基于大数据分析的大气网格化监测质控技术研究

王春迎，潘本峰，吴修祥，宋艳艳，张 玲，马景金，孙 凯

1.河北先河环保科技股份有限公司，河北 石家庄 050035 2.中国环境监测总站,国家环境保护环境监测质量控制重点实验室，北京 100012 3.中国环境保护产业协会，北京 100000

基于大数据分析的大气网格化监测质控技术研究

王春迎1，潘本峰2，吴修祥1，宋艳艳1，张 玲1，马景金1，孙 凯3

1.河北先河环保科技股份有限公司，河北 石家庄 050035 2.中国环境监测总站,国家环境保护环境监测质量控制重点实验室，北京 100012 3.中国环境保护产业协会，北京 100000

基于对现阶段中国环境空气的污染特征及监测手段进行分析，研究了如何采用传感器技术进行大气污染防治网格化监测。对标物校准、训化校准、自适应校准、传递校准等校准质控技术进行了充分研究并基于此建立了自主学习神经网络算法的校准体系。为解决传感器应用过程中零点漂移、温度和湿度漂移、时间漂移等问题，利用大数据、基因算法成功开发出了智能数据修正模型，实现了低成本、高稳定、具有相当精度且可自动化运行的网格化监测体系。

大数据；传感器；网格化监测；质控

近年来，针对中国环境污染情况，各地区采取了一定的措施，但改善的速度、幅度距离新的环境空气质量标准要求和国际先进水平仍有一定差距。城市污染源主要来自于扬尘、工业生产、机动车排放、燃煤、餐饮等污染。大气污染排放情况复杂多变，缺乏完整的动态污染源排放清单。因此，需要对区域内各类污染物来源进行更严格的管控，对环境实施精细化管理。

在国务院办公厅《关于加强环境监管执法的通知》的要求下，许多地区采用人工监管方式对城市环境进行网格化管理，在大气污染防治工作中取得了显著成效，但人力、物力消耗巨大，且时效性与对突发污染事件的响应和判别存在较大不足。而传统的监测设备由于价格昂贵、体积庞大，不能完全满足网格化环境监管工作的需要，尤其在局部污染及污染细节监测方面的能力稍显不足，难以满足环境精细化管理需求[1]。传感器技术凭借方便、快捷及待测物持续动态监测等特点，在北京市通州区、河北省石家庄市等地有了较为广泛的应用，为各地政府进行网格化环境监管提供了科技支撑，促进当地政府治理大气污染由凭经验、凭感觉、粗放式向网格化、实时化、精准化治霾转变，大幅提升治霾的工作效能，推动大气质量持续改善。但是在实际应用过程中，若单纯采用传感器进行网格化建设时，仍存在很多问题。

1 大气网格化监测网络设计及问题

大气网格化监测，通过大量应用传感器技术，打破了传统空气质量评价监测的点位限制，建设并融合环境质量监控网格、重点污染源监控网格等不同监测网格，实现对监测区域的全覆盖精准监控，消灭监测盲区，实时掌握区域内环境污染分布状况及空气质量变化趋势，为实现区域环境空气质量精细化管理提供支撑。但是如何克服传感器固有的零漂、温漂、时漂等缺陷，保证监测数据的准确、稳定、可靠，是目前开展大气网格化监测网络设计的难点。

1.1 大气网格化监测网络设计原则

为达到区域大气污染防治精细化管理的目的，根据不同污染源类型及监控需求，在目标区域采用高密度网格点布设实测的方法进行网格化布点，对各点位相关污染物浓度进行实时监测，实现整个区域高时间分辨率、高空间分辨率和多参数的实时动态监测；反映整个城市、背景、边界、传输通道、农村乡镇以及城乡结合部等区域的空气质量整体状况和变化趋势。

对区域内污染源重点监控，科学评估区域内主要固定污染源、工业园区、道路交通、无组织排放源的污染排放状况及其对环境空气质量的影响。

1.2 大气网格化监测技术要求

大气网格化监测技术是对传统监测大气环境监测技术的有效补充，在实际应用过程中，大气网格化监测需满足以下技术要求。

监测参数全面：按照《GB 3095—2016环境空气质量标准》对环境空气中空气污染物一般项目的监测要求，大气网格化监测系统，应能够对环境大气中的颗粒物(PM10、PM2.5)、二氧化硫(SO2)、二氧化氮(NO2)、一氧化碳(CO)及臭氧(O3)进行监测，在特殊地区，还应能对硫化氢、VOC等特征污染物进行监测。

多种环境下的数据准确性：大气网格化监测技术可实现对整个区域的全覆盖监测，包括居民区、商业区、道路交通、建筑工地、工业排放源等多种环境监测对象。不同监测对象间存在较大的环境差异性。大气网格化监测技术必须保证在不同应用场景下，测量结果具有良好的一致性及可靠性。

时间分辨率较高：大气污染物变化迁移始终是动态的，较高的时间分辨率可以捕捉到更多的空气质量信息。在应用中，大气网格化监测技术时间分辨率一般不大于15 min，较常规的空气质量自动站提升了4倍。

稳定的数据传输：大气网格化监测应采用实时连续监测，监测数据应实时汇集至数据中心进行处理。实时数据传输的最大延迟时间不应超过30 s。

1.3 传感器技术在大气网格化监测中的应用现状与问题

传感器是能够感受规定的被测量信号并按一定规律转换成可用输出信号的器件或装置的总称，通常被测量是非电物理量，输出信号一般为电量[2]。在环境空气质量监测中，光学传感器[3]通常利用光散射方法来监测空气中颗粒物及粉尘的浓度，不改变浮游粉尘的物理化学性质，能够自动连续监测空气中的含尘浓度，但仪器的响应经常受到尘粒结构、形状、粒度及光源波长等因素的影响[4]。研究表明，颗粒物的粒度分布对散射光强的影响较大，颗粒物的粒径越大，测量的颗粒物浓度值会偏低；同时，水雾对光散射测量的影响也较大，测量的颗粒物在含有水雾的情况下，会导致测量结果偏大[5]。光散射方法测量环境空气中的颗粒物浓度，尤其是空气中大粒径颗粒物的浓度，会有较大的偏差，不能直接用于环境空气中颗粒物的监测[6]。

用于检测碳氢化合物、羰基化合物、硫化物、硫氧化物、氮氧化物等[7]的电化学传感器在实际应用中主要存在两个问题：第一是交叉灵敏度问题，即一个传感器同时对几种气体敏感，在混合气体测量过程中容易产生交叉干扰现象；第二就是气体传感器的特性漂移问题，即输入-输出特性随时间不断发生缓慢变化。其中，导致电化学传感器特性漂移的因素比较复杂，如传感器本身的老化、环境因素的变化等，而且漂移往往是随机的，没有规律性，严重影响应用过程中的准确性。通过基于神经网络预测器和系统辨识器的动态在线标定法，可实现传感器特性漂移的判定，但此方法[8]仅在漂移幅度较大时比较有效，仍然不能完全解决传感器的特性漂移问题。

为解决传感器特性漂移的问题，部分研究人员采用标准气体对传感器进行校准[9]。但考虑到传感器会受空气成分组成及环境条件影响，因此国外标准机构要求在对电化学传感器校准时，需使用空气作为背景气[10]。然而，即使用以空气作背景气进行标定、测量时没发现误差，但由于设备使用环境在不断变化中，背景气的代表性通常较差，也不能保证传感器在实际应用场合下的测量准确性。

因此，为了提高传感器在环境监测中的数据准确性与长期运行稳定性，迫切需要一种能有效修正环境背景中温、湿度影响和交叉气体干扰以及特性漂移的新技术和新方法。

2 大数据融合联动修正质控技术设计及验证

本文介绍了一种将传感器技术与国标法技术联合的“大数据融合联动修正”技术，通过建立基于自主学习神经网络算法[11]的四种校准体系即标物校准、训化校准、大数据分析的实时校准(又叫自适应校准)与传递校准。解决了传感器应用过程中零点漂移、温度漂移、时间漂移等问题，提高了气体传感器在应用过程中的数据准确性和长期运行稳定性。

2.1 标物校准及训化校准

首先，在实验室进行气体传感器的标准物质校准，即采用多种标准气体混合，在不同的混合比例、不同浓度梯度及不同环境条件下，对传感器进行标定，并通过基因算法对气体传感器交叉干扰仅环境(温、湿度)进行修正，并保证气体传感器在量程范围内的线性。

其次，在室外，利用国家标准方法仪器(空气自动站)对气体传感器进行训化，并通过基因算法自动适应环境变化，保证气体传感器在不同环境条件下数据质量的一致性。

2.2 大数据分析的实时校准

由于气体传感器受空气成分及环境条件的影响较大，不同地区环境条件及污染气体成分差别较大，气体传感器在同一地点校准后，不适用于其他地区应用。为了解决这一问题，采用了气体传感器与国家标准方法仪器组合布点的方式，在一定区域范围内，运用大数据平台，使用国家标准方法仪器的监测数据实时监控传感器的数据漂移情况，甄别异常设备；传感器设备定期自动获取规定区域的国家标准方法仪器的监测数据，从而自动开展运行的自适应校准，避免了环境差异、时间漂移、特征漂移造成数据不准问题，保证长期稳定的运行，保证监测结果的有效性和准确性。

此外，采用国标法设备对污染源区域进行监测，数据具有法律效力，可直接用于环境执法。

2.3 传递校准

对于在特殊环境下，如在工业园区、道路交通、餐饮集中区等污染特征明显的区域安装和使用的颗粒物传感器与气体传感器，或者通过自适应校准不能完全保证传感器的数据质量时，利用装有国家标准方法仪器的移动校准车进行定期质控和校准，确保监测数据的准确和可靠。采用大数据管理平台，自动识别传感器的准确度，将偏离较大的传感器设备报警提醒，售后服务人员采用移动校准车对现场的传感器设备进行比对测试，并与移动校准车GPS自动匹配，实现非接触传递校准，可解决化工园区、企业、特殊污染区域、特殊时段测量的偏差，保证系统数据长期准确性。

2.4 基于大数据分析技术对传感器质控验证试验

2.4.1 训化校准前后对比

本实验采用经过标物校准与训化校准后传感器数据进行了分析。实验用的5台传感器均在气体标定实验室内完成标物校准，并在空气自动站附近进行比对，其中1#～4#的传感器采用了自主学习神经网络算法进行实时校准，5#传感器未采取任何校准措施，实验时间共2周(2016年2月1日至13日)。5台传感器与空气自动站数据对比见表1，传感器与空气自动站数据相关性见表2。

表1 传感器与空气自动站周均值偏差 %

表2 传感器与空气自动站数据相关性

实验结果表明，采用了自主学习神经网络算法进行实时校准的1#～4#传感器与空气自动站数据一致性较高，数据相关性达0.75以上，最大周均值偏差小于10.51%；5#传感器由于实验过程中未采取连续的校准措施，实验数据与空气自动站偏差超过30%，除颗粒物外，其他气体监测数据的相关性均低于60%。

2.4.2 自适应校准前后对比

实验在衡水市进行了测试。传感器室外环境连续运行3个月(2016年4月1日至6月30日)后，随机抽取1#～4#设备返回空气自动站附近进行连续一周(2016年5月27日至6月2日)的比对测试，并另选取5#未经校准的设备作为比较。5#仅使用了标物校准和训化校准，未进行现场实时校准。数据比对结果见表3、表4。

表3 传感器与空气自动站周均值偏差 %

表4 传感器与空气自动站数据相关性

数据对比结果表明，1#～4#经过校准和质控设备的传感器的测量均值与空气自动站偏差小于4.1%，数据相关性大于0.81；可以满足现场环境空气质量监测的要求；未校准设备的传感器，虽在运行前经过标准物质标定及现场训化，但由于缺乏后期的连续质控和校准，数据偏差超过30%，已经不满足于现场环境空气质量监测的要求。

2.4.3 结果验证

图1为O3自适应前后传感器与空气自动站浓度的对比，由图1可以看出，在经过标物校准、训化校准而未经过自适应校准的传感器设备与标准站监测浓度偏差很大，经过自适应校准后传感器与空气自动站浓度变化趋势相一致。

图1 O3自适应校准前后传感器与空气自动站浓度比较

图2为O3自适应校准前后传感器与空气自动站浓度误差的对比，由图2可以看出，在经过标物校准、训化校准而未经过自适应校准的传感器设备与空气自动站监测浓度误差很大，经过自适应校准后传感器与空气自动站浓度误差在±20 μg/m3。

图2 O3自适应校准前后传感器与空气自动站浓度误差比较

图3为O3自适应校准前后与空气自动站监测浓度相关性的对比图，由图3可以看出，经过校准后，传感器与空气自动站的数据相关性从0.779 7提高到0.93以上。

图3 O3自适应校准前后传感器与空气自动站监测浓度相关性比较

综上，采用传感器与国标方法仪器即空气自动站组合布设，可以在较大范围内保证传感器监测数据的准确性，提高监测水平。

3 结果与讨论

气体传感器目前在环境监测领域应用非常广泛，但气体传感器存在易受环境条件影响、气体交叉干扰及特性漂移等问题，测量准确性较低，限制了其在环境空气质量监测方面的应用效果。同时，对气体传感器仅采用标气校准的方式，也无法保证其在室外实际应用场合下数据的准确性。通过分析基于传感器技术在大气污染防治网格化管理中的应用，可以得出如下结论：

以自主学习神经网络算法为核心的四种校准体系即标物校准、训化校准、大数据分析的实时校准(又叫自适应校准)与传递校准，可对气体传感器实时、连续的校准，有效提高气体传感器监测数据的准确性。

在环境空气质量监测中，采用气体传感器与国标方法仪器的组合布点方式对传感器进行实时的校准和质控，能有效消除气体传感器在室外环境中可能受到的温、湿度影响和交叉干扰影响以及特性漂移问题，确保气体传感器的数据准确性和长期稳定性，对环境实施精细化管理具有重要意义。

[1] 王帅,王瑞斌,解淑艳,等.完善环境空气质量评价方法推动大气污染防治精细化管理[J].环境保护,2013,41(19):50-51.

[2] 谷有臣,孔英.传感器技术的发展和趋势综述[J].物理实验,2002,22(12):40-42.

[3] 邵红艳,张义浜.传感器技术在环境检测中的应用研究进展[J].化学分析计量,2009,18(6):86-88.

[4] 田国政,孙继平.光散射粉尘传感器的尘染补偿方法及光强分布的研究[J].煤炭学报,1997,22(6):632-636.

[5] 王自亮,赵恩标,吕银庄,等.粉尘浓度光散射测量影响因素的分析[J].煤炭学报,2007,32(6):604-607.

[6] 崔延青,李少华,杨建虎,等.β射线法与光散射法颗粒物监测仪在扬尘监测中的应用[J].中国科技成果,2015(17):18-20.

[7] 赵趆.车内空气质量与有害气体探测方法的研究[D].北京:中国科学院大学,2012.

[8] 丁晖,刘君华,申忠如,等.气体传感器特性漂移抑制的研究[J].计量学报,2002,23(1):69-73.

[9] 张青云,秦伟山,祁泽刚,等.气体传感器的自动标定校准系统研究与设计[J].计测技术,2010,30(S1):152-154.

[10] Canadian Standards Association.CAN/CSA-Z433-M92,Portable Gas Monitors[S].Ottawa:CSA Group,1992:18.

[11] 贺同智.自主学习神经网络算法研究[D].湖北:华中师范大学,2011.

Research on Quality Control of Atmospheric Grid Monitoring Based on Large Data Analysis

WANG Chunying1，PAN Benfeng2，WU Xiuxiang1，SONG Yanyan1，ZHANG Ling1，MA Jingjin1，SUN Kai3

1.Hebei Sailhero Environmental Protection Hi-tech Co.,Ltd., Shijiazhuang 050035, China 2.State Environmental Protection Key Laboratory of Quality Control in Environmental Monitoring, China National Environmental Monitoring Centre, Beijing 100012, China 3.China Association of Environmental Protection Industry, Beijing 100000, China

The pollution characteristics and monitoring methods of environmental air in China are analyzed, and how to adopt the sensor technology to monitor the air pollution prevention and control is studied. The calibration quality control technology, such as calibration, acclimation, adaptive calibration and transfer calibration, has been fully researched and a calibration system for autonomous learning neural network algorithm is established. In order to solve the problem of zero drift, temperature and humidity drift and time drift in the process of sensor application, this paper develops an intelligent data correction model using large data and genetic algorithm, and achieves low cost, high stability, accuracy and automatic operation of the grid monitoring system.

large data；sensor；grid monitoring；quality control

2016-10-08;

2016-10-25

王春迎(1982-)，女，河北张家口人，硕士，工程师。

孙 凯

X831

A

1002-6002(2016)06- 0001- 06

10.19316/j.issn.1002-6002.2016.06.01