[发明专利]一种焦炉VOCs污染物排放量的计算方法

权利要求书

1.一种焦炉VOC_S污染物排放量的计算方法，其特征在于：包括以下步骤：

1)获取焦炉的基本运行参数数据；

2)基于焦炉的基本运行参数数据，建立VOC_S网格化监测，部署焦炉的VOC_S网格化监测设备，并采集VOC_S浓度数据；

3)建立焦炉的1：1数值模拟模型，并模拟不同情景下网格点的VOC_S浓度数据；

4)通过实测的VOC_S数据对模型进行修正，验证后建立数据库和VOC_S排放总量的神经网络模型；

5)将实时监测的VOC_S数据和气象数据代入预设的神经网络模型中，核算得到焦炉的VOC_S排放总量，

所述焦炉的基本运行参数数据，包括焦炉的尺寸结构、孔数、运行周期、炉内温度压力、炉门泄漏缝隙，

所述VOC_S数据，包括VOC_S实时浓度数据、分钟平均浓度、小时平均浓度，

所述气象数据，包括风速风向数据，

所述步骤3)中，在建立焦炉的1：1数值模拟模型时，还需综合考虑焦炉的不同位置和过程的泄漏，包括炉门和炉盖的实时泄漏、装煤和推焦的间歇泄漏，

所述步骤4)中，建立预设神经网络模型的具体过程包括：

4.1)建立焦炉的1：1数值模拟模型，得到大量的不同情景下的焦炉周边场的VOC_S浓度数据，将这些数据作为样本数据，并将这些样本数据作为训练样本；

4.2)收集VOC_S监测点的浓度数据，将这些数据作为校核样本；

4.3)将校核样本的基本参数条件代入模型作为模型的验证，并将模型的结果与校核样本内的实际结果进行比较，查看误差是否在预设的误差范围内，若在范围内，则将该神经网络模型作为预设的神经网络模型，若不在范围内，调整数值模拟模型，重复布置步骤4.1)；

4.4)建立神经网络模型；

4.5)将训练样本优化神经网络模型；

4.6)将校核样本代入优化后的神经网络模型，并将输出结果与校核样本内的实际结果进行比较，若误差处于预设误差范围内，则优化后的神经网络模型作为预设的神经网络模型。

2.如权利要求1所述一种焦炉VOC_S污染物排放量的计算方法，其特征在于：所述神经网络模型优化过程是否满足条件的过程具体为：

判断得到的最优方案是否满足预设误差判断关系式，预设误差判断关系式具体为：

abs(f(xt)-f(xt+1))≤θ

上式中，abs()为绝对值计算，f(xt)和f(xt+1)分为为代入到t和t+1次后得到的全局最优方案时的适应值，θ为预设误差阀值。

3.如权利要求1所述一种焦炉VOC_S污染物排放量的计算方法，其特征在于：所述训练样本的个数需大于1，校核样本的个数至少为1。

4.如权利要求1所述一种焦炉VOC_S污染物排放量的计算方法，其特征在于：所述步骤4.4)中，神经网络的输入层包括的节点数m，m的个数为VOC_S网格化VOC_S监测点个数加上风速和风向的两个参数，隐含层个数采用经验公式n＝2m+1。