CN117373557B - 基于多维数据的溯源方法及*** - Google Patents
基于多维数据的溯源方法及*** Download PDFInfo
- Publication number
- CN117373557B CN117373557B CN202311650300.XA CN202311650300A CN117373557B CN 117373557 B CN117373557 B CN 117373557B CN 202311650300 A CN202311650300 A CN 202311650300A CN 117373557 B CN117373557 B CN 117373557B
- Authority
- CN
- China
- Prior art keywords
- substance
- monitoring point
- emission
- content value
- substances
- 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 37
- 239000000126 substance Substances 0.000 claims abstract description 323
- 239000010865 sewage Substances 0.000 claims abstract description 218
- 238000012544 monitoring process Methods 0.000 claims abstract description 216
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 92
- 230000008859 change Effects 0.000 claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims description 62
- 239000000463 material Substances 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 239000002351 wastewater Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明涉及用数据处理技术领域,具体涉及基于多维数据的溯源方法及***,包括:根据每个监测点的每类物质排放含量值变化曲线中所有单调递增区间的异常增长程度得到每个监测点与污水处理厂进水口处同类物质的排放关系权重,然后根据每个监测点与污水处理厂进水口处同类物质的排放关系权重,以及每个工厂向每个下游监测点排放的每类物质的主成分概率,得到每个工厂所排放的主成分物质。本发明解决了由于污水排放源交错、排放物质种类较多、数据处理维度复杂、存在虚假数据,无法针对污水中的超标排放物质进行定向溯源的问题,大幅提高污水排放物质的溯源与跟踪精度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于多维数据的溯源方法及***。
背景技术
对于工业污水排放物质含量的监测和溯源具有重要的环境和社会意义,有利于保护水资源、维护生态平衡和水体健康、确保工业排放符合法规和环保标准、并有助于企业履行社会责任、实现可持续发展。当前相关监测部门仅能通过定期调查、传感器监测、或从企业提供的污水排放报告中对排放超标物质进行筛查和溯源,但由于城市污水管网中排放源交错、污水中排放物质种类较多、数据处理维度复杂,因此难以针对污水中的排放物质进行定向溯源,且部分生产工厂、企业提供的污水排放报告中存在虚假数据,进一步提高了溯源难度。
发明内容
本发明提供基于多维数据的溯源方法及***,以解决现有由于城市污水管网中排放源交错、污水中排放物质种类较多、数据处理维度复杂,无法针对污水中的排放物质进行定向溯源的问题。
本发明的基于多维数据的溯源方法及***采用如下技术方案:
本发明一个实施例提供了基于多维数据的溯源方法,该方法包括以下步骤:
在污水管网中架设监测点,获取每个监测点以及污水处理厂进水口历史若干天内的每类物质排放含量值以及每类物质排放含量值变化曲线,获取每个工厂历史若干天内所排放的每类物质的纸面排放含量值;
根据每个监测点的每类物质排放含量值变化曲线,得到每类物质排放含量值单调递增区间,根据每个监测点的每类物质排放含量值得到每类物质排放含量值变化曲线中所有单调递增区间的异常增长程度,根据所有单调递增区间的异常增长程度得到每个监测点与污水处理厂进水口处同类物质的排放关系参数,根据每个监测点与污水处理厂进水口处同类物质的排放关系参数得到每个监测点与污水处理厂进水口处同类物质的排放关系权重,所述同类物质的排放关系权重代表了污水处理厂进水口处的每类物质发生异常增长时所受到每个监测点的影响程度;
根据每个工厂每类物质的纸面排放含量值与该工厂任意一个下游监测点的同类物质排放含量值,得到每个工厂向每个下游监测点排放的每类物质的主成分概率;然后根据每个监测点与污水处理厂进水口处同类物质的排放关系权重,以及每个工厂向每个下游监测点排放的每类物质的主成分概率,得到每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子,根据每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子,获取每个工厂所排放的主成分物质,根据每个工厂所排放的主成分物质,对超标排放物质进行溯源。
进一步的,所述在污水管网中架设监测点,获取每个监测点以及污水处理厂进水口历史若干天内的每类物质排放含量值以及每类物质排放含量值变化曲线,包括的具体步骤如下:
每个工厂通过对应的排放管道将污水排放至污水管网中,将排放管道和城市污水管网相接位置称为排放节点,在每个排放节点处设置一个监测点,获取所有监测点的每类物质的排放含量值;
获取污水处理厂进水口处的每类物质的排放含量值;
连续采集历史若干天内每个监测点以及污水处理厂进水口处的污水中每类物质的排放含量值,将每一天为一个采样时刻,得到每个监测点每类物质的排放含量值变化曲线,以及污水处理厂进水口处每类物质的排放含量值变化曲线,每类物质的排放含量值变化曲线的横坐标为采样时刻,纵坐标为每类物质的排放含量值。
进一步的,所述根据每个监测点的每类物质排放含量值变化曲线,得到每类物质排放含量值单调递增区间,包括的具体步骤如下:
获取每个监测点每类物质排放含量值变化曲线中所有采样时刻的斜率,每类物质排放含量值变化曲线中斜率连续为正数的曲线区间作为单调递增区间,得到若干个单调递增区间。
进一步的,所述根据每个监测点的每类物质排放含量值得到每类物质排放含量值变化曲线中所有单调递增区间的异常增长程度,包括的具体步骤如下:
其中,表示第i个监测点的第j类物质在第t个采样时刻的排放含量值,/>表示第i个监测点的第j类物质所有采样时刻排放含量值的平均值,/>代表第i个监测点的第j类物质在第t次采样时刻的异常排放量;r代表第i个监测点的第j类物质的排放含量值变化曲线中第r个单调递增区间,/>代表第r个单调递增区间的异常增长程度,z代表第r个单调递增区间中第z个采样时刻,/>代表第i个监测点的第j类物质在第z个采样时刻排放含量值的异常排放量,/>代表第r个单点递增区间中所有采样时刻的数量,/>代表第i个监测点的第j类物质的排放含量值变化曲线中第r个单调递增区间中的最大排放含量值,代表第i个监测点的第j类物质的排放含量值变化曲线中的最大排放含量值,/>代表离差归一化函数。
进一步的,所述根据所有单调递增区间的异常增长程度得到每个监测点与污水处理厂进水口处同类物质的排放关系参数,包括的具体步骤如下:
其中,代表第i个监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系参数,r代表第i个监测点的第j类物质的排放含量值变化曲线中第r个单调递增区间,z代表第r个单调递增区间中的第z个采样时刻,/>代表污水处理厂进水口,/>代表第r个单点递增区间中所有采样时刻的数量,/>代表第i个监测点的第j类物质排放含量值变化曲线中所有单调递增区间数量,/>代表第i个监测点的第j类物质排放含量值变化曲线中第r个单调递增区间内的第z个采样时刻的斜率,/>代表污水处理厂进水口处第j类物质排放含量值变化曲线中与第z个采样时刻相同的第/>个采样时刻的斜率,/>代表第r个单调递增区间的异常增长程度。
进一步的,所述根据每个监测点与污水处理厂进水口处同类物质的排放关系参数得到每个监测点与污水处理厂进水口处同类物质的排放关系权重,包括的具体步骤如下:
其中,代表第i个监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系参数,/>代表第i个监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系权重,/>代表以自然常数;
得到每个监测点与污水处理厂进水口处同类物质的排放关系权重。
进一步的,所述根据每个工厂每类物质的纸面排放含量值与该工厂任意一个下游监测点的同类物质排放含量值,得到每个工厂向每个下游监测点排放的每类物质的主成分概率,包括的具体步骤如下:
其中,s代表第s个工厂,u代表第s个工厂的第u个下游监测点,N代表污水中所有排放物质的类数,代表第s个工厂任意采样时刻的第j类物质的纸面排放含量值,/>代表第s个工厂所有采样时刻的第j类物质的纸面排放含量值的平均值,/>代表第u个下游监测点任意采样时刻的第j类物质的排放含量值,/>代表第u个下游监测点所有采样时刻的第j类物质的排放含量值的平均值;/>代表第s个工厂提交的历史污水排放报告中所有第j类物质的纸面排放含量值的集合,/>代表第u个下游监测点的第j类物质历史每日排放含量值的集合,/>代表第s个工厂的第j类物质历史每日纸面排放含量值与第u个下游监测点的第j类物质历史每日排放含量值之间的协方差,/>代表第s个工厂的第j类物质纸面排放含量值的集合的标准差,/>代表第u个下游监测点的第j类物质历史每日排放含量值的集合的标准差;/>代表第s个工厂向第u个下游监测点排放的第j类物质的主成分概率;
得到每个工厂向每个下游监测点排放的每类物质的主成分概率。
进一步的,所述根据每个监测点与污水处理厂进水口处同类物质的排放关系权重,以及每个工厂向每个下游监测点排放的每类物质的主成分概率,得到每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子,包括的具体步骤如下:
其中,s代表第s个工厂,u代表第s个工厂的第u个下游监测点,代表第s个工厂所有下游监测点的数量,/>代表第u个下游监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系权重,/>代表第s个工厂所排放的第j类物质在第u个下游监测点处所监测混合污水中的主成分概率,/>代表第s个工厂排放至污水处理厂进水口的污水中的第j类物质的主成分估测因子;
得到每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子。
进一步的,所述根据每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子,获取每个工厂所排放的主成分物质,包括的具体步骤如下:
对于每个工厂排放至污水处理厂进水口的污水中的所有物质的主成分估测因子,将主成分估测因子最大时对应的一类物质,作为每个工厂所排放的主成分物质。
基于多维数据的溯源***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序执行并实现以上所有方法。
本发明的技术方案的有益效果是:
通过计算不同每个监测点的每类物质含量值变化曲线中的单调递增区间的异常增长程度,对每个监测点的每类物质含量值变化曲线与污水处理厂进水口的同类物质含量值变化曲线的差异进行加权,得到监测点与污水处理厂之间各类物质的排放关系权重,再根据每个工厂各类物质的纸面排放含量值与其所有下游监测点各类物质的排放含量值,对每个工厂排放污水流经的所有下游监测点时的每类物质的主成分概率进行计算,通过挖掘工厂和下游监测点之间的相关关系来估测工厂所排放的主成分物质,避免了纸面排放含量值存在虚假数据的问题,然后利用所有下游监测点与污水处理厂之间各类物质的排放关系权重与主成分概率,获取工厂排放的主成分物质,解决了由于污水排放源交错、排放物质种类较多、数据处理维度复杂、存在虚假数据,无法针对污水中的超标排放物质进行定向溯源的问题,大幅提高污水排放物质的溯源与跟踪精度。
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为本发明基于多维数据的溯源方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于多维数据的溯源方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于多维数据的溯源方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于多维数据的溯源方法的步骤流程图,该方法包括以下步骤:
步骤S001、在污水管网中架设监测点,获取每个监测点以及污水处理厂进水口历史若干天内的每类物质排放含量值以及每类物质排放含量值变化曲线,获取每个工厂历史若干天内所排放的每类物质的纸面排放含量值。
城市污水管网***是市政工程的一部分,所有生产工厂内部的污水处理***会对其生产过程中产生的工业污水先进行一次预处理,然后将预处理后的污水通过每个排放节点排放至城市污水管网中,再经由污水管网到达污水处理厂进行后续处理;
每个污水处理厂负责不同区域的污水管网段,负责接收不同区域内的工厂污水,在每个污水处理厂负责的整段污水管网中设置监测点,由于每个工厂通过对应的排放管道将污水排放至污水管网中,排放管道和城市污水管网相接处称为排放节点,因此在每个排放节点处设置一个监测点,需要说明的是,每个监测点无法独立监测与排放管道连接的工厂所排放的污水,因为污水管网中还存在有其他工厂所排放的污水;架设引流管抽样采集每个监测点处的工业污水样本,并对污水样本进行水质检测,得到每个监测点处所监测污水中的每类物质的排放含量,包括每类无机物和有机物;
所有工厂的排放污水排放至污水管网后变为了混合污水,混合污水再通过污水处理厂进水口到达污水处理厂,在污水处理厂进水口出同样架设引流管进行抽样检测,得到混合污水中每类物质的排放含量;
连续采集、记录历史100天内每日污水管网的每个监测点以及污水处理厂进水口处污水的每类物质的排放含量值,将每类物质在100天内的排放含量值按时间顺序投放在时序上,每一天为一个采样时刻,然后利用数据可视化工具得到每个监测点处每类物质的排放含量值变化曲线,以及污水处理厂进水口处混合污水中每类物质的排放含量值变化曲线,每类物质的排放含量值变化曲线的横坐标为采样时刻,纵坐标为每类物质的排放含量值。
同时获取历史100天内工厂向环境保护部门或相关监管机构所提交的污水排放报告中的每类物质的排放含量数据,将每个工厂所提交的历史污水排放报告中的每类物质的排放含量数据,作为该工厂所排放物质的纸面排放含量值。
步骤S002、根据每个监测点的每类物质排放含量值变化曲线,得到每类物质排放含量值单调递增区间,根据每个监测点的每类物质排放含量值得到每类物质排放含量值变化曲线中所有单调递增区间的异常增长程度,根据所有单调递增区间的异常增长程度得到每个监测点与污水处理厂进水口处同类物质的排放关系参数,根据每个监测点与污水处理厂进水口处同类物质的排放关系参数得到每个监测点与污水处理厂进水口处同类物质的排放关系权重。
由于污水管网与每个工厂的污水排放节点相连接,工厂产生的污水从排放节点汇集在污水管网中,因此每个监测点处所监测的每类物质排放含量数据实际会受到上游多家工厂排放影响,因而对于每个监测点处所采集的每类物质排放含量数据来说,可能存在多个不同成分的污水混合的情况,距离越靠近污水处理厂的工厂为下游工厂,越远离污水处理厂的工厂为上游工厂,上、下游工厂为相对关系,污水管网架设的监测点位置越处在下游,其所监测的污水中就混合有越多数量工厂所排放的污水。
对于每个监测点所得的每类物质排放含量值变化曲线,数据自身会存在正常波动,而当发生排放异常时物质排放含量值变化曲线则会出现较大的波动,需要计算每类排放物质含量的异常增长程度;
获取每个监测点每类物质排放含量值变化曲线中所有采样时刻的斜率,每类物质排放含量值变化曲线中斜率连续为正数的曲线区间作为单调递增区间,得到若干个单调递增区间;
其中,表示第i个监测点的第j类物质在第t个采样时刻的排放含量值,/>表示第i个监测点的第j类物质所有采样时刻排放含量值的平均值,/>代表第i个监测点的第j类物质在第t次采样时刻的异常排放量;r代表第i个监测点的第j类物质的排放含量值变化曲线中第r个单调递增区间,/>代表第r个单调递增区间的异常增长程度,z代表第r个单调递增区间中第z个采样时刻,/>代表第i个监测点的第j类物质在第z个采样时刻排放含量值的异常排放量,/>代表第r个单点递增区间中所有采样时刻的数量,/>代表第i个监测点的第j类物质的排放含量值变化曲线中第r个单调递增区间中的最大排放含量值,代表第i个监测点的第j类物质的排放含量值变化曲线中的最大排放含量值,/>代表离差归一化函数;
代表第i个监测点的第j类物质在第t个采样时刻的排放含量值与所有采样时刻排放含量值的平均值的差值绝对值,由于每个监测点每次采集的物质排放含量中混合的上游工厂污水数量不同,因此以第j类物质所有采样时刻排放含量值的平均值作为第i个监测点所监测排放节点对应源头工厂的第j类物质的标准排放含量值,将第i个监测点任意一个时刻的第j类物质含量值与标准排放含量值的差值绝对值,作为该时刻下第i个监测点第j类物质的异常排放量;
需要说明的是,由于在物质排放含量值增高的时段内,被排放的每类物质可能残留在污水管网中,对后续采样时刻的每类物质排放含量值产生影响,因此每类物质在每个单调递增区间内的异常排放量是递进的影响关系,因此代表的是将第i个监测点的第j类物质的排放含量值变化曲线中第r个单调递增区间中所有采样时刻的异常排放量进行累乘,并利用离差归一化函数将累乘结果进行归一化,得到第r个单调递增区间中的异常排放因子;/>代表第i个监测点的第j类物质的排放含量值变化曲线中第r个单调递增区间中的最大含量值,与第i个监测点的第j类物质的排放含量值变化曲线中的最大含量值求比值,该比值越大代表第r个单调递增区间的物质排放含量值的增长量越异常,将/>称为第r个单调递增区间的增长贡献比;将第r个单调递增区间的异常排放因子与增长贡献比的乘积作为第r个单调递增区间的异常增长程度。
得到所有排水节点处监测点的每类物质排放含量值变化曲线中,所有单调递增区间的异常增长程度;
进一步的,根据所有单调递增区间的异常增长程度,得到每个监测点与污水处理厂进水口之间同类物质的排放关系权重,具体为:
其中,代表第i个监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系参数,r代表第i个监测点的第j类物质的排放含量值变化曲线中第r个单调递增区间,z代表第r个单调递增区间中的第z个采样时刻,/>代表污水处理厂进水口,/>代表第r个单点递增区间中所有采样时刻的数量,/>代表第i个监测点的第j类物质排放含量值变化曲线中所有单调递增区间数量,/>代表第i个监测点的第j类物质排放含量值变化曲线中第r个单调递增区间内的第z个采样时刻的斜率,/>代表污水处理厂进水口处第j类物质排放含量值变化曲线中与第z个采样时刻相同的第/>个采样时刻的斜率,/>代表第r个单调递增区间的异常增长程度;/>代表第i个监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系权重,/>代表以自然常数。
代表第i个监测点的第j类物质排放含量值变化曲线中第r个单调递增区间与污水处理厂进水口处第j类物质排放含量值变化曲线中同采样时刻位置斜率的均方误差,该均方误差越大代表第i个监测点的第j类物质排放含量值变化曲线中所有单调递增区间内的物质排放含量值变化率与污水处理厂进水口处的第j类物质排放含量值变化曲线中的变化率越相近,/>代表将第r个单调递增区间的异常增长程度与该均方误差相乘,该相乘的过程是将第i个监测点的第j类物质排放含量值变化曲线中第r个单调递增区间异常增长程度作为权重对第r个单调递增区间与污水处理厂进水口处的同类物质排放含量值变化曲线的均方误差进行加权,代表对第i个监测点的第j类物质排放含量值变化曲线中所有单调递增区间与污水处理厂进水口处第j类物质排放含量值变化曲线中同位置时刻斜率的均方误差进行加权求均,得到第i个监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系参数/>;
然后利用指数函数对同类物质的排放关系参数进行反比例归一化,得到第i个监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系权重/>,当第i个监测点所排放的污水与污水处理厂进水口处的污水中同类物质的排放关系权重越大,代表该监测点的污水监测数据对最终污水处理厂接收的混合污水中此类物质排放源的追踪越为重要。
进而,得到每个监测点与污水处理厂进水口处同类物质的排放关系权重。
需要说明的是,本步骤是根据每个监测点处的物质排放含量值变化曲线单调递增区间,即可能发生异常排放量的曲线区间的异常增长程度作为权重,对每个监测点所有单调递增区间与污水处理厂进水口处的物质排放含量值变化曲线的均方误差进行加权求均,得到每个监测点处的污水内物质排放含量变化与最终排放至污水处理厂的污水内物质排放含量变化的排放关系,目的为了对后续不同工厂的排放物质的主成分分析提供帮助。
步骤S003、根据每个工厂每类物质的纸面排放含量值与该工厂任意一个下游监测点的同类物质排放含量值,得到每个工厂向每个下游监测点排放的每类物质的主成分概率;然后根据每个监测点与污水处理厂进水口处同类物质的排放关系权重,以及每个工厂向每个下游监测点排放的每类物质的主成分概率,得到每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子,根据每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子,获取每个工厂所排放的主成分物质,根据每个工厂所排放的主成分物质,对超标排放物质进行溯源。
由于每个监测点架设位置的排放节点处,均各自连接一个工厂,因此监测点与工厂一一对应,序号相同,但监测点所监测的物质排放含量值是所有上游工厂的污水混合后的实际监测含量值,每个监测点的实际监测含量值无法单独体现对应工厂的实际排放量;而工厂提交的污水排放报告则仅为该工厂所排放的每类物质的纸面排放含量值,纸面排放含量值中可能存在虚假数据,因此需要结合实际监测含量值与纸面排放含量共同分析每个工厂所排放的主要物质成分;
计算任意一个工厂所排放物质在其下游监测点中的混合污水中的主成分概率,具体为:
获取每个工厂的所有下游监测点,每个工厂的下游监测点即与污水处理厂在城市污水管网中的管道距离小于该工厂排水节点与污水处理厂在城市污水管网中的管道距离的所有监测点,称为该工厂的下游监测点;
其中,s代表第s个工厂,u代表第s个工厂的第u个下游监测点,N代表污水中所有排放物质的类数,代表第s个工厂任意采样时刻的第j类物质的纸面排放含量值,/>代表第s个工厂所有采样时刻的第j类物质的纸面排放含量值的平均值,/>代表第u个下游监测点任意采样时刻的第j类物质的排放含量值,/>代表第u个下游监测点所有采样时刻的第j类物质的排放含量值的平均值;/>代表第s个工厂提交的历史污水排放报告中所有第j类物质的纸面排放含量值的集合,/>代表第u个下游监测点的第j类物质历史每日排放含量值的集合,/>代表第s个工厂的第j类物质历史每日纸面排放含量值与第u个下游监测点的第j类物质历史每日排放含量值之间的协方差,/>代表第s个工厂的第j类物质纸面排放含量值的集合的标准差,/>代表第u个下游监测点的第j类物质历史每日排放含量值的集合的标准差;/>代表第s个工厂向第u个下游监测点排放的第j类物质的主成分概率;
代表第s个工厂的第j类物质纸面排放含量值的平均值与该工厂污水排放报告中所有物质纸面排放含量值的平均值之和的比值,得到第s个工厂的第j类物质纸面排放含量占比,/>代表第u个下游监测点的第j类物质历史每日排放含量值的平均值与该监测点所监测混合污水中所有物质排放含量值的平均值之和的比值,得到第u个下游监测点的第j类物质的排放含量占比;/>代表第s个工厂的第j类物质历史每日纸面排放含量值与第u个下游监测点的第j类物质历史每日排放含量值之间的皮尔逊相关系数;
将第s个工厂的第j类物质纸面排放含量占比与其第u个下游监测点的第j类物质纸面排放含量占比求均值后,均值越大且当工厂提交的污水排放报告中物质的排放含量值与监测点所得混合污水中同类物质的排放含量值的皮尔逊相关系数的绝对值越高时,代表第s个工厂所排放的第j类物质是第u个下游监测点处所监测混合污水中的主成分物质的概率越大。
进一步的,得到每个工厂向每个下游监测点排放的每类物质的主成分概率;
需要说明的是,计算工厂所排放物质的纸面排放含量值与下游监测点同类物质的排放含量值之间的相关系数的目的是为了避免纸面排放含量值中存在虚假数据,当工厂提交的污水排放报告中存在虚假数据时,直接读取纸面排放含量值是无法得到该工厂的每类物质的实际排放含量值的,因此通过对所有下游监测点每类物质的排放含量值与工厂提供的纸面排放含量值,来挖掘工厂纸面排放含量值中的真实数据,当下游监测点每类物质的排放含量值与工厂提供的纸面排放含量值的相关系数绝对值越大时,越能代表该下游监测点中所监测的此类物质是由该工厂所排放的,则该类物质为该工厂所排放的主成分物质的概率越大,即可不通过工厂提供的纸面排放含量值,就能获取该工厂可能排放的物质成分,避免了虚假数据对污水排放物质成分溯源跟踪的不良影响。
进一步的,利用每个监测点与污水处理厂进水口的同类物质的排放关系权重,以及每个工厂向其下游监测点排放的每类物质的主成分概率,来获取每个工厂排放至污水处理厂的混合污水中的主成分物质,具体为:
其中,代表第s个工厂所有下游监测点的数量,/>代表第i个监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系权重,/>代表第s个工厂所排放的第j类物质在第u个下游监测点处所监测混合污水中的主成分概率,/>代表第s个工厂排放至污水处理厂进水口的污水中的第j类物质的主成分估测因子;
利用每个同类物质的排放关系权重对任意一个工厂在其所有下游监测点中排放同一类物质的主成分概率进行加权求均,得到该工厂对排放至污水处理厂的混合污水中每类物质的主成分估测因子;
得到每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子;
对于每个工厂排放至污水处理厂进水口的污水中的所有物质的主成分估测因子,将主成分估测因子最大时对应的一类物质,作为每个工厂所排放的主成分物质;
当污水处理厂对混合污水中的排放物质成分检测过程中,当某类排放物质超标时,若该类排放物质与某些工厂排放的主成分物质类型相同,对这些工厂进行排查,即可对污水处理厂接收的混合污水中的每类排放物质,进行溯源追踪。
本实施例还提供了一种基于多维数据的溯源***,包括:
存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该计算机程序用于执行本实施例步骤S001~S003的方法。对于计算机程序具体的处理逻辑已经在上述内容中进行了详细阐述,因此不再进行赘述。
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 (7)
1.基于多维数据的溯源方法,其特征在于,该方法包括以下步骤:
在污水管网中架设监测点,获取每个监测点以及污水处理厂进水口历史若干天内的每类物质排放含量值以及每类物质排放含量值变化曲线,获取每个工厂历史若干天内所排放的每类物质的纸面排放含量值;
根据每个监测点的每类物质排放含量值变化曲线,得到每类物质排放含量值单调递增区间,根据每个监测点的每类物质排放含量值得到每类物质排放含量值变化曲线中所有单调递增区间的异常增长程度,根据所有单调递增区间的异常增长程度得到每个监测点与污水处理厂进水口处同类物质的排放关系参数,根据每个监测点与污水处理厂进水口处同类物质的排放关系参数得到每个监测点与污水处理厂进水口处同类物质的排放关系权重,所述同类物质的排放关系权重代表了污水处理厂进水口处的每类物质发生异常增长时所受到每个监测点的影响程度;
根据每个工厂每类物质的纸面排放含量值与该工厂任意一个下游监测点的同类物质排放含量值,得到每个工厂向每个下游监测点排放的每类物质的主成分概率;然后根据每个监测点与污水处理厂进水口处同类物质的排放关系权重,以及每个工厂向每个下游监测点排放的每类物质的主成分概率,得到每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子,根据每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子,获取每个工厂所排放的主成分物质,根据每个工厂所排放的主成分物质,对超标排放物质进行溯源;
所述根据每个监测点的每类物质排放含量值变化曲线,得到每类物质排放含量值单调递增区间,包括的具体步骤如下:
获取每个监测点每类物质排放含量值变化曲线中所有采样时刻的斜率,每类物质排放含量值变化曲线中斜率连续为正数的曲线区间作为单调递增区间,得到若干个单调递增区间;
所述根据每个监测点与污水处理厂进水口处同类物质的排放关系参数得到每个监测点与污水处理厂进水口处同类物质的排放关系权重,包括的具体步骤如下:
其中,代表第i个监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系参数,/>代表第i个监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系权重,/>代表自然常数;
得到每个监测点与污水处理厂进水口处同类物质的排放关系权重;
所述根据每个监测点与污水处理厂进水口处同类物质的排放关系权重,以及每个工厂向每个下游监测点排放的每类物质的主成分概率,得到每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子,包括的具体步骤如下:
其中,s代表第s个工厂,u代表第s个工厂的第u个下游监测点,代表第s个工厂所有下游监测点的数量,/>代表第u个下游监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系权重,/>代表第s个工厂所排放的第j类物质在第u个下游监测点处所监测混合污水中的主成分概率,/>代表第s个工厂排放至污水处理厂进水口的污水中的第j类物质的主成分估测因子;
得到每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子。
2.根据权利要求1所述基于多维数据的溯源方法,其特征在于,所述在污水管网中架设监测点,获取每个监测点以及污水处理厂进水口历史若干天内的每类物质排放含量值以及每类物质排放含量值变化曲线,包括的具体步骤如下:
每个工厂通过对应的排放管道将污水排放至污水管网中,将排放管道和城市污水管网相接位置称为排放节点,在每个排放节点处设置一个监测点,获取所有监测点的每类物质的排放含量值;
获取污水处理厂进水口处的每类物质的排放含量值;
连续采集历史若干天内每个监测点以及污水处理厂进水口处的污水中每类物质的排放含量值,将每一天为一个采样时刻,得到每个监测点每类物质的排放含量值变化曲线,以及污水处理厂进水口处每类物质的排放含量值变化曲线,每类物质的排放含量值变化曲线的横坐标为采样时刻,纵坐标为每类物质的排放含量值。
3.根据权利要求1所述基于多维数据的溯源方法,其特征在于,所述根据每个监测点的每类物质排放含量值得到每类物质排放含量值变化曲线中所有单调递增区间的异常增长程度,包括的具体步骤如下:
其中,表示第i个监测点的第j类物质在第t个采样时刻的排放含量值,/>表示第i个监测点的第j类物质所有采样时刻排放含量值的平均值,/>代表第i个监测点的第j类物质在第t次采样时刻的异常排放量;r代表第i个监测点的第j类物质的排放含量值变化曲线中第r个单调递增区间,/>代表第r个单调递增区间的异常增长程度,z代表第r个单调递增区间中第z个采样时刻,/>代表第i个监测点的第j类物质在第z个采样时刻排放含量值的异常排放量,/>代表第r个单点递增区间中所有采样时刻的数量,/>代表第i个监测点的第j类物质的排放含量值变化曲线中第r个单调递增区间中的最大排放含量值,代表第i个监测点的第j类物质的排放含量值变化曲线中的最大排放含量值,代表离差归一化函数。
4.根据权利要求1所述基于多维数据的溯源方法,其特征在于,所述根据所有单调递增区间的异常增长程度得到每个监测点与污水处理厂进水口处同类物质的排放关系参数,包括的具体步骤如下:
其中,代表第i个监测点所排放的第j类物质与污水处理厂进水口处的第j类物质之间同类物质的排放关系参数,r代表第i个监测点的第j类物质的排放含量值变化曲线中第r个单调递增区间,z代表第r个单调递增区间中的第z个采样时刻,/>代表污水处理厂进水口,代表第r个单点递增区间中所有采样时刻的数量,/>代表第i个监测点的第j类物质排放含量值变化曲线中所有单调递增区间数量,/>代表第i个监测点的第j类物质排放含量值变化曲线中第r个单调递增区间内的第z个采样时刻的斜率,/>代表污水处理厂进水口处第j类物质排放含量值变化曲线中与第z个采样时刻相同的第/>个采样时刻的斜率,/>代表第r个单调递增区间的异常增长程度。
5.根据权利要求1所述基于多维数据的溯源方法,其特征在于,所述根据每个工厂每类物质的纸面排放含量值与该工厂任意一个下游监测点的同类物质排放含量值,得到每个工厂向每个下游监测点排放的每类物质的主成分概率,包括的具体步骤如下:
其中,s代表第s个工厂,u代表第s个工厂的第u个下游监测点,N代表污水中所有排放物质的类数,代表第s个工厂任意采样时刻的第j类物质的纸面排放含量值,/>代表第s个工厂所有采样时刻的第j类物质的纸面排放含量值的平均值,/>代表第u个下游监测点任意采样时刻的第j类物质的排放含量值,/>代表第u个下游监测点所有采样时刻的第j类物质的排放含量值的平均值;/>代表第s个工厂提交的历史污水排放报告中所有第j类物质的纸面排放含量值的集合,/>代表第u个下游监测点的第j类物质历史每日排放含量值的集合,/>代表第s个工厂的第j类物质历史每日纸面排放含量值与第u个下游监测点的第j类物质历史每日排放含量值之间的协方差,/>代表第s个工厂的第j类物质纸面排放含量值的集合的标准差,/>代表第u个下游监测点的第j类物质历史每日排放含量值的集合的标准差;/>代表第s个工厂向第u个下游监测点排放的第j类物质的主成分概率;
得到每个工厂向每个下游监测点排放的每类物质的主成分概率。
6.根据权利要求1所述基于多维数据的溯源方法,其特征在于,所述根据每个工厂排放至污水处理厂进水口的污水中的每类物质的主成分估测因子,获取每个工厂所排放的主成分物质,包括的具体步骤如下:
对于每个工厂排放至污水处理厂进水口的污水中的所有物质的主成分估测因子,将主成分估测因子最大时对应的一类物质,作为每个工厂所排放的主成分物质。
7.基于多维数据的溯源***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述基于多维数据的溯源方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311650300.XA CN117373557B (zh) | 2023-12-05 | 2023-12-05 | 基于多维数据的溯源方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311650300.XA CN117373557B (zh) | 2023-12-05 | 2023-12-05 | 基于多维数据的溯源方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117373557A CN117373557A (zh) | 2024-01-09 |
CN117373557B true CN117373557B (zh) | 2024-02-27 |
Family
ID=89396898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311650300.XA Active CN117373557B (zh) | 2023-12-05 | 2023-12-05 | 基于多维数据的溯源方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117373557B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669190A (zh) * | 2021-03-17 | 2021-04-16 | 北京英视睿达科技有限公司 | 污染源异常排放行为的检测方法、装置及计算机设备 |
CN113128884A (zh) * | 2021-04-25 | 2021-07-16 | 南京大学 | 一种基于河网数学模型进行区域性水环境溯源的方法及*** |
CN113269564A (zh) * | 2021-04-16 | 2021-08-17 | 佛山市奥博环保技术有限公司 | 一种园区排污管网污染源反向追踪溯源方法及*** |
CN113947033A (zh) * | 2021-12-22 | 2022-01-18 | 深圳市水务工程检测有限公司 | 基于人工智能排水管网污染物溯源***及方法 |
WO2023024463A1 (zh) * | 2021-12-30 | 2023-03-02 | 南京大学 | 一种水体有机污染智能化溯源方法及*** |
CN116029884A (zh) * | 2023-03-29 | 2023-04-28 | 北京云庐科技有限公司 | 一种基于河道水质污染溯源模型的河流污染溯源方法 |
CN116298159A (zh) * | 2023-03-14 | 2023-06-23 | 南京高科环境科技有限公司 | 一种工业污水厂污染物溯源方法、装置、存储介质和计算机设备 |
CN116500220A (zh) * | 2023-04-26 | 2023-07-28 | 中国环境科学研究院 | 一种基于物料守恒与时程相似的水污染溯源方法及*** |
CN116929454A (zh) * | 2023-07-28 | 2023-10-24 | 山东省计量科学研究院 | 一种河流水质污染监测方法、介质及*** |
CN116990087A (zh) * | 2023-09-27 | 2023-11-03 | 山东清控生态环境产业发展有限公司 | 一种水环境污染防治用水质监测设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023039773A1 (zh) * | 2021-09-16 | 2023-03-23 | 同济大学 | 河道排污口网格化溯源排查方法、***及可存储介质 |
-
2023
- 2023-12-05 CN CN202311650300.XA patent/CN117373557B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669190A (zh) * | 2021-03-17 | 2021-04-16 | 北京英视睿达科技有限公司 | 污染源异常排放行为的检测方法、装置及计算机设备 |
CN113269564A (zh) * | 2021-04-16 | 2021-08-17 | 佛山市奥博环保技术有限公司 | 一种园区排污管网污染源反向追踪溯源方法及*** |
CN113128884A (zh) * | 2021-04-25 | 2021-07-16 | 南京大学 | 一种基于河网数学模型进行区域性水环境溯源的方法及*** |
CN113947033A (zh) * | 2021-12-22 | 2022-01-18 | 深圳市水务工程检测有限公司 | 基于人工智能排水管网污染物溯源***及方法 |
WO2023024463A1 (zh) * | 2021-12-30 | 2023-03-02 | 南京大学 | 一种水体有机污染智能化溯源方法及*** |
CN116298159A (zh) * | 2023-03-14 | 2023-06-23 | 南京高科环境科技有限公司 | 一种工业污水厂污染物溯源方法、装置、存储介质和计算机设备 |
CN116029884A (zh) * | 2023-03-29 | 2023-04-28 | 北京云庐科技有限公司 | 一种基于河道水质污染溯源模型的河流污染溯源方法 |
CN116500220A (zh) * | 2023-04-26 | 2023-07-28 | 中国环境科学研究院 | 一种基于物料守恒与时程相似的水污染溯源方法及*** |
CN116929454A (zh) * | 2023-07-28 | 2023-10-24 | 山东省计量科学研究院 | 一种河流水质污染监测方法、介质及*** |
CN116990087A (zh) * | 2023-09-27 | 2023-11-03 | 山东清控生态环境产业发展有限公司 | 一种水环境污染防治用水质监测设备 |
Non-Patent Citations (3)
Title |
---|
Introducing an Innovative Design Approach for Drainage Systems: Facilitating Shallow Aquifer Recharge and Mitigating Flooding;Uyeno, M.T et.al;《SUSTAINABILITY》;20231123;第1-24页 * |
城市污水管网有毒物质溯源监控技术研究;郑伟;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20120115;第B027-379页 * |
基于改进AFSA算法的河流突发水污染溯源;李欣欣;王宁;姜秋俚;刘枢;魏建勋;张楠;;计算机***应用;20200715(07);第143-148页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117373557A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11346831B2 (en) | Intelligent detection method for biochemical oxygen demand based on a self-organizing recurrent RBF neural network | |
Harmel et al. | Modifying goodness-of-fit indicators to incorporate both measurement and model uncertainty in model calibration and validation | |
Sahoo et al. | Forecasting stream water temperature using regression analysis, artificial neural network, and chaotic non-linear dynamic models | |
Burchard-Levine et al. | A hybrid evolutionary data driven model for river water quality early warning | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN113111478B (zh) | 排水***管网混接与入流、入渗程度的评估方法及设备 | |
CN111898691A (zh) | 一种河流突发水污染预警溯源方法、***、终端及介质 | |
Zhao et al. | A Bayesian method for multi-pollution source water quality model and seasonal water quality management in river segments | |
CN102032935A (zh) | 城市排水汇流管网污水泵站流量的软测量方法 | |
Han et al. | Coupling Bayesian-Monte Carlo simulations with substance flow analysis for efficient pollutant management: a case study of phosphorus flows in China | |
Samantaray et al. | Sediment assessment for a watershed in arid region via neural networks | |
Mannina et al. | Receiving water quality assessment: comparison between simplified and detailed integrated urban modelling approaches | |
Preis et al. | On-line hydraulic modeling of a Water Distribution System in Singapore | |
Pan et al. | A new approach to estimating oxygen off-gas fraction and dynamic alpha factor in aeration systems using hybrid machine learning and mechanistic models | |
Schulze et al. | Applications of artificial neural networks in integrated water management: fiction or future? | |
CN117373557B (zh) | 基于多维数据的溯源方法及*** | |
Vezzaro et al. | Evaluating the performance of a simple phenomenological model for online forecasting of ammonium concentrations at WWTP inlets | |
Guo et al. | A stochastic water quality forecasting system for the Yiluo River | |
Jha et al. | Rating curve estimation of surface water quality data using LOADEST | |
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 | |
Harrison | Test application of Bayesian Programming: Adaptive water quality management under uncertainty | |
Otache et al. | Effects of model structural complexity and data pre-processing on artificial neural network (ANN) forecast performance for hydrological process modelling | |
Chai et al. | Interval prediction of effluent TP for wastewater treatment plants | |
Poutiainen et al. | Use of sewer on-line total solids data in wastewater treatment plant modelling |
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 |