煤焦化生产过程甲烷排放初步研究

本研究选取山西省具有代表性的焦化厂,通过在废气排放烟囱上采集燃烧室废气和装煤/出焦废气,初步研究了煤焦化过程甲烷排放特征。结果显示燃烧室废气中CH4占∑(CH4+NMHC)的比例远高于装煤和出焦废气。基于EPA AP-42排放因子的计算方法,煤焦化三个工段的CH4排放因子为228.5±56.1g/t。结合中国机械炼焦炉焦炭产量,2004年中国机械炼焦CH4排放为0.03Tg/a,占中国总CH4排放的0.1%,可能是山西省除煤炭开采外的重要甲烷排放源,该值还需再进一步的工作中完善和验证。     

河北省城市水资源利用绩效评估与需水量估算研究

从公共服务部门标杆管理思想出发,构建了2007—2014年中国地级以上城市水资源利用效率标杆体系,并以此为评估依据,对河北省地级以上城市2007—2014年水资源利用效率展开评估,识别各个城市万元GDP水耗、万元工业总产值水耗、人均综合水耗和人均生活水耗在全国所有地级以上城市和不同类型范围城市中的具体位置和变化趋势;并在此基础上对城市水资源利用效率标杆体系进行历史趋势外推,将标杆预测结果作为河北省各城市节水效率管理目标,结合河北省人口数量增长和社会经济发展规划目标,估算了"十三五"期末2020年河北省地级以上城市需水量,以期为指导河北省地级以上城市"以水定城"发展战略的制定提供参考依据.结果显示:河北省唐山市、沧州市、廊坊市万元GDP水耗一直处于全国先进水平;仅沧州市万元工业总产值水耗一直处于全国先进水平;保定市、沧州市和衡水市的人均综合水耗一直处于全国先进水平;保定市、沧州市、张家口市、石家庄市、秦皇岛市、邢台市的人均生活水耗一直处于全国先进水平;预计到"十三五"期末,河北省地级以上城市市辖区工业需水总量减少为8.81亿m~3,居民生活需水量增加为4.26亿m~3,城市总用水量增加为16.94亿m~3.     

工业企业噪声监测工作中几个难点问题的探讨

通过举例对噪声监测实践工作中常易遇到的几个具有普遍性的难点问题作一探讨,以提高大家在解决实际问题时对声学理论、噪声标准及测量方法的重视。     

近20年来中国PM2.5污染演变的时空过程

本研究基于国控监测网络的PM_2.5实测数据、MODIS AOD数据以及气象参数(温度、风速、风向、边界层高度和相对湿度),综合考虑AOD与PM_2.5关系的季节性和区域性差异,构建了基于支持向量回归机(ε-SVR)与思维进化算法优化后的BP神经网络(MEC-BP)的二阶段PM_2.5浓度组合估算模型.在此基础上,分析了2000～2017年中国PM_2.5浓度的时空变化过程.结果表明,本研究提出的二阶段组合估算模型提供了中国2000～2017年内空间分辨率为1°×1°的月度近地面PM_2.5浓度的可靠估算,有效地弥补了中国地面监测网络在时间和空间上的空白(模型的决定系数R²为0. 838,均方根误差RMSE为11. 512μg·m^-3,平均绝对百分比误差MAPE为14. 905%,均方百分比误差MSPE为0. 243%,绝对误差MAE为6. 476μg·m^-3,均方误差MSE为132. 519μg·m^-3     

基于PNGV模型的锂离子电池荷电状态估计

目的 提升不同老化情况下的锂离子电池荷电状态(SOC)估计精度。方法 基于PNGV模型(Partnership for a New Generation of Vehicles)，对锂离子电池SOC进行估计。首先通过双线性变换对PNGV模型进行离散化，采用带有遗忘因子的递归最小二乘法(FFRLS)，对电池模型参数进行在线辨识，利用卡尔曼滤波(EKF)算法进行SOC估计，并通过动态工况验证SOC估计精度。结果 以多种误差指标考察不同循环下的试验数据，在不同电池老化状态下具有较好的预测精度。相比基于Thevenin模型的算法，基于PNGV模型的算法可以将SOC平均绝对误差减少约60%，同时也可以将SOC估计最大绝对误差波动范围降低53.8%。结论 本算法引入PNGV模型后，解决了基于Thevenin模型算法误差大、不稳定的问题，提升了动力电池系统在不同老化环境下的适应性。     

An improved grey wolf optimizer algorithm for identification and location of gas emission

Identification of the leakage of hazardous gases plays an important role in the environment protection, human health and safety of industry production. However, lots of current optimization algorithms, such as particle swarm optimization (PSO) and Grey Wolf Optimizer (GWO), suffer from poor global optimization capability and estimation accuracy. In this work, a hybrid differential evolutionary and GWO (DE-GWO) algorithm is proposed. Tested by simulation cases and Prairie Grass emission experimental data, DE-GWO shows higher estimation accuracy than GWO. Compared with the other four optimization algorithms, DE-GWO exhibits finer robust stability under different population sizes, fewer iterations, as well as higher estimation accuracy with fewer search agents. Importantly, simulation results demonstrate that DE-GWO is more suitable to apply in the scene with a small number of sensors. Therefore, the proposed in this paper outperforms other optimization algorithms for the gas emission inverse problem. DE-GWO can provide reliable estimation towards gas emission identification and positioning, which shows huge potential as the data analysis module of real-time monitoring and early warning system.