CN115860590B - 一种企业排放污染数据的智能分析预警方法及*** - Google Patents
一种企业排放污染数据的智能分析预警方法及*** Download PDFInfo
- Publication number
- CN115860590B CN115860590B CN202310189353.XA CN202310189353A CN115860590B CN 115860590 B CN115860590 B CN 115860590B CN 202310189353 A CN202310189353 A CN 202310189353A CN 115860590 B CN115860590 B CN 115860590B
- Authority
- CN
- China
- Prior art keywords
- moment
- data
- abnormal
- class
- acquiring
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 148
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 15
- 230000001174 ascending effect Effects 0.000 claims description 6
- 239000010865 sewage Substances 0.000 abstract description 58
- 230000011218 segmentation Effects 0.000 abstract description 6
- 150000002500 ions Chemical class 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 239000002585 base Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及传感器数据处理技术领域,提出了一种企业排放污染数据的智能分析预警方法及***,包括:获取传感器位置信息及pH数据和电导率数据;根据传感器位置信息获取拓扑图结构,通过多阈值分割及图聚类获取每一时刻下的若干第二类别;根据相邻时刻下的第二类别之间的差异表现获取第一异常概率;根据每一时刻下的各节点pH数据表现对第一异常概率进行修正,获取第二异常概率;根据每一时刻下的各节点及节点所属第二类别的电导率数据表现,获取第四异常概率;根据第二异常概率和第四异常概率获取判断污水排放的第五异常概率,根据第五异常概率对企业污染排放进行预警监控。本发明旨在解决现有的企业末端排放监控成本较高而覆盖面低的问题。
Description
技术领域
本发明涉及传感器数据处理领域,具体涉及一种企业排放污染数据的智能分析预警方法及***。
背景技术
对于企业,国家现规定在重点污染企业必须安装在线监控,传统的在线监控方法主要采用分光光度法,监测指标包括COD、氨氮、总磷、总氮等;传统的在线监控方法优点在于国标原理,数据相对可靠准确;而存在的缺点是过于昂贵、覆盖面低。
目前只有大型企业安装有末端排放监控,中小企业的排放监控基本缺位;为了解决中小企业的排放监管问题,本发明提出了一种低成本的、行之有效的用于排放末端在线监控的新型方法及预警规则算法;结合工业污水排放特征,创新预警规则方法,以判定企业排放行为。
发明内容
本发明提供一种企业排放污染数据的智能分析预警方法及***,以解决现有的企业末端排放监控成本较高而覆盖面低的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种企业排放污染数据的智能分析预警方法,该方法包括以下步骤:
获取传感器位置信息及pH数据和电导率数据;
根据传感器位置信息获取拓扑图结构,将每一时刻下每个传感器的pH数据通过多阈值分割获取到每一时刻下的若干第一类别图结构,分别对每一时刻下的每个第一类别图结构进行图聚类得到每一时刻下的若干第二类别;
根据任意相邻两个时刻下的第二类别的数量关系,获取相邻两个时刻下的第一异常指标,将相邻两个时刻下的第二类别分别作为二分图的节点,根据二分图中任意两个节点之间pH数据均值差异获取二分图的边值,通过匹配算法获取二分图中的左右节点对,将所有左右节点对的边值均值作为对应相邻两个时刻下的第二异常指标,将第一异常指标及第二异常指标的乘积作为相邻两个时刻下的第一异常概率;
根据每一时刻下的所有第二类别的pH数据差异表现获取每一时刻下的第三异常指标,根据每一时刻下拓扑图结构中每个节点的pH数据表现获取每一时刻下的第四异常指标,将每一时刻下的第三异常指标与第四异常指标的较大值,与每一时刻与相邻前一时刻下的第一异常概率的乘积作为每一时刻下的第二异常概率;
获取每一时刻下的每个第二类别的类别中心,根据每一时刻下的所有第二类别的类别中心对应的传感器位置信息及电导率数据获取每一时刻下的第三异常概率,根据每一时刻下的所有第二类别的电导率数据差异表现获取每一时刻下的第五异常指标,将第五异常指标与第三异常概率的乘积作为每一时刻下的第四异常概率;
将第二异常概率与第四异常概率的乘积作为每一时刻下的第五异常概率,根据第五异常概率对企业污染排放进行预警监控。
可选的,所述获取相邻两个时刻下的第一异常指标,包括的具体方法为:
其中,表示相邻的第和第个时刻下的第一异常指标,表示第个时刻下的第二类别数量,表示第个时刻下的第二类别数量,表示所有时刻下的第二类别数量最大值。
可选的,所述获取二分图的边值,包括的具体方法为:
二分图中每个节点表示一个第二类别,左侧节点表示相邻两个时刻中前一时刻下的第二类别,右侧节点表示相邻两个时刻中后一时刻下的第二类别,将任意两个节点之间对应的第二类别的pH数据均值的差值与该二分图中最大的第二类别的pH数据均值的比值作为两个节点之间的边值,二分图中所有两个节点之间的边值为二分图的边值。
可选的,所述获取每一时刻下的第三异常指标,包括的具体方法为:
其中,表示第个时刻下的第三异常指标,表示第个时刻下所有第二类别的pH数据均值的方差,表示第个时刻下的第二类别数量,表示第个时刻下第个第二类别的pH数据均值,表示以自然常数为底的指数函数。
可选的,所述获取每一时刻下的第四异常指标,包括的具体方法为:
在同一时刻下,将拓扑图结构中与进水口距离最小的节点作为源头节点,将每个节点到源头节点的最短路径经过的节点数量作为每个节点的节点距离,计算每个节点与到源头节点最短路径经过的相邻节点之间的pH数据差值,将相同节点距离的所有pH数据差值的均值作为该节点距离的pH差值,获取每个节点距离的pH差值与最大pH差值的比值作为每个节点距离的pH距离,将所有节点距离的pH距离的均值作为该时刻下的第四异常指标。
可选的,所述获取每一时刻下的每个第二类别的类别中心,包括的具体方法为:
每一时刻下的每个第二类别均由图聚类得到,所述图聚类采用格里-纽曼算法对每一时刻下的第一类别图结构进行聚类,将图聚类得到的每个第二类别中最大介数的节点作为每个第二类别的类别中心。
可选的,所述获取每一时刻下的第三异常概率,包括的具体方法为:
将每一时刻下的每个第二类别的类别中心与源头节点的节点距离作为第二类别距离,将每一时刻下的所有第二类别的类别中心的电导率数据升序排列获取每一时刻下的第一电导率序列,将每一时刻下的所有第二类别距离按照第一电导率序列的元素对应关系获取每一时刻下的第二类别距离序列,所述元素对应关系表示每个电导率数据对应一个第二类别的类别中心,对应了一个第二类别距离,计算每一时刻下的第二类别距离序列中满足大于前一个元素且小于后一个元素的正相关元素数量,将每一时刻下的正相关元素数量与第二类别距离序列的元素数量的比值作为每一时刻下的第三异常概率。
可选的,所述获取每一时刻下的第五异常指标,包括的具体方法为:
其中,表示第个时刻下的第五异常指标,表示第个时刻下的第二类别数量,表示第个时刻下的第个第二类别的电导率数据的方差,表示第个时刻下的所有第二类别中的电导率数据的方差最大值。
第二方面,本发明另一个实施例提供了一种企业排放污染数据的智能分析预警***,该***包括:
数据采集模块,获取传感器位置信息及pH数据和电导率数据;
数据处理模块:根据传感器位置信息获取拓扑图结构,将每一时刻下每个传感器的pH数据通过多阈值分割获取到每一时刻下的若干第一类别图结构,分别对每一时刻下的每个第一类别图结构进行图聚类得到每一时刻下的若干第二类别;
根据相邻两个时刻下的第二类别的数量关系及对应第二类别的pH数据变化关系获取相邻两个时刻下的第一异常概率;
根据每一时刻下的所有pH数据差异表现获取第三异常指标,根据拓扑图结构中每个节点的pH数据表现获取第四异常指标,将每一时刻下的第三异常指标与第四异常指标的较大值,与每一时刻与相邻前一时刻下的第一异常概率的乘积作为每一时刻下的第二异常概率;
获取每一时刻下的每个第二类别的类别中心,根据每一时刻下的所有类别中心对应的传感器位置信息及电导率数据获取第三异常概率,根据每一时刻下的所有电导率数据差异表现获取第五异常指标,将第五异常指标与第三异常概率的乘积作为每一时刻下的第四异常概率;
将第二异常概率与第四异常概率的乘积作为每一时刻下的第五异常概率;
预警监控模块:根据第五异常概率对企业污染排放进行预警监控。
本发明的有益效果是:对于不合格污水的排放,由于不合格污水中的pH值与合格污水的pH值不同,与合格污水相比偏大或偏小,因此首先通过多阈值分割的方法得到不同的类别,有助于对pH值的异常进行检测和后续计算;由于不合格污水的pH值偏大或偏小,导致了图聚类结果的变化,因此通过图聚类结果的差异进行异常排放的计算,有助于提高检测结果精度;通过不合格污水排放时的pH均匀性较差的特征对异常概率进行提取,结合不同时间的该特征,有助于对整体的异常进行检测;通过不合格污水中离子种类较多,导致的电导率变化,对该特征进行提取,可以表示污水的严重程度,进而分为不同等级,通过对应等级的出现频率采取相应措施,一方面成本低、行之有效,另一方面可以满足绝大多数中小企业的需求,有助于及时预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例所提供一种企业排放污染数据的智能分析预警方法的流程示意图;
图2为本发明的另一个实施例所提供一种企业排放污染数据的智能分析预警***的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的一种企业排放污染数据的智能分析预警方法流程图,该方法包括以下步骤:
步骤S001、获取传感器位置信息及pH数据和电导率数据。
本实施例所针对的场景为:在企业排放末端,汇入污水管井前安装物联监测设备,数据实时传送至指定平台,通过在该平台上进行计算,得到污染等级。因此需要对污水池中的数据进行采集,污水通过进水口排放进入污水池,通过排水口进入污水管井,排水口即为所述排放末端,将传感器均匀放置在污水池中,传感器可以获取污水池中不同区域的pH值和电导率,获取传感器的位置信息,同时通过传感器采集排放的污水中的pH数据和电导率数据;需要说明的是,传感器采集数据为相同时间间隔下定时采集,因此每一时刻下每个传感器都有相应的pH数据和电导率数据。
步骤S002、根据传感器位置信息获取拓扑图结构,通过图聚类获取每一时刻下的若干第二类别。
将传感器的位置信息转换到同一个三维坐标系中,每个传感器对应一个三维坐标点,将每个三维坐标点作为离散点,通过三角化构建三角网,得到拓扑图结构,所述构建三角网采用Delaunay三角网方法进行构建,为现有方法;此时,拓扑图结构中的每个节点表示每个传感器,每个边值由两个节点对应的传感器之间欧式距离的倒数来表示;需要说明的是,由于边值反映了节点之间的联系性,传感器之间欧式距离越小,说明两个传感器之间联系越紧密,边值就越大,因此选择欧式距离倒数作为边值。
进一步的,对每一时刻下的不同传感器采集到的pH数据进行升序排列,获取到pH序列,通过OTSU多阈值分割的方法将pH序列中的元素划分为若干第一类别,相同第一类别中的pH数据相近,而不同第一类别间的pH差异较大;例如第个时刻下的pH序列为[4.1,4.2,5.3,5.4,6.8,6.9],通过多阈值分割划分为三个类别,分别为[4.1,4.2]、[5.3,5.4]和[6.8,6.9]。
获取到每一时刻下的第一类别后,在拓扑图结构中分别保留同一第一类别的pH数据对应的节点和边,同一时刻下其他第一类别对应的节点和边删除,得到的图结构记为第一类别图结构,同一个第一类别图结构中每个节点对应的pH数据相近,仅需要分析边值信息进行聚类,通过格里-纽曼算法对每个第一类别图结构进行图聚类,每个第一类别图结构可以得到多个第二类别,同一第二类别中不同节点的联系性较大,欧式距离较小,而不同第二类别中的节点欧式距离较大;计算获取每一时刻下的每个第一类别图结构经过图聚类得到的多个第二类别,并将第二类别对应到相应时刻下的拓扑图结构中,第个时刻下的拓扑图结构中共得到了个第二类别。
步骤S003、根据每一时刻下的各节点的pH数据,获取每一时刻下的第二异常概率。
污水通过进水口不断排入到污水池中,对于合格污水来说,其中酸性离子和碱性离子的含量相近,pH值在7左右,即使不断有新污水的排入,但由于污水中两种离子含量相近,导致不同区域的pH值仍相差不大;对于不合格水质来说,污水中的酸碱离子的含量差别较大,由于水的流动性质,导致越靠近进水口的区域pH值越大或越小,相对来说,不合格水质的PH分布的不均匀性较大;同时,不合格的污水排放属于偷排,其与合格的污水排放速度不相同,排放速度较慢以避免pH数值的过大变动,会导致相邻时刻下同一区域的pH数据发生较大变化,进而影响每一时刻下的拓扑图结构经图聚类得到的聚类结果,即第二类别发生较大变化,因此可以利用时序上的第二类别差异变化来对pH数据时序上的异常变化进行监测。
需要说明的是,相邻时刻下局部区域的pH数据较大变化,会导致多阈值分割得到的第一类别结果出现较大变化,进而导致图聚类结果即第二类别数量发生变化;同时,通过最优化匹配获取相邻时刻下不同第二类别的对应关系,得到表示同一区域的pH在相邻时刻下的数据,分析所有区域在相邻时刻下的pH变化以及第二类别数量的变化,可以得到相邻时刻下的第一异常概率,初步反映污水排放中的酸碱度异常。
具体的,以第个时刻为例,其与相邻的前一个时刻,即第时刻的第一异常指标的计算方法为:
其中,表示第个时刻下的第二类别数量,表示第个时刻下的第二类别数量,表示所有时刻下的第二类别数量最大值;将相邻时刻下的第二类别数量差值作为第一异常指标,除以第二类别数量最大值用于归一化处理,相邻时刻下的第二类别数量差异越大,表示相邻时刻下的第二类别数量变化越多,说明酸碱度异常的概率越大。
进一步的,对相邻时刻下的第二类别通过二分图及KM算法获取对应关系,并将对应的第二类别之间的pH数据变化的均值作为相邻时刻下的第二异常坐标;将相邻两个时刻中的前一时刻下的第二类别作为二分图左侧的节点,后一时刻的第二类别作为二分图右侧的节点,每个节点都对应了一个第二类别,每个第二类别中在拓扑图结构中包含了多个节点,根据同一时刻下的同一第二类别中所有传感器采集到的pH数据获取每个第二类别的pH数据均值,则二分图中每个节点都对应一个pH数据均值,将分别处于左右两侧的任意两节点的pH数据均值的差值作为两节点之间的边值,利用KM算法对边值进行分析,获取左右两侧节点的最优化匹配,得到的匹配结果记为多个左右节点对,需要说明的是,左右两个节点匹配后会出现一对多或多对一的情况。
每个左右节点对都对应一个边值,将相邻时刻下获取到的所有左右节点对的边值均值作为相邻时刻下的第二异常指标,以第个时刻和第时刻为例,获取到的第二异常指标记为;此时相邻时刻下对应的第二类别的pH数据均值差异越大,表示同一区域在相邻时刻下pH数据变化越大,说明酸碱度异常的概率越大。
相邻时刻下的第二类别数量变化越大,同一区域的pH数据变化越大,表明此时相邻的两个时刻下越有可能处于不合格污水排放中,记为第一异常概率越大,以第个时刻和第个时刻为例,相邻两个时刻下的第一异常概率的计算方法如下:
其中,为相邻的第个时刻和第个时刻下的第一异常指标,为第二异常指标,由于两者皆反映了不合格污水排放的可能性,因此采用乘积来表示第一异常概率。
进一步需要说明的是,正常排放情况下,由于污水流速较快,进水口的酸碱离子扩散较快,不会出现局部区域pH数据过大或过小;而偷排过程中,污水排放速度较慢,酸碱离子扩散过程随之变慢,会导致相邻区域出现较大pH差值;因此,将拓扑图结构中各第二类别表示区域的pH数据差异表现作为第三异常指标,将拓扑图结构中各节点pH数据的差异表现作为第四异常指标,并选择二者间较大值修正第一异常概率,得到更能准确反映pH数据异常的第二异常概率。
具体的,以第个时刻为例,该时刻下的第三异常指标的计算方法为:
其中,表示第个时刻下所有第二类别的pH数据均值的方差,表示第个时刻下的第二类别数量,表示第个时刻下第个第二类别的pH数据均值,表示以自然常数为底的指数函数,目的为对pH数据均值的方差进行归一化,同时避免方差为0的情况出现,表示第个时刻下第个第二类别的pH数据与正常pH=7之间的差值,分母的7用于归一化处理。
此时,同一时刻下各第二类别的pH数据均值的方差越大,说明每个第二类别对应的区域pH数据均值离散程度越大,pH分布越不均匀,第三异常指标越大,越能反映pH数据的异常概率;每个第二类别对应的区域pH数据均值与正常pH值差异越大,越能反映pH数据的异常概率。
进一步的,将同一时刻下拓扑图结构中与进水口距离最小的节点作为源头节点,将每个节点到源头节点的最短路径经过的节点数量作为每个节点的节点距离,需要说明的是,最短路径经过的节点数量不包括每个节点本身;计算每个节点与到源头节点最短路径经过的相邻节点之间的pH数据差值,例如计算所有节点距离为1的节点与源头节点的pH数据差值,计算所有节点距离为2的节点,与最短路径经过的相邻的节点距离为1的节点之间的pH数据差值。
将相同节点距离的所有pH数据差值的均值作为该节点距离的pH差值,获取每个节点距离的pH差值与最大pH差值的比值作为每个节点距离的pH距离,将所有节点距离的pH距离的均值作为该时刻下的第四异常指标,以第个时刻为例,该时刻下的第四异常指标记为;此时,同一时刻下相邻节点对应的传感器采集到的pH数据差值越大,说明污水池中pH扩散越慢,污水排放速度越慢,越能从pH数据上反映可能处于污水偷排过程中。
需要说明的是,利用第三异常指标及第四异常指标对第一异常概率进行修正,第一异常概率表示的是相邻时刻下的异常概率,第三及第四异常指标对应的是同一时刻下的异常指标,因此将每一时刻下与相邻前一时刻下的第一异常概率作为该时刻下的第一异常概率,以第个时刻为例,其第一异常概率;进一步的,获取第个时刻下的第二异常概率的计算方法为:
其中,表示第个时刻下的第三异常指标,表示第个时刻下的第四异常指标,表示该时刻下的第一异常概率,用于计算第三异常指标和第四异常指标的较大值;此时,第三异常指标和第四异常指标都可以反映同一时刻下污水池内pH数据的分布不均匀性,且两个异常指标都已进行归一化处理,利用值更大的来对第一异常概率进行修正,使从pH数据层面对污水排放的异常判断概率更准确。
步骤S004、根据每一时刻下的电导率数据差异表现,获取每一时刻下的第四异常概率。
需要说明的是,电导率数据与污水中离子数量有关,离子数量越多,电导率数据越大;不合格的污水排放中,距离排水口越近的区域中,离子汇聚数量越多,电导率越大,因此从进水口到排水口中,电导率大致为增长趋势,表现在拓扑图结构中,与源头节点的节点距离越大的节点,其电导率数据可能就越大;而合格污水中由于离子含量较少,电导率较低,整体电导率数据也不会在各区域呈现较大变化。
在步骤S002中通过格里-纽曼图聚类算法获取了每一时刻下的拓扑图结构中的若干第二类别,图聚类过程中每个第二类别仅保留类别中的节点和相应的边,将每个第二类别中最大介数的节点作为每个第二类别的类别中心,将每个类别中心的节点距离作为对应第二类别的第二类别距离,每个类别中心都为一个节点,获取这些类别中心对应的传感器采集到的电导率数据,将同一时刻下获取到的电导率数据按照升序,即从小到大的顺序排列获取该时刻下的第一电导率序列;此时,第一电导率序列中每个元素为一个电导率数据,每个电导率数据都对应了一个第二类别的类别中心,根据元素对应关系将每个类别中心的对应的第二类别距离,根据第一电导率序列得到第二类别距离序列。
对第二类别距离序列采用一个初始值为0的计数器,从第一个元素开始遍历,当遍历的元素的值大于前一个元素的值且小于后一个元素的值时,计数器加1,遍历完第二类别距离序列中的所有元素后得到第二类别距离序列中的正相关元素数量,以第个时刻为例,记为,则第个时刻的第三异常概率的计算方法为:
其中,表示第个时刻下的第二类别距离序列中的正相关元素数量,表示第个时刻下的第二类别数量,第二类别距离序列中的元素为每个第二类别的类别中心对应的第二类别距离,一个类别中心对应一个第二类别,则第二类别距离序列中的元素数量即为第二类别数量;此时,第一电导率序列为升序排列,第二类别距离序列中升序的元素越多,即正相关元素数量越大,说明第二类别距离序列与第一电导率序列正相关性越大,电导率数据越呈现从进水口到排水口递增的趋势,电导率数据层面反映的处于不合格污水排放的可能性越大。
进一步需要说明的是,由于企业污水池中污水来源有多种,不同种污水中残留离子不同,相互作用反应会导致部分离子被沉淀或中和,进而降低污水池中的电导率,表现为某个时刻下的第三异常概率较小,而每个第二类别对应的区域中内部的电导率数据差异较大,因此将每个第二类别对应区域的内部电导率数据方差表现作为第五异常指标对第三异常概率进行修正。
具体的,以第个时刻为例,该时刻下的第五异常指标的计算方法为:
其中,表示第个时刻下的第二类别数量,表示第个时刻下的第个第二类别的电导率数据的方差,表示第个时刻下的所有第二类别中的电导率数据的方差最大值,用于归一化处理;此时,每个第二类别对应区域的电导率方差越大,说明污水池中的电导率数据越不均匀,局部区域的离子含量较多,越可以反映电导率数据层面的污水排放的异常概率。
进一步的,以第个时刻为例,通过第五异常指标对第三异常概率进行修正的计算方法为:
其中,表示第个时刻下的第四异常概率,表示该时刻下的第五异常指标,表示该时刻下的第三异常概率;此时,通过反映离子分布不均匀性的第五异常指标,对仅依靠电导率分布获取到的第三异常概率进行修正,避免因沉淀中和而使电导率数据整体较小时,对不合格污水排放的遗漏监测,离子分布越不均匀,电导率数据层面反映的不合格污水的排放可能性越大。
步骤S005、根据第二异常概率和第四异常概率获取判断污水排放的第五异常概率,并根据第五异常概率对企业污染排放进行预警监控。
至此,已经分别获取了同一时刻下反映pH数据异常的第二异常概率和反映电导率数据异常的第四异常概率,将二者乘积作为综合判断污水异常的第五异常概率,以第个时刻为例,该时刻下的第五异常概率的计算方法为:
其中,表示第个时刻下的第二异常概率,表示第个时刻下的第四异常概率,由于两者均反映污水排放的异常可能性,因此选择乘积得到第五异常概率。
进一步的,根据第五异常概率划分异常等级,当时,认为污水排放为正常状态;当时,记录此时的污水排放状态为第一异常等级;当时,记录此时的污水排放状态为第二异常等级;当时,记录此时的污水排放状态为第三异常等级;当时,记录此时的污水排放状态为第四异常等级;需要说明的是,第五异常概率由两个异常概率乘积获取,两个异常概率四个异常等级及正常状态分别根据0.2、0.4、0.6及0.8进行划分,则第五异常概率根据平方数进行正常状态及异常等级的划分。
根据企业最近一个月内的排放污染数据进行预警监控,具体的,当第一异常等级出现频率大于0.6,或第二异常等级出现频率大于0.5,或第三异常等级出现频率大于0.4,或第四异常等级出现频率大于0.3,当满足任意一个条件时,表明该企业排放污染数据在近一个月内严重不合格,需要对企业采取相应监管措施;需要说明的是,出现频率即是一个月内某一异常等级出现的次数与该月内正常状态及所有异常等级出现的次数的比值。
需要说明的是,本实施例中所有的pH差值计算都采用大值减小值的方法得到。
请参阅图2,其示出了本发明另一个实施例提供的一种企业排放污染数据的智能分析预警***结构框图,该***包括:
数据采集模块S101:获取传感器位置信息及pH数据和电导率数据。
数据处理模块S102:
(1)根据传感器位置信息获取拓扑图结构,通过多阈值分割及图聚类获取每一时刻下的若干第二类别;
(2)根据每一时刻下与相邻前一时刻下的pH数据差异表现,获取每一时刻下的第二异常概率;
(3)根据每一时刻下的电导率数据差异表现,获取每一时刻下的第四异常概率;
(4)根据第二异常概率及第四异常概率,获取每一时刻下的第五异常概率。
预警监控模块S103:根据第五异常概率对企业污染排放进行预警监控。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种企业排放污染数据的智能分析预警方法,其特征在于,该方法包括以下步骤:
获取传感器位置信息及pH数据和电导率数据;
根据传感器位置信息获取拓扑图结构,将每一时刻下每个传感器的pH数据通过多阈值分割获取到每一时刻下的若干第一类别图结构,分别对每一时刻下的每个第一类别图结构进行图聚类得到每一时刻下的若干第二类别;
根据任意相邻两个时刻下的第二类别的数量关系,获取相邻两个时刻下的第一异常指标,将相邻两个时刻下的第二类别分别作为二分图的节点,根据二分图中任意两个节点之间pH数据均值差异获取二分图的边值,通过匹配算法获取二分图中的左右节点对,将所有左右节点对的边值均值作为对应相邻两个时刻下的第二异常指标,将第一异常指标及第二异常指标的乘积作为相邻两个时刻下的第一异常概率;
根据每一时刻下的所有第二类别的pH数据差异表现获取每一时刻下的第三异常指标,根据每一时刻下拓扑图结构中每个节点的pH数据表现获取每一时刻下的第四异常指标,将每一时刻下的第三异常指标与第四异常指标的较大值,与每一时刻与相邻前一时刻下的第一异常概率的乘积作为每一时刻下的第二异常概率;
获取每一时刻下的每个第二类别的类别中心,根据每一时刻下的所有第二类别的类别中心对应的传感器位置信息及电导率数据获取每一时刻下的第三异常概率,根据每一时刻下的所有第二类别的电导率数据差异表现获取每一时刻下的第五异常指标,将第五异常指标与第三异常概率的乘积作为每一时刻下的第四异常概率;
将第二异常概率与第四异常概率的乘积作为每一时刻下的第五异常概率,根据第五异常概率对企业污染排放进行预警监控。
2.根据权利要求1所述的一种企业排放污染数据的智能分析预警方法,其特征在于,所述获取相邻两个时刻下的第一异常指标,包括的具体方法为:
其中,表示相邻的第和第个时刻下的第一异常指标,表示第个时刻下的第二类别数量,表示第个时刻下的第二类别数量,表示所有时刻下的第二类别数量最大值。
3.根据权利要求1所述的一种企业排放污染数据的智能分析预警方法,其特征在于,所述获取二分图的边值,包括的具体方法为:
二分图中每个节点表示一个第二类别,左侧节点表示相邻两个时刻中前一时刻下的第二类别,右侧节点表示相邻两个时刻中后一时刻下的第二类别,将任意两个节点之间对应的第二类别的pH数据均值的差值与该二分图中最大的第二类别的pH数据均值的比值作为两个节点之间的边值,二分图中所有两个节点之间的边值为二分图的边值。
4.根据权利要求1所述的一种企业排放污染数据的智能分析预警方法,其特征在于,所述获取每一时刻下的第三异常指标,包括的具体方法为:
其中,表示第个时刻下的第三异常指标,表示第个时刻下所有第二类别的pH数据均值的方差,表示第个时刻下的第二类别数量,表示第个时刻下第个第二类别的pH数据均值,表示以自然常数为底的指数函数。
5.根据权利要求1所述的一种企业排放污染数据的智能分析预警方法,其特征在于,所述获取每一时刻下的第四异常指标,包括的具体方法为:
在同一时刻下,将拓扑图结构中与进水口距离最小的节点作为源头节点,将每个节点到源头节点的最短路径经过的节点数量作为每个节点的节点距离,计算每个节点与到源头节点最短路径经过的相邻节点之间的pH数据差值,将相同节点距离的所有pH数据差值的均值作为该节点距离的pH差值,获取每个节点距离的pH差值与最大pH差值的比值作为每个节点距离的pH距离,将所有节点距离的pH距离的均值作为该时刻下的第四异常指标。
6.根据权利要求1所述的一种企业排放污染数据的智能分析预警方法,其特征在于,所述获取每一时刻下的每个第二类别的类别中心,包括的具体方法为:
每一时刻下的每个第二类别均由图聚类得到,所述图聚类采用格里-纽曼算法对每一时刻下的第一类别图结构进行聚类,将图聚类得到的每个第二类别中最大介数的节点作为每个第二类别的类别中心。
7.根据权利要求6所述的一种企业排放污染数据的智能分析预警方法,其特征在于,所述获取每一时刻下的第三异常概率,包括的具体方法为:
将每一时刻下的每个第二类别的类别中心与源头节点的节点距离作为第二类别距离,将每一时刻下的所有第二类别的类别中心的电导率数据升序排列获取每一时刻下的第一电导率序列,将每一时刻下的所有第二类别距离按照第一电导率序列的元素对应关系获取每一时刻下的第二类别距离序列,所述元素对应关系表示每个电导率数据对应一个第二类别的类别中心,对应了一个第二类别距离,计算每一时刻下的第二类别距离序列中满足大于前一个元素且小于后一个元素的正相关元素数量,将每一时刻下的正相关元素数量与第二类别距离序列的元素数量的比值作为每一时刻下的第三异常概率。
8.根据权利要求1所述的一种企业排放污染数据的智能分析预警方法,其特征在于,所述获取每一时刻下的第五异常指标,包括的具体方法为:
其中,表示第个时刻下的第五异常指标,表示第个时刻下的第二类别数量,表示第个时刻下的第个第二类别的电导率数据的方差,表示第个时刻下的所有第二类别中的电导率数据的方差最大值。
9.一种企业排放污染数据的智能分析预警***,其特征在于,该***包括:
数据采集模块,获取传感器位置信息及pH数据和电导率数据;
数据处理模块:根据传感器位置信息获取拓扑图结构,将每一时刻下每个传感器的pH数据通过多阈值分割获取到每一时刻下的第一类别图结构,分别对每一时刻下的第一类别图结构进行图聚类得到每一时刻下的若干第二类别;
根据相邻两个时刻下的第二类别的数量关系及对应第二类别的pH数据变化关系获取相邻两个时刻下的第一异常概率;
根据每一时刻下的所有pH数据差异表现获取第三异常指标,根据拓扑图结构中每个节点的pH数据表现获取第四异常指标,将每一时刻下的第三异常指标与第四异常指标的较大值,与每一时刻与相邻前一时刻下的第一异常概率的乘积作为每一时刻下的第二异常概率;
获取每一时刻下的每个第二类别的类别中心,根据每一时刻下的所有类别中心对应的传感器位置信息及电导率数据获取第三异常概率,根据每一时刻下的所有电导率数据差异表现获取第五异常指标,将第五异常指标与第三异常概率的乘积作为每一时刻下的第四异常概率;
将第二异常概率与第四异常概率的乘积作为每一时刻下的第五异常概率;
预警监控模块:根据第五异常概率对企业污染排放进行预警监控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310189353.XA CN115860590B (zh) | 2023-03-02 | 2023-03-02 | 一种企业排放污染数据的智能分析预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310189353.XA CN115860590B (zh) | 2023-03-02 | 2023-03-02 | 一种企业排放污染数据的智能分析预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860590A CN115860590A (zh) | 2023-03-28 |
CN115860590B true CN115860590B (zh) | 2023-04-28 |
Family
ID=85659673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310189353.XA Active CN115860590B (zh) | 2023-03-02 | 2023-03-02 | 一种企业排放污染数据的智能分析预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860590B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090709B (zh) * | 2023-04-10 | 2023-06-20 | 广东慧航天唯科技有限公司 | 基于金属加工监控的偷排预警分析方法及*** |
CN116128260B (zh) * | 2023-04-18 | 2023-07-11 | 山东奥斯瑞特检验检测有限公司 | 基于数据样本的重点企业环境分析方法 |
CN116701886B (zh) * | 2023-08-07 | 2023-10-27 | 知心健(南京)科技有限公司 | 一种运动肺测试数据智能分析管理*** |
CN116978206A (zh) * | 2023-08-09 | 2023-10-31 | 国网安徽省电力有限公司滁州市城郊供电公司 | 一种基于gis地图的在线监测预警*** |
CN117408440B (zh) * | 2023-12-15 | 2024-03-08 | 湖南蒙拓环境科技有限公司 | 基于多维传感器的河道排污口污水智能处理方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011036809A1 (ja) * | 2009-09-28 | 2011-03-31 | 株式会社 東芝 | 異常判定システムおよびその方法 |
US9599529B1 (en) * | 2012-12-22 | 2017-03-21 | Picarro, Inc. | Systems and methods for likelihood-based mapping of areas surveyed for gas leaks using mobile survey equipment |
CN114118580A (zh) * | 2021-11-29 | 2022-03-01 | 国网山东省电力公司东营供电公司 | 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 |
CN114613505A (zh) * | 2022-03-10 | 2022-06-10 | 平安科技(深圳)有限公司 | 基于二分图的信息推荐方法、信息推荐装置及终端设备 |
-
2023
- 2023-03-02 CN CN202310189353.XA patent/CN115860590B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011036809A1 (ja) * | 2009-09-28 | 2011-03-31 | 株式会社 東芝 | 異常判定システムおよびその方法 |
US9599529B1 (en) * | 2012-12-22 | 2017-03-21 | Picarro, Inc. | Systems and methods for likelihood-based mapping of areas surveyed for gas leaks using mobile survey equipment |
CN114118580A (zh) * | 2021-11-29 | 2022-03-01 | 国网山东省电力公司东营供电公司 | 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 |
CN114613505A (zh) * | 2022-03-10 | 2022-06-10 | 平安科技(深圳)有限公司 | 基于二分图的信息推荐方法、信息推荐装置及终端设备 |
Non-Patent Citations (2)
Title |
---|
Joshua S. Apte 等.High-Resolution Air Pollution Mapping with Google Street View Cars: Exploiting Big Data.《ENVIRONMENTAL SCIENCE& TECHNOLOGY》.2017,6999-7007. * |
潘钦悦.社区户外环境保洁工程方案与设计.《绿色科技》.2019,(第14期),203-204. * |
Also Published As
Publication number | Publication date |
---|---|
CN115860590A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115860590B (zh) | 一种企业排放污染数据的智能分析预警方法及*** | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及*** | |
CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
WO2020077672A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN111144435B (zh) | 基于lof和验证过滤框架的电能量异常数据监测方法 | |
CN105376260B (zh) | 一种基于密度峰值聚类的网络异常流量监测*** | |
CN112101790A (zh) | 一种水体监测视频及数据联动预警方法及*** | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
CN113496440B (zh) | 一种用户异常用电检测方法及*** | |
CN116148753A (zh) | 一种智能电能表运行误差监测*** | |
CN116579768B (zh) | 一种发电厂在线仪表运维管理方法及*** | |
CN116992385B (zh) | 一种物联网水表用量异常检测方法及*** | |
CN116611620B (zh) | 一种智慧城市安全协同管理信息*** | |
CN115759450A (zh) | 一种基于大数据的碳排放核算预警分析*** | |
CN113676498B (zh) | 基于分布式网络技术存取第三方信息的预言机管理*** | |
CN116170208A (zh) | 一种基于半监督isodata算法的网络入侵实时检测方法 | |
CN117154716B (zh) | 一种分布式电源接入配电网的规划方法及*** | |
CN115951123B (zh) | 一种基于无线通信的电能计量方法及*** | |
CN112949697A (zh) | 一种管道异常的确认方法、装置及计算机可读存储介质 | |
CN113283881B (zh) | 一种远动信息源的自动审核方法及*** | |
CN114157486B (zh) | 通信流量数据异常检测方法、装置、电子设备及存储介质 | |
CN106550387B (zh) | 一种无线传感器网络路由层服务质量评价方法 | |
CN112580260A (zh) | 管网水流量的预测方法、装置以及计算机可读存储介质 | |
CN115222162B (zh) | 一种城市供水监测预警***及工作方法 | |
CN116956201B (zh) | 一种大数据决策的智能耦合预警方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |