(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111301522.1 (22)申请日 2021.11.04 (71)申请人 四川工商学院 地址 610000 四川省成 都市郫都区团结街 道学院街6 5号 申请人 四川天府云大 数据产业投资有限公 司　 四川赛霏信息安全技 术有限公司 (72)发明人 熊斌　肖利群　刘韧　曾嘉宇　 杨乐　刘诗宗　刘诗诗　楼佳　 任晓静　张平　邓龙海　刘万里　 刘松茂　 (74)专利代理 机构 深圳紫晴专利代理事务所 (普通合伙) 44646 代理人 雒盛林(51)Int.Cl. G16C 10/00(2019.01) G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) (54)发明名称 一种基于深度学习的化工园区VOCs污染溯 源方法 (57)摘要 本发明提供了一种基于深度学习的化工园 区VOCs污染溯源方法， 包 括如下步骤： 步骤S1.对 污染物的监测数据及气象数据进行预处理； 步骤 S2.结合污染物化学成分谱并根据预处理后的监 测数据， 使用深度学习算法对污染物的排放位置 及其排放量进行预测； 步骤S3.将预测的排放位 置、 排放量以及预处理后的气象数据代入大气 扩 散模型， 得到预测数据的扩散仿真曲线； 步骤S4. 将扩散仿真曲线与监测数据的变化曲线进行对 比， 若两者的相关系数小于阈值， 则判定为预测 失败； 若相关系数大于或等于阈值， 则判定为预 测成功。 权利要求书2页 说明书8页 附图1页 CN 114121169 A 2022.03.01 CN 114121169 A 1.一种基于深度学习的化工园区VOCs污染溯源方法， 其特 征在于， 包括如下步骤： 步骤S1.对污染物的监测数据及气象数据进行 预处理； 步骤S2.结合污染物化学成分谱并根据预处理后的监测数据， 使用深度学习算法对污 染物的排 放位置及其 排放量进行预测； 步骤S3.将预测的排放位置、 排放量以及预处理后的气象数据代入大气扩散模型， 得到 预测数据的扩散 仿真曲线； 步骤S4.将扩散仿真曲线与预处理前的监测数据的变化曲线进行对比， 若两者的相关 系数小于阈值， 则判定为预测失败； 若相关系数 大于或等于阈值， 则判定为预测成功。 2.如权利要求1所述的基于深度学习的化工园区VOCs污染溯源方法， 其特征在于， 还包 括： 步骤S5.解析溯源结果： 将预测的排放位置与化工园区的地图相结合， 获得污染物的实 际排放位置； 将预测的排 放量与预处 理中得到的量纲相乘， 获得污染物的实际排 放量。 3.如权利要求2所述的基于深度学习的化工园区VOCs污染溯源方法， 其特征在于， 还包 括： 步骤S6.对解析后的溯源结果进行排 放物反演， 更新污染物化学成分谱。 4.如权利要求1所述的基于深度学习的化工园区VOCs污染溯源方法， 其特征在于， 步骤 S1包括： 步骤S11.对监测数据进行去重、 降噪处 理； 步骤S12.对处理后的监测数据进行数据缺失值和异常值处理： 当一行数据中存在8个 及以上的缺 失值或连续3行的数据在同一个属性上缺 失时， 直接删除对应的数据； 其他情况 则使用插值法对监测数据进行插补或校正； 步骤S13.对步骤S12处 理后的数据进行缩放， 缩放公式如下: a为缩放前的数据， a ′为缩放后的数据， amin为缩放前的最小值数据， amax为缩放前的最 大值数据。 5.如权利要求4所述的基于深度学习的化工园区VOCs污染溯源方法， 其特征在于， 步骤 S12中插值法的计算公式如下： wi＝ ∑ γimi； wi为i监测点 的加权的气象数据， γi为i监测点的气象数据对污染物的影响程度系数， mi为i监测点的气象数据， αi为i监测点污染物 扩散因数， ∑w为所有的加权的气象数据之和， h为距离， hi为i监测点到插值点的距离， x为插值点的经度， y为插值点的纬度， xi为i监测点 的经度， yi为i监测点的纬度， βi为i监测点的反距离权重系数， 幂指数ρ 的取值范围为[0.5，权　利　要　求　书 1/2 页 2 CN 114121169 A 23]， Zi为i监测点的污染物监测数据， Z为插值， n 为监测点的数量。 6.如权利要求5所述的基于深度学习的化工园区VOCs污染溯源方法， 其特征在于， 幂指 数ρ 需要满足条件： 幂指数ρ 要 使得RMSPE的值最小； RMS PE的计算公式如下： k表示同一监测点选 取的监测数据有 k组， k≥10， zj为根据第j组监测数据计算出来的插 值,z′为zj对应的监测数据。 7.如权利要求1所述的基于深度学习的化工园区VOCs污染溯源方法， 其特征在于， 步骤 S2包括： 步骤S21.使用深度 学习算法， 提取同一时间段内各个监测点的污染物浓度与气象数据 之间的关系， 该关系即为污染物在当时的扩散规 律； 步骤S22.根据扩散规 律获得污染物分布情况； 步骤S23.根据不同时间的污染物分布情况， 得到 污染物浓度变化情况； 步骤S24.根据污染物浓度变化情况结合污染物化学成分谱， 得到污染物的预测排放 量； 步骤S25.根据污染物浓度变化情况 得到污染物的预测排 放位置。 8.如权利要求7所述的基于深度学习的化工园区VOCs污染溯源方法， 其特征在于， 步骤 S2还包括： 根据扩散规 律更新污染物扩散因数αi。 9.如权利要求1所述的基于深度学习的化工园区VOCs污染溯源方法， 其特征在于， 步骤 S4中相关系数的计算公式如下： r为相关系数， di为i时刻的监测数据， 为t时间内的监测数据的平均值， d ′i为i时刻的 预测数据， 为t时间内的预测数据的平均值。 10.如权利要求1所述的基于深度学习的化工园区VOCs污染溯源方法， 其特征在于， 步 骤S4中， 当判定为预测失败后， 返回步骤S2， 修改深度学习算法中的相关参数并重新预测。权　利　要　求　书 2/2 页 3 CN 114121169 A 3