CN111811580A - 一种水量/水质监测布点方法及预警响应*** - Google Patents
一种水量/水质监测布点方法及预警响应*** Download PDFInfo
- Publication number
- CN111811580A CN111811580A CN202010723387.9A CN202010723387A CN111811580A CN 111811580 A CN111811580 A CN 111811580A CN 202010723387 A CN202010723387 A CN 202010723387A CN 111811580 A CN111811580 A CN 111811580A
- Authority
- CN
- China
- Prior art keywords
- water
- data
- water quality
- sensor
- water quantity
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 220
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 230000004044 response Effects 0.000 title abstract description 6
- 239000007788 liquid Substances 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 239000010865 sewage Substances 0.000 claims abstract description 16
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000003344 environmental pollutant Substances 0.000 description 10
- 231100000719 pollutant Toxicity 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000356 contaminant Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001970 hydrokinetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Sewage (AREA)
Abstract
本发明公开一种水量/水质监测布点方法及预警响应***,通过识别第一待检测区域内的河道,并在河道布设传感器以获取水量数据和水质数据;识别第二待检测区域内的污水管网,在每条污水管网的上、中游分别布设液位传感器以获取水量数据;识别第三待检测区域内的雨水管网,在雨水管网内布设传感器以获取水量数据和水质数据;识别第四待检测区域内的初雨箱涵,在每条初雨箱涵设置液位传感器和水质传感器以获取水量数据和水质数据。本发明通过在待检测区域内布设水量水质传感器,采集各个设施的数据并进行分析,构成密集的水量/水质监测网络,可对区域内水进行网状检测,能得到更多更精准的数据,对水的调配起到积极的作用,提高了水调配的精准性和及时性。
Description
技术领域
本发明涉及水利环境技术领域,特别涉及一种水量/水质监测布点方法及预警响应***。
背景技术
水资源是国家的重点环保资源,影响这广大人们的生活,各行各业都离不开水,因此需要对河道的水量和水质进行布点检测,积累相关数据以对地区水的状态进行分析。
现有技术中,中国专利(公布号:CN 110472796 A)公开了一种水量水质检测方法,通过在河道的入流、出流点、排水分区测点和典型项目测点及其水量和水质监测值设置传感器来检测水量和水质。但城市中水的入口和出口是多样的,河道通过的地区也是不同的,这种方法测得的检测数据对于某个地区来说比较片面,不能很好的反映出水的变化。因此需要建立一套更加行之有效的检测体系,来应付复杂的河道环境。
发明内容
针对现有技术中水量水质检测精准性和及时性较差的问题,本发明提出一种水量/水质监测布点方法及预警响应***,通过在待检测区域内布设水量水质传感器,采集各个设施的数据并进行分析报警,可形成对区域内水的网状检测,能得到更多更精准的数据,对水的调配有积极的作用,提高了精准性和及时性。
为了实现上述目的,本发明提供以下技术方案:
一种水量/水质监测布点方法,具体包括以下步骤:
识别第一待检测区域内的河道,并在河道的上游和中游分别布设液位传感器、下游布设流量传感器来获取水量数据,在上、中、下游或汇流口处分别布设水质传感器获取水质数据;
识别第二待检测区域内的污水管网,在每条污水管网的上、中游分别布设液位传感器以获取水量数据,下游布设流量传感器和水质传感器以获取水量数据和水质数据;
识别第三待检测区域内的雨水管网,将第三待检测区域内划分成一般区域和重点区域;在一般区域中管径≥DN1000的雨水管网内布置流量+水质传感器以获取水量数据和水质数据、管径<DN1000的雨水管网内布设液位传感器以获取水量数据;在重点区域中管径≥DN600的水管网内置流量+水质传感器以获取水量数据和水质数据、管径<DN600的雨水管网内布设液位传感器以获取水量数据;
识别第四待检测区域内的初雨箱涵,在每条初雨箱涵的上中游分别设置液位传感器以获取水量数据,下游设置流量传感器和水质传感器以获取水量数据和水质数据。
优选的,还包括:
识别第五待检测区域内的补水***,在每个补水点和补水泵站设置流量在线监测设备以获取补水量。
优选的,还包括:
识别第六待检测区域内的水库,在水库周围安装感知设备检测水库水文水质变化情况,感知设备包括:翻斗式雨量计、雷达液位计、摄像装置、水质传感器。
优选的,还包括:
识别第七待检测区域内的内涝点,在内涝点周围布设液位传感器和水质传感器以获取水量数据和水质数据。
优选的,所述第一待检测区域内的河道包括第一断面、第二断面和第三断面,通过在断面处设置水量和水质传感器,得到水质和水文的变化数据。
优选的,所述水质传感器包括光学法传感器和化学法传感器;所述水质数据包括ORP、氨氮、COD、总磷、pH和电导率。
优选的,所述污水管网包括一级节点、二级节点和三级节点;在一级节点的上、中游分别布设液位传感器,下游布设流量传感器和水质传感器以获取水量数据和水质数据;在二级节点布设液位传感器以获取水量数据;在三级节点布设流量传感器和水质传感器以获取水量数据和水质数据。
优选的,还包括在所述每条初雨箱涵的上游设置液位传感器,中游设置流量+水质传感器,下游设置液位传感器+水质传感器,以获取每条初雨箱涵的水量数据和水质数据。
本发明还提供一种水量/水质监测预警***,包括数据采集模块和数据分析报警模块;数据采集模块,用于采集水量水质数据并上传到数据分析报警模块;数据分析报警模块,用于将采集的数据与预设的报警数据进行比对,当采集的数据超过预设的报警数据时,发出报警信号。
综上所述,由于采用了上述技术方案,与现有技术相比,本发明至少具有以下有益效果:
本发明通过在待检测区域内布设水量水质传感器,采集各个设施的数据并进行分析,构成密集的水量/水质监测网络,可对区域内水进行网状检测,能得到更多更精准的数据,对水的调配起到积极的作用,提高了水调配的精准性和及时性。
附图说明:
图1为根据本发明示例性实施例的一种水量/水质监测布点方法示意图。
图2为根据本发明示例性实施例的一种水量/水质监测预警***示意图。
图3为根据本发明示例性实施例的水质异常预警流程示意图。
具体实施方式
下面结合实施例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1所示,本发明提供一种水量/水质监测布点方法,具体包括以下步骤:
识别第一待检测区域内的所有河道,并在河道的上游和中游布设液位传感器、下游布设流量传感器来获取水量数据,在上、中、下游或汇流口处布设水质传感器获取水质数据;
本发明是针对大范围区域进行检测的,因此河道会出现跨市跨区的现象,即第一待检测区域内的河道包括第一断面、第二断面和第三断面等,通过在断面处设置水量和水质传感器,得到水质和水文的变化情况,锁定异常河段,有助于跨市、区河流污染问题的协调解决。
本实施例中,上、中游的水质传感器为光学法传感器,下游的水质传感器为化学法传感器,水质数据包括ORP、氨氮、COD、总磷、SS、PH、电导率等。
识别第二待检测区域内的污水管网,在每条污水管网的上、中游分别布设1个液位传感器,下游布设1个流量传感器和1个水质传感器以获取水量数据和水质数据。
本实施例中,第二待检测区域是会出现垮区的,即第二待检测区域包括多个检测子区域,为协调解决多个检测子区域水质水量波动问题,在不同检测子区域交界位置分别布设1个流量和1个水质以获取水量数据和水质数据。
同时,污水管网包括一级节点(主干管)、二级节点(污混接处)和三级节点(重点排水户或接驳点)。因此需在一级节点的上、中游分别布设1个液位传感器,下游布设1个流量传感器和1个水质传感器以获取水量数据和水质数据;在二级节点布设1个液位传感器,可考虑加密布设,能够实现对晴天污水偷排入污水管网的监控;在三级节点布设1个流量传感器和1个水质传感器进行针对性的检测。
识别第三待检测区域内的雨水管网,将第三待检测区域内划分成一般区域和重点区域,一般区域定义为经过前期清理完成的雨水管网区域,重点区域定义为未经过前期清理完成的雨水管网区域。
本实施例中,在一般区域中管径≥DN1000的雨水管网内布置流量+水质传感器,管径<DN1000的雨水管网内布设液位传感器;在重点区域中管径≥DN600的水管网内置流量+水质传感器,管径<DN600的雨水管网内布设液位传感器。
识别第四待检测区域内的初雨箱涵,在每条初雨箱涵的上中游分别设置1个液位传感器,下游设置流量传感器和水质传感器以获取水量数据和水质数据。在初雨箱涵发生溢流污染时,可实时监测,及时发现和快速决策调度。
本实施例中,还可以在每条初雨箱涵的上游设置液位传感器,中游设置流量+水质传感器,下游设置液位传感器+水质传感器,这样可实现密点布放,能更快速地对水量水质进行检测,做到及时反应和决策。
识别第五待检测区域内的补水***,在每个补水点和补水泵站设置1个流量在线监测设备以获取补水量,例如电磁流量计。根据监控传输的补水量数据,实现对补水的调度。
识别第六待检测区域内的水库,在水库周围安装感知设备检测水库水文水质变化情况,感知设备包括:翻斗式雨量计、雷达液位计、摄像装置、水质传感器。
识别第七待检测区域内的内涝点,在内涝点周围布设1个电子水尺和6个液位传感器,可及时发现内涝情况,以进行预报预警。
通过上述的水量水质监测布点,能够获得符合实际情况的水质“监测”时间序列,可以通过分析时间序列的异常与否,来判断是否有异常事件发生。然而并不是所有的水质时间序列异常都是由突发污染事件引起,从时间角度分析地表水质异常事件可分为三种情景:(1)水质变量值脱离正常情况基准线几天或更长时间,这种情景可能是由于水文水动力条件的变化引起的;(2)短时或单点的水质异常,这种情景主要由于设备失误或者记录错误导致,在水质时间序列记录过程中会经常出现,而且需要通过数据清洗过程去除;(3)平均水质监测数据在数小时甚至一两天时间脱离正常情况基准线,这种情景通常由于点源或者非点源污染造成的突发污染事件,为水质异常预警考虑的主要问题。
(1)动态预警模型框架构建
本研究选用了小波去噪分析和神经网络预测相结合的方法进行突发污染动态预警研究,通过比较预测残差与异常阈值的大小关系确定是否异常。如图3所示,水质异常预警流程包括以下步骤:
步骤1:对水质的历史数据和实时检测数据分别进行标准化处理,即采用小波去噪方法对检测的基线数据进行去噪处理,去除基线数据中的高频噪声,对去噪后的水质时间序列采用反向传播神经网络(BPNN)进行训练,从而构建动态预警模型;
通过动态预警模型和基于历史数据计算阈值区间;通过动态预警模型和基于实时检测数据从而得到实时时间残差。
本实施例中,小波去噪方法是采用小波函数进行实现的,小波函数是一种积分函数,已经被广泛的应用于数据驱动的水文和环境模拟。它将时间序列变化成二维平面,得到原始时间序列的基本特征,将原始时间序列转换成包含主要变化规律的低频部分和包含噪声的高频部分两个分量。在本研究中,低频部分包含总磷时间序列在小于1小时时间尺度上的变化规律,主要揭示了流域水质内在复杂的时空动态变化规律,而这种规律是无法通过传统采样方式获得的。高频部分包含由于传感器操作误差或者周围环境变化引起的噪声。
原始水质时间序列S(i)为一维离散时间序列,可以被表达为:
S(i)=f(t)+σ×e(t),t=0,...,n-1 (1)
公式(1)中,S(i)表示原始水质时间序列,i、t表示采样时间;f(t)表示实际时间序列;e(t)表示噪声时间序列;σ表示噪声系数,可以设定为0。
离散小波函数可以被表示为:
公式(3)中,f(t)表示实际时间序列;C表示常数,Ψj,k(t)表示离散小波函数,j表示时间序列编号,k表示时间序列总数;Cj,k表示小波函数系数。
反向传播神经网络(BPNN)是一种基于误差反向传播的多层前馈型神经网络算法,与其他神经网络一样,BPNN可以在不揭示输入输出变量之间数学方程的情况下,通过“黑箱”学***方和最小。
基于小波变化,将原始时间序列转换成不同频率的时间序列,针对时间序列频率的不同,输入参数的数量也不同,依据时间序列变化周期而定,例如时间序列上一个周期内有n个值,则采用神经网络预测过程中输入层参数的个数为n。BPNN网络的学习为有监督的学习,训练过程中需要提供输入向量和期望响应向量,训练过程中网络的权值和偏差根据网络误差性能进行调整,最终实现期望的功能。
网络的训练采用梯度下降算法,沿着误差函数减少最快的方向,也就是梯度的反方向改变权值和偏差,直到得到满足预测精度的时间序列。
其迭代计算公式可表示为:xk+1=xk-akgk,其中,xk+1表示迭代产生的k+1时刻的权值和偏差,xk表示k时刻的权值和偏差,ak表示学习速率,gk表示函数的梯度。
步骤2:将计算得到实时时间残差与阈值区间进行比较,当实时时间残差在阈值区间范围之内时,说明水质时间序列正常;当残差值超过阈值区间时,为进一步提高精准性,判断持续时间是否大于制定时间,当持续时间大于制定时间时,说明可能为一个异常事件需要给出警报,需进行详细监测甚至启动应急预案;当持续时间不大于制定时间时,说明水质时间序列正常。
本实施例中,在获取工业城内污水管道污水井的相对位置与连接方式后,通过示踪剂试验估计污水管网干流段的流速、扩散系数等水力参数,可建立一维水质模型。
公式(4)中,t表示采集时间,C表示时间为t时,在污染物排放点下游x处的污染物浓度,mg/L;k表示污染物在河流中的衰减系数,s-1;Dx表示污染物的纵向扩散系数,m2/s。
采用向后Euler差分格式将微分方程转化为差分方程:
公式(5)中,L表示污染物浓度值;t表示采集时间;为第i个河段在第j个时间节点的污染物浓度值;为第i个河段在第j-1个时间节点的污染物浓度值;x表示采集点;Δx为空间步长,总时间节点数为m,总河段数为n,Δt为时间步长,i=1,2,...,n,j=1,2,...,m。
结合公式(5)和(4)可得到:
公式(6)中,Ux为河流流速,m/s。
为便于计算,可设立以下参数
则可以建立如下线性方程
线性方程的边界条件为:
M——突发污染事件中污染物的总投放量,kg;
A——河流的平均横截面积,m2;
则对于任意j时刻,可以建立如下线性方程组:
公式(8)中,a、b、c表示设置参数,Li j为第i个河段在第j个时间节点的污染物浓度值;n为总河段数。
可改写为矩阵形式
A’Lj=Dj
其中,
系数矩阵A’和D为三对角矩阵,可以采用追赶法求解该线性方程组。
在已知Lj-1的情况下,先计算系数矩阵A’和D,再利用(8)求得j时刻下各河段对应的污染物浓度值矩阵Lj,以此类推,直到算完所有时刻的污染物浓度值矩阵为止。
基于上述方法,如图2所示,本发明还提供一种水量/水质监测预警***,包括数据采集模块和数据分析报警模块。数据采集模块,用于采集水量水质数据并上传到数据分析报警模块;数据分析报警模块,用于将采集的数据与预设的报警数据进行比对,当采集的数据超过预设的报警数据时,发出报警信号。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (9)
1.一种水量/水质监测布点方法,其特征在于,具体包括以下步骤:
识别第一待检测区域内的河道,并在河道的上游和中游分别布设液位传感器、下游布设流量传感器来获取水量数据,在上、中、下游或汇流口处分别布设水质传感器获取水质数据;
识别第二待检测区域内的污水管网,在每条污水管网的上、中游分别布设液位传感器以获取水量数据,下游布设流量传感器和水质传感器以获取水量数据和水质数据;
识别第三待检测区域内的雨水管网,将第三待检测区域内划分成一般区域和重点区域;在一般区域中管径≥DN1000的雨水管网内布置流量+水质传感器以获取水量数据和水质数据、管径<DN1000的雨水管网内布设液位传感器以获取水量数据;在重点区域中管径≥DN600的水管网内置流量+水质传感器以获取水量数据和水质数据、管径<DN600的雨水管网内布设液位传感器以获取水量数据;
识别第四待检测区域内的初雨箱涵,在每条初雨箱涵的上中游分别设置液位传感器以获取水量数据,下游设置流量传感器和水质传感器以获取水量数据和水质数据。
2.如权利要求1所述的一种水量/水质监测布点方法,其特征在于,还包括:
识别第五待检测区域内的补水***,在每个补水点和补水泵站设置流量在线监测设备以获取补水量。
3.如权利要求1所述的一种水量/水质监测布点方法,其特征在于,还包括:
识别第六待检测区域内的水库,在水库周围安装感知设备检测水库水文水质变化情况,感知设备包括:翻斗式雨量计、雷达液位计、摄像装置、水质传感器。
4.如权利要求1所述的一种水量/水质监测布点方法,其特征在于,还包括:
识别第七待检测区域内的内涝点,在内涝点周围布设液位传感器和水质传感器以获取水量数据和水质数据。
5.如权利要求1所述的一种水量/水质监测布点方法,其特征在于,所述第一待检测区域内的河道包括第一断面、第二断面和第三断面,通过在断面处设置水量和水质传感器,得到水质和水文的变化数据。
6.如权利要求1所述的一种水量/水质监测布点方法,其特征在于,所述水质传感器包括光学法传感器和化学法传感器;所述水质数据包括ORP、氨氮、COD、总磷、pH和电导率。
7.如权利要求1所述的一种水量/水质监测布点方法,其特征在于,所述污水管网包括一级节点、二级节点和三级节点;在一级节点的上、中游分别布设液位传感器,下游布设流量传感器和水质传感器以获取水量数据和水质数据;在二级节点布设液位传感器以获取水量数据;在三级节点布设流量传感器和水质传感器以获取水量数据和水质数据。
8.如权利要求1所述的一种水量/水质监测布点方法,其特征在于,还包括在所述每条初雨箱涵的上游设置液位传感器,中游设置流量+水质传感器,下游设置液位传感器+水质传感器,以获取每条初雨箱涵的水量数据和水质数据。
9.一种水量/水质监测预警***,其特征在于,包括数据采集模块和数据分析报警模块;数据采集模块,用于采集水量水质数据并上传到数据分析报警模块;数据分析报警模块,用于将采集的数据与预设的报警数据进行比对,当采集的数据超过预设的报警数据时,发出报警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010723387.9A CN111811580A (zh) | 2020-07-24 | 2020-07-24 | 一种水量/水质监测布点方法及预警响应*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010723387.9A CN111811580A (zh) | 2020-07-24 | 2020-07-24 | 一种水量/水质监测布点方法及预警响应*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111811580A true CN111811580A (zh) | 2020-10-23 |
Family
ID=72861391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010723387.9A Pending CN111811580A (zh) | 2020-07-24 | 2020-07-24 | 一种水量/水质监测布点方法及预警响应*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111811580A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112923971A (zh) * | 2021-01-26 | 2021-06-08 | 上海晰图信息科技有限公司 | 雨水篦子监控*** |
CN113435796A (zh) * | 2021-08-26 | 2021-09-24 | 中冶节能环保有限责任公司 | 一种基于单连接点的水质水量预警方法、*** |
CN113532581A (zh) * | 2021-07-19 | 2021-10-22 | 天津万峰环保科技有限公司 | 管网雨污串流问题的分析方法和装置 |
CN113640490A (zh) * | 2021-10-18 | 2021-11-12 | 四川省水利科学研究院 | 一种基于物联网的河湖水生态环境监控装置、***及方法 |
CN113917103A (zh) * | 2021-10-15 | 2022-01-11 | 贵州师范学院 | 可自动调节深度的多水质参数检测装置 |
CN115853093A (zh) * | 2022-11-21 | 2023-03-28 | 合肥中科国禹智能工程有限公司 | 一种可识别雨污混接的排水管网动态检测方法及*** |
CN116819029A (zh) * | 2023-08-09 | 2023-09-29 | 水利部珠江水利委员会水文局 | 一种河道水污染监测方法及*** |
CN117333772A (zh) * | 2023-10-12 | 2024-01-02 | 北京德众国良环保科技有限公司 | 一种基于大数据的水环境污染分析管理方法及*** |
CN117370906A (zh) * | 2023-08-21 | 2024-01-09 | 长江生态环保集团有限公司 | 基于单点和时间序列异常检测的爆管检测及性能评估方法 |
CN118067200A (zh) * | 2024-04-17 | 2024-05-24 | 河北省沧州生态环境监测中心 | 一种河流水质实时监测与预警*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663222A (zh) * | 2011-12-27 | 2012-09-12 | 中国科学院生态环境研究中心 | 开敞水体突发污染事件动态污染场计算方法 |
CN106815448A (zh) * | 2017-02-07 | 2017-06-09 | 长江水资源保护科学研究所 | 一种河流衰减型污染物模拟方法 |
CN109853704A (zh) * | 2019-03-14 | 2019-06-07 | 河海大学 | 一种城市污水***问题诊断方法 |
CN109857046A (zh) * | 2019-01-28 | 2019-06-07 | 重庆华悦生态环境工程研究院有限公司 | 一种河流水污染监测预警的智能化监控管理***及方法 |
CN110390429A (zh) * | 2019-07-15 | 2019-10-29 | 重庆邮电大学 | 一种基于神经网络的水环境质量预测***及方法 |
CN110472796A (zh) * | 2019-08-21 | 2019-11-19 | 北京师范大学 | 海绵城市建设试点区水量水质监测布点方法及预警*** |
CN111259530A (zh) * | 2020-01-10 | 2020-06-09 | 山东省济南生态环境监测中心 | 多入河口的中小流域水质达标动态补水量预测方法 |
CN210983490U (zh) * | 2019-10-18 | 2020-07-10 | 重庆华悦生态环境工程研究院有限公司 | 一种水质突发污染动态预警信息监控*** |
-
2020
- 2020-07-24 CN CN202010723387.9A patent/CN111811580A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663222A (zh) * | 2011-12-27 | 2012-09-12 | 中国科学院生态环境研究中心 | 开敞水体突发污染事件动态污染场计算方法 |
CN106815448A (zh) * | 2017-02-07 | 2017-06-09 | 长江水资源保护科学研究所 | 一种河流衰减型污染物模拟方法 |
CN109857046A (zh) * | 2019-01-28 | 2019-06-07 | 重庆华悦生态环境工程研究院有限公司 | 一种河流水污染监测预警的智能化监控管理***及方法 |
CN109853704A (zh) * | 2019-03-14 | 2019-06-07 | 河海大学 | 一种城市污水***问题诊断方法 |
CN110390429A (zh) * | 2019-07-15 | 2019-10-29 | 重庆邮电大学 | 一种基于神经网络的水环境质量预测***及方法 |
CN110472796A (zh) * | 2019-08-21 | 2019-11-19 | 北京师范大学 | 海绵城市建设试点区水量水质监测布点方法及预警*** |
CN210983490U (zh) * | 2019-10-18 | 2020-07-10 | 重庆华悦生态环境工程研究院有限公司 | 一种水质突发污染动态预警信息监控*** |
CN111259530A (zh) * | 2020-01-10 | 2020-06-09 | 山东省济南生态环境监测中心 | 多入河口的中小流域水质达标动态补水量预测方法 |
Non-Patent Citations (4)
Title |
---|
于子波 范兆峰 安书全: "河流水质预测的有限差分模型的修正解", 《三峡大学学报( 自然科学版)》 * |
吴思 陈雄志: "武汉市沙湖历史回顾及水环境提升工程规划方案", 《中国给水排水》 * |
国艳红: "冀西北地区河流水质模型研究及风险评价", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技辑Ⅰ辑》 * |
韩进能: "河流一维水质模型在水环境容量计算方面的应用", 《环境科学与技术》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112923971A (zh) * | 2021-01-26 | 2021-06-08 | 上海晰图信息科技有限公司 | 雨水篦子监控*** |
CN113532581A (zh) * | 2021-07-19 | 2021-10-22 | 天津万峰环保科技有限公司 | 管网雨污串流问题的分析方法和装置 |
CN113435796A (zh) * | 2021-08-26 | 2021-09-24 | 中冶节能环保有限责任公司 | 一种基于单连接点的水质水量预警方法、*** |
CN113917103B (zh) * | 2021-10-15 | 2023-05-19 | 贵州师范学院 | 可自动调节深度的多水质参数检测装置 |
CN113917103A (zh) * | 2021-10-15 | 2022-01-11 | 贵州师范学院 | 可自动调节深度的多水质参数检测装置 |
CN113640490A (zh) * | 2021-10-18 | 2021-11-12 | 四川省水利科学研究院 | 一种基于物联网的河湖水生态环境监控装置、***及方法 |
CN113640490B (zh) * | 2021-10-18 | 2022-01-28 | 四川省水利科学研究院 | 一种基于物联网的河湖水生态环境监控装置、***及方法 |
CN115853093B (zh) * | 2022-11-21 | 2024-02-27 | 合肥中科国禹智能工程有限公司 | 一种可识别雨污混接的排水管网动态检测方法及*** |
CN115853093A (zh) * | 2022-11-21 | 2023-03-28 | 合肥中科国禹智能工程有限公司 | 一种可识别雨污混接的排水管网动态检测方法及*** |
CN116819029A (zh) * | 2023-08-09 | 2023-09-29 | 水利部珠江水利委员会水文局 | 一种河道水污染监测方法及*** |
CN116819029B (zh) * | 2023-08-09 | 2024-02-09 | 水利部珠江水利委员会水文局 | 一种河道水污染监测方法及*** |
CN117370906A (zh) * | 2023-08-21 | 2024-01-09 | 长江生态环保集团有限公司 | 基于单点和时间序列异常检测的爆管检测及性能评估方法 |
CN117370906B (zh) * | 2023-08-21 | 2024-05-10 | 长江生态环保集团有限公司 | 基于单点和时间序列异常检测的爆管检测及性能评估方法 |
CN117333772A (zh) * | 2023-10-12 | 2024-01-02 | 北京德众国良环保科技有限公司 | 一种基于大数据的水环境污染分析管理方法及*** |
CN117333772B (zh) * | 2023-10-12 | 2024-06-04 | 北京德众国良环保科技有限公司 | 一种基于大数据的水环境污染分析管理方法及*** |
CN118067200A (zh) * | 2024-04-17 | 2024-05-24 | 河北省沧州生态环境监测中心 | 一种河流水质实时监测与预警*** |
CN118067200B (zh) * | 2024-04-17 | 2024-07-16 | 河北省沧州生态环境监测中心 | 一种河流水质实时监测与预警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111811580A (zh) | 一种水量/水质监测布点方法及预警响应*** | |
CN110969345B (zh) | 一种基于土壤重金属污染途径分析的风险评估方法 | |
CN108009736A (zh) | 一种水质预警预报***及水质预警预报方法 | |
CN112883644B (zh) | 一种动态水环境管理方法 | |
CN110196083A (zh) | 排水管网污染路径的监测识别方法、装置及电子设备 | |
CN113267607B (zh) | 一种场地有机污染物迁移过程的特征参数识别*** | |
CN107526880B (zh) | 一种基于河流水质观测推算上游入河污染通量的方法 | |
McBride et al. | Accurate modeling of river pollutant transport | |
CN112348290B (zh) | 河流水质预测方法、装置、存储介质及设备 | |
CN113902172A (zh) | 一种污水处理方法、***、装置及介质 | |
CN105303007A (zh) | 一种采用融合技术建立尼尔基水库水生态风险预警模型的方法 | |
CN109145499A (zh) | 基于河道多态计算及Arima模型的权重组合水质预测方法 | |
CN111310976A (zh) | 一种基于分布式计算的快速水质预报预警方法及*** | |
Sancho et al. | Study of water quality in a spanish river based on statistical process control and functional data analysis | |
CN116579128A (zh) | 基于机器学习模型的工业园区地下水污染在线预测方法 | |
CN117540329B (zh) | 基于机器学习的排水管网缺陷在线预警方法及*** | |
Yadav et al. | Application of Artificial Neural Network and Genetic Algorithm Based Artificial Neural Network Models for River Flow Prediction. | |
Shao et al. | A Bayesian-SWMM coupled stochastic model developed to reconstruct the complete profile of an unknown discharging incidence in sewer networks | |
Yin et al. | Identification of pollution sources in rivers using a hydrodynamic diffusion wave model and improved Bayesian-Markov chain Monte Carlo algorithm | |
CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
CN113792367A (zh) | 基于PySWMM的排水***多来源入流入渗和出渗量动态估算方法 | |
CN208654841U (zh) | 一种水质预警预报*** | |
CN113111590A (zh) | 一种基于人工神经网络的城市洪涝模型径流敏感参数识别方法 | |
Wang et al. | Early warning of debris flow using optimized self-organizing feature mapping network | |
CN116913047A (zh) | 一种流域农业面源污染物溯源方法和预警*** |
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 |