基于深度信念网络的PM2.5预测

提出一种基于深度信念网络(deep belief networks, DBNs)的区域PM_2.5日均值预测方法,讨论了训练数据选择方式,并优化了DBNs参数设置。通过相关实验并与基于径向基神经网络(radial basis function, RBF)和反向传播神经网络(back propagation, BP)方法比较,验证了基于DBNs方法的可行性和预测精度。实验结果表明:基于DBNs的方法,区域(西安市)预测PM_2.5日均值与观测日均值之间均方差(mean square error, MSE)为8.47×10^-4mg²/m⁶;而采用相同数据集,基于RBF和BP的方法均方差为1.30×10^-3mg²/m⁶和1.96×10^-3mg²/m⁶。比较分析表明:基于DBNs的方法能较好预测区域整体PM_2.5的日均值变化趋势,显著优于基于神经网络和径向基网络方法的预测结果。     

季节指数改进的PM2.5质量浓度组合预测模型研究

随着我国的经济和城市化迅速发展,PM_2.5主导的区域空气污染已成为紧迫、突出的环境问题。据相关研究表明,PM_2.5在不同季节质量浓度差异较大。根据广州市2015~2019年的PM_2.5月均质量浓度数据,结合大气污染物及气象因素,引入季节指数,建立预测PM_2.5质量浓度的改进多元线性回归和多层感知器组合预测模型,探析广州市大气污染物中PM_2.5质量浓度的变化规律。结果表明,用季节指数改进的组合预测模型对PM_2.5质量浓度进行预测分析,拟合结果良好。使用不同评价指标将组合模型与传统的多层感知器预测模型和多元线性回归模型进行对比,该组合模型的均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、平均绝对误差(Mean Absolute Error,MAE)分别比多层感知器模型减少了23.1%、31%、24.2%;比多元线性回归模型减少了35.3%、41.3%、41%。该模型精度均优于传统的多元线性回归模型和多层感知器模型,能更好地预测环境PM_2.5质量浓度,为优化环境提供参考。     

杭州市PM2.5中水溶性离子的污染特征研究

为全面了解杭州市PM_2.5中水溶性离子的污染特征及其来源,于2014年10月—2015年9月在杭州市2个采样点采集了PM_2.5样品,运用离子色谱法对PM_2.5中的水溶性离子进行了分析.结果表明:PM_2.5中9种水溶性离子的年均质量浓度为46.63μg/m³,占PM_2.5质量浓度的54.97%.主要离子Cl^-,NO₃^-,SO4^2-,NH₄⁺质量浓度季节变化明显,表现为冬季>秋季>春季>夏季.SOR值和NOR值说明杭州市大气中二次颗粒明显存在,并且SO₂的二次转化率大于NO₂的二次转化率.因子分析表明:二次气溶胶、道路扬尘、建筑扬尘和工业排放是采样期间杭州市PM_2.5的主要来源.     

高密度城区绿地景观格局对PM2.5/O3的多尺度影响

为探究高密度城区绿地景观格局对于PM_2.5浓度与O₃浓度的尺度效应,分析西安市高密度城区范围,选取边界密度(ED)、景观形状指数(LSI)、面积加权形状指数(SHAPE＿AM)和平均形状指数(SHAPE＿MN)共4个景观格局指数衡量绿地景观格局,爬取2020—2021年国家空气质量监测站点的大气监测数据,运用皮尔逊相关性分析和线性回归分析方法,探究多尺度下高密度城区绿地景观格局对PM_2.5和O₃的时空分布特征、绿地景观格局特征和PM_2.5浓度、O₃浓度与景观格局指数的多尺度影响关系.结果表明,景观格局在夏季对于PM_2.5浓度、在春季对于O₃浓度的影响更为显著;在高密度城区内较小尺度的绿地上优化景观格局对PM_2.5与O₃浓度影响更有效.由此提出的绿地优化策略可为城市高密度城区多尺度绿地规划设计提供参考依据.     

PM2.5浓度预测与影响因素分析

针对PM_2.5浓度的非线性和不确定性,提出了一种基于集成树-梯度提升决策树（EnsembleTrees-GBDT）的PM_2.5预测模型.该模型首先在集成树框架下进行特征选择,即选取PM_2.5浓度主要影响因素,使用算术均值聚合法计算出各项特征对PM_2.5浓度增加的影响程度,并以影响程度由强到弱的次序排序;其次使用网格搜索对GBDT算法进行参数优化,选取树的深度等参数的最优值;最后构建完整的PM_2.5浓度集成预测模型.使用北京市2015-2016年的污染物浓度和气象条件观测值2个数据集,对模型进行了预测仿真实验.对比实验结果表明,所提出的EnsembleTrees-GBDT预测模型相比于决策树、随机森林、支持向量机等模型,具有更低的平均绝对误差和均方根误差,同时具有更好的泛化能力,能够更准确地预测PM_2.5浓度,并实现对PM_2.5浓度影响因素的有效分析.     

安徽省PM2.5质量浓度时空变化特征及其影响因素分析

以2015—2021年9月安徽省空气质量指数为样本,利用GIS空间分析等方法,分析安徽省全域PM_2.5质量浓度的时空变化特征,并对可能的影响因素进行探讨。结果表明：1)2015年以来安徽省PM_2.5质量浓度在时间变化上呈现逐渐递减趋势,在季节变化上具有春冬高、夏秋低的特点,在年际变化中2015—2018年PM_2.5质量浓度在皖中地区减少幅度最为明显,其中,以合肥市减幅最大;2018—2021年PM_2.5质量浓度在皖北地区减少幅度最为显著,以亳州市减幅最大。2)安徽省PM_2.5质量浓度在空间分布上呈现由北向南的递减趋势,最高值出现在皖北,最低值出现在皖南,且存在东西部之间的差异。3)自然因素(地形地势、降雨量和风速)和人类活动(产业结构和能源消费、政策和思想理念)对安徽省PM_2.5质量浓度的时空分布和变化具有较大的影响,使得安徽省全域PM_2.5质量浓度逐渐减少,大气环境质量逐年提高。     

延吉市PM2.5时空分布特征及其与气象要素的相关性分析

利用延吉市城区3个空气质量监测站2015年PM_2.5浓度小时数据,探讨了延吉市城区PM_2.5时空分布特征,并将PM_2.5浓度与气象要素做相关性分析.研究结果表明: ①延吉市PM_2.5季节浓度由高到低依次为冬季、秋季、春季和夏季.②延吉市PM_2.5月均浓度变化均呈单峰单谷型,其中11月、12月、1月浓度值相对较高,2月开始逐月递减至10月份后开始回升.③PM_2.5日均浓度曲线呈现出尖峰和深谷交替变化的锯齿状.④延吉市城区3个监测点PM_2.5浓度日变化在春季、夏季、秋季和冬季都呈现双峰双谷型.⑤PM_2.5浓度与气压、气温日较差、风速、相对湿度等气象要素之间存在显著地相关性.     

济南城区大气PM2.5、PM1.0的污染特征及大气传输

为研究华北平原PM_2.5、PM_1.0的污染特征,于2014年10月至2016年6月在济南城区使用中流量采样器对大气颗粒物样品进行采集,利用离子色谱、碳气溶胶分析仪测定了颗粒物中的水溶性无机离子成分和碳组分。结果表明:济南城区冬季大气细颗粒污染较重,二次离子SO₄^2-、NO₃^-和NH₄⁺是PM_2.5、PM_1.0最主要的水溶性无机离子,且更易富集在PM_1.0中。有机碳和元素碳的质量浓度表现为春夏低,秋冬高;二次有机碳的质量浓度在冬季明显升高,且大多分布在粒径>1 μm的颗粒物中。72 h后向气流轨迹表明,来自河北、内蒙古的长距离传输与山东地区的局地传输对济南大气中PM_2.5和PM_1.0的离子质量浓度有重要影响。济南冬季的消光系数高达789.13 Mm^-1, PM_2.5中的二次粒子NH₄⁺、SO₄^2-和NO₃^-与消光系数的相关性较高,是使大气能见度降低的主要因素。     

西安大气细颗粒(PM1)化学组成及其对能见度的影响

在2012年秋季选取天气状况相对稳定的12d,运用细颗粒化学组分在线观测仪(ACSM),观测西安大气颗粒物变化;利用正矩阵因子分析法(PMF)对大气细颗粒物中的有机物进行源解析,探讨其对能见度的影响;最后,结合IMPROVE公式中吸湿增长因子和多元线性回归统计方法重建散光系数。结果表明:在观测时段,PM₁(不包括黑碳和矿尘等难熔组分)和PM_2.5质量浓度时间序列的相关性较好(判定系数为0.67),PM₁ 约占PM2.5质量浓度的60%,有机物约占PM₁ 质量浓度的58%,其他组分(包括SO₂^4- ,NO₃^- ,NH₄⁺ 和Cl^- )约占42%;高相对湿度(大于85%)伴随着一次组分质量分数的增加,雨水对一次组分的湿沉降作用也更加明显;利用正矩阵因子分析法对有机物进行源解析,分解出烃类有机气溶胶(HOA)和氧化性有机气溶胶(OOA)两种组分;OOA 约占有机物质量浓度的54%,HOA 约占46%,并且在下午时段,HOA 发生挥发,经过光化学反应快速转化为OOA;硝酸盐对光的散射贡献最大。     

济南市冬季灰霾日PM1.0和PM1.0—2.5污染特征

为探讨济南市灰霾日大气细颗粒物的化学组分特征, 于2014-01-15—02-17利用PM_1.0、 PM_2.5中流量采样仪,离子色谱及OC/EC分析仪等研究手段,对济南市灰霾日PM_1.0及PM_2.5的浓度水平及化学组成进行了系统研究。结果表明:灰霾日和非灰霾日NO^-₃、SO^2-₄、NH⁺₄均为PM_1.0和PM_2.5的主要成分,灰霾日时NO^-₃、SO^2-₄、NH⁺₄质量浓度占PM_1.0和PM_2.5质量浓度的比例明显升高,并且三种成分质量浓度在PM_1.0中均有显著升高,显示二次无机气溶胶的快速增加是灰霾形成的重要因素。碳质组分(OC+EC)是PM_1.0及PM_2.5中所占比例为第二位的组分,灰霾日OC和二次有机碳(SOC)较非灰霾日明显升高,表明灰霾日更有利于SOC的生成。72 h后向气流轨迹分析表明,起源于山东省内东部及北京、天津一带气流的近地面传输对灰霾形成有重要影响。     

螺旋管内流动沸腾传热系数关联式拟合与误差分析

为了发展适于螺旋管内流动沸腾传热系数关联式,基于流动沸腾传热机理,引入参数D_n数来修正复杂管道对传热系数的影响,并经过回归计算确定D_n数的指数,从而发展了螺旋管内流动沸腾传热系数关联式。进一步分析了传热系数预测值与实验值的偏差随流量、干度的变化情况。利用以R134a为介质的螺旋管传热实验数据验证了该关联式的适用性,并采用平均相对误差(the mean relative error, MRE)和均方根误差(the root mean square error, RMSE)来衡量预测结果的准确性,计算出MRE在8.23%范围内,RMSE为0.532。该平均相对误差值和均方根误差值都比较小,表明回归计算结果符合要求。因此,复杂管道引入参数D_n数建立传热系数关联式是非常适用的,并值得推广应用。     

基于气象因素的PM2.5质量浓度预测模型

为得出拟合效果最佳的预测模型,建立了多元回归和机器学习预测模型对PM_2.5质量浓度进行预测。在输入气象因素的基础上,引入污染物质量浓度基础值和周期因素两类变量作为预测输入,并对4种预测模型进行对比研究。研究结果表明:对预测输入进行改进后,多元线性回归预测模型拟合优度由0.52提高至0.64,所选取的气象参数、污染物质量浓度基础值和周期因素能较好地描述PM_2.5质量浓度的日变化情况;与多元线性回归预测模型相比,BP神经网络和支持向量机两种预测模型能较好地捕捉PM_2.5质量浓度与预测输入之间的非线性影响规律,整体拟合优度分别达0.69和0.74,预测准确度较高;支持向量机预测模型可作为PM_2.5质量浓度预测的首选方法。     

空气幕对厨房内PM2.5控制效果的模拟与分析

厨房烹饪是民居室内PM_2.5污染物的重要来源,为对其进行有效控制,提出了空气幕送风方式。建立厨房物理模型,使用Fluent软件对厨房内的气流组织、温度分布和PM_2.5浓度分布进行了数值模拟。研究了空气幕对厨房内PM_2.5和热流的控制效果,并对3种射流速度进行对比分析。研究结果表明：空气幕射流气流对烹饪区域产生了很好的包裹效应,可以阻隔PM_2.5的扩散和热流的蔓延;可使厨房内PM_2.5排除率提高到44%~75%,平均降温1~2℃。当空气幕射流速度为0.6 m/s时,控制效果最佳。研究结论可对厨房PM_2.5污染的防治提供参考,为空气幕送风系统的研究提供模拟数据和理论依据。     

2014-2019 年冬季京津冀地区PM 2. 5 质量浓度时空分布特征

基于2014-2019 年冬季京津冀地区101 个空气质量监测站的小时PM _{2. 5} 质量浓度数据, 探讨了冬季京津冀地区PM _{2. 5} 浓度的时空分布特征。利用MATLAB 编程提取监测站点小时PM _{2. 5} 浓度数据并合成月、季均值数据, 分析PM _{2. 5} 浓度小时、月、季节尺度的时间变化特征。对比两种插值方法, 选用普通克里金插值法对区内PM _{2. 5} 浓度进行插值, 分析各尺度PM _{2. 5} 浓度空间分布特征, 借助全局莫兰指数和LISA 图分析PM _{2. 5} 浓度的空间自相关性。研究结果表明: 2014 年冬季比2019 年冬季的PM _{2. 5} 浓度下降了28. 4 μg/ m³, 除2018 年外, 小时浓度均呈现“双峰双谷型”分布; PM _{2. 5} 浓度在29. 1~193. 3 μg/ m³ 波动, 均值为92. 1 μg/ m³,总体呈现出 “北部山区低,南部平原高”的空间分布格局;冬季PM _{2. 5} 浓度具有显著的空间聚集性。全局莫兰指数在0. 29~0. 66,呈现全局正相关,南部呈现 “高-高”聚集模式,北部呈现“低-低”聚集模式。     

青藏高原东缘气溶胶粒径分布特征及其来源

气溶胶粒径分布可反映气溶胶的主要来源及其经历的动力学和化学等过程。使用宽范围粒径谱仪对青藏高原东缘四川省理塘县2017年7月6日至8月3日10 nm～10 μm气溶胶粒径分布进行观测,结合环保六要素(PM_2.5、PM₁₀、SO₂、NO₂、CO和O₃)和气象要素数据、HYSPLIT轨迹模式、潜在源区贡献函数(PSCF)和浓度权重轨迹(CWT)分析,探讨了青藏高原东缘气溶胶的粒径分布特征、潜在来源和影响区域。结果表明:青藏高原东缘理塘地区气溶胶数浓度较低,平均值为4 660.3 cm^-3,粒径分布主要集中在500 nm以下,占总数浓度的99.95%; 不同模态粒子数浓度差异较大,核模态、爱根核模态、积聚模态和粗模态粒子数浓度分别为391.9、4 218.0、50.1和0.4 cm^-3; 不同模态粒子数浓度日变化均为双峰型分布,但是峰值时间存在差异,核模态粒子数浓度日变化的峰值时间位于12:00和19:00,爱根核模态、积聚模态和粗模态粒子数浓度日变化的峰值时间位于08:00和20:00; 气溶胶数浓度谱和表面积浓度谱均为单峰型分布,峰值分别位于50 nm和170 nm,峰值浓度分别为7 361.9 cm^-3·nm^-1和215.5 μm²·cm^-3·nm^-1。青藏高原东缘气溶胶数浓度的潜在来源高值区主要分为两个区域,即东北部的局地污染区和西南部的境外远距离传输区。青藏高原东缘气溶胶数浓度的影响范围主要集中在中国境内,影响区域的高值区相对比较分散。     

基于VMD-LILGWO-LSSVM短期风电功率预测

目的 为了减小风电功率并入国家电网时产生的频率波动,提高风电功率预测精度,方法提出一种结合变分模态分解（VMD）、改进灰狼算法（LILGWO）和最小二乘支持向量机（LSSVM）的风电功率短期预测方法。首先通过VMD方法将风电功率序列分解重构成3个复杂程度性不同的模态分量,降低风电功率的波动性;其次使用LSSVM挖掘各分量的特征信息,对各分量分别进行预测,针对LSSVM模型中重要参数的选取对预测精度影响较大问题,引入LILGWO对参数进行寻优;最后将各分量预测结果叠加重构,得到最终预测风电功率。结果以宁夏回族自治区某地区风电站实际数据为例,对未来三天分别进行预测取平均值,本文方法的预测平均绝对误差（mean absolute error,MAE）为2.706 8 kW,均方根误差（root mean square error,RMSE）为2.021 1,拟合程度决定系数（R-Square,R2）为0.976 9,与对比方法3～6相比,RMSE分别降低了40.93%,25.21%,14.7%,6.24%;MAE分别降低了42.34%,28.04%,16.97%,7.77%;R2分别提升了4...     

声波团聚对燃煤电厂可吸入颗粒物的排放控制

为了从煤燃烧过程中脱除细粒子（PM_2.5）颗粒物以控制大气可吸入颗粒物（PM₁₀）的污染程度,将高强度的声场运用于气溶胶中以改变颗粒的粒径分布,使粒子团聚为较大的颗粒以在传统的除尘器中脱除.在1～5 kHz、110～140 dB行波声场内对燃煤电厂布袋除尘器收集的飞灰进行声团聚实验,载尘质量浓度为1～5 g/m3,并采用碰撞式分级仪和激光粒度仪MS-2000在线测量颗粒的粒度分布,得到声强和声波频率对团聚效果的影响.在1.72 kHz、140 dB声波团聚实验中,分级仪上的实验结果显示,PM_2.5减少52%～63.6%,PM₁₀减少35.6%～53.3%.     

一种融合社交网络的叠加联合聚类推荐模型

为解决用户冷启动问题并提高推荐算法的评分预测精度,提出一种融合社交网络的叠加联合聚类推荐模型(SN-ACCRec),将用户社交关系融合到对评分矩阵的用户聚类中。根据社交关系理论分析用户社交关系,采用模糊C均值聚类的思想划分用户块,并利用k均值算法对评分矩阵的产品聚类,得到一次联合聚类结果。通过迭代方式获取用户和产品多层联合聚类结果,不断叠加多层聚类结果来近似评分矩阵,预期先后得到用户和产品的泛化和细化类别,实现对评分矩阵中缺失值的预测。采用十重交叉验证法对模型评估,试验结果表明,该模型有效降低了推荐中的平均绝对误差(mean absolute error, MAE)和均方根误差(root mean square error, RMSE),同时在冷启动用户上也表现出了较好地推荐性能。     

芒刺参数对电晕放电及细颗粒物脱除特性的影响

为研究芒刺电极参数对电晕放电及颗粒物脱除特性的影响,建立静电除尘器机理实验台。在不同电压和颗粒物浓度下,分别研究了芒刺厚度δ和芒刺间距L对电晕电流及PM_2.5、PM₁₀脱除效率的影响。结果表明,薄芒刺电极的电晕放电和对各粒径段颗粒物的脱除能力高于厚芒刺电极,其中对粒径为0.2~2 μm的颗粒物的脱除效率提升明显;低电压和高颗粒物浓度时,薄芒刺电极对电晕放电和颗粒物脱除能力的提升尤为明显。随着芒刺间距的减小,电晕电流和颗粒物脱除效率均呈先增大后减小的趋势。芒刺间距为50 mm时,电极的电晕电流最大;芒刺间距为80 mm时,电极对PM_2.5、PM₁₀的脱除效率最高。研究结果为静电除尘器中芒刺电极的设计、选型提供了参考依据。     

基于LSTM的大棚环境变量预测

针对温室大棚中环境变量变化趋势难以预测的问题,提出一种基于LSTM模型的大棚环境变量预测方法。首先根据实际采集到的大棚农作物西红柿生长环境变量(温度、湿度、二氧化碳浓度)的数据特点,设置网络模型隐藏层层数、调整网络参数;然后在处理好的环境变量训练数据集上进行训练,得到大棚环境变量预测模型;将LSTM模型与传统RNN和GRU预测模型进行对比实验。实验结果表明,LSTM模型的预测精度更高,鲁棒性更强,预测结果的均方根误差(root mean square error,RMSE)低于0. 05,可以实现大棚环境变量的准确预测,为大棚的智能控制提供可靠依据。