[发明专利]一种尾气中粉尘浓度短期预测方法

说明书

本发明涉及空气质量监测技术领域，公开了一种尾气中粉尘浓度短期预测方法，包括以下步骤：(1)在第一次进行粉尘浓度预测前，首先在线采集一定量的粉尘浓度数据，用于计算粉尘浓度动态预测模型的模型融合参数以及用于建立粉尘浓度动态预测模型。(2)在得到模型融合参数后，建立粉尘浓度动态预测模型，并对后续时刻的粉尘浓度进行预测，根据预测值分析粉尘浓度的变化趋势。(3)在采集到预测时刻的粉尘浓度测量值后，将预测值与测量值进行对比，若预测误差超过阈值，则根据最新得到的数据重新计算模型融合参数，根据重新计算后的模型融合参数建立新的粉尘浓度动态预测模型用于粉尘浓度的下一次预测。

技术领域

本发明涉及空气质量监测技术领域，具体为一种尾气中粉尘浓度短期预测方法。

背景技术

随着我国工业化和城镇化进程的不断推进，环境问题逐渐显现。空气质量成为人们关心的重要问题，近年来我国频繁出现雾霾天气，造成极大不良影响。企业生产过程中排放尾气的粉尘颗粒，是雾霾的主要来源之一。目前，缺乏有效的粉尘浓度测量和变化趋势分析手段，给尾气粉尘排放的主动控制带来了严重困难。

现有的尾气粉尘浓度监测系统大多是单一的测量仪器，测量结果通过显示面板读取或者存储在本地，即只能结合测量装置测量实际情况简单写一下监测到的现状。缺乏对粉尘浓度变化趋势的分析和预测，因此难以有效的对尾气中的粉尘浓度进行主动控制。为了实现对生产过程中尾气粉尘浓度的主动控制，需要对粉尘浓度短期内的变化情况进行预测，并根据粉尘浓度的变化趋势对生产过程进行主动调节。工业生产过程中尾气的粉尘浓度受生产工艺参数、尾气流速、温度、压力、等多方面因素影响，难以根据其他因素建立尾气粉尘浓度变化趋势的预测模型。因此，只能根据先前获得的粉尘浓度数据对粉尘浓度对的变化趋势进行预测。此外，实际工业生产过程中，粉尘浓度存在明显的波动，从大时间尺度上来看变化剧烈，只有在较短时间内才呈现一定的变化规律。因此，常用的基于概率统计或机器学习的时间序列预测方法难以满足尾气中粉尘浓度的预测需求。指数平滑和灰色理论是常用的两种小样本时间序列预测方法，但这两种方法得到的预测模型形式较为固定，难以适应尾气中粉尘浓度的剧烈变化，无法直接应用于尾气粉尘浓度的预测。

发明内容

本发明的目的在于提供一种尾气中粉尘浓度短期预测方法，解决了现有技术中不能对尾气中粉尘浓度短期预测的问题。

灰色理论是一门研究信息部分清楚、部分不清楚并带有不确定性现象的应用数学学科。

指数平滑法(Exponential Smoothing，ES)是布朗(Robert G..Brown)所提出，布朗认为时间序列的态势具有稳定性或规则性，所以时间序列可被合理地顺势推延；他认为最近的过去态势，在某种程度上会持续到未来，所以将较大的权数放在最近的资料。是生产预测中常用的一种方法。也用于中短期经济发展趋势预测。

为实现上述目的，本发明提供如下技术方案：一种尾气中粉尘浓度短期预测方法，包括以下步骤：

(1)在第一次进行粉尘浓度预测前，首先在线采集一定量的粉尘浓度数据，用于计算粉尘浓度动态预测模型的模型融合参数以及用于建立粉尘浓度动态预测模型。

(2)在得到模型融合参数后，建立粉尘浓度动态预测模型，并对后续时刻的粉尘浓度进行预测，根据预测值分析粉尘浓度的变化趋势。

(3)在采集到预测时刻的粉尘浓度测量值后，将预测值与测量值进行对比，若预测误差超过阈值，则根据最新得到的数据重新计算模型融合参数，根据重新计算后的模型融合参数建立新的粉尘浓度动态预测模型用于粉尘浓度的下一次预测。

优选的，所述粉尘浓度动态预测模型的模型融合参数计算过程为：