[发明专利]一种对大气污染物浓度的预测调控方法及系统

权利要求书

1.一种对大气污染物浓度的预测调控方法，其特征在于包括以下步骤：

(一)选取以下影响因素作为大气污染物浓度预测的输入变量值：历史各时刻不同大气污染物浓度、干球温度、湿球温度、相对湿度、风速、日照量化值、工作状态；

(二)以预测的各时刻大气污染物浓度值为输出变量值；

(三)整理学习样本数据，根据训练样本集中输入变量的最大值和最小值，采用最大值最小值法，归一化处理输入变量值、输出变量值：

C′_i＝2*(C_i-C_min)/(C_max-C_min)-1

其中，C′_i为归一化处理后变量，C_i为输入变量，C_min为输入变量最小值，C_max为输入变量最大值；

对大气污染物浓度、环境温度、相对湿度、风速、日照量化值及工作状态数据进行处理，归一化到[-1,1]之间；日照量化值按照晴天1、少云2、多云3、阴天4和小雨5、中雨6、大雨7、暴雨8八种情况进行量化；工作状态按照工作日取值为1，周末取值为0进行量化；

(四)生成样本输入与输出矩阵集，抽取C₁～C_N组成第一个样本，其中(C₁,C₂,…,C_N-1)为自变量，C_N为目标函数值；抽取C₂～C_N+1组成第二个样本，其中(C₂,C₃,…,C_N)为自变量，C_N+1为目标函数值；依次类推，构成输入与输出样本矩阵集：

其中每列为一个样本，最后一行为期望输出；

(五)构建递归与直接相结合的DirRec动态浓度预测模型，动态模型中上一时刻的输出作为这一时刻的输入对下一时刻进行预测，具体如下：

Y(t+1)＝f_{DR_1}(X(t-1),X(t-2),…,X(t-n))

Y(t+2)＝f_{DR_2}(Y(t+1),X(t-1),…,X(t-n))

Y(t+N)＝f_{DR_N}(Y(t+N-1),Y(t+N-2),…,X(t+N-n))

式中当前时刻取t，n为历史延迟时间间隔，f_{DR_N}为t+N时刻的动态映射模型；

(六)建立Elman神经网络模型，先随机生成网络的权值和阈值，初始化网络参数，网络参数按如下设置：

w_i,j(i＝1,2,…,l,j＝1,2,…,M)为输入层和隐含层之间的连接权值，其中l为隐含层神经元个数；

B_i,(i＝1,2,…,1)为隐含层第i个的节点阈值；

β为隐含层和输出层的权值，其中β_i,(i＝1,2,…,1)为隐含层第i个节点与输出层节点的连接权值；

(七)网络训练，将输入与输出矩阵集合输入神经网络，对网络进行训练找到最优输出层权值，使网络的实际输出无限逼近目标输出，通过求取最小范数二乘解的方法得到最优输出层权值；若网络收敛，则得到神经网络模型，若网络不收敛，则返回上一步进行调整；

(八)仿真测试，利用求解到的最优权值，求得最优输出层权值下的神经网络的预测输出；

(九)实时比较预测输出与标准限值，并将差值信号传递至IAQ调控系统，启动相应的净化调控模式对空气质量进行调控。