[发明专利]一种气体浓度预测方法、系统、设备及其存储介质

说明书

本发明提供的一种气体浓度预测方法，包括步骤：S1、以时长m₁为间隔单位，获取m段气体浓度数据，组成气体浓度数据组对所述气体浓度数据组进行分段平均处理得到气体浓度平均值，对所述气体平均值进行归一化处理得到训练输入数据和训练输出数据；S2、基于所述训练输入数据和所述训练输出数据，训练并建立BP神经网络模型；S3、基于改进的人工蜂群算法优化所述BP神经网络模型；S4、将当前时刻所述气体浓度平均值代入S3中所述优化后的BP神经网络模型，得到下一刻的预测气体浓度平均值。本发明提供的一种气体浓度预测方法，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，及时地保障人们的生命财产安全。

技术领域

本发明涉及对气体浓度的实时预测，尤其涉及一种气体浓度预测方法、系统、设备及其存储介质。

背景技术

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，会造成生态、人畜、设备等的污染、引起人体中毒及火灾爆炸等事故。这些事故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。

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气体浓度预测方法，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，难以满足其预测精度要求；基于BP神经网络算法的气体浓度预测方法，通过训练已有的气体浓度数据，得到预测模型，可以提高预测精度，但是BP神经网络中的权值和阈值这两个参数的设置对模型的精度影响很大，模型的参数需要优化设置，针对该问题，本发明提出一种气体浓度预测方法和系统，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气体浓度预测方法、系统、设备及其存储介质，用于解决现有技术中气体浓度预测精度较低的问题。

为实现上述目的及其他相关目的，本发明提供了一种气体浓度预测方法，包括步骤：

S1、以时长m₁为间隔单位，获取m段气体浓度数据，组成气体浓度数据组对所述气体浓度数据组进行分段平均处理得到气体浓度平均值，对所述气体平均值进行归一化处理得到训练输入数据和训练输出数据；

S2、基于所述训练输入数据和所述训练输出数据，训练并建立BP神经网络模型；

S3、基于改进的人工蜂群算法优化所述BP神经网络模型；

S4、将当前时刻所述气体浓度平均值代入S3中所述优化后的BP神经网络模型，得到下一刻的预测气体浓度平均值。

于本发明的一实施例中，所述步骤S1包括：

S11、获取以时长m₁为间隔单位，获取m段气体浓度数据，组成气体浓度数据组

S12、以时长m₁为间隔单位，对所述气体浓度数据组进行分段平均处理，得到每一段所述气体浓度平均值；

S13、对所述气体浓度平均值进行归一化处理，得到所述训练输入数据和所述训练输出数据。

于本发明的一实施例中，所述步骤S2包括：

S21、预设所述BP神经网络输入层、隐含层及输出层的节点数，并根据所述节点数确定所述输入层与所述隐含层之间的权值w₁、所述隐含层的阈值b₁、所述隐含层与所述输出层之间的权值w₂、及所述输出层的阈值b₂的个数；