[发明专利]一种预测气体浓度的方法、系统、设备及其存储介质

说明书

本发明提供一种预测气体浓度的方法、系统、设备及其存储介质，包括步骤：S1、使用气体传感器获取原始气体浓度数据；S2、对所述原始气体浓度数据进行检验和处理，得到处理后气体浓度数据，对所述处理后气体浓度数据进行累加和均值运算，得到气体浓度均值序列；S3、根据所述气体浓度均值序列和所述处理后气体浓度数据，通过灰微分方程生成灰色预测模型GM(1,1)；S4、利用改进人工蜂群算法对所述灰色预测模型GM(1,1)的参数向量进行优化，得到所述灰色预测模型GM(1,1)的白化模型；S5、将当前时刻所述处理后气体浓度数据代入所述白化模型，预测下一时刻的气体浓度。本发明能够提高气体浓度预测的精度，从而能够为应急响应提供准确的辅助决策。

技术领域

本发明涉及气体浓度预测技术领域，具体涉及一种预测气体浓度的方法、系统、设备及其存储介质。

背景技术

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：化工园区存储的危险化学品，数量大，种类多，并且大多具有易燃易爆、有毒有害，腐蚀性、强氧化性、强还原性等危险特性，一旦发生泄漏，不仅严重危害广大人民群众生命和财产安全，而且对社会和环境造成严重的不良影响，严重制约石化行业的健康快速发展。目前，在世界范围内已累计有数万人在突发性危险化学品泄漏事故中丧生。因此对泄漏事故进行实时浓度预测，可以为泄漏事故应急响应、采取防护措施提供有力的数据支撑，从而在最短时间内完成泄漏事故的应急救援措施，将事故的损失降低到最小，对降低事故的风险以及提高危化品气体泄漏事故现场中应急能力方面具有重要意义。

传统的基于气体扩散模型的预测气体浓度的方法，需要设置假设条件和给定泄漏源的参数和周围环境的参数，不具有普适性，也难以满足其预测精度要求；基于支持向量机和BP神经网络等机器学习算法的预测方法，需要提供大量的训练数据，也难以实现。基于基本灰色模型GM(1,1)的预测气体浓度的方法，将随机量当作在一定范围内变化的灰色量，并将规律不明显的原始数据累加生成使之有一定规律的生成数列，构造并白化处理的微分方程模型，需要的训练数据较少，适合少量样本来预测，但是模型的参数需要优化设置，进而提高气体浓度的预测精度。针对上述问题，本发明提出一种预测气体浓度的方法、系统、设备及其存储介质，可以提高气体浓度预测精度。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种预测气体浓度的方法、系统、设备及其存储介质，用于解决气体浓度预测精度不高的问题。

为实现上述目的及其他相关目的，本发明提供一种预测气体浓度的方法，该方法至少包括以下步骤：

S1、使用气体传感器获取固定时间间隔的原始气体浓度数据；

S2、对所述原始气体浓度数据进行检验和处理，得到处理后气体浓度数据，并对所述处理后气体浓度数据进行累加和均值运算，得到气体浓度均值序列；

S3、根据所述气体浓度均值序列和所述处理后气体浓度数据，通过灰微分方程生成灰色预测模型GM(1,1)；

S4、利用改进人工蜂群算法对所述灰色预测模型GM(1,1)的参数向量进行优化，得到所述灰色预测模型GM(1,1)的白化模型；

S5、将当前时刻所述处理后气体浓度数据代入所述白化模型，预测下一时刻的气体浓度。

于本发明的一实施例中，所述S2至少包括以下步骤：

S21、计算所述原始气体浓度数据的级比；

S22、判断所述原始气体浓度数据的级比是否均落在可容覆盖的区间范围内：

若不是，对所述原始气体浓度数据进行平移变换，得到所述处理后气体浓度数据，使所述处理后气体浓度数据的级比全部落在所述可容覆盖的区间范围内；

否则，将所述原始气体浓度数据作为所述处理后气体浓度数据；