留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

GA-BP模型在大气微站数据修正中的应用

闫续 张国城 冯端 沈上圯 杨振琪 董谋 赵红达 刘晨照

闫续,张国城,冯端,等. GA-BP模型在大气微站数据修正中的应用[J]. 计量科学与技术,2024, 68(1): 24-30 doi: 10.12338/j.issn.2096-9015.2023.0341
引用本文: 闫续,张国城,冯端,等. GA-BP模型在大气微站数据修正中的应用[J]. 计量科学与技术,2024, 68(1): 24-30 doi: 10.12338/j.issn.2096-9015.2023.0341
YAN Xu, ZHANG Guocheng, FENG Duan, SHEN Shangyi, YANG Zhenqi, DONG Mou, ZHAO Hongda, LIU Chenzhao. Application of GA-BP Model in Data Correction of Atmospheric Miniature[J]. Metrology Science and Technology, 2024, 68(1): 24-30. doi: 10.12338/j.issn.2096-9015.2023.0341
Citation: YAN Xu, ZHANG Guocheng, FENG Duan, SHEN Shangyi, YANG Zhenqi, DONG Mou, ZHAO Hongda, LIU Chenzhao. Application of GA-BP Model in Data Correction of Atmospheric Miniature[J]. Metrology Science and Technology, 2024, 68(1): 24-30. doi: 10.12338/j.issn.2096-9015.2023.0341

GA-BP模型在大气微站数据修正中的应用

doi: 10.12338/j.issn.2096-9015.2023.0341
基金项目: 北京市科委“首都蓝天行动培育”项目(Z181100005418010)。
详细信息
    作者简介:

    闫续(1990-),北京市计量检测科学研究院/北京师范大学博士后,研究方向:环境中气体污染物监测仪器的计量评价和应用,邮箱:yanx@bjjl.cn

    通讯作者:

    张国城(1980-),北京市计量检测科学研究院正高级工程师,研究方向:化学分析与环境监测仪器的计量检测研究,邮箱:zhanggc@bjjl.cn

  • 中图分类号: TB99

Application of GA-BP Model in Data Correction of Atmospheric Miniature

  • 摘要: 针对大气微站中的电化学气体传感器选择性不足,容易受到非目标气体交叉干扰的问题,提出使用遗传算法(GA)优化的反向传播(BP)神经网络模型(GA-BP模型)对微站进行数据修正的方法。GA-BP模型在善于处理非线性黑箱问题的BP神经网络模型的基础上引入具有全局寻优能力的GA,通过GA对神经网络的初始参数进行优化,弥补了BP神经网络容易陷入局部极小值的缺陷,提升了模型整体的精度和稳定性。实验结果表明,经过GA-BP模型修正后的微站可以实现对混合气体中的NO2、CO、O3和SO2的准确定量分析,4种气体浓度的计算值和实测值之间的拟合优度(R2)均超过了0.95,与一元、多元线性回归和传统的BP神经网络相比,修正效果优势明显。此外,GA-BP模型还具有良好的泛化能力,将未参与训练的微站数据带入其中,得到的4种气体浓度计算值和实测值之间的R2值也均在0.88以上,证明了本方法具有很好的适用性,可以为厂家提升设备性能以及使用者得到准确的空气污染物的浓度数据提供有益的参考。
  • 图  1  四电极电化学气体传感器结构的示意图

    Figure  1.  Schematic of a four-electrode electrochemical gas sensor

    图  2  实验测试系统的示意图

    Figure  2.  Schematic diagram of the experimental

    图  3  GA-BP算法的流程图

    Figure  3.  Flowchart of the GA-BP algorithm

    图  4  GA-BP模型的训练误差曲线

    Figure  4.  Training error curve for the GA-BP model

    图  5  不同修正模型应用于微型站得到的4种气体浓度的计算值和实测值之间的比较

    Figure  5.  Comparison of calculated and actual measured values of four gas concentrations using different correction models in miniature stations

    图  6  使用GA-BP模型修正后的微站得到的4种气体的浓度和实测值之间的比较

    Figure  6.  Comparison between concentrations of four gases from the miniature station corrected with the GA-BP model and actual measurements

    表  1  不同模型应用于微站数据修正中效果的比较

    Table  1.   Effectiveness comparison of various models in data correction for miniature monitoring stations

    模型种类 气体 RMSE值 R2
    一元线性
    模型
    NO2 1.81 0.983
    CO 183.79 0.995
    O3 12.2 0.333
    SO2 36.62 0.025
    多元线性
    模型
    NO2 1.61 0.986
    CO 180.03 0.995
    O3 3.37 0.949
    SO2 23.43 0.6
    BP神经
    网络模型
    NO2 1.65±0.33 0.985±0.005
    CO 267.74±98.06 0.988±0.009
    O3 4.92±2.99 0.851±0.016
    SO2 11.53±4.88 0.886±0.09
    GA-BP
    模型
    NO2 1.28±0.29 0.991±0.004
    CO 172.33±29.77 0.995±0.002
    O3 2.53±0.34 0.971±0.007
    SO2 6.54±0.97 0.968±0.009
    下载: 导出CSV
  • [1] 秦孝良, 高健, 王永敏, 等. 传感器技术在环境空气监测与污染治理中的应用现状、问题与展望[J]. 中国环境监测, 2019, 35(4): 162-172. doi: 10.19316/j.issn.1002-6002.2019.04.20
    [2] 胡清, 张建宇, 王希铭, 等. 基于传感器方法的新型大气监测技术现状与发展建议[J]. 环境与可持续发展, 2019, 44(2): 43-46. doi: 10.19758/j.cnki.issn1673-288x.201902043
    [3] 刘烨, 李雯. 大气污染网格化监测与传感器技术应用分析[J]. 资源节约与环保, 2022, 4: 62-65. doi: 10.3969/j.issn.1673-2251.2022.11.016
    [4] 张晶雯. 大气污染热点网格技术发展现状及在太原市的运用[J]. 现代工业经济和信息化, 2018, 8(13): 52-53,57. doi: 10.16525/j.cnki.14-1362/n.2018.13.22
    [5] 刘旭, 闫益康, 王海新, 等. “空天地”一体化监测技术在京津冀大气污染防治工作中的应用[J]. 科技创新与应用, 2019, 19: 1-6. doi: 10.3969/j.issn.2095-2945.2019.04.001
    [6] 温雪山, 刘荣安. 大气污染防治网格化监测的应用案例分析[J]. 节能与环保, 2019, 11: 108-109. doi: 10.3969/j.issn.1009-539X.2019.01.046
    [7] 邰菁菁, 叶露. 大气网格化监测技术在上海市嘉定区的应用[J]. 中国环保产业, 2020, 5: 65-69. doi: 10.3969/j.issn.1006-5377.2020.03.017
    [8] 李沫. 乌鲁木齐市大气网格化监测体系建设及应用[J]. 环境生态学, 2020, 2(9): 89-91.
    [9] 殷小鸽, 张伟, 李喆, 等. 大气网格化监测应用——以天津市某区为例[J]. 中国新技术新产品, 2021, 8: 124-128. doi: 10.3969/j.issn.1673-9957.2021.18.041
    [10] 刘心宇, 黄俊, 张丽丽, 等. 混合部署型网格化大气质量监测系统的设计及数据分析应用[J]. 环境与可持续发展, 2019, 44(4): 154-157. doi: 10.19758/j.cnki.issn1673-288x.201904154
    [11] 王莉华, 安欣欣, 景宽, 等. 大气网格化监测运行维护管理现状与展望[J]. 中国环境监测, 2021, 37(2): 16-22. doi: 10.19316/j.issn.1002-6002.2021.02.03
    [12] 王浩, 王超. 网格化微型空气质量监测系统可行性研究[J]. 环境工程, 2023, S1: 298-300,362.
    [13] 王春迎, 潘本峰, 吴修祥, 等. 基于大数据分析的大气网格化监测质控技术研究[J]. 中国环境监测, 2016, 32(6): 1-6. doi: 10.19316/j.issn.1002-6002.2016.06.01
    [14] 陈红. 大气环境网格化精准监测系统概述[J]. 中国环保产业, 2016, 6: 46-48. doi: 10.3969/j.issn.1006-5377.2016.06.014
    [15] 尚伟, 白笑晨, 孙亚刚, 等. 大气网格化监测系统的构建及其在区域环境空气质量精细化管理中的应用[J]. 环境工程学报, 2022, 16(9): 3081-3091. doi: 10.12030/j.cjee.202204164
    [16] 梁粤. 便携式仪器在大气环境观测中数据订正的优化及应用[D]. 广州: 暨南大学, 2021.
    [17] 李广义. “一氧化碳”的电化学式气体传感器的应用和探讨[J]. 计量科学与技术, 2021, 65(3): 40-43.
    [18] 路佳城. 基于电化学传感器的大气NO2和O3监测研究[D]. 淮南: 安徽理工大学, 2022.
    [19] 张国城, 赵红达, 赵俊秀, 等. 两种微型空气质量监测站气体交差干扰的数学模型[J]. 计量技术, 2020, 64(1): 46-49.
    [20] HOSSAIN M, SAFFELL J, BARON R. Differentiating NO2 and O3 at low cost air quality amperometric gas sensors[J]. ACS Sensors, 2016, 1: 1291-1294. doi: 10.1021/acssensors.6b00603
    [21] 徐雨. 城市大气测量用高灵敏NO2电化学传感系统研究[D]. 淮南: 安徽理工大学, 2018.
    [22] ZUIDEMA C, AFSHAR-MOHAJER N, TATUM M, et al. Efficacy of Paired Electrochemical Sensors for Measuring Ozone Concentrations[J]. Journal of Occupational and Environmental Hygiene, 2019, 16(2): 179-190. doi: 10.1080/15459624.2018.1540872
    [23] 刘培源, 李剑, 夏春, 等. 多种气体对烟气分析仪中电化学传感器的交叉干扰研究[J]. 计量科学与技术, 2023, 67(7): 62-67,52. doi: 10.12338/j.issn.2096-9015.2023.0221
    [24] 代啟林, 李佳颖, 李响, 等. 电化学气体传感器多传感器数据融合[J]. 仪表技术与传感器, 2016, 5: 15-17,24. doi: 10.3969/j.issn.1002-1841.2016.02.005
    [25] 管海翔. 基于电化学法的微量有害气体检测技术研究[D]. 北京: 北京化工大学, 2020.
    [26] ZAMORA M L, BUEHLER C, LEI H. Evaluating the performance of using low-cost sensors to calibrate for cross-sensitivities in a multipollutant network[J]. ACS ES& T Engineering, 2022, 2: 780-793.
    [27] 闫续, 张国城, 沈上圯, 等. 网格化空气质量监测仪中气体干扰模型的建立[J]. 仪表技术与传感器, 2023(4): 36-41. doi: 10.3969/j.issn.1002-1841.2023.04.008
    [28] 董珍一, 林莉, 孙旭, 等. 基于BP神经网络的超声表面波定量表征金属表层裂纹深度研究[J]. 仪器仪表学报, 2019, 40(8): 31-38. doi: 10.19650/j.cnki.cjsi.J1904987
    [29] 乔文超, 王红雨, 王鸿东. 基于BP神经网络的无人机IMU多传感器冗余的补偿算法[J]. 电子测量与仪器学报, 2020, 34(10): 19-28. doi: 10.13382/j.jemi.B2002968
    [30] 张建, 李阳, 程序. 车载终端校准系统设计及定位误差修正[J]. 计量科学与技术, 2023, 67(6): 16-21. doi: 10.12338/j.issn.2096-9015.2023.0160
    [31] 程换新, 刘军亮. 基于GA-BP神经网络在手写数字识别中的应用研究[J]. 电子测量技术, 2019, 42(9): 89-92. doi: 10.19651/j.cnki.emt.1802355
    [32] 陈岳飞, 王理, 喻准, 等. 融合型智能控制技术研究与应用[J]. 计量科学与技术, 2023, 67(6): 29-36,2. doi: 10.12338/j.issn.2096-9015.2023.0147
  • 加载中
图(6) / 表(1)
计量
  • 文章访问数:  117
  • HTML全文浏览量:  59
  • PDF下载量:  9
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-12-08
  • 录用日期:  2023-12-15
  • 修回日期:  2023-12-19
  • 网络出版日期:  2023-12-21
  • 刊出日期:  2024-01-18

目录

    /

    返回文章
    返回