CN107576771A - 一种基于最小二乘法的水库纳污能力预警方法 - Google Patents
一种基于最小二乘法的水库纳污能力预警方法 Download PDFInfo
- Publication number
- CN107576771A CN107576771A CN201710829327.3A CN201710829327A CN107576771A CN 107576771 A CN107576771 A CN 107576771A CN 201710829327 A CN201710829327 A CN 201710829327A CN 107576771 A CN107576771 A CN 107576771A
- Authority
- CN
- China
- Prior art keywords
- water quality
- reservoir
- water
- msub
- quality parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Removal Of Specific Substances (AREA)
Abstract
本发明公开了一种基于最小二乘法的水库纳污能力预警方法,包括以下步骤:(1)在水库选取若干个水质监测点;(2)对监测点高、中、低三个水层的水质进行监测;(3)计算水库水质参数;(4)根据历史水库水质参数数据,利用最小二乘法曲线拟合计算未来12小时的水质参数;(5)在预测时间段内出现预警值时提示。本发明对监测数据进行数据优化后进行函数拟合,预测未来12小时的水库水质参数,为管理人员提供辅助决策。
Description
技术领域
本发明涉及水域纳污技术领域,具体涉及一种基于最小二乘法的水库纳污能力预警方法。
背景技术
水域纳污能力分析是水污染总量控制的基础,其定量核算对保护水环境具有重要的意义。现行水库的纳污能力即水域污染纳污能力污染负荷计算方法采用《水域纳污能力计算规程》GB/T 25173—2001,存在以下问题:在水库纳污能力计算之前,需要进行水文资料、水质资料、排污口资料、水下地形资料等内容的调查,耗时长,且数据容易缺失和存在误差;模型计算法中的均匀混合模型、非均匀混合模型和分成模型需要大量数据的检验才能确定参数,存在一定的偶然;模型的求解及计算采用条件简化和假定的方式,存在主观判断,最终的结果无法客观的体现出水库的纳污能力。在不能准确计算水库的实时纳污能力的条件下,需要对水库水质进行实时监测并预测,以供管理者辅助决策,及时采取措施,以防水库水质恶劣变化。
发明内容
为解决上述现有技术存在的问题,本发明提出一种基于最小二乘法的水库纳污能力预警方法,通过最小二乘法对未来12小时的水库水质参数进行滚动预测,及时报警提示。
为达到上述目的,本发明的技术方案是:一种基于最小二乘法的水库纳污能力预警方法,包括以下步骤:
步骤S1:在水库选取若干个水质监测点;
步骤S2:在水质监测点对高、中、低三个水层的水质进行监测,利用水质传感器在线监测水质参数,所述水质参数包括:温度、PH值、浊度、含氧量、电导率、高锰酸盐、氨氮、总磷总氮、叶绿素、蓝绿藻;
步骤S3:计算水质监测点所在的区域水质参数和整个水库的水质参数:
smn=(dmn+emn+fmn)/3
其中,m=1,2,...,M,M为水质监测点数量,n=1,2,...N,N为监测的水质参数的种类数,smn为第m个水质监测点所在区域的第n种水质参数数据,dmn、emn、fmn分别为第m个水质监测点高、中、低层的第n 种水质参数数据,Sn为水库的第n种水质参数数据;
步骤S4:根据水库的历史水质参数数据,利用最小二乘法曲线拟合计算未来12小时的水质参数;
步骤S5:根据水库水质等级要求设定每种水质参数预警值,当预测时间段内出现预警值则报警提示。
进一步地,所述步骤S1按如下方法选取水质监测点:将水库的水面拟化成若干个面积相等的多边形,利用多边形最大内切圆算法得到圆心,所述圆心所在地即选取为水库的水质监测点。
进一步地,所述步骤S4具体包括:
步骤S41:将监测到的预测时刻前240小时的水库水质参数按时间和水质参数数值在直角坐标系中形成若干点Pi(xi,yi),x轴为时间,y 轴为水质参数数值,得到y=f(x)的曲线,i=1,2,...I,I为历史数据个数;
步骤S42:计算y=f(x)的拟合曲线拟合曲线在点 Pi(xi,yi)处的偏差为
设拟合曲线的多项式为:
y=a0+a1x+…+akxk
令点Pi(xi,yi)到拟合曲线的偏差的平方和最小:
通过多项式的分解计算得到a0,a1,...,ak,从而得到拟合曲线在未来12小时的水库水质参数。
与现有技术相比,本发明具有以下有益效果:
(1)数据来源于水质实时在线监测,无需完整的水文资料或水下地形资料等;
(2)对监测数据进行数据优化后进行函数拟合,数据客观性和实时性较高。
附图说明
图1是本发明一种基于最小二乘法的水库纳污能力预警方法的流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,一种基于最小二乘法的水库纳污能力预警方法,包括以下步骤:
步骤S1:将水库的水面拟化成10个面积相等的多边形,利用多边形最大内切圆算法得到圆心,所述圆心所在地即选取为水库的水质监测点。
步骤S2:在水质监测点对高、中、低三个水层的水质进行监测,利用水质传感器在线监测水质参数,所述水质参数包括:温度、PH值、浊度、含氧量、电导率、高锰酸盐、氨氮、总磷总氮、叶绿素、蓝绿藻;
步骤S3:计算水质监测点所在的区域水质参数和整个水库的水质参数:
smn=(dmn+emn+fmn)/3
其中,m=1,2,...,M,M,为水质监测点数量,M=10,n=1,2,...N,N为监测的水质参数的种类数,smn为第m个水质监测点所在区域的第n 种水质参数数据,dmn、emn、fmn分别为第m个水质监测点高、中、低层的第n种水质参数数据,Sn为水库的第n种水质参数数据;
步骤S4:根据水库的历史水质参数数据,利用最小二乘法曲线拟合计算未来12小时的水质参数;
步骤S4具体包括:
步骤S41:将监测到的预测时刻前240小时的水库水质参数按时间和水质参数数值在直角坐标系中形成若干点Pi(xi,yi),x轴为时间,y 轴为水质参数数值,得到y=f(x)的曲线,i=1,2,...I,I为历史数据个数;在本实施例中,以1小时为时间间隔,每种水质参数有240个数据;还可以缩短时间间隔,选取更多的历史数据;
步骤S42:计算y=f(x)的拟合曲线拟合曲线在点 Pi(xi,yi)处的偏差为
设拟合曲线的多项式为:
y=a0+a1x+…+akxk
令点Pi(xi,yi)到拟合曲线的偏差的平方和最小:
通过多项式的分解计算得到a0,a1,...,ak,从而得到拟合曲线在未来12小时的水库水质参数。
步骤S5:按照水库水质等级要求,根据《中华人民共和国地表水环境质量标准》,对照《地表水环境质量标准基本项目标准限值》设定每种水质参数预警值,当预测时间段内出现预警值则报警提示。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种基于最小二乘法的水库纳污能力预警方法,其特征在于,包括以下步骤:
步骤S1:在水库选取若干个水质监测点;
步骤S2:在水质监测点对高、中、低三个水层的水质进行监测,利用水质传感器在线监测水质参数,所述水质参数包括:温度、PH值、浊度、含氧量、电导率、高锰酸盐、氨氮、总磷总氮、叶绿素、蓝绿藻;
步骤S3:计算水质监测点所在的区域水质参数和整个水库的水质参数:
smn=(dmn+emn+fmn)/3
<mrow>
<msub>
<mi>S</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>s</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
其中,m=1,2,...,M,M为水质监测点数量,n=1,2,...N,N为监测的水质参数的种类数,smn为第m个水质监测点所在区域的第n种水质参数数据,dmn、emn、fmn分别为第m个水质监测点高、中、低层的第n种水质参数数据,Sn为水库的第n种水质参数数据;
步骤S4:根据水库的历史水质参数数据,利用最小二乘法曲线拟合计算未来12小时的水质参数;
步骤S5:根据水库水质等级要求设定每种水质参数预警值,当预测时间段内出现预警值则报警提示。
2.根据权利要求1所述的一种基于最小二乘法的水库纳污能力预警方法,其特征在于,所述步骤S1按如下方法选取水质监测点:将水库的水面拟化成若干个面积相等的多边形,利用多边形最大内切圆算法得到圆心,所述圆心所在地即选取为水库的水质监测点。
3.根据权利要求1所述的一种基于最小二乘法的水库纳污能力预警方法,其特征在于,所述步骤S4具体包括:
步骤S41:将监测到的预测时刻前240小时的水库水质参数按时间和水质参数数值在直角坐标系中形成若干点Pi(xi,yi),x轴为时间,y轴为水质参数数值,得到y=f(x)的曲线,i=1,2,...I,I为历史数据个数;
步骤S42:计算y=f(x)的拟合曲线拟合曲线在点Pi(xi,yi)处的偏差为
设拟合曲线的多项式为:
y=a0+a1x+…+akxk
令点Pi(xi,yi)到拟合曲线的偏差的平方和最小:
<mrow>
<msup>
<mi>min&delta;</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>a</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mi>k</mi>
</msup>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
通过多项式的分解计算得到a0,a1,...,ak,从而得到拟合曲线在未来12小时的水库水质参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710829327.3A CN107576771B (zh) | 2017-09-14 | 2017-09-14 | 一种基于最小二乘法的水库纳污能力预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710829327.3A CN107576771B (zh) | 2017-09-14 | 2017-09-14 | 一种基于最小二乘法的水库纳污能力预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107576771A true CN107576771A (zh) | 2018-01-12 |
CN107576771B CN107576771B (zh) | 2020-03-27 |
Family
ID=61033095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710829327.3A Active CN107576771B (zh) | 2017-09-14 | 2017-09-14 | 一种基于最小二乘法的水库纳污能力预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107576771B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492530A (zh) * | 2018-03-09 | 2018-09-04 | 深圳市宏电技术股份有限公司 | 一种水库泄洪预警信息发布方法、装置及*** |
CN111027011A (zh) * | 2019-12-20 | 2020-04-17 | 成都碧水水务建设工程有限公司 | 一种污水处理水质超标预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0712802A (ja) * | 1993-06-22 | 1995-01-17 | Sharp Corp | 水質モニタ装置および水質モニタ方法 |
CN104615871A (zh) * | 2015-01-26 | 2015-05-13 | 中国水利水电科学研究院 | 一种冰封期水功能区纳污能力计算方法 |
CN104679993A (zh) * | 2015-02-02 | 2015-06-03 | 中国水利水电科学研究院 | 一种基于二元水循环的纳污能力计算方法 |
CN105867124A (zh) * | 2016-04-06 | 2016-08-17 | 中国水利水电科学研究院 | 一种基于排放量与纳污能力均衡调控网络的污水处理*** |
-
2017
- 2017-09-14 CN CN201710829327.3A patent/CN107576771B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0712802A (ja) * | 1993-06-22 | 1995-01-17 | Sharp Corp | 水質モニタ装置および水質モニタ方法 |
CN104615871A (zh) * | 2015-01-26 | 2015-05-13 | 中国水利水电科学研究院 | 一种冰封期水功能区纳污能力计算方法 |
CN104679993A (zh) * | 2015-02-02 | 2015-06-03 | 中国水利水电科学研究院 | 一种基于二元水循环的纳污能力计算方法 |
CN105867124A (zh) * | 2016-04-06 | 2016-08-17 | 中国水利水电科学研究院 | 一种基于排放量与纳污能力均衡调控网络的污水处理*** |
Non-Patent Citations (1)
Title |
---|
徐心彤等: "吴江市水功能区纳污能力及限制排污总量研究", 《水资源与水工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492530A (zh) * | 2018-03-09 | 2018-09-04 | 深圳市宏电技术股份有限公司 | 一种水库泄洪预警信息发布方法、装置及*** |
CN111027011A (zh) * | 2019-12-20 | 2020-04-17 | 成都碧水水务建设工程有限公司 | 一种污水处理水质超标预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107576771B (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ausati et al. | Assessing the accuracy of ANFIS, EEMD-GRNN, PCR, and MLR models in predicting PM2. 5 | |
Zou et al. | A water quality prediction method based on the multi-time scale bidirectional long short-term memory network | |
CN110085281B (zh) | 一种基于特征污染因子源解析的环境污染溯源***及方法 | |
Bagheri et al. | Application of artificial intelligence for the management of landfill leachate penetration into groundwater, and assessment of its environmental impacts | |
Kulisz et al. | Forecasting water quality index in groundwater using artificial neural network | |
Yildirim et al. | Adaptive neuro-fuzzy based modelling for prediction of air pollution daily levels in city of Zonguldak | |
Aldrees et al. | Prediction of water quality indexes with ensemble learners: Bagging and boosting | |
Mamun et al. | Smart water quality monitoring system design and KPIs analysis: case sites of fiji surface water | |
Abdul-Wahab et al. | Prediction of optimum sampling rates of air quality monitoring stations using hierarchical fuzzy logic control system | |
CN107576771A (zh) | 一种基于最小二乘法的水库纳污能力预警方法 | |
Imen et al. | Developing a model-based drinking water decision support system featuring remote sensing and fast learning techniques | |
Bertone et al. | Hybrid water treatment cost prediction model for raw water intake optimization | |
Xu et al. | Status and fuzzy comprehensive assessment of metals and arsenic contamination in farmland soils along the Yanghe River, China | |
Ayus et al. | Comparison of machine learning and deep learning techniques for the prediction of air pollution: a case study from China | |
Abba et al. | Inverse groundwater salinization modeling in a sandstone’s aquifer using stand-alone models with an improved non-linear ensemble machine learning technique | |
Meghana et al. | Design and development of real-time water quality monitoring system | |
Rossouw et al. | Predictive maintenance framework for cathodic protection systems using data analytics | |
Karabegović | New Technologies, Development and Application IV | |
Ntshako et al. | Potable water quality monitoring: A survey of intelligent techniques | |
CN114638412B (zh) | 一种危废处置能力预警方法、装置、电子设备及存储介质 | |
Verma et al. | hour advance forecast of surface Ozone using linear and non-linear models at a semi-urban site of Indo-Gangetic plain | |
CN114624411A (zh) | 一种水源地取水口附近水域的水质预警方法 | |
Trach et al. | Predicting the Influence of Ammonium Toxicity Levels in Water Using Fuzzy Logic and ANN Models | |
Putro et al. | Modeling methane emission of wastewater Anaerobic pond at Palm oil mill using radial basis function neural network | |
AL-OBAIDI et al. | Influence of a river water quality on the efficiency of water treatment using artificial neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 350001 unit 6, 4 building, 245 Xiu Shan Road, Xin Dian Town, Jinan District, Fuzhou, Fujian, 608 Applicant after: Four creation technology limited company Address before: 350108 unit 6, 4 building, 245 Xiu Shan Road, Xin Dian Town, Jinan District, Fuzhou, Fujian, 608 Applicant before: Fujian Strong Software Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |