一种预测空气质量的方法与流程

本发明涉及空气质量预测领域。本发明涉及一种预测空气质量的方法。

背景技术：

1、在矿井巷道的空气中通常包括具有一定浓度的颗粒物。对矿井巷道的空气质量进行预测具有重要意义。例如，可以通过对巷道中的空气质量进行预测，进而实现对通风系统的优化，确保巷道中的空气质量满足要求。

2、对通风系统优化后，可获得足够的新鲜空气，排出颗粒物，以维持安全的工作环境。

3、相关现有技术如申请公布号为cn113011660a的专利申请文件，公开了空气质量预测方法、系统及存储介质，方法包括根据历史时间段内的空气质量数据对神经网络进行训练，得到训练完成的神经网络，进而基于当前时刻的空气质量数据对未来时刻的空气质量进行预测。

4、现有技术中，在矿井巷道内，依据上述方法可根据当前时刻巷道中某一位置处的颗粒物的浓度数据对未来时刻该位置处颗粒物的浓度进行预测。

5、但是，在对矿井巷道中的某个地方的空气质量进行预测时，可能没有这个地方的空气质量的历史数据，可能仅有矿井巷道中的其他地方的空气质量的历史数据。此时，通过上述方法对该地方的空气质量进行预测的准确率较低。

6、基于此，如何提高对矿井巷道中空气质量进行预测的准确率是尤为重要的。

技术实现思路

1、为解决上述对空气质量进行预测的准确率较低的技术问题，本发明提出一种预测空气质量的方法。

2、一种预测空气质量的方法，包括：

3、按照采集频率获取矿井巷道测量点当前时刻颗粒物的参数数据，参数数据包括浓度数据和环境数据，将参数数据输入至训练好的神经网络中，输出目标预测点的浓度预测值；若预测值大于设定标准值，则认为设定时间后的目标预测点的空气质量差；

4、训练过程为：

5、获取历史测量点和历史预测点的颗粒物的多个时刻下的历史浓度数据，将训练集输入至神经网络中进行训练，得到训练好的神经网络；

6、所述训练集包括多个样本数据，对于一个样本数据，包括输入数据及其对应的输出标签，所述输入数据为历史测量点的参数数据，所述输出标签为历史预测点时刻的浓度数据，其中：

7、

8、为所述输入数据的浓度数据的采集时刻，s为历史测量点与历史预测点之间巷道的长度，为历史测量点的所述采集时刻的风速，为历史预测点的所述采集时刻的风速。

9、巷道的环境数据对预测点颗粒物的浓度有一定的影响，考虑了环境数据对预测结果的影响，可提高得到的预测值的准确率。例如，环境数据可包括巷道中通风口的面积，其中通风口的面积与预测点的浓度数据有一定关系。在一个样本数据中不仅包括巷道的环境数据、对应采集时刻下历史测量点的浓度数据，还包括时刻历史预测点的浓度数据。在理想情况下，该采集时刻下历史测量点的浓度数据与时刻历史预测点的浓度数据是基本相等的。考虑了这一因素，能够提高通过训练好的神经网络对目标预测点的浓度数据进行预测的准确率。原因在于，该采集时刻下历史测量点的浓度数据和该采集时刻下历史预测点的浓度数据的相关性较弱，若训练的一个样本数据包括该采集时刻下历史测量点的浓度数据和该采集时刻下历史预测点的浓度数据，则通过训练好的神经网络对目标预测点的浓度数据进行预测的准确率较低。

10、可选的，所述采集频率为目标采集频率，目标采集频率为：

11、对于一个采集频率，获取历史测量点颗粒物的历史浓度数据的序列，所述序列的波动指标r为：

12、

13、

14、其中，n为所述序列中数据的总数，为绝对值，为所述序列中第i个数据的浮动指标，为所述第i个数据，为所述第i个数据之前预设数量个数据的浮动指标的均值；

15、对于至少两个采集频率对应的波动指标，将小于预设阈值的波动指标中的最大值对应的采集频率作为所述目标采集频率。

16、考虑到采集频率较低时，可能导致得到的浓度数据的稳定性较低，可能导致得到的浓度数据的准确率较低。考虑到采集频率过高时，会浪费一定的资源，例如，当采集频率过高时，会增加设备运行的能耗和维护成本，尤其是需要使用耗材的采集设备。基于此，本发明基于历史浓度数据的波动指标得到了目标采集频率，其中波动指标越大，对应数据的稳定性越差。在目标采集频率下采集的数据的稳定性能够满足后续预测的要求，在目标采集频率下采集数据能减少不必要的资源浪费。

17、可选的，所述历史测量点为所述矿井巷道测量点。

18、可选的，所述历史预测点为所述目标预测点。

19、可选的，所述任一采集频率下颗粒物的粒径范围为预设范围。

20、可选的，，为所述一个样本数据对应的运动时间，所述设定时间为至少两个样本数据对应的运动时间的均值。

21、运动时间参与了神经网络的训练过程，因此可基于运动时间得到设定时间，进而使得后续预测效果更好。

22、可选的，所述环境数据包括：测量点与预测点之间的巷道的长度、所述巷道中所有通风口的面积和测量点采集时刻的风速。

23、测量点与预测点之间的巷道的长度、所述巷道中所有通风口的面积和测量点采集时刻的风速与预测点的浓度数据有关，而且与预测的准确率有关。基于此，若环境数据包括上述数据，则可提高后续预测的准确率。

24、可选的，所述环境数据还包括：测量点位置处巷道截面的面积与预测点位置处巷道截面的面积的均值和预测点采集时刻的风速，其中，对于任一环境数据，该任一环境数据对应的预设点采集时刻与该任一环境数据对应的测量点采集时刻相同。

25、测量点位置处巷道截面的面积与预测点位置处巷道截面的面积的均值、预测点的风速和预测点的浓度数据有关，而且与预测的准确率有关。基于此，若环境数据包括上述数据，则可提高后续预测的准确率。

26、可选的，所述神经网络为长短期记忆人工神经网络。

27、本发明的有益效果：

28、本发明通过巷道的环境数据、历史测量点的颗粒物的浓度数据、历史预测点的颗粒物的浓度数据对神经网络进行训练，得到训练完成的神经网络。考虑到了环境数据对预测的准确率的影响，还考虑到了运动时间对预测的准确率的影响，提高了对目标预测点的空气质量进行预测的准确率。

29、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

技术特征：

1.一种预测空气质量的方法，其特征在于，包括：

2.根据权利要求1所述的一种预测空气质量的方法，其特征在于，所述采集频率为目标采集频率，目标采集频率为：

3.根据权利要求1或2所述的一种预测空气质量的方法，其特征在于，所述历史测量点为所述矿井巷道测量点。

4.根据权利要求1所述的一种预测空气质量的方法，其特征在于，所述历史预测点为所述目标预测点。

5.根据权利要求1所述的一种预测空气质量的方法，其特征在于，为所述一个样本数据对应的运动时间，所述设定时间为至少两个样本数据对应的运动时间的均值。

6.根据权利要求1所述的一种预测空气质量的方法，其特征在于，所述环境数据包括：测量点与预测点之间的巷道的长度、所述巷道中所有通风口的面积和测量点采集时刻的风速。

7.根据权利要求6所述的一种预测空气质量的方法，其特征在于，所述环境数据还包括：测量点位置处巷道截面的面积与预测点位置处巷道截面的面积的均值和预测点采集时刻的风速，其中，对于任一环境数据，该任一环境数据对应的预设点采集时刻与该任一环境数据对应的测量点采集时刻相同。

8.根据权利要求1所述的一种预测空气质量的方法，其特征在于，所述神经网络为长短期记忆人工神经网络。

技术总结本发明涉及空气质量预测领域，涉及一种预测空气质量的方法，包括：按照目标采集频率获取测量点颗粒物的参数数据，包括浓度数据和环境数据，将其输入至训练好的神经网络中，输出预测值，目标采集频率依据历史浓度数据的波动程度得到；若预测值大于设定标准值，则设定时间后目标预测点的空气质量差；神经网络的训练集为：训练集的输入数据为历史测量点的参数数据，输出标签为时刻的历史预测点的浓度数据；，为输入数据的浓度数据的采集时刻，S为巷道的长度，为历史测量点的风速，为历史预测点的时刻的风速。本发明提高了对空气质量进行预测的准确率。技术研发人员：陈勇,张增光,拓利伟,杜克遥,赵利峰,肖国栋,强川,康立,拓利红受保护的技术使用者：陕西风华时代环境工程有限公司技术研发日：技术公布日：2024/9/12