CN116205592A - 一种智慧物联的排水管网污染异常溯源方法 - Google Patents
一种智慧物联的排水管网污染异常溯源方法 Download PDFInfo
- Publication number
- CN116205592A CN116205592A CN202310069832.8A CN202310069832A CN116205592A CN 116205592 A CN116205592 A CN 116205592A CN 202310069832 A CN202310069832 A CN 202310069832A CN 116205592 A CN116205592 A CN 116205592A
- Authority
- CN
- China
- Prior art keywords
- drainage
- network
- pollution
- data
- tracing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 35
- 239000010865 sewage Substances 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000011835 investigation Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 4
- 238000007599 discharging Methods 0.000 abstract description 6
- 238000003911 water pollution Methods 0.000 abstract description 5
- 239000002351 wastewater Substances 0.000 abstract description 4
- 238000003066 decision tree Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智慧物联的排水管网污染异常溯源方法，涉及水污染溯源技术领域；包括如下步骤：微站部署，建立厂‑网‑地块‑源的物联；根据污水厂情况、管网片区走向、管网地块分布、企业分布及行业特征，在各个节点部署微型水质监测站，将各个物理要素(厂‑网‑地块‑源)指向化、矢量化，并建立厂‑网‑地块‑源的关联关系，数据清洗，去除无效数据、异常数据，噪音干扰数据，监测数据经过清洗、转换、归一化、配准和空间化等预处理后。本发明通过AI算法，赋能解放执法人员，高效定位可疑范围，自动溯源污染偷排企业，实时动态锁定污水厂废水偷排来源，并且效率较高、精度度较佳的同时人员与设备成本投入相对较。
Description
技术领域
本发明涉及水污染溯源技术领域，尤其涉及一种智慧物联的排水管网污染异常溯源方法。
背景技术
水资源是人类生产生活的最关键资源，其中水污染源头多是企业偷排超标废水引起，为了能够有效防控水污染事件的发生，需要加强对企业排污的监管力度和监管技术。
现有污染溯源手段主要依靠人海战术，结合断面跟污水厂异常时间，组织执法人员专项行动撒网蹲点，使用半自动的快检手段来逐渐缩小异常来源。需要投入大量的人力物力，执法人员疲于奔命，而且由于偷排转瞬即逝，缺乏实时在线监控预警，无法掌握污染规律，往往难以追溯污染来源，属于水污染防治的难点、痛点。
部分地区使用COD、BOD在线监测仪等在管网进行监测，该手段有助于分析发现污染规律。但是受限于硬件设备建设运维费用高昂，只能小范围零星铺设，而且用水用电用地申请协调等等极其繁琐，难以真正实现排水管网物联。另外，由于工厂偷排规律不定，不仅仅需要及时报警，更需要智慧自动的异常来源推演，现有技术手段异常报警仅局限于单个站点的超标报警，缺乏智慧模型进行异常来源的有效推演，难以锁定污染来源。
为此，本发明提出一种智慧物联的排水管网污染异常溯源方法，旨在解决现有技术中存在的无法实时且精确的锁定污水污染源。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种智慧物联的排水管网污染异常溯源方法。
为了实现上述目的，本发明采用了如下技术方案：
一种智慧物联的排水管网污染异常溯源方法，包括如下步骤：
S1：微站部署，建立厂-网-地块-源的物联；根据污水厂情况、管网片区走向、管网地块分布、企业分布及行业特征，在各个节点部署微型水质监测站，将各个物理要素(厂-网-地块-源)指向化、矢量化，并建立厂-网-地块-源的关联关系；
S2：数据清洗，去除无效数据、异常数据，噪音干扰数据，监测数据经过清洗、转换、归一化、配准和空间化等预处理后，对水质数据进行时空变化特征分析；
S3：构建污染溯源模型，搭建空间-时间-浓度三维收敛模型，计算污染贡献大的可疑企业名单；
S4：溯源，自动识别推送污染异常企业清单，生成执法任务供管理部门指挥调度。
优选地：所述S1包括以下步骤：
S11：在管网的关键节点部署微型水质监测站，根据污染异常情况选择监测特征因子；
S12：对污水厂涉水流域内的片区管网划分、排水地块单元、涉水企业情况进行调研摸查，了解排水地块内的重点排水企业、零星涉水企业，以及涉水企业行业特征情况；
S13：确定部分排水地块对应的管网、截流井以及检查井的位置；
S14：基于已清洗的市政排水设施和排水地块空间矢量数据、实地调研情况，布设管网水质监测微站，建立污水厂-排水片区-排水地块-企业的关联。
优选地：所述S11中，管件节点包括但不限于泵站片区、主干管网节点、次支管交汇点、重点排污企业。
优选地：所述S11中，市政排水设施包括管网、井口、接驳点。
优选地：所述S14中，建立污水厂-排水片区-排水地块-企业的关联的方法为：
S141：将其中的地块信息、管道信息截流井、排污口、水流方向有效信息进行矢量空间化；
S142：将空间矢量化的信息进行地里坐标投影变化，形成具有经纬度坐标的地理坐标模型；
S143：对地块、排水管网实施流域化管理，从污水处理厂-管网-地块-源头四部分建立指针关系库，将污水处理厂流域的上游管网按照地块区域和上下游联通关系划分为不同级别的管线逻辑关系。
优选地：所述S2中，包括以下步骤：
S21：对微站站点进行属性分类；对管网内微站站点进行划分；
S22：对经纬度进行核验；
S23：处理水环境参数数据异常值；
S24：时空数据一致化处理，对于监测起止时间不同的站点通过编程进行时序匹配；对于站点进入稳定监测状态不一的站点进行删减；对于设备问题冬至不同区间数据存在缺失的数据根据上下时序进行均值填补。
优选地：所述S22中，核验的原则包括：统一监测点位的经纬度为同一坐标体系；将无法确认的经纬度站点剔除；将经纬度错落的站点通过编程将经纬度进行替换。
优选地：所述S23中异常值包括空值、0值、负值、恒定值、极大极小值。
优选地：所述S3中，计算方法采用随机森林回归算法、聚类分析、相关性分析、阈值分析和贝叶斯网络实现。
本发明的有益效果为：
1.本发明通过AI算法，赋能解放执法人员，高效定位可疑范围，自动溯源污染偷排企业，实时动态锁定污水厂废水偷排来源，并且效率较高、精度度较佳的同时人员与设备成本投入相对较低。
附图说明
图1为本发明提出的一种智慧物联的排水管网污染异常溯源方法的流程示意图；
图2为本发明提出的一种智慧物联的排水管网污染异常溯源方法的基于随机森林的污染源对监测点污染贡献计算示意图；
图3为本发明提出的一种智慧物联的排水管网污染异常溯源方法的生态环境信息聚类分析示意图；
图4为本发明提出的一种智慧物联的排水管网污染异常溯源方法的基于随机森林回归的三维收敛溯源模型示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
在本专利的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定相连、设置，也可以是可拆卸连接、设置，或一体地连接、设置。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利中的具体含义。
实施例1：
一种智慧物联的排水管网污染异常溯源方法，如图1所示，包括如下步骤：
S1：微站部署，建立厂-网-地块-源的物联；根据污水厂情况、管网片区走向、管网地块分布、企业分布及行业特征，在各个节点部署微型水质监测站，将各个物理要素(厂-网-地块-源)指向化、矢量化，并建立厂-网-地块-源的关联关系；
S2：数据清洗，去除无效数据、异常数据，噪音干扰数据，监测数据经过清洗、转换、归一化、配准和空间化等预处理后，对水质数据进行时空变化特征分析；
S3：构建污染溯源模型，搭建空间-时间-浓度三维收敛模型，计算污染贡献大的可疑企业名单；
S4：溯源，自动识别推送污染异常企业清单，生成执法任务供管理部门指挥调度。
所述S1包括以下步骤：
S11：在管网的关键节点部署微型水质监测站，根据污染异常情况选择监测特征因子；
S12：对污水厂涉水流域内的片区管网划分、排水地块单元、涉水企业情况进行调研摸查，了解排水地块内的重点排水企业、零星涉水企业，以及涉水企业行业特征情况；
S13：确定部分排水地块对应的管网、截流井以及检查井的位置；
S14：基于已清洗的市政排水设施和排水地块空间矢量数据、实地调研情况，布设管网水质监测微站，建立污水厂-排水片区-排水地块-企业的关联。
所述S11中，管件节点包括但不限于泵站片区、主干管网节点、次支管交汇点、重点排污企业。
所述S11中，市政排水设施包括管网、井口、接驳点。
所述S14中，建立污水厂-排水片区-排水地块-企业的关联的方法为：
S141：将其中的地块信息、管道信息截流井、排污口、水流方向有效信息进行矢量空间化；
S142：将空间矢量化的信息进行地里坐标投影变化，形成具有经纬度坐标的地理坐标模型；
S143：对地块、排水管网实施流域化管理，从污水处理厂-管网-地块-源头四部分建立指针关系库，将污水处理厂流域的上游管网按照地块区域和上下游联通关系划分为不同级别的管线逻辑关系。
所述S2中，包括以下步骤：
S21：对微站站点进行属性分类；对管网内微站站点进行划分。如分为总干管、主干管、干管节点的微站进行属性区分；
S22：对经纬度进行核验；核验的原则包括：统一监测点位的经纬度为同一坐标体系；将无法确认的经纬度站点剔除；将经纬度错落的站点通过编程将经纬度进行替换；
S23：处理水环境参数数据异常值，剔除监测数据中的异常值，包括空值、0值、负值、恒定值、极大极小异常值；
S24：时空数据一致化处理，对于监测起止时间不同的站点通过编程进行时序匹配；对于站点进入稳定监测状态不一的站点进行删减；对于设备问题冬至不同区间数据存在缺失的数据根据上下时序进行均值填补。
实施例2：
一种智慧物联的排水管网污染异常溯源方法，如图1所示，本实施例在实施例1的基础上做出以下改进：
所述S3中，计算方法采用随机森林回归算法、聚类分析、相关性分析、阈值分析和贝叶斯网络实现。
利用随机森林算法来计算各污染源对监测点环境污染的贡献程度。由多棵决策树构成，且森林中的每一棵决策树之间没有关联，模型的最终输出由森林中的每一棵决策树共同决定。处理分类问题时，对于测试样本，森林中每棵决策树会给出最终类别，最后综合考虑森林内每一棵决策树的输出类别，以投票方式来决定测试样本的类别；处理回归问题时，则以每棵决策树输出的均值为最终结果。随机森林算法几乎不需要输入的准备。它们不需要测算就能够处理二分特征、分类特征、数值特征的数据。随机森林算法能完成隐含特征的选择，并且提供一个很好的特征重要度的选择指标。
聚类分析是通过水环境中数据特征相似进行判断。一是就水环境污染程度的评价、分级；二是就生态环境污染相似性的分类研究。生态环境***是由多种因子构成的复杂***，生态环境质量受到诸多指标的影响，每项指标从不同角度反映生态环境状况，但依据它们作综合评价却有一定的难度，聚类分析作为现代多元分析的一个重要分支，将多维因子纳入同一体系加以综合研究的定量化方法。准确实施分片区、分类型、分时段对数据整理是聚类分析的关键所在。
聚类的原理首先对前期筛选出的功能进行异常值清洗，保持各个站点时间的一致性，对不同生态环境状况下的监测站点和各生态环境的监测指标进行数据标准化处理。其次提取相关的特征向量，选择合适的聚类方法进行聚类中心计算，得到相关的聚类结果。最后，根据聚类分析的结果分析报告，对分片区、分类型、分时段的生态环境污染特性聚类特性，提出因地制宜、因时制宜的治污建议。
通过对水质指标中的相关指标进行两两相关，对两个或多个具备相关性的变量元素进行分析，从而衡量两个指标因素的相关密切程度。采用相关性分析对静态污染源进行相关性分析，摸清集水单元的污染本底。
根据水质各项指标中的国标的标准作为阈值，超出阈值范围的即为水质异常值，通过对微站的水质指标进行阈值分析，筛选出超出阈值的异常值，由此，由管网的微站到地块到源头进行精准溯源。
贝叶斯网络建立空间-时间-浓度三维收敛模型(排水地块、管网、污水厂空间拓扑构建空间逻辑链、测算在线监测数据在时间、浓度维度的贝叶斯概率。通过不断迭代将数据的时空上下文信息耦合到深度学习模型中获得可以自动提取时空特征的流域水质时空演变大数据模型，并通过不断完善的水质在线监测数据、降雨在线监测、用水、用电等方面数据不断优化模型。此外，在深度学习模型构建的基础上，采用概率空间分布测算方法，分析影响水质达标的热力区域分布及主要原因，实现动态时空溯源。
本装置通过AI算法，赋能解放执法人员，高效定位可疑范围，自动溯源污染偷排企业，实时动态锁定污水厂废水偷排来源。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种智慧物联的排水管网污染异常溯源方法，其特征在于，包括如下步骤：
S1：微站部署，建立厂-网-地块-源的物联；根据污水厂情况、管网片区走向、管网地块分布、企业分布及行业特征，在各个节点部署微型水质监测站，将各个物理要素(厂-网-地块-源)指向化、矢量化，并建立厂-网-地块-源的关联关系；
S2：数据清洗，去除无效数据、异常数据，噪音干扰数据，监测数据经过清洗、转换、归一化、配准和空间化等预处理后，对水质数据进行时空变化特征分析；
S3：构建污染溯源模型，搭建空间-时间-浓度三维收敛模型，计算污染贡献大的可疑企业名单；
S4：溯源，自动识别推送污染异常企业清单，生成执法任务供管理部门指挥调度。
2.根据权利要求1所述的一种智慧物联的排水管网污染异常溯源方法，其特征在于，所述S1包括以下步骤：
S11：在管网的关键节点部署微型水质监测站，根据污染异常情况选择监测特征因子；
S12：对污水厂涉水流域内的片区管网划分、排水地块单元、涉水企业情况进行调研摸查，了解排水地块内的重点排水企业、零星涉水企业，以及涉水企业行业特征情况；
S13：确定部分排水地块对应的管网、截流井以及检查井的位置；
S14：基于已清洗的市政排水设施和排水地块空间矢量数据、实地调研情况，布设管网水质监测微站，建立污水厂-排水片区-排水地块-企业的关联。
3.根据权利要求2所述的一种智慧物联的排水管网污染异常溯源方法，其特征在于，所述S11中，管件节点包括但不限于泵站片区、主干管网节点、次支管交汇点、重点排污企业。
4.根据权利要求3所述的一种智慧物联的排水管网污染异常溯源方法，其特征在于，所述S11中，市政排水设施包括管网、井口、接驳点。
5.根据权利要求2所述的一种智慧物联的排水管网污染异常溯源方法，其特征在于，所述S14中，建立污水厂-排水片区-排水地块-企业的关联的方法为：
S141：将其中的地块信息、管道信息截流井、排污口、水流方向有效信息进行矢量空间化；
S142：将空间矢量化的信息进行地里坐标投影变化，形成具有经纬度坐标的地理坐标模型；
S143：对地块、排水管网实施流域化管理，从污水处理厂-管网-地块-源头四部分建立指针关系库，将污水处理厂流域的上游管网按照地块区域和上下游联通关系划分为不同级别的管线逻辑关系。
6.根据权利要求1所述的一种智慧物联的排水管网污染异常溯源方法，其特征在于，所述S2中，包括以下步骤：
S21：对微站站点进行属性分类；对管网内微站站点进行划分；
S22：对经纬度进行核验；
S23：处理水环境参数数据异常值；
S24：时空数据一致化处理，对于监测起止时间不同的站点通过编程进行时序匹配；对于站点进入稳定监测状态不一的站点进行删减；对于设备问题冬至不同区间数据存在缺失的数据根据上下时序进行均值填补。
7.根据权利要求6所述的一种智慧物联的排水管网污染异常溯源方法，其特征在于，所述S22中，核验的原则包括：统一监测点位的经纬度为同一坐标体系；将无法确认的经纬度站点剔除；将经纬度错落的站点通过编程将经纬度进行替换。
8.根据权利要求6所述的一种智慧物联的排水管网污染异常溯源方法，其特征在于，所述S23中异常值包括空值、0值、负值、恒定值、极大极小值。
9.根据权利要求1所述的一种智慧物联的排水管网污染异常溯源方法，其特征在于，所述S3中，计算方法采用随机森林回归算法、聚类分析、相关性分析、阈值分析和贝叶斯网络实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310069832.8A CN116205592A (zh) | 2023-02-07 | 2023-02-07 | 一种智慧物联的排水管网污染异常溯源方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310069832.8A CN116205592A (zh) | 2023-02-07 | 2023-02-07 | 一种智慧物联的排水管网污染异常溯源方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116205592A true CN116205592A (zh) | 2023-06-02 |
Family
ID=86512260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310069832.8A Pending CN116205592A (zh) | 2023-02-07 | 2023-02-07 | 一种智慧物联的排水管网污染异常溯源方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116205592A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118230069A (zh) * | 2024-05-15 | 2024-06-21 | 深圳市凯宏膜环保科技有限公司 | 一种基于数据分析的污水处理故障诊断方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104865353A (zh) * | 2015-06-01 | 2015-08-26 | 上海交通大学 | 基于无人机的工业园区大气污染数据采集方法 |
| CN113011903A (zh) * | 2021-04-26 | 2021-06-22 | 成都环极科技有限公司 | 基于gis和水力模型的水污染精准溯源方法 |
| CN113050472A (zh) * | 2021-02-20 | 2021-06-29 | 温州设计集团有限公司 | 基于管网预警分析技术的智慧污水零直排动态监管*** |
| WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
| CN113899872A (zh) * | 2021-11-18 | 2022-01-07 | 中水三立数据技术股份有限公司 | 基于水质监测的污染源溯源*** |
| CN115545678A (zh) * | 2022-11-29 | 2022-12-30 | 浙江贵仁信息科技股份有限公司 | 一种基于水环境画像与污染物溯源的水质监测方法 |
-
2023
- 2023-02-07 CN CN202310069832.8A patent/CN116205592A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104865353A (zh) * | 2015-06-01 | 2015-08-26 | 上海交通大学 | 基于无人机的工业园区大气污染数据采集方法 |
| WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
| CN113050472A (zh) * | 2021-02-20 | 2021-06-29 | 温州设计集团有限公司 | 基于管网预警分析技术的智慧污水零直排动态监管*** |
| CN113011903A (zh) * | 2021-04-26 | 2021-06-22 | 成都环极科技有限公司 | 基于gis和水力模型的水污染精准溯源方法 |
| CN113899872A (zh) * | 2021-11-18 | 2022-01-07 | 中水三立数据技术股份有限公司 | 基于水质监测的污染源溯源*** |
| CN115545678A (zh) * | 2022-11-29 | 2022-12-30 | 浙江贵仁信息科技股份有限公司 | 一种基于水环境画像与污染物溯源的水质监测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118230069A (zh) * | 2024-05-15 | 2024-06-21 | 深圳市凯宏膜环保科技有限公司 | 一种基于数据分析的污水处理故障诊断方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021174751A1 (zh) | 基于大数据的污染源定位方法、装置、设备及存储介质 | |
| CN110196083A (zh) | 排水管网污染路径的监测识别方法、装置及电子设备 | |
| CN112001610B (zh) | 农业面源污染的处理方法及装置 | |
| Mounce et al. | Pattern matching and associative artificial neural networks for water distribution system time series data analysis | |
| CN115545678A (zh) | 一种基于水环境画像与污染物溯源的水质监测方法 | |
| CN114444259B (zh) | 一种雨污管网溯源追踪***及方法 | |
| CN113111478B (zh) | 排水***管网混接与入流、入渗程度的评估方法及设备 | |
| CN111811580A (zh) | 一种水量/水质监测布点方法及预警响应*** | |
| CN104091035A (zh) | 一种基于数据驱动算法的空间站有效载荷健康监测方法 | |
| CN113420396B (zh) | 一种城市排水管网污染溯源的方法 | |
| CN116029884B (zh) | 一种基于河道水质污染溯源模型的河流污染溯源方法 | |
| CN116205592A (zh) | 一种智慧物联的排水管网污染异常溯源方法 | |
| CN117370919B (zh) | 污水处理设备远程监控*** | |
| CN116862081B (zh) | 一种污染治理设备运维方法及*** | |
| CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
| CN113901043B (zh) | 污染源智能监管和数据融合分析方法和*** | |
| CN113449120B (zh) | 一种结合空间信息的管线安全综合监管方法 | |
| CN117370818B (zh) | 基于人工智能的供排水管网智能诊断方法及智慧环保*** | |
| CN117113038A (zh) | 城市水土流失黄泥水事件溯源方法及*** | |
| CN116484219A (zh) | 一种基于门控图神经网络的供水管网水质异常污染源识别方法 | |
| Moczulski et al. | SysDetLok-a leakage detection and localization system for water distribution networks | |
| Hansen et al. | General sewer deterioration model using random forest | |
| CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
| Zhang et al. | An evaluation model of water quality based on learning vector quantization neural network | |
| CN118098442B (zh) | 一种基于多层感知器模型的城市水环境小尺度溯源方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230602 |