本发明专利技术涉及污染源监测技术领域，具体地说，涉及一种烟气污染源采集监测系统、方法及可读存储介质。其包括污染源监测单元，污染源监测单元基于传感器模块监测烟气中污染物的浓度；数据分析单元基于深度学习预测模型对经过预处理的浓度数据进行分析，并根据实时浓度数据预测未来时间内的排放趋势；数据分析单元基于深度学习预测模型，通过动态调整实时数据与历史污染物浓度数据的权重，调整并优化深度学习预测模型，远程控制单元包括通信模块和烟气排放控制模块。将实时数据与截断后的历史数据结合，可以使模型在一定程度上兼顾长期历史信息和最新的实时信息，从而提高了模型预测的准确性和实时性。
【技术实现步骤摘要】
本专利技术涉及污染源监测，具体地说，涉及一种烟气污染源采集监测系统、方法及可读存储介质。
技术介绍
1、烟气污染源采集监测系统是用于监测和收集烟气排放数据的系统，它可以用于不同类型的工业场所、发电厂、化工厂或其他产生烟尘、废气、气体等排放物的场所，确保烟气排放在符合环境标准和规定的情况下进行，并且能够实时监测和处理烟气排放的数据，以保障环境安全和健康，通过监测和管理排放数据，这种系统有助于预测排放趋势、提前发现问题并采取措施来减少对环境的不利影响。
2、而传统的烟气污染源采集监测系统过度依赖长期历史数据，导致模型过度拟合训练集，并增加预测的不确定性，模型无法捕捉到未来可能出现的新变化，实时性较差，可能使得模型预测的排放趋势滞后于实际情况，难以准确预测未来的变化，突发事件可能导致数据的突然变化，而过度依赖历史数据的模型可能无法很好地适应这种突发情况；因此，提供一种烟气污染源采集监测系统、方法及可读存储介质。
技术实现思路
1、本专利技术的目的在于提供烟气污染源采集监测系统、方法及可读存储介质，以解决上述
技术介绍
中提出的过度依赖历史数据的模型实时性较差，无法捕捉到未来可能出现的新变化的问题。
2、为实现上述目的，本专利技术目的在于提供了烟气污染源采集监测系统，包括：污染源监测单元，所述污染源监测单元基于传感器模块监测烟气中污染物的浓度；
3、数据采集单元，所述数据采集单元用于采集传感器模块监测到的实时监测数据，并将采集到的浓度数据进行预处理；
4、数据分析单元，所述数据分析单元基于深度学习预测模型对经过预处理的浓度数据进行分析，用于判断污染物浓度是否异常，并根据实时浓度数据预测未来时间内的排放趋势；
5、其中，数据分析单元基于深度学习预测模型，并通过动态调整实时数据与历史污染物浓度数据的权重，调整并优化深度学习预测模型，其历史数据权重的调整计算规则具体为：
6、；
7、远程控制单元，所述远程控制单元包括通信模块和烟气排放控制模块；其中，所述烟气排放控制模块基于数据分析单元分析、预测的结果，通过通信模块远程控制排放设备实现污染物排放量的调节。
8、作为本技术方案的进一步改进，所述传感器模块至少包括化学传感器、光学传感器和颗粒物传感器，用于检测不同种类的污染物。
9、作为本技术方案的进一步改进，所述数据采集单元包括实时数据采集模块和数据预处理模块；
10、其中，所述实时数据采集模块用于采集传感器模块的监测到的污染物浓度实时数据，并由数据预处理模块对污染物浓度实时数据进行预处理，用于提高实时数据的准确性和完整性。
11、作为本技术方案的进一步改进，所述数据分析单元包括数据存储模块、数据处理模块和预警模块；
12、其中，所述数据存储模块包括实时数据库和历史数据库，其中，实时数据库用于暂时存储来自数据采集单元的经过预处理的污染物浓度实时数据，所述数据处理模块用于读取实时数据库中的污染物浓度实时数据，并基于深度学习预测模型对污染物浓度实时数据进行分析，并根据实时数据分析的结构对未来时间节点的污染物浓度做出预测，所述数据处理模块将数据分析结果存储至历史数据库中，所述历史数据库用于存储融合数据，其中，所述融合数据包括实时数据库中的实时数据和数据处理模块的预测数据；
13、所述历史数据库将融合数据不断回传至深度学习预测模型，通过融合数据训练并提高深度学习预测模型的预测能力；
14、所述预警模块根据数据处理模块的数据分析结果，用于对数据分析结果超出预定阈值时发出警报。
15、作为本技术方案的进一步改进，所述深度学习预测模型基于长短期记忆网络（lstm），所述深度学习预测模型具体构建步骤为：
16、s5.1、确定lstm层数、隐藏单元数量；
17、s5.2、将污染物浓度数据输入到lstm网络中，并确定需要预测的时间步长；
18、s5.3、使用实时数据与历史污染物浓度数据来训练lstm网络，并动态调整实时数据与历史污染物浓度数据的权重，通过反向传播算法来优化模型参数，并引入最大时间步限制历史污染物浓度数据来优化模型学习；
19、s5.4、使用已训练好的lstm网络，输入当前的污染物浓度数据，预测下一个时间步的浓度。
20、作为本技术方案的进一步改进，所述lstm网络中，在时间步时，lstm的污染物浓度数据为，前一个时间步的隐藏状态为，则lstm网络的具体函数模型为：
21、遗忘门：
22、；
23、其中，表示sigmoid函数；表示遗忘门权重矩阵；表示遗忘门的偏置；表示遗忘门的输出；
24、输入门：
25、；
26、计算候选细胞状态；
27、；
28、其中，表示输入门的输出；表示候选细胞状态；表示输入门的权重矩阵；表示输入门的偏置项；表示用于生成候选细胞状态的权重矩阵；表示用于生成候选细胞状态的偏置项；表示双曲正切函数；
29、更新细胞状态：
30、；
31、其中，表示逐元素相乘；表示细胞状态；表示前一个时间步的细胞状态；
32、输出门：
33、；
34、；
35、其中，表示隐藏状态；表示输出门的输出；表示输出门的权重矩阵；表示输出门的偏置；表示对细胞状态中的每个元素都应用双曲正切函数。
36、作为本技术方案的进一步改进，所述s5.3中，通过引入最大时间步限制来截断历史数据，用于减少深度学习预测模型对长期历史数据的过度依赖，若原始的历史数据是一个长度为的序列，想要保留的最大时间步数为t，则：
37、；
38、其中，表示截断后的列序；表示对序列进行截取操作，保留到之间的历史数据；表示从序列的第一个历史数据开始一直截取到第个历史数据。
39、另一方面，本专利技术提供了一种烟气污染源采集监测方法，应用上述中任意一项所述的烟气污染源采集监测系统来实现，包括如下步骤：
40、s8.1、污染源监测单元通过传感器模块监测烟气中污染物的浓度数据，并由数据采集单元将采集到的污染物浓度数据进行预处理；
41、s8.2、数据分析单元接收来自预处理的污染物浓度数据，基于深度学习预测模型分析浓度数据，判断异常情况并预测未来排放趋势；
42、s8.3、数据存储模块中的实时数据库和历史数据库用于为深度学习预测模型提供训练数据，通过动态调整实时数据与历史污染物浓度数据的权重，控制历史数据对模型预测的影响程度，并引入最大时间步限制来减少对历史污染物浓度数据的过度依赖；
43、s8.4、根据数据分析单元分析得到的数据信息，通过远程控制单元远程控制排放设备实现污染物排放量的调节。
44、另一方面，本专利技术提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本文档来自技高网
...
【技术保护点】
1.一种烟气污染源采集监测系统，其特征在于，包括：
2.根据权利要求1所述的烟气污染源采集监测系统，其特征在于：所述传感器模块至少包括化学传感器、光学传感器和颗粒物传感器。
3.根据权利要求1所述的烟气污染源采集监测系统，其特征在于：所述数据采集单元（2）包括实时数据采集模块和数据预处理模块；
4.根据权利要求1所述的烟气污染源采集监测系统，其特征在于：所述数据分析单元（3）包括数据存储模块、数据处理模块和预警模块；
5.根据权利要求4所述的烟气污染源采集监测系统，其特征在于：所述深度学习预测模型基于长短期记忆网络，所述深度学习预测模型具体构建步骤为：
6.根据权利要求5所述的烟气污染源采集监测系统，其特征在于：所述LSTM网络中，在时间步时，LSTM的污染物浓度数据为，前一个时间步的隐藏状态为，则LSTM网络的具体函数模型为：
7.根据权利要求6所述的烟气污染源采集监测系统，其特征在于：所述S5.3中，通过引入最大时间步限制来截断历史数据，用于减少深度学习预测模型对长期历史数据的过度依赖，若原始的历史数据是一个长度为的序列，想要保留的最大时间步数为T，则：
8.一种烟气污染源采集监测方法，应用如权利要求1-7中任意一项所述的烟气污染源采集监测系统来实现，其特征在于，包括如下步骤：
9.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求8中所述的烟气污染源采集监测方法的步骤。
...
【技术特征摘要】
1.一种烟气污染源采集监测系统，其特征在于，包括：
2.根据权利要求1所述的烟气污染源采集监测系统，其特征在于：所述传感器模块至少包括化学传感器、光学传感器和颗粒物传感器。
3.根据权利要求1所述的烟气污染源采集监测系统，其特征在于：所述数据采集单元（2）包括实时数据采集模块和数据预处理模块；
4.根据权利要求1所述的烟气污染源采集监测系统，其特征在于：所述数据分析单元（3）包括数据存储模块、数据处理模块和预警模块；
5.根据权利要求4所述的烟气污染源采集监测系统，其特征在于：所述深度学习预测模型基于长短期记忆网络，所述深度学习预测模型具体构建步骤为：
6.根据权利要求5所述的烟气污染源采集监测系...
【专利技术属性】
技术研发人员：余国斌，武应华，蔡明，
申请(专利权)人：云南宇松科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。