CN117390594A - 一种水质监测预警方法及*** - Google Patents
一种水质监测预警方法及*** Download PDFInfo
- Publication number
- CN117390594A CN117390594A CN202311301165.8A CN202311301165A CN117390594A CN 117390594 A CN117390594 A CN 117390594A CN 202311301165 A CN202311301165 A CN 202311301165A CN 117390594 A CN117390594 A CN 117390594A
- Authority
- CN
- China
- Prior art keywords
- water quality
- quality monitoring
- monitoring
- data
- node
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 408
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 344
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 241000894006 Bacteria Species 0.000 description 11
- 244000005700 microbiome Species 0.000 description 5
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000008399 tap water Substances 0.000 description 3
- 235000020679 tap water Nutrition 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- -1 pH value Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种水质监测预警方法及***,涉及水质监测技术领域,方法包括:获取多个水质监测节点的历史监测数据,对历史监测数据进行数据清洗处理,得到预处理数据;将预处理数据划分得到多个供水线路集合;基于目标线路集合中每个水质监测节点的预处理数据确定目标线路集合中每个水质监测节点的第一监测参数;基于参数分析模型,生成每个水质监测节点的阈值调整方案;基于阈值调整方案对每个水质监测节点的第一监测参数进行调整,生成每个水质监测节点的第二监测参数,将每个水质监测节点对应的第二监测参数用于每个水质监测节点的水质监测。本发明实现对不同水质监测节点的预警的阈值的智能调整,提高了对水质监测预警的精准度。
Description
技术领域
本发明涉及水质监测技术领域,特别地涉及一种水质监测预警方法及***。
背景技术
在供水管网中,部分管道由于材质因素以及使用时间长等因素,导致净化后的自来水在通过管道传输的过程中,会受到一定的污染,管道本身存在的各种细菌、微生物、重金属等容易造成自来水的二次污染,并且,部分管道可能铺设在地表,随着地表温度的变化,管道内部的细菌、微生物等容易滋生增长。目前在对供水管网进行水质监测的过程中,多采用固定的阈值作为监测标准,在检测到管道中流通的水的多个水质监测指标中存在超过预设的阈值后发出预警信息,未综合考虑环境、材质以及使用时长等因素的影响,对水质的监测预警的精准度不高。
发明内容
本申请提供一种水质监测预警方法及***,旨在解决上述背景技术中存在的至少一个技术问题。
作为本申请的一个方面,提供一种水质监测预警方法,包括:
获取多个水质监测节点的历史监测数据,历史监测数据包括不同监测时间下的多个水质监测指标数据和环境数据,对历史监测数据进行数据清洗处理,得到预处理数据,其中,多个水质监测节点的历史监测数据对应的环境温度均处于预设温度范围内;
获取供水管网的管道结构信息,基于管道结构信息将预处理数据划分得到多个供水线路集合,每个供水线路集合对应一条供水线路,每个供水线路集合中的水质监测节点基于水流方向排序;
记任一供水线路集合为目标线路集合,基于目标线路集合中每个水质监测节点的预处理数据确定目标线路集合中每个水质监测节点的第一监测参数,第一监测参数包括每个水质监测指标的监测预警阈值;
获取目标线路集合中每个水质监测节点的监测温度,将每个水质监测节点的监测温度输入到预先训练得到的参数分析模型中,生成每个水质监测节点的阈值调整方案;
基于阈值调整方案对每个水质监测节点的第一监测参数进行调整,生成每个水质监测节点的第二监测参数,将每个水质监测节点对应的第二监测参数用于每个水质监测节点的水质监测。
进一步地,确定目标线路集合中每个水质监测节点的第一监测参数包括:
S11、对于目标线路集合,有/>=/>,/>,…,/>,其中,n为目标线路集合/>中水质监测节点的数量,对于目标线路集合/>中的任一水质监测节点/>,令i=1;
S12、若“i≥2”不成立,将水质监测节点的多个水质监测指标数据作为水质监测节点/>的第一监测参数;若“i≥2”成立,取水质监测节点/>的多个水质监测指标数据与水质监测节点/>的多个水质监测指标数据的差值作为水质监测节点/>的第一监测参数;
S13、判断条件“i<n”是否成立,若是则转到步骤S14,否则转到步骤S15;
S14、令i=i+1,转到步骤S12;
S15、输出n个水质监测节点的第一监测参数。
进一步地,对历史监测数据进行数据清洗处理,得到预处理数据,包括:
对于任一水质监测节点,将水质监测节点在预设温度范围内的多组历史监测数据进行归一化处理,具体包括确定预设温度范围内每个水质监测指标的温度变化散点图,对每个水质监测指标的温度变化散点图进行线性处理,得到每个水质监测指标的线性图;
基于预设标准温度确定预设标准温度下每个水质监测指标的参考值,以每个水质监测节点在预设标准温度下每个水质监测指标的参考值作为历史监测数据的数据清洗处理结果,得到预处理数据。
进一步地,对于参数分析模型,还包括:
参数分析模型为神经网络模型,其中,参数分析模型的训练包括:
获取样本数据,样本数据为不同环境温度下的多个水质监测节点的水质监测数据,包括各个水质监测指标随温度变化的数据;
基于水质监测指标类型对样本数据进行分类,构建得到每个水质监测指标对应的子样本数据,以温度数据为输入,以水质监测指标随温度的变化规律为输出,基于多个子样本数据训练得到参数分析模型。
进一步地,将每个水质监测节点的监测温度输入到预先训练得到的参数分析模型中,生成每个水质监测节点的阈值调整方案,包括:
对于任一水质监测节点中的任一水质监测指标,记为目标指标,以第一监测参数中目标指标对应的监测预警阈值为参考值,通过参数分析模型确定修正阈值,其中,修正阈值为,当目标指标的数值为修正阈值时,经过预设风险预估时长后,水质检测节点的目标指标的数值变为监测预警阈值;
确定水质监测节点的每个水质监测指标的修正阈值,得到每个水质监测节点的阈值调整方案。
进一步地,基于阈值调整方案对每个水质监测节点的第一监测参数进行调整,生成每个水质监测节点的第二监测参数,包括:
对于任一水质监测节点,将每个水质监测指标的检测预警阈值替换为修正阈值,得到每个水质监测节点的第二监测参数。
作为本申请的另一个方面,提供一种水质监测预警***,应用于上述任一项所述的一种水质监测预警方法,包括:
数据获取模块,用于获取多个水质监测节点的历史监测数据;
数据清洗模块,用于对历史监测数据进行数据清洗处理,得到预处理数据;
数据分类模块,用于获取供水管网的管道结构信息,基于管道结构信息将预处理数据划分得到多个供水线路集合;
参数分析模块,用于确定每个供水线路集合中多个水质监测节点的第一监测参数;
参数调整模块,用于基于参数分析模型生成每个水质监测节点的阈值调整方案,基于阈值调整方案对每个水质监测节点的第一监测参数进行调整,生成每个水质监测节点的第二监测参数;
水质监测模块,用于基于每个水质监测节点对应的第二监测参数对每个水质监测节点进行水质监测。
进一步地,还包括:
模型训练模块,用于获取样本数据,基于水质监测指标类型对样本数据进行分类,构建得到每个水质监测指标对应的子样本数据,基于多个子样本数据训练得到参数分析模型。
相较于现有技术,本发明具有以下优点:
本发明通过分析历史监测数据确定每个水质监测节点的第一监测参数,针对水质监测节点在供水管网中的位置的差异性,为每个水质监测节点设置不同的用于水质监测预警的阈值,即第一监测参数,并且考虑到温度的影响,在适宜的温度下水中的各种微生物细菌等可能增长速度会更快,因此基于预训练的参数分析模型生成每个水质监测节点的阈值调整方案,基于阈值调整方案对第一监测参数进行调整,得到第二监测参数,实现对不同水质监测节点的预警的阈值的智能调整,提高对水质监测预警的精准度。
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示出的结构获得其他的附图。
图1为本发明实施例中提供的一种水质监测预警方法的流程图。
图2为本发明实施例中提供的一种水质监测预警***的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请部分实施例进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。然而,本领域的普通技术人员可以理解,在本申请的各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。
如图1所示,本发明实施例中提供了一种水质监测预警方法,具体包括:
S10、获取多个水质监测节点的历史监测数据,对历史监测数据进行数据清洗处理,得到预处理数据;
值得说明的是,历史监测数据包括不同监测时间下的多个水质监测指标数据和环境数据,具体的,水质监测指标例如余氯、pH值、矿物质、细菌总数和重金属等,可以想到的是,此处仅为示例性的描述,水质监测指标并不仅限于此,本领域的技术人员可以根据实际情况合理地选择其它的表示供水质量的相关参数;并且,考虑到数据分析结果的准确性,多个水质监测节点的历史监测数据对应的环境温度均处于预设温度范围内,不同的地区的温度差异较大,预设温度范围的选择可以根据实际情况进行设定,并且,历史监测数据的作用在于分析出对水质监测指标的预警阈值的调整方案,因此,选取的历史监测数据具体可以是不存在异常的数据,即不存在需要预警的水质监测指标。
S20、获取供水管网的管道结构信息,基于管道结构信息将预处理数据划分得到多个供水线路集合;
值得说明的是,供水管网的管道结构信息具体记录了管道中水的流向信息,根据需水方位置信息的变化,供水管网中包括了不同的供水线路,可结合管道结构信息对多个水质监测节点的位置进行分析,将属于同一条供水线路的水质监测节点组成一个供水线路结合,具体得到,每个供水线路集合对应一条供水线路,每个供水线路集合中的水质监测节点基于水流方向排序。
S30、记任一供水线路集合为目标线路集合,基于目标线路集合中每个水质监测节点的预处理数据,确定目标线路集合中每个水质监测节点的第一监测参数;
值得说明的是,为了便于描述,将用于举例的其中一个供水线路集合记为目标线路集合,本领域技术人员知晓的是,对于所有的供水线路集合,可基于目标线路集合的相关处理手段进行数据处理。具体的,第一监测参数包括每个水质监测指标的监测预警阈值。
S40、获取目标线路集合中每个水质监测节点的监测温度,将每个水质监测节点的监测温度输入到预先训练得到的参数分析模型中,生成每个水质监测节点的阈值调整方案;
值得说明的是,参数分析模型为神经网络模型,具体的,本实施例中基于卷积神经网络模型的架构进行参数分析模型的构建,训练得到的参数分析模型的作用在于,预测水质监测指标在特定初始值的情况下,在一定时间后的数值。
S50、基于阈值调整方案对每个水质监测节点的第一监测参数进行调整,生成每个水质监测节点的第二监测参数。
值得说明的是,将每个水质监测节点对应的第二监测参数用于每个水质监测节点的水质监测,具体的,第二监测参数记载了用于对多个水质监测指标进行检测预警的阈值,以任一水质监测指标为例,例如pH值,获取当前水质监测节点测量到的实时pH值,以及与当前水质监测节点属于同一条供水线路的上一个水质监测节点的实时pH值,计算两个水质监测节点的实时pH值的差值,在差值大于当前水质监测节点的水质监测指标中对pH值进行检测预警的阈值后进行预警。
本发明实施例中提供的一种水质监测预警方法,通过分析历史监测数据确定每个水质监测节点的第一监测参数,其中,第一监测参数考虑到了供水管网中管道本身材质、使用时长等因素的影响,自来水在经过管道后,不可避免地会被管道掺杂微量的污染物质,并且越靠近输送末端,水中的污染物质的含量越多,在这种情况下,针对水质监测节点在供水管网中的位置的差异性,为每个水质监测节点设置不同的用于水质监测预警的阈值,即第一监测参数,并且考虑到温度的影响,在适宜的温度下水中的各种微生物细菌等可能增长速度会更快,因此基于预训练的参数分析模型生成每个水质监测节点的阈值调整方案,基于阈值调整方案对第一监测参数进行调整,得到第二监测参数,实现对不同水质监测节点的预警的阈值的智能调整,提高对水质监测预警的精准度。
下面结合更具体的实施过程对上述的一种水质监测预警方法进行进一步的说明。
在其中一种实施方案中,对于步骤S10,对历史监测数据进行数据清洗处理,得到预处理数据,具体包括:
对于任一水质监测节点,将水质监测节点在预设温度范围内的多组历史监测数据进行归一化处理;
值得说明的是,归一化处理具体包括确定预设温度范围内每个水质监测指标的温度变化散点图,对每个水质监测指标的温度变化散点图进行线性处理,得到每个水质监测指标的线性图;其中,线性处理具体为本领域的技术人员所熟知的技术手段,此处不再赘述。
基于预设标准温度确定预设标准温度下每个水质监测指标的参考值,以每个水质监测节点在预设标准温度下每个水质监测指标的参考值作为历史监测数据的数据清洗处理结果,得到预处理数据。
值得说明的是,预设标准温度可基于历史监测数据所处的预设温度范围进行确定,本实施例中,优选预设温度范围的中值作为预设标准温度,在得到每个水质监测指标的线性图后,对于任意一个水质监测指标,取预设标准温度下该水质监测指标的数值作为该水质监测指标的参考值。
在其中一种实施方案中,对于步骤S30,确定目标线路集合中每个水质监测节点的第一监测参数,具体包括:
S11、对于目标线路集合,有/>=/>,/>,…,/>,其中,n为目标线路集合/>中水质监测节点的数量,对于目标线路集合/>中的任一水质监测节点/>,令i=1;
S12、若“i≥2”不成立,将水质监测节点的多个水质监测指标数据作为水质监测节点/>的第一监测参数;若“i≥2”成立,取水质监测节点/>的多个水质监测指标数据与水质监测节点/>的多个水质监测指标数据的差值作为水质监测节点/>的第一监测参数;
值得说明的是,选取的多个水质监测节点具体可以是包括一个区域内贯彻输送起点和输送终点的区域内的节点,对于首个节点而言,输送起点处的水质可以认为是无污染或者污染很小,因此,对于供水线路的首个水质监测节点,在历史监测数据为不存在异常的数据的情况下,输送起点到首个水质监测节点期间的管道本身带给水质的影响可以具体用首个水质监测节点的水质监测指标数据进行数据表达,即认为每个水质监测指标的数值为输送起点到首个水质监测节点期间的管道本身带给水质的影响,而对于后续的水质监测节点,每两个水质监测节点的水质监测指标的差值视为两个水质监测节点中管道带来的影响。
S13、判断条件“i<n”是否成立,若是则转到步骤S14,否则转到步骤S15;
S14、令i=i+1,转到步骤S12;
S15、输出n个水质监测节点的第一监测参数。
具体的,基于上述步骤可确定每个供水线路集合中所包括的水质监测节点对应的第一监测参数。
在其中一种实施方案中,对于参数分析模型,具体的,参数分析模型的训练过程包括:
获取样本数据,样本数据为不同环境温度下的多个水质监测节点的水质监测数据,包括各个水质监测指标随温度变化的数据;
具体的,样本数据的采集可以基于各种测量水质监测指标的传感器收集得到,具体为一系列随时间变化的数据,值得补充的是,选取的样本数据具体为在恒定温度下的随温度变化的数据。
基于水质监测指标类型对样本数据进行分类,构建得到每个水质监测指标对应的子样本数据,以温度数据为输入,以水质监测指标随温度的变化规律为输出,基于多个子样本数据训练得到参数分析模型。
具体的,在模型训练过程中,在达到预设收敛条件后停止迭代过程,得到训练好的参数分析模型。
在其中一种实施方案中,将每个水质监测节点的监测温度输入到预先训练得到的参数分析模型中,生成每个水质监测节点的阈值调整方案,包括:
对于任一水质监测节点中的任一水质监测指标,记为目标指标,以第一监测参数中目标指标对应的监测预警阈值为参考值,通过参数分析模型确定修正阈值;
值得说明的是,修正阈值为,当目标指标的数值为修正阈值时,经过预设风险预估时长后,水质检测节点的目标指标的数值变为监测预警阈值;以任意一个水质监测指标为例,例如细菌总数,若以当前的细菌总数为基础,在监测温度下,经过预设风险预估时长后当前的细菌总数会变为细菌总数对应的监测预警阈值,则当前的细菌总数为目标指标的修正阈值,可选的,预设风险预估时长可根据实际情况合理地设定,考虑到有的管道铺设在地下,温度较为恒定且不会太高,则对应的预设风险预估时长可以相应的选择更大的数值,例如3天、5天、10天等,考虑到部分管道铺设在地表,在白天有的时候可能达到较高的温度,细菌、微生物等滋生速度较快,则预设风险预估时长可以为5小时、10小时等,预设风险预估时长数值的设定为本领域技术人员所熟知的技术手段,此处不进行具体的限制。
通过上述方式可确定每个水质监测节点的每个水质监测指标的修正阈值,从而得到每个水质监测节点的阈值调整方案。
更进一步地,在确定每个水质监测节点的阈值调整方案后,基于阈值调整方案对每个水质监测节点的第一监测参数进行调整,生成每个水质监测节点的第二监测参数,具体包括:
以任一水质监测节点为例,将该水质监测节点的每个水质监测指标的检测预警阈值替换为修正阈值,得到每个水质监测节点的第二监测参数,可将每个水质监测节点对应的第二监测参数用于每个水质监测节点的水质监测。
在上述提供的一种水质监测预警方法的基础上,如图2所示,本发明实施例中还提供了一种水质监测预警***,包括:
数据获取模块,用于获取多个水质监测节点的历史监测数据;
其中,历史监测数据包括不同监测时间下的多个水质监测指标数据和环境数据,多个水质监测节点的历史监测数据对应的环境温度均处于预设温度范围内;
数据清洗模块,用于对历史监测数据进行数据清洗处理,得到预处理数据;
数据分类模块,用于获取供水管网的管道结构信息,基于管道结构信息将预处理数据划分得到多个供水线路集合;
其中,每个供水线路集合对应一条供水线路,每个供水线路集合中的水质监测节点基于水流方向排序;
参数分析模块,用于确定每个供水线路集合中多个水质监测节点的第一监测参数,其中第一监测参数包括每个水质监测指标的监测预警阈值;
参数调整模块,用于基于参数分析模型生成每个水质监测节点的阈值调整方案,基于阈值调整方案对每个水质监测节点的第一监测参数进行调整,生成每个水质监测节点的第二监测参数;
水质监测模块,用于基于每个水质监测节点对应的第二监测参数对每个水质监测节点进行水质监测。
模型训练模块,用于获取样本数据,基于水质监测指标类型对样本数据进行分类,构建得到每个水质监测指标对应的子样本数据,基于多个子样本数据训练得到参数分析模型。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种水质监测预警方法,其特征在于,包括:
获取多个水质监测节点的历史监测数据,历史监测数据包括不同监测时间下的多个水质监测指标数据和环境数据,对历史监测数据进行数据清洗处理,得到预处理数据,其中,多个水质监测节点的历史监测数据对应的环境温度均处于预设温度范围内;
获取供水管网的管道结构信息,基于管道结构信息将预处理数据划分得到多个供水线路集合,每个供水线路集合对应一条供水线路,每个供水线路集合中的水质监测节点基于水流方向排序;
记任一供水线路集合为目标线路集合,基于目标线路集合中每个水质监测节点的预处理数据确定目标线路集合中每个水质监测节点的第一监测参数,第一监测参数包括每个水质监测指标的监测预警阈值;
获取目标线路集合中每个水质监测节点的监测温度,将每个水质监测节点的监测温度输入到预先训练得到的参数分析模型中,生成每个水质监测节点的阈值调整方案;
基于阈值调整方案对每个水质监测节点的第一监测参数进行调整,生成每个水质监测节点的第二监测参数,将每个水质监测节点对应的第二监测参数用于每个水质监测节点的水质监测。
2.如权利要求1所述的一种水质监测预警方法,其特征在于,确定目标线路集合中每个水质监测节点的第一监测参数包括:
S11、对于目标线路集合,有/>=/>,/>,…,/>,其中,n为目标线路集合/>中水质监测节点的数量,对于目标线路集合/>中的任一水质监测节点/>,令i=1;
S12、若“i≥2”不成立,将水质监测节点的多个水质监测指标数据作为水质监测节点/>的第一监测参数;若“i≥2”成立,取水质监测节点/>的多个水质监测指标数据与水质监测节点/>的多个水质监测指标数据的差值作为水质监测节点/>的第一监测参数;
S13、判断条件“i<n”是否成立,若是则转到步骤S14,否则转到步骤S15;
S14、令i=i+1,转到步骤S12;
S15、输出n个水质监测节点的第一监测参数。
3.如权利要求2所述的一种水质监测预警方法,其特征在于,对历史监测数据进行数据清洗处理,得到预处理数据,包括:
对于任一水质监测节点,将水质监测节点在预设温度范围内的多组历史监测数据进行归一化处理,具体包括确定预设温度范围内每个水质监测指标的温度变化散点图,对每个水质监测指标的温度变化散点图进行线性处理,得到每个水质监测指标的线性图;
基于预设标准温度确定预设标准温度下每个水质监测指标的参考值,以每个水质监测节点在预设标准温度下每个水质监测指标的参考值作为历史监测数据的数据清洗处理结果,得到预处理数据。
4.如权利要求3所述的一种水质监测预警方法,其特征在于,对于参数分析模型,还包括:
参数分析模型为神经网络模型,其中,参数分析模型的训练包括:
获取样本数据,样本数据为不同环境温度下的多个水质监测节点的水质监测数据,包括各个水质监测指标随温度变化的数据;
基于水质监测指标类型对样本数据进行分类,构建得到每个水质监测指标对应的子样本数据,以温度数据为输入,以水质监测指标随温度的变化规律为输出,基于多个子样本数据训练得到参数分析模型。
5.如权利要求4所述的一种水质监测预警方法,其特征在于,将每个水质监测节点的监测温度输入到预先训练得到的参数分析模型中,生成每个水质监测节点的阈值调整方案,包括:
对于任一水质监测节点中的任一水质监测指标,记为目标指标,以第一监测参数中目标指标对应的监测预警阈值为参考值,通过参数分析模型确定修正阈值,其中,修正阈值为,当目标指标的数值为修正阈值时,经过预设风险预估时长后,水质检测节点的目标指标的数值变为监测预警阈值;
确定水质监测节点的每个水质监测指标的修正阈值,得到每个水质监测节点的阈值调整方案。
6.如权利要求5所述的一种水质监测预警方法,其特征在于,基于阈值调整方案对每个水质监测节点的第一监测参数进行调整,生成每个水质监测节点的第二监测参数,包括:
对于任一水质监测节点,将每个水质监测指标的检测预警阈值替换为修正阈值,得到每个水质监测节点的第二监测参数。
7.一种水质监测预警***,所述***应用于上述权利要求1-6任一项所述的一种水质监测预警方法,其特征在于,包括:
数据获取模块,用于获取多个水质监测节点的历史监测数据;
数据清洗模块,用于对历史监测数据进行数据清洗处理,得到预处理数据;
数据分类模块,用于获取供水管网的管道结构信息,基于管道结构信息将预处理数据划分得到多个供水线路集合;
参数分析模块,用于确定每个供水线路集合中多个水质监测节点的第一监测参数;
参数调整模块,用于基于参数分析模型生成每个水质监测节点的阈值调整方案,基于阈值调整方案对每个水质监测节点的第一监测参数进行调整,生成每个水质监测节点的第二监测参数;
水质监测模块,用于基于每个水质监测节点对应的第二监测参数对每个水质监测节点进行水质监测。
8.如权利要求7所述的一种水质监测预警***,其特征在于,还包括:
模型训练模块,用于获取样本数据,基于水质监测指标类型对样本数据进行分类,构建得到每个水质监测指标对应的子样本数据,基于多个子样本数据训练得到参数分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311301165.8A CN117390594A (zh) | 2023-10-10 | 2023-10-10 | 一种水质监测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311301165.8A CN117390594A (zh) | 2023-10-10 | 2023-10-10 | 一种水质监测预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117390594A true CN117390594A (zh) | 2024-01-12 |
Family
ID=89471153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311301165.8A Pending CN117390594A (zh) | 2023-10-10 | 2023-10-10 | 一种水质监测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390594A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805338A (zh) * | 2024-03-01 | 2024-04-02 | 广东省建筑设计研究院有限公司 | 一种建筑供水管网水质实时在线监测方法及*** |
-
2023
- 2023-10-10 CN CN202311301165.8A patent/CN117390594A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805338A (zh) * | 2024-03-01 | 2024-04-02 | 广东省建筑设计研究院有限公司 | 一种建筑供水管网水质实时在线监测方法及*** |
CN117805338B (zh) * | 2024-03-01 | 2024-05-28 | 广东省建筑设计研究院有限公司 | 一种建筑供水管网水质实时在线监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529240B (zh) | 一种大气环境数据的预测方法、***、装置及存储介质 | |
CN114444259B (zh) | 一种雨污管网溯源追踪***及方法 | |
CN117390594A (zh) | 一种水质监测预警方法及*** | |
CN111898691A (zh) | 一种河流突发水污染预警溯源方法、***、终端及介质 | |
CN113267607B (zh) | 一种场地有机污染物迁移过程的特征参数识别*** | |
CN116340723B (zh) | 基于大数据的乡村水污染快速溯源方法及*** | |
CN110472796A (zh) | 海绵城市建设试点区水量水质监测布点方法及预警*** | |
CN110929359A (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
Mälzer et al. | Comparison of different model approaches for a hygiene early warning system at the lower Ruhr River, Germany | |
Højris et al. | Detection of drinking water contamination by an optical real-time bacteria sensor | |
CN101786675A (zh) | 一种多参数废水源头分离装置及方法 | |
CN115270372A (zh) | 一种基于深度序列模型的排水管网淤积判断方法 | |
CN116757898B (zh) | 一种基于预测比对的汛期污染强度核算方法及*** | |
CN112780953B (zh) | 一种基于模式检测的独立计量区域管网漏损检测方法 | |
CN117807392A (zh) | 一种雨水管网雨污混接程度评估方法、***和存储介质 | |
He et al. | Detecting and explaining long‐term changes in river water quality in south‐eastern Australia | |
CN113125355A (zh) | 水质监管*** | |
CN114693493B (zh) | 一种基于IoT的污染河流水生态修复*** | |
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 | |
Hardyanti et al. | Analysis of The Impact of Industrial Activities Towards River Vacancy Viewed from BODS, CODS, and TSS Using The QUAL2KW Software Method Approach (Case Study: Klampok River, Semarang District) | |
Sidek et al. | Developing an ensembled machine learning model for predicting water quality index in Johor River Basin | |
CN118070234B (zh) | 一种水质状态融合感知与预测溯源方法 | |
Thiyagarajan et al. | Short-term Time Series Forecasting of Concrete Sewer Pipe Surface Temperature | |
CN116757897B (zh) | 一种基于数据分解的汛期污染强度分析方法及*** | |
RU2814957C2 (ru) | Способ обнаружения аномалий в установке для обработки воды |
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 |