基于流处理的重型柴油车排放预警监控系统设计

为了能够实时监控重型柴油车污染物排放水平,快速筛查出排放超标的车辆。利用以Flink计算引擎为核心的Apache开源大数据框架,根据重型车排放车载终端发回的数据计算出车辆污染物排放水平。开发完成后,该预警监控系统会根据计算结果向车辆用户、售后部门、研发部门推送排放超标车辆信息,同时根据需求部门的要求,统计超标车辆的运行工况、配置信息、故障码信息等,实现快速定位排放超标原因,有效提高了社会和经济效益。

基于“双碳”目标的电力供需预警与碳排放预警研究

为响应新型电力系统对低碳电力需求的号召,在传统单一电力供需预警的基础上,应展开对碳排放和电力的双重预警,及时反映碳排放的超标以及电力供需失衡的状态。基于上述背景,本文提出一种电力供需预警与碳排放预警的研究方法,首先根据电力供需预警的基本理论,结合新时代背景下对电力系统低碳化的迫切要求,建立基于“双碳”目标的电力供需预警与碳排放预警指标体系,包括电力供需预警指标和碳排放预警指标,然后以某地区电力和碳排放相关数据进行算例分析,选择模态分解预测算法对电力供需形势和碳排放趋势进行预测,最后对该地区进行了多时间尺度预警计算,验证了所提预警方法的有效性。

基于Folksonomy和本体建模的碳排放预警指标体系构建

现有的碳排放预警系统指标构建中存在许多缺陷,笔者在低碳网站上利用自由分类法(Folksonomy)来提取标签,并利用本体建模对热门标签进行规范形成指标本体,借助用户的力量来实现碳排放预警指标的构建和预警阈值的设置,建立一种分层的碳排放预警体系,从而提高预警指标构建的科学性和自动化程度。

基于主动学习机制GAN的MSWI过程二噁英排放风险预警模型

针对构建城市固废焚烧(municipal solid waste incineration,MSWI)过程剧毒污染物二噁英(dioxin,DXN)排放风险预警模型的样本极为稀少的问题,提出一种基于主动学习机制生成对抗网络(generative adversarial network,GAN)的DXN排放风险预警建模方法.首先,以DXN风险等级作为条件信息使得GAN生成候选虚拟样本;然后,利用基于最大均值差异和多视角可视化分布信息的主动学习机制进行虚拟样本的初筛和评估,以获得期望虚拟样本;最后,基于混合样本构建DXN排放风险预警模型.通过基准数据集和MSWI过程数据集验证了所提方法的有效性.基于主动学习机制GAN的DXN排放风险预警建模方法可以有效解决样本稀少的问题,提高模型精度.

基于区块链的碳排放监测预警系统研究

针对碳排放快速增长给环境带来的威胁,世界各国采取了立法措施开展减排行动。中国在联合国大会上向世界承诺:力争于2030年前实现碳达峰,努力争取2060年前实现碳中和。将区块链与碳排放监测预警结合将会是我国实现“双碳”目标的突破口,通过将监测机构、碳交易市场、政府管理、碳排放企业构建区块链生态体系社区,形成基于区块链的碳排放监测预警系统,通过分布式存储来实现对排放企业的数据监控,从而保障各生产企业的碳排放量下降,最终实现“双碳”目标。

基于阶段式时序注意力网络的PM_(2.5)鲁棒预测

PM_(2.5)浓度的预测对于大气污染治理、改善环境质量等起到重要作用。受气象条件变化与大气污染物排放等多种因素的交叉影响,PM_(2.5)预测通常易受突变事件及噪声数据干扰。因此,基于对气象条件以及大气污染物与PM_(2.5)的相关性分析,提出阶段式时序注意力网络模型(staged temporal-attention network, STAN),该方法融合多段注意力学习模块与循环神经网络,建模气象因素与大气污染物对PM_(2.5)浓度的交叉影响。统计分析北京市、上海市、广州市预测结果的绝对误差值,可知:1)对比广泛使用的单一类模型支持向量机(support vector machine, SVM)、长短期时序记忆方法 (long short-term memory, LSTM)和多层感知机(multilayer perceptron, MLP), STAN可达到10%以上的性能领先;对比最新的融合类模型U型网络(U-net),STAN领先了7%的优势。2)以北京市冬季预测结果为例进行统计分析,STAN的预测值与实测值之间的拟合系数可有95.2%的性能领先。此外,在鲁棒性分析中发现,STAN在含有10%噪声的数据上进行预测,误差上升幅度仅为9.3%。结果表明:注意力机制与时序学习模块相结合能够深度挖掘PM_(2.5)变化规律并抑制噪声数据,且STAN模型可以进行PM_(2.5)浓度的鲁棒预测。