CN119904083B 基于强化学习的城市污染源动态分布调控方法 （安徽配隆天环保科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119904083B(45)授权公告日2025.07.04

(21)申请号202510399752.8

(22)申请日2025.04.01

(65)同一申请的已公布的文献号申请公布号CN119904083A

(43)申请公布日2025.04.29

(73)专利权人安徽配隆天环保科技有限公司地址230031安徽省合肥市蜀山区蜀山新

产业园区振兴路1499号联东U谷1-03号4楼401室

(72)发明人单化理沈新洪源张楠

李棒棒郭鹏

(74)专利代理机构合肥北极牛知识产权代理事

务所(特殊普通合伙)34239专利代理师刘思伟

(51)Int.CI.

G06Q10/0631(2023.01)

G06Q50/26(2024.01)

GO6N3/092(2023.01)

GO6F18/214(2023.01)

GO6F18/2431(2023.01)

GO6F18/10(2023.01)

(56)对比文件

CN119090243A,2024.12.06

杨玥等.“基于GAT-Informer模型的河南省空气污染物浓度预测”.《电脑知识与技术》

.2025,第21卷(第7期),第7-10页.

审查员余子敬

权利要求书4页说明书11页附图2页

(54)发明名称

基于强化学习的城市污染源动态分布调控

方法

(57)摘要

CN119904083B本发明公开了一种基于强化学习的城市污染源动态分布调控方法，包括如下步骤：S1、采集空气污染的源数据，并进行预处理，构建污染数据集；S2、利用改进的Informer网络对污染数据集进行时间序列预测；S3、计算不同污染源对空气质量的影响程度，并构建污染源调控任务数据集；S4、建立博弈论多智能体强化学习环境，利用纳什均衡优化污染源智能体的调控策略，基于污染历史数据优化奖励机制，动态调整污染源调控策略；S5、计算污染源调整方案，优化污染调控参数；S6、执行污染调控策略，并进行迭代优化。本发明结合改进的Informer网络和博弈论多智能体强化学习，实现污染物浓度精准预测与污染源

CN119904083B

S1、

S1、采集空气污染的源数据，并进行预处理，构建污染数据集

S2、利用改进的Informer网络对污染数据集进行时间序列预测

S3、计算不同污染源对空气质量

的影响程度，并构建污染源调控任务数据集

S4、建立博弈论多智能体强化学习环境，

利用纳什均衡优化污染源智能体的调控策略，基于污染

历史数据优化奖励机制，动态调整污染源调控策略

S5、计算污染源调整方案，优化污染调控参数

S6、执行污染调控策略，并进行迭代优化

CN119904083B权利要求书1/4页

2

1.一种基于强化学习的城市污染源动态分布调控方法，其特征在于，包括如下步骤：

S1、采集空气污染的源数据，并对所述源数据进行数据清洗、格式转换和标准化处理，构建污染数据集；

S2、利用改进的Informer网络对污染数据集进行时间序列预测，计算不同污染物的未来浓度变化趋势，并结合空间插值方法计算污染物在不同区域的扩散情况，生成污染物时空分布预测数据；

S3、基于污染物时空分布预测数据，构建污染源影响因子矩阵，计算不同污染源对空气质量的影响程度，并结合污染源排放量和污染扩散特性构建污染源调控任务数据集；

S4、基于污染源调控任务数据集，建立博弈论多智能体强化学习环境，设定污染源智能体的状态空间、动作空间和收益函数，利用纳什均衡优化污染源智能体的调控策略，基于污染历史数据优化奖励机制，并结合污染治理资源约束条件，动态调整污染源调控策略，生成全局最优调控策略；

S5、结合全局最优调控策略，计算污染源调整方案，优化污染调控参数；

S6、执行污染调控策略，并对污染调控策略进行迭代优化；

所述S2中的改进的Informer网络采用稀疏自注意力机制和Top-u采样策略；

所述S5具体包括：

S51、基于全局最优调控策略中各污染源智能体的最优策略，生成污染源调整向量，所述污染源调整向量包括排放调整幅度、调控起止时间和区域执行权重；

S52、构建污染源调控参数优化目标函数，所述目标函数以最小化污染物浓度预测误差、降低污染扩散强度和提高资源利用效率为优化