基于卡尔曼滤波融合算法的空气质量指数预测

分析了卡尔曼滤波算法的基本原理及其对空气质量指数(AQI)的预测机制。利用自回归滑动平均模型(ARMA)为卡尔曼滤波建立数学模型,提出了将径向基函数(RBF)神经网络融合于卡尔曼滤波,实现了新的融合算法对AQI进行预测。根据AQI时间序列的特点,建立了自回归预测模型,进而建立卡尔曼滤波的状态方程和测量方程。采用随机梯度逼近训练算法训练RBF神经网络,用RBF神经网络的输出作为卡尔曼滤波测量方程的观测值。仿真结果表明,融合了RBF神经网络后的卡尔曼滤波预测算法改善了单一方法预测滞后的现象,减小了误差,提高了预测精度。     

调峰燃煤机组选择性催化还原烟气脱硝的建模预测优化

调峰燃煤机组的运行对选择性催化还原烟气脱硝(SCR-DeNO_x)系统的性能提出了新的挑战。通过比较BP神经网络(BP)算法和遗传算法优化BP(GABP)算法的直接模型和间接模型,得到出口NO_x浓度和氨逃逸浓度预测的最佳模型。结果表明,对出口NO_x浓度和氨逃逸浓度预测的最佳模型均为GABP算法的间接模型。该模型不仅精度高,可以适应不同的负荷,而且可以同时预测出口NO_x浓度和氨逃逸浓度。对出口NO_x浓度预测的相对误差均在±10%以内,均方根误差和平均绝对百分比误差分别仅为2.76mg/m3和4.49%;对氨逃逸浓度预测的相对误差基本都在±50%以内,均方根误差和平均绝对百分比误差分别为0.13mg/m3和24.29%。     

基于改进支持向量回归机的污水处理厂出水总氮预测模型

在小样本数据的情况下,采用粒子群优化算法(PSO)对传统支持向量回归机(SVR)进行改进,将其应用于北京某大型污水处理厂出水总氮浓度预测上。预测结果精度对比分析表明,PSO-SVR模型预测结果平均相对误差为1.836%,决定系数为67.76%,均方根误差为0.693 9,各评价指标均优于多元线性回归模型、BP神经网络模型。因此在小样本情况下,利用PSO-SVR模型对污水处理厂出水总氮浓度进行预测是可行有效的,为应用数据驱动模型对污水处理过程进行建模模拟提供了一种新方法尝试。     

基于奇异谱分析—遗传算法反向传播神经网络模型的湘江新港断面水质预测

运用奇异谱分析(SSA)对湘江新港断面557周的pH、DO、高锰酸盐指数和氨氮数据进行了预处理,再运用遗传算法优化反向传播神经网络模型进行拟合与预测。结果表明:SSA有较好的降噪能力,遗传算法反向传播(GABP)神经网络模型相比BP神经网络模型均方根误差(RMSE)平均缩小了6.96%,具有良好的预测精度;预测期内新港断面的pH、DO、高锰酸盐指数、氨氮均能满足《地表水环境质量标准》(GB 3838—2002)Ⅲ类标准,但氨氮在预测期内呈上升趋势,需警惕氨氮浓度过高引发的水污染问题。     

生物脱氮除磷活性污泥系统复合模拟方法

为避免繁琐的参数校核工作,提出了活性污泥2 d号模型(ASM2d)和人工神经网络(ANNs)相结合的复合模拟方法。考察了复合方法在某污水处理厂生物脱氮除磷工艺中的应用情况。研究表明,ANNs能够准确地模拟出水实测值与未经校核的ASM2d机理模型的估计值之间的差值。利用Levenberg-Marquardt算法,对出水氨氮、总氮和总磷分别建立网络结构为5-12-1、5-8-1和5-8-1的ANNs子模型,将这些子模型输出同ASM2d机理模型输出相加便得到复合模型输出。复合模型估计值对前10.4 d(ANNs子模型训练数据时段)出水氨氮、总氮和总磷浓度的拟合平均绝对百分比误差分别为0.267、0.055和0.048;其对后2.6 d(ANNs子模型测试数据时段)出水氨氮、总氮和总磷浓度的预测平均绝对百分比误差分别为0.332、0.083和0.069。均方根误差、平均绝对误差等评价指标也表明复合模型能够给出合理的模拟结果。     

基于混合效应模型的京津冀地区PM2.5数值模拟

采用2017年京津冀地区中分辨率成像光谱仪提供的3km气溶胶光学厚度(AOD)和气象数据,分别在有无气象因子作为自变量的情况下对PM_(2.5)与AOD的关系进行解释。比较基于空间、时间及时空的78种混合效应模型的模拟效果,并利用十折交叉模型进行验证。经相关系数、拟合程度和模型误差对比,最终确定将气温、相对湿度、风速和气压4种气象因子作为影响因子的基于时空的混合效应模型效果最佳。利用该模型估算2017年京津冀地区的PM_(2.5)监测值,结果表明,PM_(2.5)监测值与模拟值的R~2为0.90(经十折交叉模型校正后为0.81),均方根误差、平均绝对误差分别为13.44、10.12μg/m~3,模型的拟合精度较高。同时研究表明,整体来说,京津冀地区呈现南高北低、平原地区东南高西北低、非平原地区高纬度区域相对低的空间格局。     

基于人工神经网络和遗传算法研究锰过氧化酶脱色甲基橙

基于锰过氧化物酶(MnP)氧化脱色偶氮类染料的原理,实验研究MnP对甲基橙的脱色工艺,采用人工神经网络(ANN)和遗传算法(GA)建立脱色模型并优化工艺。建立的ANN模型的误差、相关系数、均方根误差和绝对平均偏差分别为0.0009、0.9971、1.21和6.82,模型有效且能够用于预测和工艺优化。采用GA对ANN模型进行数值寻优,得到的最佳工艺条件为酶液量0.6 mL,Mn2+浓度4 mmol/L,H2O2浓度0.49 mmol/L。该条件下脱色率达到(90.74±0.59)%。ANN耦合GA有效地建立了锰过氧化物酶脱色甲基橙的模型,并优化了工艺参数,为甲基橙脱色的研究提供一定参考。     

基于Sentinel-2影像的洱海叶绿素a质量浓度反演

为动态监测洱海水体富营养污染物,利用遥感技术对反映水体富营养化的核心参数——叶绿素a质量浓度进行反演,建立适合当地当季的反演模型,对水体叶绿素a质量浓度进行宏观监测;通过洱海的秋季Sentinel-2影像和实测叶绿素a质量浓度数据,使用参数相关分析方法选取反演波段,建立BP神经网络模型和多元线性回归模型,随机选择7个样本点对2种模型进行交叉验证后,对洱海叶绿素a质量浓度进行反演。结果表明：Sentinel-2数据与叶绿素a质量浓度具有显著的相关关系(Pearson积矩相关系数的绝对值大于0.7, P <0.001),且分别在单波段、单波段比值和双波段比值中相关系数最大的波段及波段组合为B6、 B7/B6和(B6+B8)/(B7+B8a);隐含层神经元节点数为4的3层BP神经网络模型的均方根误差最小,决定系数最大,分别为0.002 8和0.925;2019年10月12日、11月9日,洱海叶绿素a质量浓度在空间上均呈北部高于南部的分布状态;BP神经网络模型的平均绝对误差百分比为21.36%、均方根误差为0.002 8、决定系数为0.925,多元线性回归模型的平均绝对误差百分比为27....     

气象因素对大气污染物影响的季节差异分析及预测模型对比—— 以深圳为例

以深圳为例,通过收集其2014年9月至2017年8月的地面气象观测数据、大气污染物PM_(2.5)和PM_(10)浓度数据及空气质量指数(AQI),利用SPSS软件分别构建线性回归模型与非线性多层神经网络(MLP)模型,探讨了气象因素对PM_(10)、PM_(2.5)及AQI影响的季节性差异,并利用构建的两种模型对PM_(2.5)、PM_(10)和AQI进行预测和对比。结果表明,气温、湿度、风速及风向均对深圳PM_(2.5)、PM_(10)及AQI有较大影响,且影响因素存在季节差异性;两种模型中,MLP模型在对复杂多变的空气质量预测上更具优越性。研究结果可为深圳空气质量优化以及城市局部和整体规划提供科学依据,并为其他城市空气质量模拟分析提供参考。     

基于改进型灰色神经网络组合模型的空气质量预测

基于空气质量数据不足及波动较大的情况,将灰色GM（1,1）模型与人工神经网络模型组合并改进,建立改进型灰色神经网络组合模型。利用天津市2001—2008年PM10、SO2和NO2年均值作为原始数据预测2009—2010年PM10、SO2和NO2的浓度以进行模型精度检验,最后利用该模型预测2011—2015年天津市空气质量状况。结果表明,与灰色GM（1,1）模型、传统灰色神经网络组合模型相比,所建立的改进型灰色神经网络组合模型相对模拟误差小,预测结果更为可靠,可以用于空气质量预测。     

基于多级神经网络模型的厌氧氨氧化系统参数预测

厌氧氨氧化菌生长条件复杂、影响因素多,其工艺系统运行控制复杂,为解决上述问题,研究构建了1个多级神经网络预测模型,以提高SBBR单级自养脱氮厌氧氨氧化系统出水总氮去除率预测精度,并确定了系统工程应用的关键控制参数。一级神经网络模型通过灰色关联度分析,对影响出水总氮去除率的关键性指标进行预测;二级神经网络模型基于一级模型增加数据维度,并通过改进粒子群算法优化网络、借鉴遗传算法变异的思想扩大搜索范围,提高了出水总氮去除率的预测精度。多级神经网络模型预测结果表明,其总氮去除率平均相对误差为0.54%,相对误差为5.76%,均方根误差为1.132 1,预测数据基本上与实际值相符;与其他预测模型相比较,该模型表现出较优的预测精度。进一步分析发现,通过控制工艺系统的曝气量调节出水亚氮浓度,是保证工艺反应的稳定和实现厌氧氨氧化工艺工程应用的有效控制方式。     

ARIMA模型在苏州河总磷预测中的应用

目前苏州河面临潜在的富营养化危机,氮、磷含量较高的污染源是富营养化形成的直接诱因.选择总磷指标为研究对象,介绍运用时间序列分析法对总磷进行ARIMA建模预测,确定ARIMA(11,0,0)即AR(11)为最终模型,用1986～2003年数据对2004和2005年进行预测,结果得出苏州河总磷在未来2年呈波动下降趋势,最终在0.4～0.6 mg/L之间上下波动,但仍高于地面水Ⅴ类标准.模型适用于苏州河总磷的短期预测,完善苏州河富营养化预测管理系统.     

中国民航运输碳排放解耦分析和达峰预测

为合理预测中国民航运输业的碳达峰时间,首先采用Kaya恒等式和对数平均迪氏指数分解法(LMDI)分解中国民航运输碳排放量的影响因素。其次,建立Tapio解耦模型分析民航运输碳排放量与各影响因素的关联强度,运用改进可拓展的STIRPAT模型实现中国民航运输碳排放量的预测。最后,设置基准、发展、远距、节能、浅绿、深绿情景进行测算。结果表明,深绿情景下中国民航运输业可以在2045年实现碳达峰。因此,基于这一情景设计了多种可将碳达峰时间提前至2030年的碳汇方案。     

制药废水UASB-HAR-ICEAS组合处理系统效能建模及优化研究

以某制药废水的升流式厌氧污泥床(UASB)-水解酸化池(HAR)-间歇式循环延时曝气活性污泥法(ICEAS)新型组合处理系统为背景,分析该系统效能,并建立遗传算法优化神经网络(GA-BPNN)模型对系统出水水质进行仿真预测,并利用建立的GA-BPNN模型对系统的运行条件进行优化研究。研究表明,在稳态运行的120 d,系统对废水COD和NH3-N去除率分别为98.6%和86.6%;GA-BPNN模型对出水COD和NH3-N的预测结果和实际监测值之间的平均绝对百分误差为5.55%和6.99%,能很好地应用于组合系统的出水水质预测管理中;GA-BPNN模型还可求解出系统的最优化运行条件,为工程实际操作提供了坚实的理论基础。     

改进的QGA-BP模型在弥苴河总氮量预测中的应用

水质预测对水环境规划、评价和管理十分重要。构建一种改进的量子遗传算法(QGA)优化BP神经网络的模型,即在量子遗传算法中引入了旋转角的动态改进策略和遗传算法的交叉变异操作,并以改进的QGA作为进化操作准则优化BP模型的权值和阈值。以弥苴河复杂水环境水质预测为实例,选取一组历史观测数据作为训练样本,对其进行分析。将结果与BP模型、QGA-BP模型仿真结果进行了对比,改进后的QGA-BP模型在进化代数、收敛速度和预测结果的准确率有较大提高。对弥苴河水质的预测结果表明,将改进QGA-BP模型用于水质预测是可行、有效的预测方法。     

黄河入海口水质评价与预测

对黄河入海口2004-2011年的水质进行评价与预测,采用灰色聚类法分析水体DO、CODMn、NH3-N 3项指标,总结水质年均变化情况.建立水质GM(1,1)灰色预测模型,用实际水质指标值检验其精度,并用此模型预测未来4年水质变化趋势.结果表明,2004-2015年期间,黄河入海口水质在2004-2007年波动较大,但将越来越好,CODMn、NH3-N呈下降趋势,DO、达标率呈上升趋势,并通过灰色关联分析方法分析水质变化原因以期对黄河入海口水质分析预测与水体保护工作提供参考.     

RBF与Elman神经网络在人工湿地复合基质去污效果预测中的应用

人工湿地的去污机理复杂、呈高度非线性,故利用神经网络技术构建模型预测其长期运行效果。通过构建人工湿地复合基质模拟槽系统进行为期4个月的实验,监测得到56组COD去除率数据样本,经Matlab小波去噪后分别利用RBF和Elman网络构建动态神经网络模型,预测该系统对生活污水中COD去除效果。结果表明,RBF和Elman神经网络预测值的均方根误差分别为0.0186和0.0163,精度较高,该系统后期的COD去除率在49.4%～59.0%之间。     

麦草对水中苯胺的动态吸附研究

通过对苯胺初始浓度、流速、初始pH值和吸附床高度对穿透曲线的影响进行探讨,采用BDST模型和Thomas模型对动态实验数据进行线性拟合分析,研究了麦草对水中苯胺的动态吸附性能。结果表明：麦草能够有效地去除水中的苯胺,随着吸附床高度增加,穿透时间延长;而随着苯胺初始浓度、流速和pH值的增大,穿透时间急剧缩短。BDST模型能够准确地预测新的操作条件下的穿透时间,误差均〈5％;Thomas模型能够很好地描述麦草对苯胺的动态吸附动力学,由Thomas模型获得的麦草吸附柱对苯胺的动态吸附量与实验值相符。对吸附饱和后的麦草可用0．6mol／L盐酸进行解吸。     

基于径向基函数网络的溢油预测模型

为了提高溢油预测的准确性,建立和优化溢油预测模型,提出了基于径向基函数网络模型的溢油预测方法,实现溢油预测功能。径向基函数网络模型解决了模拟预测过程中样本库巨大、函数模型收敛速度慢的问题。通过选择有效的输入参数和样本数据,建立局部逼近网络;通过径向基函数训练样本数据,利用输出值与实际值之间的误差作为约束条件调整权重因子、径向基中心和宽度,加快函数模型的收敛速度。该模型模拟了溢油的漂移、扩散过程,达到预测的目的。利用该模型,建立了溢油预测模块,并针对一次溢油事故进行预测模拟,验证了该模型的可行性,能够为应急决策提供一定的支持。     

基于BP人工神经网络的城市PM2.5浓度空间预测

针对PM2.5日均质量浓度,采用BP人工神经网络模型,预测研究区空气中PM2.5浓度的空间变异,通过与普通克里格(Ordinary Kriging)插值方法对比验证BP人工神经网络预测模型的精度.结果表明:BP人工神经网络预测模型下研究区检验样本点位置的PM2.5仿真浓度与观测浓度之间的均方差、平均绝对误差、平均相对偏差和相关系数分别为0.296 μg2/m6、0.412 μg/m3、1.650％和0.851;而与此同时,普通克里格插值方法下的对应结果分别为1.041 μg2/m6、0.689 μg/m3、11.910％、0.638.研究成果在肯定BP人工神经网络预测模型可用于揭示PM2.5浓度空间变异特征的同时,也证实了其相对于普通克里格插值方法在固定空间点位准确预测PM2.5浓度方面的优势.