影响大气臭氧污染的敏感物理参量；所述物理参量包括气温、太阳总辐射辐照度、云量、颗粒物浓度以及氮氧化物浓度；
[0038]S202.根据大气臭氧生成条件确定S201每一项所述物理参量的拐点值，并利用拐点值进行区间划分后对每一个区间进行赋值；
[0039]S203.获取臭氧浓度监测站点地区在一段时间内的所述物理参量的历史数据，利用Logistic回归模型，得到每一项物理参量的权值；
[0040]S204.根据S202的区间赋值以及S203所述物理参量的权值，计算臭氧浓度影响因素结果值，并确定预警区间和相应的预警等级。
[0041]与现有技术相比，本专利技术的有益效果是：
[0042](1)本专利技术采用CANN操作与其他神经网络的相似之处在于它不依赖于参数和输出之间的复杂关系，但它依赖于权值的不断变化，使参数与输出紧密关联，避免了繁琐的数学建模。
[0043](2)本专利技术具有较高的泛化性，能够在减少一些输入参数的同时保持较高的预测精度，在长期和短期的臭氧预测中都能取得良好的效果，且能准确高效地预测臭氧浓度，有利于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的臭氧层预报算法，其特征在于，包括以下步骤：S1.建立臭氧浓度监测站点：选取对周围环境和活性污染物的排放没有影响的位置作为臭氧浓度监测站点；S2.收集、获取历史气象数据：获取每一臭氧浓度监测站点历史每天的日浓度数据、每一臭氧浓度监测站点历史每天预测的日浓度数据和所述每一臭氧浓度监测站点历史每天对应的参考结果，所述每一臭氧浓度监测站点历史每天对应的参考结果为每一臭氧浓度监测站点历史每天预测的日浓度数据与每一臭氧浓度监测站点历史每天的日浓度数据之差；S3.选取影响因子：选取昨日O3‑
8h值、PM2.5日均浓度、NO2日均浓度、预测的日平均气压、日平均风速和日平均气温作为影响因子；S4.对一天O3‑
8h值进行初步预测：通过拟合的方式，将气象参数的预测值和实测值代入预测方程中，通过求取方程来对每一臭氧浓度监测站点的要预测的那一天的O3‑
8h值进行预测；S5.建立新的超混沌系统：提出新的超混沌系统及其相应的复杂系统，以生成神经网络输入层和隐含层之间的连接权重值、隐含层中的神经元阈值，实现更好的预测结果；S6.建立人工神经网络：网络分为三个部分：输入层，隐藏层和输出层，在网络中，输入层，隐藏层和输出层的神经元完全连接；S7.建立混沌人工神经网络：所述混沌人工神经网络是将新的超混沌系统与人工神经网络混合，且所述混沌人工神经网络是通过人工神经网络、BP和多元线性回归模型对臭氧浓度进行预测；S8.利用混沌人工神经网络进行长短期预报。2.根据权利要求1所述的基于人工智能的臭氧层预报算法，其特征在于：所述S1中的污染物浓度数据包括二氧化硫SO2、二氧化氮NO2、O3、O3‑
8h、空气动力学直径为2.5微米或更小的细颗粒物PM2.5和空气动力学直径为10微米或更小的细颗粒物PM10。3.根据权利要求1所述的基于人工智能的臭氧层预报算法，其特征在于：所述S2中收集、获取历史气象数据还包括获取每一臭氧浓度监测站点的任一历史时刻对应的点源排放特征，所述每一臭氧浓度监测站点的任一历史时刻对应的点源排放特征通过以下步骤获取：S101.获取敏感区域，所述敏感区域包括与所述每一臭氧浓度监测站点所在的城市接壤的所有城市；S102.将所述敏感区域划分为若干个相同的矩形，获取所述每一矩形对应的点源排放子特征，根据所述每一矩形的点源排放子特征，获得所述点源排放特征。4.根据权利要求1所述的基于人工智能的臭氧层预报算法，其特征在于：所述S4中通过拟合的方式的拟合的预测方程为：其中，c为要预测的那一天的O3‑
8h预测值，x...

【专利技术属性】
技术研发人员：汪浩笛，史剑，杜辉，张文，郭海龙，曾智，张雪艳，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：