[发明专利]一种基于数据分解与深度学习的煤炭港口空气质量预测方法

说明书

一种基于数据分解与深度学习的煤炭港口空气质量预测方法，煤炭港口空气质量预测领域。1)对煤炭港口空气质量数据、气象数据、生产作业数据进行处理，得到空气质量数据序列、气象数据和生产作业数据；2)将空气质量数据序列分解为一组本征模态函数IMF分量，即空气质量子序列；3)基于气象数据和生产作业数据，以及一组IMF分量，将数据分割为训练集、验证集和测试集；分别为每一个IMF分量构建Seq2Seq模型，对Seq2Seq模型进行训练；将训练好的模型在测试集上进行测试；4)将各IMF分量的预测结果重组得到最终的预测结果，实现煤炭港口空气质量的预测。本发明能够显著降低数据序列的非平稳性，提高预测结果的准确性，为港口调整生产作业计划以满足空气质量限值标准提供决策支持。

技术领域

本发明属于煤炭港口空气质量预测领域，尤其涉及基于数据分解与深度学习的煤炭港口空气质量预测方法。

背景技术

随着世界经济的发展与工业化进程的加快，全球能源需求呈指数型增长。2022年全球煤炭需求量预计达到历史最高水平8000万吨，并将持续到2024年。煤炭港口作为全球煤炭供应链中的重要中转枢纽，支撑了港口城市的经济发展。然而，煤炭的堆存、装卸与转运导致的扬尘对海岸大气环境与城市公共健康存在潜在影响，可能导致严重的心血管和呼吸道疾病，引起了港城居民和港口管理部门的关注。空气质量预测是缓解煤炭港口环境问题的重要管理工具之一，精准的空气质量预测结果能够为港城居民的户外出行提供合理建议，减少煤炭港口生产作业对港城居民身体健康的危害。

然而，传统的空气质量预测方法存在以下问题：

(1)不适用于煤炭港口，不能为煤炭港口生产作业调度提供决策支持。传统的空气质量预测方法通常针对城市与交通等情景，通过输入历史空气质量、气象、交通流等特征，预测未来单步或多步空气质量。这种类型的预测方法并不适用于煤炭港口，因为煤炭港口的空气污染主要与港口的生产作业和气象条件有关，煤炭的露天堆存、装卸和转运是产生扬尘的主要来源。港口可以通过调整生产作业效率来降低扬尘排放量。因此，空气质量预测模型的输入特征中应包含煤炭港口的生产作业效率信息，从而为煤炭港口生产作业调度计划的调整提供决策支持。

(2)无法有效降低历史数据序列的非平稳性，预测结果精度低。受到煤炭港口生产作业导致的扬尘影响，煤炭港口空气质量时间序列具有极强的非平稳性，这导致许多传统的空气质量预测方法很难获得满意的预测结果。针对这一问题，一些空气质量预测方法融入了数据分解技术例如EMD(经验模态分解)、CEEMDAN(完全自适应噪声集合经验模态分解)、VMD(变分模态分解)以降低数据序列的非平稳性。然而，采用单一的数据分解技术分解后的数据序列中仍存在高频数据序列，难以进一步提高预测精度。

发明内容

为解决上述问题，本发明提出了一种基于数据分解和深度学习的煤炭港口空气质量预测方法。考虑煤炭港口生产作业对港口空气质量的影响，基于历史空气质量监测数据、气象数据、生产作业数据，利用CEEMDAN-VMD分解技术降低数据序列非平稳性并得到多个模态分量，对每个模态分量分别建立并训练Seq2Seq(序列到序列)模型，最后整合所有分量的预测结果，以此实现对煤炭港口空气质量的预测，为定量评估港口生产作业减排效果以及港口城市大气环境污染程度提供参考。

为了达到上述目的，本发明采用的技术方案为：

一种基于数据分解和深度学习的煤炭港口空气质量预测方法，该方法包括以下步骤：

步骤1、获取煤炭港口空气质量数据、气象数据、生产作业数据，对数据进行缺失值补全、异常值处理等操作，分别得到空气质量数据序列、气象数据和生产作业数据；

所述的煤炭港口的空气质量数据主要指PM10浓度数据；气象数据主要包括风向，风速，总云，低云，温度，相对湿度，气压；生产作业数据主要包括煤炭堆场中煤炭的堆存量，堆料机、取料机、以及堆取料机的作业效率，装船机的作业效率。