[发明专利]一种对大气污染物浓度的预测调控方法及系统

说明书

本发明公开一种对大气污染物浓度的预测调控方法及系统，基于Elman神经网络递归与直接推测相结合的DirRec方法来准确获得大气污染物浓度并实时调控，可以快速、准确地预估大气污染物浓度，为污染物浓度的监控人员预先提供更加准确的大气污染物浓度数据，从而实现对净化系统空气量的及时准确调控，适用于任意大气污染物浓度的预测，同时避免因控制系统数据传递时间延滞造成的系统能耗，为企业带来极大的经济效益和社会价值。

技术领域

本发明属于居室及公共场所空气污染物净化及品质舒适性领域，特别涉及一种对大气污染物浓度的预测调控方法及系统。

背景技术

为控制室内空气污染，减少其对人体健康的影响，通常会采用新风净化系统、室内循环净化系统等来处理室内污染物浓度。在目前的室内空气品质(IAQ)优化控制系统中，是以当前监测浓度作为判断值，确定调控策略以调控下一时刻室内污染物的浓度值，但IAQ控制系统的数据传递及反馈存在时滞问题，所以，当前浓度很难反映空气污染物的真实情况，据此所做出的调控策略也将存在偏差。这种偏差将导致送风量过大或不足，送风量不足将无法满足室内的卫生要求，不利于室内人员的健康；另外，系统长期在送风量过大的工况下运行，将造成不必要的能源浪费，同时会影响室内环境的舒适性，尤其在供暖季影响更为明显。

发明内容

为克服现有技术的不足，本发明目的在于提供一种对大气污染物浓度的预测调控方法及系统，快速、准确地预估大气污染物浓度，避免因控制系统数据传递时间延滞造成的系统能耗增加。

一种对大气污染物浓度的预测调控方法，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))