CN118130744B - 排水管网监测方法及装置、电子设备和存储介质 - Google Patents
排水管网监测方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN118130744B CN118130744B CN202410562685.2A CN202410562685A CN118130744B CN 118130744 B CN118130744 B CN 118130744B CN 202410562685 A CN202410562685 A CN 202410562685A CN 118130744 B CN118130744 B CN 118130744B
- Authority
- CN
- China
- Prior art keywords
- data
- statistical analysis
- monitoring point
- monitoring
- water quality
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 406
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 228
- 238000007619 statistical method Methods 0.000 claims abstract description 222
- 230000036541 health Effects 0.000 claims abstract description 103
- 230000008595 infiltration Effects 0.000 claims abstract description 25
- 238000001764 infiltration Methods 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000011144 upstream manufacturing Methods 0.000 claims description 30
- 238000012806 monitoring device Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 10
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 9
- PAYRUJLWNCNPSJ-UHFFFAOYSA-N Aniline Chemical compound NC1=CC=CC=C1 PAYRUJLWNCNPSJ-UHFFFAOYSA-N 0.000 claims description 8
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 8
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- LQNUZADURLCDLV-UHFFFAOYSA-N nitrobenzene Chemical compound [O-][N+](=O)C1=CC=CC=C1 LQNUZADURLCDLV-UHFFFAOYSA-N 0.000 claims description 8
- 239000007788 liquid Substances 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 5
- 229910052802 copper Inorganic materials 0.000 claims description 5
- 239000010949 copper Substances 0.000 claims description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 4
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 4
- XFXPMWWXUTWYJX-UHFFFAOYSA-N Cyanide Chemical compound N#[C-] XFXPMWWXUTWYJX-UHFFFAOYSA-N 0.000 claims description 4
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 claims description 4
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 4
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 claims description 4
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims description 4
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 claims description 4
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 claims description 4
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 4
- 239000003945 anionic surfactant Substances 0.000 claims description 4
- 229910052785 arsenic Inorganic materials 0.000 claims description 4
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 claims description 4
- 229910052790 beryllium Inorganic materials 0.000 claims description 4
- ATBAMAFKBVZNFJ-UHFFFAOYSA-N beryllium atom Chemical compound [Be] ATBAMAFKBVZNFJ-UHFFFAOYSA-N 0.000 claims description 4
- 229910052793 cadmium Inorganic materials 0.000 claims description 4
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 claims description 4
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 229910052804 chromium Inorganic materials 0.000 claims description 4
- 239000011651 chromium Substances 0.000 claims description 4
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 229910052748 manganese Inorganic materials 0.000 claims description 4
- 239000011572 manganese Substances 0.000 claims description 4
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 4
- 229910052753 mercury Inorganic materials 0.000 claims description 4
- 229910052759 nickel Inorganic materials 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 239000003208 petroleum Substances 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- 229910052711 selenium Inorganic materials 0.000 claims description 4
- 239000011669 selenium Substances 0.000 claims description 4
- 229910052709 silver Inorganic materials 0.000 claims description 4
- 239000004332 silver Substances 0.000 claims description 4
- 229910052725 zinc Inorganic materials 0.000 claims description 4
- 239000011701 zinc Substances 0.000 claims description 4
- 150000001555 benzenes Chemical class 0.000 claims 1
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000000737 periodic effect Effects 0.000 description 10
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 239000010865 sewage Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002096 quantum dot Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- JVMRPSJZNHXORP-UHFFFAOYSA-N ON=O.ON=O.ON=O.N Chemical compound ON=O.ON=O.ON=O.N JVMRPSJZNHXORP-UHFFFAOYSA-N 0.000 description 1
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- XMBWDFGMSWQBCA-UHFFFAOYSA-N hydrogen iodide Chemical compound I XMBWDFGMSWQBCA-UHFFFAOYSA-N 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 125000001477 organic nitrogen group Chemical group 0.000 description 1
- -1 permanganate index Chemical compound 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及水环境监测技术领域，尤其涉及一种排水管网监测方法及装置、电子设备和存储介质，包括：实时采集排水管网内的各个监测点位分别对应的多个水质指标数据；获取用于表征各个监测点位之间的联通关系和流向的拓扑结构；根据各个监测点位分别对应的多个水质指标数据分别计算各个监测点位的健康指数；根据健康指数和拓扑结构对排水管网内的状态进行判断；其中，对各个监测点位的多个水质指标数据进行多维统计分析，以计算各个监测点位的每一维统计分析的得分；根据得分和针对每一维统计分析赋予的权重计算各个监测点位的对应水质指标数据的健康得分；根据健康得分和权重计算各个监测点位的健康指数，从而提升排水管网入流入渗的溯源效率。
Description
技术领域
本公开涉及水环境监测技术领域，尤其涉及一种排水管网监测方法及装置、电子设备和存储介质。
背景技术
传统的水质监测***只能对一段时间的数据进行记录和分析，无法实时监测数据变化。而大数据技术可以助力环保领域，可以通过实时数据采集和分析，实现对水质监测数据的快速响应和实时监测。通过大数据技术，可以实时监测水中有害物质的浓度、PH值、温度、溶解氧等关键指标的变化，及时发现和处理异常情况。
排水管网是城市的重要基础设施，存在大量的外水入侵情况，外水占比高达30%以上，导致污水处理厂进水浓度偏低，污染处理负荷不足。
目前，针对排水管网问题各地投入大量财力物力，实施推进管网修复和雨污改造等工程性措施，传统的入流入渗诊断方法的时效性和经济性较差，往往导致问题发现不及时，工程投产比较差。
随着在线监测技术的发展，高频在线监测技术在排水管网场景下的适用性逐渐提高，给入流入渗摸排初期缩小范围，识别工作，运维期精细化运营提供了新的思路，但是传统的分析方法局限在单点数据的分析，难以发挥在线监测的优势，从而难以挖掘潜在的数据价值。
有鉴于此，亟需一种结合高频在线监测的特点，提升监测数据在应用的分析效率和结果可靠性的分析方法。
发明内容
本公开提出了一种排水管网监测方法及装置、电子设备和存储介质。
根据本公开的第一方面，提供了一种排水管网监测方法，包括：采集步骤，实时采集排水管网内的各个监测点位分别对应的多个水质指标数据；获取步骤，获取用于表征所述各个监测点位之间的联通关系和流向的拓扑结构；计算步骤，根据所述各个监测点位分别对应的多个水质指标数据，分别计算所述各个监测点位的健康指数；管网状态判断步骤，根据所述各个监测点位的健康指数和所述拓扑结构，对所述排水管网内的状态进行判断；所述计算步骤包括：对所述各个监测点位的多个水质指标数据进行多维统计分析，以计算所述各个监测点位的每一维统计分析的得分；根据所述各个监测点位的每一维统计分析的得分和针对每一维统计分析赋予的权重，计算所述各个监测点位的对应水质指标数据的健康得分；根据所述各个监测点位的对应水质指标数据的健康得分和针对所述各个监测点位的对应水质指标数据赋予的权重，计算所述各个监测点位的健康指数。
在一种可能的实现方式中，所述管网状态判断步骤包括溯源步骤，所述溯源步骤包括：判断所述各个监测点位的健康指数是否符合预设条件，健康指数符合所述预设条件的监测点位是非健康点位；根据所述判断的结果，从所述多个监测点位中选择健康指数符合所述预设条件的第一类监测点位；针对所述第一类监测点位中的各个监测点位，根据所述拓扑结构确定与该监测点位相邻且健康指数不符合所述预设条件的目标点位，该监测点位和该目标点位构成目标区段；从所述第一类监测点位和所述目标区段中确定所述入流入渗位置。
在一种可能的实现方式中，所述溯源步骤还包括：根据所述拓扑结构确定所述目标区段所属的汇水分区；将目标区段的数量占相应汇水分区的总管段数量的比例超过阈值的汇水分区确定为目标区域；从所述第一类监测点位、所述目标区段和所述目标区域中确定所述入流入渗位置。
在一种可能的实现方式中，上述方法还包括：根据所述溯源的结果调整所述拓扑结构，以增大所述目标区域中的监测点位的部署密度。
在一种可能的实现方式中，在所述计算步骤之前还包括：从所述采集步骤所采集的多个水质指标数据中筛除异常数据，所述异常数据包括不符合判定条件的数据和监测设备非正常运行所采集的数据；对已筛除异常数据后的水质指标数据进行去噪平滑处理；从已进行去噪平滑处理后的水质指标数据中筛选符合预定条件的水质指标数据用作所述计算步骤中所使用的多个水质指标数据。
在一种可能的实现方式中，所述多维统计分析包括：第一维统计分析、第二维统计分析、第三维统计分析、第四维统计分析、第五维统计分析中的至少四个，相应地，根据所述各个监测点位的每一维统计分析的得分和针对每一维统计分析赋予的权重，计算所述各个监测点位的对应水质指标数据的健康得分，包括：在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为一个得分的情况下，计算该相应维统计分析的得分与针对该相应维统计分析赋予的权重的乘积；在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为多个得分的情况下，计算所述多个得分的平均得分，并计算所述平均得分与针对该相应维统计分析赋予的权重的乘积；对所计算出的所有乘积进行相加，所得到的和为所述各个监测点位的对应水质指标数据的健康得分。
在一种可能的实现方式中，所述第一维统计分析包括：根据对原始数据进行数据治理后得到的数据在所述原始数据所占的比例，确定所述各个监测点位的所述第一维统计分析的得分；所述第二维统计分析包括：根据在旱天情况下水质指标数据的平均值和/或中位数，确定所述各个监测点位的所述第二维统计分析的对应于所根据的平均值的得分和/或对应于所根据的中位数的得分；所述第三维统计分析包括：根据所述排水管网所对应的排水周期变化趋势，确定所述各个监测点位的所述第三维统计分析的对应于所根据的排水周期变化趋势的得分；所述第四维统计分析包括：针对所述各个监测点位，计算各个监测点位中任一监测点位和该监测点位的上游紧邻监测点位之间的两组连续的同一水质指标数据的协方差，计算所述两组连续的同一水质指标数据分别对应的标准差，根据所述协方差和所述两组连续的同一水质指标数据分别对应的标准差，计算表示该监测点位与上游紧邻监测点位之间的上下游关联性系数，根据所述上下游关联性系数确定该监测点位的所述第四维统计分析的得分；所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度；根据所述下降幅度计算该监测点位的所述第五维统计分析的得分；或者，所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度，并获取所述降雨的强度；计算所述下降幅度和所述降雨的强度的协方差；计算所述下降幅度的第一标准差，并计算所述降雨的强度的第二标准差；根据所述协方差、所述第一标准差和所述第二标准差，计算表示该监测点位的水质的下降与所述降雨之间的关联性的系数；根据所述系数确定该监测点位的所述第五维统计分析的得分。
在一种可能的实现方式中，所述多个水质指标数据包括第一类数据中的至少两项，或者所述多个水质指标数据包括所述第一类数据中的至少一项和第二类数据中的至少一项，其中，所述第一类数据包括COD数据、电导率数据、氨氮数据、总硬度数据、温度数据、PH值数据、浊度数据、总有机碳数据、五日生化需氧量数据、总磷数据、总氮数据、悬浮物数据、溶解性总固体数据、石油类数据、阴离子表面活性剂数据、氰化物数据、硫化物数据、氟化物数据、有机磷数据、硫酸盐数据、汞数据、铬数据、镉数据、砷数据、铅数据、镍数据、铍数据、银数据、硒数据、铜数据、锌数据、锰数据、铁数据、挥发酚数据、苯系物数据、苯胺类数据和硝基苯数据，所述第二类数据包括流量数据、流速数据、液位数据。
在一种可能的实现方式中，所述多个水质指标数据为所述COD数据和所述电导率数据。
根据本公开的第二方面，提供了一种排水管网监测装置，包括：采集模块，用于实时采集排水管网内的各个监测点位分别对应的多个水质指标数据；获取模块，用于获取用于表征所述各个监测点位之间的联通关系和流向的拓扑结构；计算模块，用于根据所述各个监测点位分别对应的多个水质指标数据，分别计算所述各个监测点位的健康指数；管网状态判断模块，用于根据所述各个监测点位的健康指数和所述拓扑结构，对所述排水管网内的状态进行判断，其中，所述计算模块被配置为：对所述各个监测点位的多个水质指标数据进行多维统计分析，以计算所述各个监测点位的每一维统计分析的得分；根据所述各个监测点位的每一维统计分析的得分和针对每一维统计分析赋予的权重，计算所述各个监测点位的对应水质指标数据的健康得分；根据所述各个监测点位的对应水质指标数据的健康得分和针对所述各个监测点位的对应水质指标数据赋予的权重，计算所述各个监测点位的健康指数。
在一种可能的实现方式中，所述管网状态判断模块包括溯源单元，所述溯源单元用于：判断所述各个监测点位的健康指数是否符合预设条件，健康指数符合所述预设条件的监测点位是非健康点位；根据所述判断的结果，从所述多个监测点位中选择健康指数符合所述预设条件的第一类监测点位；针对所述第一类监测点位中的各个监测点位，根据所述拓扑结构确定与该监测点位相邻且健康指数不符合所述预设条件的目标点位，该监测点位和该目标点位构成目标区段；从所述第一类监测点位和所述目标区段中确定所述入流入渗位置。
在一种可能的实现方式中，所述溯源单元还用于：根据所述拓扑结构确定所述目标区段所属的汇水分区；将目标区段的数量占相应汇水分区的总管段数量的比例超过阈值的汇水分区确定为目标区域；从所述第一类监测点位、所述目标区段和所述目标区域中确定所述入流入渗位置。
在一种可能的实现方式中，上述装置还包括：调整模块，用于根据所述溯源的结果调整所述拓扑结构，以增大所述目标区域中的监测点位的部署密度。
在一种可能的实现方式中，上述装置还包括：筛除模块，用于从所述采集模块所采集的多个水质指标数据中筛除异常数据，所述异常数据包括不符合判定条件的数据和监测设备非正常运行所采集的数据；平滑模块，用于对已筛除异常数据后的水质指标数据进行去噪平滑处理；筛选模块，用于从已进行去噪平滑处理后的水质指标数据中筛选符合预定条件的水质指标数据用作所述计算模块所使用的多个水质指标数据。
在一种可能的实现方式中，所述计算模块所进行的所述多维统计分析包括：第一维统计分析、第二维统计分析、第三维统计分析、第四维统计分析、第五维统计分析中的至少四个，相应地，所述计算模块用于：在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为一个得分的情况下，计算该相应维统计分析的得分与针对该相应维统计分析赋予的权重的乘积；在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为多个得分的情况下，计算所述多个得分的平均得分，并计算所述平均得分与针对该相应维统计分析赋予的权重的乘积；对所计算出的所有乘积进行相加，所得到的和为所述各个监测点位的对应水质指标数据的健康得分。
在一种可能的实现方式中，所述计算模块所进行的所述第一维统计分析包括：根据对原始数据进行数据治理后得到的数据在所述原始数据所占的比例，确定所述各个监测点位的所述第一维统计分析的得分；所述计算模块所进行的所述第二维统计分析包括：根据在旱天情况下水质指标数据的平均值和/或中位数，确定所述各个监测点位的所述第二维统计分析的对应于所根据的平均值的得分和对应于所根据的中位数的得分；所述计算模块所进行的所述第三维统计分析包括：根据所述排水管网所对应的排水周期变化趋势，确定所述各个监测点位的所述第三维统计分析的对应于所根据的排水周期变化趋势的得分；所述计算模块所进行的所述第四维统计分析包括：针对所述各个监测点位，计算各个监测点位中任一监测点位和该监测点位的上游紧邻监测点位之间的两组连续的同一水质指标数据的协方差，计算所述两组连续的同一水质指标数据分别对应的标准差，根据所述协方差和所述两组连续的同一水质指标数据分别对应的标准差，计算表示该监测点位与上游紧邻监测点位之间的上下游关联性系数，根据所述上下游关联性系数确定该监测点位的所述第四维统计分析的得分；所述计算模块所进行的所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度；根据所述下降幅度计算该监测点位的所述第五维统计分析的得分；或者，所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度，并获取所述降雨的强度；计算所述下降幅度和所述降雨的强度的协方差；计算所述下降幅度的第一标准差，并计算所述降雨的强度的第二标准差；根据所述协方差、所述第一标准差和所述第二标准差，计算表示该监测点位的水质的下降与所述降雨之间的关联性的系数；根据所述系数确定该监测点位的所述第五维统计分析的得分。
根据本公开的第三方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述排水管网监测方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述排水管网监测方法。
根据本公开的实施例的排水管网监测方法及装置、电子设备和存储介质，实时采集排水管网内的各个监测点位分别对应的多个水质指标数据，例如通过量子点光谱仪测量水质可进行在线、原位、高频、实时的测量，获得各个监测点位分别对应的多个水质指标数据，根据各个监测点位分别对应的多个水质指标数据分别计算各个监测点位的健康指数，并根据各个监测点位的健康指数和所获取的用于表征各个监测点位之间的联通关系和流向的拓扑结构来对排水管网内的状态进行判断，由此，可充分发挥在线监测在时间频率和空间密度上的优势，有助于提升排水管网入流入渗摸排的效率，从而能够精细化排水管网的监测***的运营效率并提高该监测***的可靠性和溯源精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的排水管网监测方法的流程图。
图2示出根据本公开实施例的计算步骤的流程示意图。
图3示出根据本公开实施例的溯源步骤的流程示意图。
图4示出根据本公开实施例的排水管网监测方法的流程图。
图5示出根据本公开实施例的排水管网监测装置的框图。
图6示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的排水管网监测方法的流程图，如图1所示，所述方法包括如下步骤。
在步骤S1（采集步骤）中，实时采集排水管网内的各个监测点位分别对应的多个水质指标数据。
本实施例中，水质指标数据包括COD数据、电导率数据、氨氮数据、总硬度数据、温度数据、PH值数据、浊度数据、总有机碳数据、五日生化需氧量数据、总磷数据、总氮数据、悬浮物数据、溶解性总固体数据、石油类数据、阴离子表面活性剂数据、氰化物数据、硫化物数据、氟化物数据、有机磷数据、硫酸盐数据、汞数据、铬数据、镉数据、砷数据、铅数据、镍数据、铍数据、银数据、硒数据、铜数据、锌数据、锰数据、铁数据、挥发酚数据、苯系物数据、苯胺类数据和硝基苯数据中的至少两项。因此，本实施例的水质指标数据可以包括现有技术中常用的前述至少两项指标数据，即，本实施例的水质指标数据可以包括现有技术中被归类为水质指标数据中的至少两项，现有技术中被归类为水质指标数据的指标数据称为第一类数据。
当然，本实施例的水质指标数据还可以包括现有技术中常用的前述指标数据中的至少一项和现有技术中并不被归类为水质指标数据的流量数据、流速数据、液位数据中的至少一项。换言之，区别于现有技术，本实施例的水质指标数据除了现有技术中常用的水质指标数据以外，还包括现有技术中并不被归类为水质指标数据的流量数据、流速数据、液位数据中的至少一项，现有技术中并不被归类为水质指标数据的指标数据称为第二类数据。
可选的，本公开的水质指标数据还可以包括溶解氧、高锰酸盐指数、亚硝酸盐氮、硝酸盐氮、有机氮、碘化物、和粪大肠菌群。
针对要监测（比如摸排入流入渗）的排水管网进行汇水分区划分，可以将其划分为多个区域，每个区域包括多个区段，每个区段包括多个监测点位，在汇水分区各重要节点布设相应的监测设备进行在线的多个水质指标数据的收集。其中，汇水分区是指管网中水体到一共同的出水口的过程中所流经的管网区域，它是一个相对封闭的区域，不同汇水区域水体相对独立，不相互干扰。出水口是指水流离开汇水区的点。
应能够理解，对于某个排水管网，每个监测点位处设置有至少一个监测设备。比如，该监测设备可为能够对监测点位处的水质进行检测以得到相应的水质指标数据的设备，该监测设备可以包括但不限于量子点光谱仪，本公开对采集水质指标数据所采用的具体设备不作限制。其中，通过量子点光谱仪测量水质可进行在线、原位、高频、实时的测量，从而能够实时采集到各个监测点位分别对应的多个水质指标数据。
监测点位处的水质可以由多个水质指标数据来表征，本实施例实时采集至少两个水质指标数据，比如电导率和COD。也就是说，上述多个水质指标数据包括电导率数据和COD数据。其中，电导率和COD都是能够反映水体中溶解性物质含量的指标，电导率主要反映水体中电离物质的含量，COD主要反映水体中有机物质的含量。在该情况下，监测设备中设置有用于检测电导率的电导率测定仪和用于检测COD的COD在线分析仪。
应能够理解，对于要采集的多个水质指标数据，可以采用现有技术中任意合适的方式利用相应的设备来采集这些指标数据。示例性的，上述多个水质指标数据还可以包括氨氮数据和总硬度数据。相应地，监测设备中还设置有用于检测氨氮的氨氮在线分析仪，和电导率测定仪，这样，可以使用氨氮在线分析仪来采集各个监测点位处的水体的氨氮数据，并利用电导率测定仪来间接采集各个监测点位处的水体的总硬度数据。
在步骤S2（获取步骤）中，获取用于表征所述各个监测点位之间的联通关系和流向的拓扑结构。
本实施例中，可以根据管线施工图和排查成果等资料，对监测点位的上下游拓扑关系进行梳理和建立，从而明确不同的监测点位之间的联通关系和流向，对不明确的点位进行现场调查和排查，进而构建表示该联通关系和流向的拓扑结构。
在步骤S3（计算步骤）中，根据所述各个监测点位分别对应的多个水质指标数据，分别计算所述各个监测点位的健康指数。
本实施例中，可以通过任意合适的方式，对各个监测点位的多个水质指标数据进行分析，以计算出各个监测点位的健康指数，其中该健康指数能够表征该监测点位是否是排水管网的入流入渗位置。
在一种可能的实现方式中，如图2所示，步骤S3包括：
在步骤S31中，对所述各个监测点位的多个水质指标数据进行多维统计分析，以计算所述各个监测点位的每一维统计分析的得分。
举例而言，假设该多维统计分析包括N维，可以对各个监测点位的多个水质指标数据进行N维统计分析，以得到各个监测点位的每一维统计分析的相应得分R1、R2、…、RN。需要说明的是，每一维统计分析的得分可以为一个得分，也可以为多个得分，在该维统计分析的得分为多个得分的情况下，将该多个得分的平均值作为该维统计分析的最终得分。
在步骤S32中，根据所述各个监测点位的每一维统计分析的得分和针对每一维统计分析赋予的权重，计算所述各个监测点位的对应水质指标数据的健康得分。
继续上述示例，可以预先为各个监测点位的每一维统计分析赋予相应的权重W1、W2、…、WN，这样，可以将各个监测点位的每一维统计分析的得分与其权重的乘积相加，即可获得各个监测点位的对应水质指标数据的健康得分。
在步骤S33中，根据所述各个监测点位的对应水质指标数据的健康得分和针对所述各个监测点位的对应水质指标数据赋予的权重，计算所述各个监测点位的健康指数。
继续上述示例，可以预先为各个监测点位的每一水质指标数据赋予相应的权重，这样，可以计算各个监测点位的对应水质指标数据的健康得分与其权重的乘积，作为该各个监测点位的健康指数。
在一种可能的实现方式中，所述多维统计分析为第一维统计分析、第二维统计分析、第三维统计分析、第四维统计分析、第五维统计分析中的至少四个，相应地，根据所述各个监测点位的每一维统计分析的得分和针对每一维统计分析赋予的权重，计算所述各个监测点位的对应水质指标数据的健康得分，包括：在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为一个得分的情况下，计算该相应维统计分析的得分与针对该相应维统计分析赋予的权重的乘积；在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为多个得分的情况下，计算所述多个得分的平均得分，并计算所述平均得分与针对该相应维统计分析赋予的权重的乘积；对所计算出的所有乘积进行相加，所得到的和为所述各个监测点位的对应水质指标数据的健康得分。
示例性的，可以使用如下公式计算各个监测点位的对应水质指标数据的健康得分，其中，H表示所述各个监测点位的对应水质指标数据的健康得分，W1和R1分别表示针对第一维统计分析赋予的权重和所述各个监测点位的所述第一维统计分析的得分，W2表示针对第二维统计分析赋予的权重，R2和R3分别表示所述各个监测点位的所述第二维统计分析的第一得分和第二得分，W3和R4分别表示针对第三维统计分析赋予的权重和所述各个监测点位的所述第三维统计分析的得分，W4和R5分别表示针对第四维统计分析赋予的权重和所述各个监测点位的所述第四维统计分析的得分，W5表示针对第五维统计分析赋予的权重，R6和R7分别表示所述各个监测点位的所述第五维统计分析的第一得分和第二得分。
本实施例中，为便于说明，以多个水质指标数据包括COD数据和电导率数据为例进行说明。示例性的，可以对COD数据和电导率数据进行不同点位的五个维度统计分析，包括：数据有效率统计分析、数据分布统计分析、旱天日周期变化趋势统计分析、上下游关联统计分析、降雨事件关联统计分析。应能够理解，可以进行前述5个维度统计分析中的至少4项，可以根据实际应用场景、监测精度等任意选取合适的维度统计分析。
其中，数据有效率是指数据治理后的数据量占原始数据量的比例。数据有效率统计分析对应于第一维统计分析，可以将所有监测点位的得分R1均设置为在0.95~1的数值范围内的任意数值。亦即，各个监测点位的第一维统计分析的得分R1均为0.95~1的数值范围内的任意数值。
因此，第一维统计分析可以包括：根据对原始数据进行数据治理后得到的数据在该原始数据所占的比例，确定各个监测点位的第一维统计分析的得分。
数据分布统计分析对应于第二维统计分析，其包括旱天情况下的平均值和/或中位数，可以针对平均值和/或中位数分别设置相应的得分。亦即，第二维统计分析包括平均值得分R2和/或中位数得分R3，在包括平均值得分R2和中位数得分R3这两者的情况下，可以将平均值得分R2和中位数得分R3的均值作为第二维统计分布的最终得分。在一种可能的实现方式中，以平均值和中位数高者为优。亦即，平均值越高，得分R2越高；中位数越高，得分R3越高。如果进行归一化处理，则采用所有监测点位最高值或地区合理浓度值为标准。各监测点位的平均值得分R2和中位数得分R3在0.5~1的数值范围内的任意数值。
因此，第二维统计分析可以包括：根据在旱天情况下水质指标数据的平均值和/或中位数，确定各个监测点位的第二维统计分析的对应于所根据的平均值的得分和/或对应于所根据的中位数的得分。
旱天日周期变化趋势统计分析对应于第三维统计分析，根据应用当地生产生活规律进行定性判断周期变化趋势，其包含如下三种周期变化趋势：强周期变化、弱周期变化、无周期变化。示例性的，由于各地排水规律可能不同，因此以贴近当地排水规律的周期为强周期变化，部分有规律的为弱周期变化，完全没规律的为无周期变化。以强周期变化为优。归一化根据实际需求进行。强周期变化、弱周期变化、无周期变化的得分R4分别为1、0.6、0.3。当然，还可以为其它任意合适的数值，本公开不再举例说明。
因此，第三维统计分析可以包括：根据排水管网所对应的排水周期变化趋势，确定各个监测点位的第三维统计分析的对应于所根据的排水周期变化趋势的得分。
在一种可能的实现方式中，所述第四维统计分析包括：针对所述各个监测点位，计算各个监测点位中任一监测点位和该监测点位的上游紧邻监测点位之间的两组连续的同一水质指标数据的协方差，计算所述两组连续的同一水质指标数据分别对应的标准差，根据所述协方差和所述两组连续的同一水质指标数据分别对应的标准差，计算表示该监测点位与上游紧邻监测点位之间的上下游关联性系数，根据所述上下游关联性系数确定该监测点位的所述第四维统计分析的得分。
本实施例中，上下游关联统计分析对应于第四维统计分析。第四维统计分析只对拓扑关系明确且两个监测点位之间无已知汇入的上下游水质进行分析，由于两个监测点位之间的距离原因，水质数据可能存在时间差异，调整时间差异后进行皮尔逊相关系数（后称相关系数）的计算。计算该相关系数时，为了发挥连续高频数据的优势，先使两组数据以时间为标签对齐、即校正时间差，然后使用分析时段上下游两个点位之间的同一水质指标的两组连续数据，按照以下公式来计算相关系数r：
其中，表示X和Y两组数据（即，各个监测点位中任一监测点位和该监测点位的上游紧邻监测点位之间的两组连续的同一水质指标数据）的皮尔逊相关系数，该系数是该检测点位与上游紧邻检测点位之间的上下游关联性系数；表示X和Y两组数据的协方差；表示X数据组的标准差；xi表示X数据组的第i个数据值；表示X数据组的平均值；表示Y数据组的标准差；yi表示Y数据组的第i个数据值；表示Y数据组的平均值，n表示X、Y中数据值的个数。
在按照上述公式计算出上述系数之后，可以根据上述系数确定该监测点位的第四维统计分析的得分。其中，以高相关系数为优，即，相关系数越大，对应的得分越高。各监测点位的得分R5为0.3~0.8的数值范围内的任意数值，无上下游关系的监测点位的得分R5以其他监测点位平均值0.5作为得分。
在一种可能的实现方式中，所述第五维统计分析包括：所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度；根据所述下降幅度计算该监测点位的所述第五维统计分析的得分；或者，所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度，并获取所述降雨的强度；计算所述下降幅度和所述降雨的强度的协方差；计算所述下降幅度的第一标准差，并计算所述降雨的强度的第二标准差；根据所述协方差、所述第一标准差和所述第二标准差，计算表示该监测点位的水质的下降与所述降雨之间的关联性的系数；根据所述系数确定该监测点位的所述第五维统计分析的得分。
本实施例中，降雨事件关联统计分析对应于第五维统计分析。相对于旱天对应时段，计算雨天水质的下降幅度。以低下降幅度为优。示例性的，得分计算方法为1-下降幅度。因此，下降幅度越高，得分R6越小，下降幅度越低，得分R6越大。下降幅度得分R6为0.4~0.9的数值范围内的任意数值。因此，可以计算监测点位的水质的下降幅度，根据该下降幅度计算该监测点位的第五维统计分析的得分。
或者，相对于旱天对应时段，计算雨天水质的下降幅度，并获取降雨强度。可以按照上述相关系数的计算方式类似地计算降雨强度与下降幅度的皮尔逊相关系数。亦即，上述相关系数的计算公式中的X，Y分别为下降幅度和降雨强度，利用上述计算公式可以计算出相关系数。
在按照上述公式计算出相关系数之后，可以根据相关系数确定该监测点位的第五维统计分析的得分。以低下降幅度和低相关系数为优。示例性的，得分计算方法为1-下降幅度，1-相关系数。因此，下降幅度越高，得分R6越小，下降幅度越低，得分R6越大。下降幅度得分R6为0.4~0.9的数值范围内的任意数值。相应地，相关系数越大，对应的得分越小，相关系数越小，对应的得分越大。相关系数得分R7为0.3~0.9的数值范围内的任意数值。
由此，数据分析中从五个维度统计COD和电导率数据，共计十四项参数。根据实际需求可以对五个维度分别赋予权重W1~W5，并进行归一化，使W1+W2+W3+W4+W5=1。设定W1=0.1，W2=W3=0.3，W4=W5=0.15，则H=W1R1+W2（R2+R3）/2+W3R4+W4R5+W5（R6+R7）/2。
继续上述示例，步骤S32可以计算出各监测点位的COD得分H1在0.12~0.62之间，各监测点位的电导率得分H2在0.22~0.59之间。对不同的水质指标数据赋予相应的权重，比如，为COD数据赋予权重W6为0.7，为电导率数据赋予权重W7为0.3，由此，步骤S33可以计算出各监测点位的健康指数为HT=W6H1+W7H2，其在0.15~0.61之间。
这样，数据分析中从多个维度统计两项指标数据，输出多项参数。根据实际需求对不同维度和参数赋予权重，并进行归一化，考虑水体中的有机物、颗粒物和无机物，充分发挥在线监测在时间频率和空间密度上的优势，构建适用于实际场景的健康程度评价体系，更加贴近实际业务需求。
在步骤S4（管网状态判断步骤）中，根据所述各个监测点位的健康指数和所述拓扑结构，对所述排水管网内的状态进行判断。
本实施例中，在计算出各个监测点位的健康指数之后，可以根据这些健康指数和所获取的拓扑结构来判断排水管网内的状态。比如，可以判断出排水管网内的非健康点位等。具言之，在计算出各个监测点位的健康指数之后，可以对这些健康指数进行比较，根据实际需求和要求筛选出问题点位，根据问题点位确定出入流入渗位置，以实现入流入渗位置的溯源。其中，问题点位表示健康指数符合预设条件的点位，该预设条件表示点位出现非健康的条件。
在一种可能的实现方式中，如图3所示，步骤S4包括：
在步骤S41中，判断所述各个监测点位的健康指数是否符合预设条件，健康指数符合所述预设条件的监测点位是非健康点位。
本实施例中，可以将健康指数低于阈值比如0.35的监测点位为非健康点位预先设置为预设条件，这样，可以判断各个监测点位的健康指数是否低于阈值，如果该监测点位的健康指数低于0.35，则判断为该监测点位的健康指数符合预设条件，表示该监测点位为非健康点位，执行步骤S42。否则，该监测点位为健康点位，执行步骤S43。
在步骤S42中，根据所述判断的结果，从所述多个监测点位中选择健康指数不符合所述预设条件的第二类监测点位。
在步骤S43中，根据所述判断的结果，从所述多个监测点位中选择健康指数符合所述预设条件的第一类监测点位。
本实施例中，根据步骤S41的判断结果，将多个监测点位划分为第一类监测点位和第二类监测点位，第一类监测点位对应于非健康点位，第二类监测点位对应于健康点位。
在步骤S44中，针对所述第一类监测点位中的各个监测点位，根据所述拓扑结构确定与该监测点位相邻且健康指数不符合所述预设条件的目标点位，该监测点位和该目标点位构成目标区段。
本实施例中，根据非健康点位进一步确定目标点位，将非健康点位和目标点位之间的区段确定为问题区段即目标区段。可以从第一类监测点位和目标区段中确定入流入渗位置。这样，第一类监测点位和目标区段为入流入渗位置的大体源头，由此，可以提高溯源效率。还可以针对问题点位和问题区段进行人工排查核实，实现入流入渗位置的精确溯源。因此，可以以现场核查结果作为在线监测的质控手段和点位调整依据，动态优化监测***的可靠性和溯源精度。其中，实际工程中，点位是指检查井，健康点位到问题点位构成的问题区段的入流入渗问题有可能是由于问题点位的检查井导致的，因此也需要对监测点位本身进行排查核实。
在步骤S45中，根据所述拓扑结构确定目标区段所属的汇水分区，将目标区段的数量占相应汇水分区的总管段数量的比例超过阈值（比如30%）的汇水分区确定为目标区域。
本实施例中，如前文所述的，汇水分区是指管网中水体到一共同的出水口的过程中所流经的管网区域，它是一个相对封闭的区域，不同汇水区域水体相对独立，不相互干扰。出水口是指水流离开汇水区的点。因此，可以根据拓扑结构确定出汇水分区。问题管段占汇水分区总管段比例大于30%的汇水分区为问题区域。
在步骤S46中，从所述第一类监测点位、所述目标区段和所述目标区域中确定所述入流入渗位置。
这样，第一类监测点位、目标区段和目标区域为入流入渗位置的大体源头，由此，可以提高溯源效率。还可以针对问题点位、问题区段和问题区域进行人工排查核实，实现入流入渗位置的精确溯源，因此，可以以现场核查结果作为在线监测的质控手段和点位调整依据，动态优化监测***的可靠性和溯源精度。
根据本实施例的排水管网监测方法，实时采集排水管网内的各个监测点位分别对应的多个水质指标数据，例如通过量子点光谱仪测量水质可进行在线、原位、高频、实时的测量，根据各个监测点位分别对应的多个水质指标数据分别计算各个监测点位的健康指数，并根据各个监测点位的健康指数和用于表征各个监测点位之间的联通关系和流向的拓扑结构来对排水管网内的状态进行判断，由此，可充分发挥在线监测在时间频率和空间密度上的优势，有助于提升排水管网入流入渗摸排的效率，从而能够精细化排水管网的监测***的运营效率并提高该监测***的可靠性和溯源精度。
能够理解，本实施例结合高频连续在线监测的特点，充分发挥在线监测的优势，以COD和电导率为水质特征因子，通过多维度统计数据分析溯源污水管网入流入渗，能够提升污水管网入流入渗的摸排和精细化运营的效率和结果可靠性。
在一种可能的实现方式中，上述方法还可以包括：根据所述溯源的结果调整所述拓扑结构，以增大所述目标区域中的监测点位的部署密度。
由此，可以根据溯源结果，对在线监测设备进行检验和质控，根据需求对问题区域进行点位动态调整加密，问题区域点位密度由3km/个调整至1km/个，使溯源精度达到理想要求。
在一种可能的实现方式中，上述方法还可以包括：针对所述各个监测点位，计算每个采样周期内该监测点位的健康指数；比较该监测点位的每个采样周期内的健康指数，以确定在多个采样周期内该监测点位处的入流入渗的变化。
由此，可以定期比较同点位健康指数，判断入流入渗长期变化情况。
在一种可能的实现方式中，上述方法还可以包括：对于针对所述入流入渗位置进行了治理的监测点位，将该监测点位的治理之前的健康指数与治理之后的健康指数进行比较，并根据比较的结果判断对所述入流入渗位置进行的治理是否合适。
由此，可以比较治理工程前后同点位健康指数，判断入流入渗改善效果。
图4示出根据本公开实施例的排水管网监测方法的流程图，如图4所示，所述方法包括如下步骤。
在步骤S1中，实时采集排水管网内的各个监测点位分别对应的多个水质指标数据。关于步骤S1，可以参见前文关于图1的步骤S1的具体描述，在此不再赘述。
在数据采集后，对原始数据进行如下所述的数据治理。
在步骤S51中，从所采集的多个水质指标数据中筛除异常数据，所述异常数据包括不符合判定条件的数据和监测设备非正常运行所采集的数据。
本实施例中，考虑到步骤S1中所采集的数据是由监测设备采集的，然而监测设备可能发生故障或异常，故障或异常的监测设备所采集的数据是异常的，不能反映该监测设备所处的监测点位的水质，因此需要筛除由非正常运行的监测设备所采集的数据，这些数据也称为异常数据。
当然，考虑到步骤S1中所采集的数据即使是由正常运行的监测设备采集，该数据也可能低于检出限、或者高于量程，这些数据显然不是正常数据。更或者，对于一些水质指标，其必须是监测设备位于水体内才能采集到能够准确反映该水体的该项水质指标的数据，在该情况下，由监测设备离开水体而采集的离水数据也是异常数据。这些数据均是异常数据，因此需要筛除这些数据。比如，由于排水规律和安装条件原因，监测设备可能由于水位降低出现离水，离水后监测设备所采集的数据为空气值，不应纳入统计分析，因此，以电导率为判定依据，需要去除离水数据。示例性的，监测设备的离水数据的占比不高于20%，从而可以保证数据代表性。当然，也可以采用其它如液位检测的方式判断监测设备是否离水，从而确定数据是否为离水数据。
也就是说，本实施例去除异常数据，异常数据包括不符合判定条件的数据和非正常运行的数据，其中，不符合判定条件的数据包括低于检出限、高于量程的数据，非正常运行的数据包括故障的监测设备所采集的数据和监测设备离开水体后采集的离水数据，其中离水的判定方式可以包括但不限于电导率或液位检测方式，这些异常数据不参与下文的计算处理。
在步骤S52中，对已筛除异常数据后的水质指标数据进行去噪平滑处理。
本实施例中，可以采用现有技术中任意合适的方式来对已筛除异常数据后的水质指标数据进行去噪平滑处理，比如可以采用小波去噪或多项式滤波的方法进行去噪平滑处理，本公开对去噪平滑处理的具体方式不做具体限制。
在步骤S53中，从已进行去噪平滑处理后的水质指标数据中筛选符合预定条件的水质指标数据。
本实施例中，可以进一步从已进行去噪平滑处理后的水质指标数据中筛选符合预定条件的水质指标数据。比如，某些监测点位的水质指标数据可能存在基线漂移和跳变，对于这些点位，可以进行原因调查，对于原因明确的点位，可以去除异常时段的数据而保留正常时段的数据，对于原因不明的点位，去除该监测点位的所有时段的数据，直至该点位的数据恢复正常。应能够理解，保留没有出现基线漂移和跳变的水质指标数据。
在步骤S54中，根据筛选出的多个水质指标数据，计算所述各个监测点位的健康指数。
本实施例中，将通过对步骤S1所获取的数据（原始数据）进行了步骤S51、S52、S53所述的数据治理之后得到的数据，作为步骤S3中要使用的多个水质指标数据，以根据这些水质指标数据分别计算各个监测点位的健康指数。关于步骤S54，可以参见前文关于图1的步骤S3的具体描述，在此不再赘述。
在步骤S2中，获取用于表征所述各个监测点位之间的联通关系和流向的拓扑结构。
在步骤S4中，根据所述各个监测点位的健康指数和所述拓扑结构，对所述排水管网内的状态进行判断。
关于步骤S2和S4，可以参见前文关于图1的步骤S2和S4的具体描述，在此不再赘述。
本实施例中，对步骤S1所获取的原始数据进行上述数据治理，使得在线监测数据更为合理，过滤掉异常数据，从而能够保障溯源结果的可靠性。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了排水管网入流入渗溯源装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种排水管网监测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图5示出根据本公开实施例的排水管网监测装置的框图，如图5所示，所述装置包括获取模块510、采集模块520、计算模块530和管网状态判断模块540。采集模块520用于实时采集排水管网内的各个监测点位分别对应的多个水质指标数据。获取模块510用于获取用于表征所述各个监测点位之间的联通关系和流向的拓扑结构。计算模块530与采集模块520连接，并且用于根据所述各个监测点位分别对应的多个水质指标数据，分别计算所述各个监测点位的健康指数。管网状态判断模块540与计算模块530和获取模块510连接，并且用于根据所述各个监测点位的健康指数和所述拓扑结构，对所述排水管网内的状态进行判断。
在一种可能的实现方式中，所述计算模块530被配置为：对所述各个监测点位的多个水质指标数据进行多维统计分析，以计算所述各个监测点位的每一维统计分析的得分；根据所述各个监测点位的每一维统计分析的得分和针对每一维统计分析赋予的权重，计算所述各个监测点位的对应水质指标数据的健康得分；根据所述各个监测点位的对应水质指标数据的健康得分和针对所述各个监测点位的对应水质指标数据赋予的权重，计算所述各个监测点位的健康指数。
在一种可能的实现方式中，所述管网状态判断模块540包括溯源单元，所述溯源单元用于：判断所述各个监测点位的健康指数是否符合预设条件，健康指数符合所述预设条件的监测点位是非健康点位；根据所述判断的结果，从所述多个监测点位中选择健康指数符合所述预设条件的第一类监测点位；针对所述第一类监测点位中的各个监测点位，根据所述拓扑结构确定与该监测点位相邻且健康指数不符合所述预设条件的目标点位，该监测点位和该目标点位构成目标区段；从所述第一类监测点位和所述目标区段中确定所述入流入渗位置。
在一种可能的实现方式中，所述溯源单元还用于：根据所述拓扑结构确定所述目标区段所属的汇水分区；将目标区段的数量占相应汇水分区的总管段数量的比例超过阈值的汇水分区确定为目标区域；从所述第一类监测点位、所述目标区段和所述目标区域中确定所述入流入渗位置。
在一种可能的实现方式中，所述装置还包括调整模块（未示出），所述调整模块用于根据所述溯源的结果调整所述拓扑结构，以增大所述目标区域中的监测点位的部署密度。
在一种可能的实现方式中，所述装置还包括：筛除模块（未示出），用于从所述采集模块所采集的多个水质指标数据中筛除异常数据，所述异常数据包括不符合判定条件的数据和监测设备非正常运行所采集的数据；平滑模块（未示出），用于对已筛除异常数据后的水质指标数据进行去噪平滑处理；筛选模块（未示出），用于从已进行去噪平滑处理后的水质指标数据中筛选符合预定条件的水质指标数据用作所述计算模块所使用的多个水质指标数据。
在一种可能的实现方式中，所述计算模块530所进行的所述多维统计分析包括：第一维统计分析、第二维统计分析、第三维统计分析、第四维统计分析、第五维统计分析中的至少四个，相应地，所述计算模块用于：在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为一个得分的情况下，计算该相应维统计分析的得分与针对该相应维统计分析赋予的权重的乘积；在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为多个得分的情况下，计算所述多个得分的平均得分，并计算所述平均得分与针对该相应维统计分析赋予的权重的乘积；对所计算出的所有乘积进行相加，所得到的和为所述各个监测点位的对应水质指标数据的健康得分。
在一种可能的实现方式中，所述计算模块530所进行的所述第一维统计分析包括：根据对原始数据进行数据治理后得到的数据在所述原始数据所占的比例，确定所述各个监测点位的所述第一维统计分析的得分；所述计算模块所进行的所述第二维统计分析包括：根据在旱天情况下水质指标数据的平均值和/或中位数，确定所述各个监测点位的所述第二维统计分析的对应于所根据的平均值的得分和/或对应于所根据的中位数的得分；所述计算模块所进行的所述第三维统计分析包括：根据所述排水管网所对应的排水周期变化趋势，确定所述各个监测点位的所述第三维统计分析的对应于所根据的排水周期变化趋势的得分；所述计算模块所进行的所述第四维统计分析包括：针对所述各个监测点位，计算各个监测点位中任一监测点位和该监测点位的上游紧邻监测点位之间的两组连续的同一水质指标数据的协方差，计算所述两组连续的同一水质指标数据分别对应的标准差，根据所述协方差和所述两组连续的同一水质指标数据分别对应的标准差，计算表示该监测点位与上游紧邻监测点位之间的上下游关联性系数，根据所述上下游关联性系数确定该监测点位的所述第四维统计分析的得分；所述计算模块所进行的所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度；根据所述下降幅度计算该监测点位的所述第五维统计分析的得分；或者，所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度，并获取所述降雨的强度；计算所述下降幅度和所述降雨的强度的协方差；计算所述下降幅度的第一标准差，并计算所述降雨的强度的第二标准差；根据所述协方差、所述第一标准差和所述第二标准差，计算表示该监测点位的水质的下降与所述降雨之间的关联性的系数；根据所述系数确定该监测点位的所述第五维统计分析的得分。
在一种可能的实现方式中，所述多个水质指标数据包括第一类数据中的至少两项，或者所述多个水质指标数据包括所述第一类数据中的至少一项和第二类数据中的至少一项，其中，所述第一类数据包括COD数据、电导率数据、氨氮数据、总硬度数据、温度数据、PH值数据、浊度数据、总有机碳数据、五日生化需氧量数据、总磷数据、总氮数据、悬浮物数据、溶解性总固体数据、石油类数据、阴离子表面活性剂数据、氰化物数据、硫化物数据、氟化物数据、有机磷数据、硫酸盐数据、汞数据、铬数据、镉数据、砷数据、铅数据、镍数据、铍数据、银数据、硒数据、铜数据、锌数据、锰数据、铁数据、挥发酚数据、苯系物数据、苯胺类数据和硝基苯数据，所述第二类数据包括流量数据、流速数据、液位数据。所述多个水质指标数据包括COD数据、电导率数据。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6是根据本公开实施例的电子设备的框图。例如，电子设备1900可以被提供为一终端、服务器或其他形态的设备。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出接口（I/O接口）1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM, LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置（***）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种排水管网监测方法，其特征在于，包括：
采集步骤，实时采集排水管网内的各个监测点位分别对应的多个水质指标数据；
获取步骤，获取用于表征所述各个监测点位之间的联通关系和流向的拓扑结构；
计算步骤，根据所述各个监测点位分别对应的多个水质指标数据，分别计算所述各个监测点位的健康指数；
管网状态判断步骤，根据所述各个监测点位的健康指数和所述拓扑结构，对所述排水管网内的状态进行判断；
所述计算步骤包括：
对所述各个监测点位的多个水质指标数据进行多维统计分析，以计算所述各个监测点位的每一维统计分析的得分；
根据所述各个监测点位的每一维统计分析的得分和针对每一维统计分析赋予的权重，计算所述各个监测点位的对应水质指标数据的健康得分；
根据所述各个监测点位的对应水质指标数据的健康得分和针对所述各个监测点位的对应水质指标数据赋予的权重，计算所述各个监测点位的健康指数，
其中，所述多维统计分析包括：第一维统计分析、第二维统计分析、第三维统计分析、第四维统计分析、第五维统计分析中的至少四个，相应地，
根据所述各个监测点位的每一维统计分析的得分和针对每一维统计分析赋予的权重，计算所述各个监测点位的对应水质指标数据的健康得分，包括：
在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为一个得分的情况下，计算该相应维统计分析的得分与针对该相应维统计分析赋予的权重的乘积；
在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为多个得分的情况下，计算所述多个得分的平均得分，并计算所述平均得分与针对该相应维统计分析赋予的权重的乘积；
对所计算出的所有乘积进行相加，所得到的和为所述各个监测点位的对应水质指标数据的健康得分，
所述第一维统计分析包括：根据对原始数据进行数据治理后得到的数据在所述原始数据所占的比例，确定所述各个监测点位的所述第一维统计分析的得分；
所述第二维统计分析包括：根据在旱天情况下水质指标数据的平均值和/或中位数，确定所述各个监测点位的所述第二维统计分析的对应于所根据的平均值的得分和/或对应于所根据的中位数的得分；
所述第三维统计分析包括：根据所述排水管网所对应的排水周期变化趋势，确定所述各个监测点位的所述第三维统计分析的对应于所根据的排水周期变化趋势的得分；
所述第四维统计分析包括：针对所述各个监测点位，计算各个监测点位中任一监测点位和该监测点位的上游紧邻监测点位之间的两组连续的同一水质指标数据的协方差，计算所述两组连续的同一水质指标数据分别对应的标准差，根据所述协方差和所述两组连续的同一水质指标数据分别对应的标准差，计算该监测点位与上游紧邻监测点位之间的上下游关联性系数，根据所述上下游关联性系数确定该监测点位的所述第四维统计分析的得分；
所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度；根据所述下降幅度计算该监测点位的所述第五维统计分析的得分；或者，所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度，并获取所述降雨的强度；计算所述下降幅度和所述降雨的强度的协方差；计算所述下降幅度的第一标准差，并计算所述降雨的强度的第二标准差；根据所述协方差、所述第一标准差和所述第二标准差，计算表示该监测点位的水质的下降与所述降雨之间的关联性的系数；根据所述系数确定该监测点位的所述第五维统计分析的得分。
2.根据权利要求1所述的排水管网监测方法，其特征在于，所述管网状态判断步骤包括溯源步骤，所述溯源步骤包括：
判断所述各个监测点位的健康指数是否符合预设条件，健康指数符合所述预设条件的监测点位是非健康点位；
根据所述判断的结果，从所述各个监测点位中选择健康指数符合所述预设条件的第一类监测点位；
针对所述第一类监测点位中的各个监测点位，根据所述拓扑结构确定与该监测点位相邻且健康指数不符合所述预设条件的目标点位，该监测点位和该目标点位构成目标区段；
从所述第一类监测点位和所述目标区段中确定所述排水管网的入流入渗位置。
3.根据权利要求2所述的排水管网监测方法，其特征在于，所述溯源步骤还包括：
根据所述拓扑结构确定所述目标区段所属的汇水分区；
将目标区段的数量占相应汇水分区的总管段数量的比例超过阈值的汇水分区确定为目标区域；
从所述第一类监测点位、所述目标区段和所述目标区域中确定所述入流入渗位置。
4.根据权利要求3所述的排水管网监测方法，其特征在于，还包括：
根据所述溯源的结果调整所述拓扑结构，以增大所述目标区域中的监测点位的部署密度。
5.根据权利要求1所述的排水管网监测方法，其特征在于，在所述计算步骤之前还包括：
从所述采集步骤所采集的多个水质指标数据中筛除异常数据，所述异常数据包括不符合判定条件的数据和监测设备非正常运行所采集的数据；
对已筛除异常数据后的水质指标数据进行去噪平滑处理；
从已进行去噪平滑处理后的水质指标数据中筛选符合预定条件的水质指标数据用作所述计算步骤中所使用的多个水质指标数据。
6.根据权利要求1-5中任一项所述的排水管网监测方法，其特征在于，所述多个水质指标数据包括第一类数据中的至少两项，或者所述多个水质指标数据包括所述第一类数据中的至少一项和第二类数据中的至少一项，其中，所述第一类数据包括COD数据、电导率数据、氨氮数据、总硬度数据、温度数据、PH值数据、浊度数据、总有机碳数据、五日生化需氧量数据、总磷数据、总氮数据、悬浮物数据、溶解性总固体数据、石油类数据、阴离子表面活性剂数据、氰化物数据、硫化物数据、氟化物数据、有机磷数据、硫酸盐数据、汞数据、铬数据、镉数据、砷数据、铅数据、镍数据、铍数据、银数据、硒数据、铜数据、锌数据、锰数据、铁数据、挥发酚数据、苯系物数据、苯胺类数据和硝基苯数据，所述第二类数据包括流量数据、流速数据、液位数据。
7.根据权利要求6所述的排水管网监测方法，其特征在于，所述多个水质指标数据为所述COD数据和所述电导率数据。
8.一种排水管网监测装置，其特征在于，包括：
采集模块，用于实时采集排水管网内的各个监测点位分别对应的多个水质指标数据；
获取模块，用于获取用于表征所述各个监测点位之间的联通关系和流向的拓扑结构；
计算模块，用于根据所述各个监测点位分别对应的多个水质指标数据，分别计算所述各个监测点位的健康指数；
管网状态判断模块，用于根据所述各个监测点位的健康指数和所述拓扑结构，对所述排水管网内的状态进行判断，
其中，所述计算模块被配置为：
对所述各个监测点位的多个水质指标数据进行多维统计分析，以计算所述各个监测点位的每一维统计分析的得分；
根据所述各个监测点位的每一维统计分析的得分和针对每一维统计分析赋予的权重，计算所述各个监测点位的对应水质指标数据的健康得分；
根据所述各个监测点位的对应水质指标数据的健康得分和针对所述各个监测点位的对应水质指标数据赋予的权重，计算所述各个监测点位的健康指数，
其中，所述多维统计分析包括：第一维统计分析、第二维统计分析、第三维统计分析、第四维统计分析、第五维统计分析中的至少四个，相应地，
所述计算模块被配置为：
在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为一个得分的情况下，计算该相应维统计分析的得分与针对该相应维统计分析赋予的权重的乘积；
在所述各个监测点位的所述多维统计分析所包括的相应维统计分析的得分为多个得分的情况下，计算所述多个得分的平均得分，并计算所述平均得分与针对该相应维统计分析赋予的权重的乘积；
对所计算出的所有乘积进行相加，所得到的和为所述各个监测点位的对应水质指标数据的健康得分，
所述第一维统计分析包括：根据对原始数据进行数据治理后得到的数据在所述原始数据所占的比例，确定所述各个监测点位的所述第一维统计分析的得分；
所述第二维统计分析包括：根据在旱天情况下水质指标数据的平均值和/或中位数，确定所述各个监测点位的所述第二维统计分析的对应于所根据的平均值的得分和/或对应于所根据的中位数的得分；
所述第三维统计分析包括：根据所述排水管网所对应的排水周期变化趋势，确定所述各个监测点位的所述第三维统计分析的对应于所根据的排水周期变化趋势的得分；
所述第四维统计分析包括：针对所述各个监测点位，计算各个监测点位中任一监测点位和该监测点位的上游紧邻监测点位之间的两组连续的同一水质指标数据的协方差，计算所述两组连续的同一水质指标数据分别对应的标准差，根据所述协方差和所述两组连续的同一水质指标数据分别对应的标准差，计算该监测点位与上游紧邻监测点位之间的上下游关联性系数，根据所述上下游关联性系数确定该监测点位的所述第四维统计分析的得分；
所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度；根据所述下降幅度计算该监测点位的所述第五维统计分析的得分；或者，所述第五维统计分析包括：针对所述各个监测点位，计算由于降雨而导致的该监测点位的水质的下降幅度，并获取所述降雨的强度；计算所述下降幅度和所述降雨的强度的协方差；计算所述下降幅度的第一标准差，并计算所述降雨的强度的第二标准差；根据所述协方差、所述第一标准差和所述第二标准差，计算表示该监测点位的水质的下降与所述降雨之间的关联性的系数；根据所述系数确定该监测点位的所述第五维统计分析的得分。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1-7中任意一项所述的排水管网监测方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1-7中任意一项所述的排水管网监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410562685.2A CN118130744B (zh) | 2024-05-08 | 2024-05-08 | 排水管网监测方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410562685.2A CN118130744B (zh) | 2024-05-08 | 2024-05-08 | 排水管网监测方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118130744A CN118130744A (zh) | 2024-06-04 |
| CN118130744B true CN118130744B (zh) | 2024-07-09 |
Family
ID=91240797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410562685.2A Active CN118130744B (zh) | 2024-05-08 | 2024-05-08 | 排水管网监测方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118130744B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111501953A (zh) * | 2020-04-27 | 2020-08-07 | 上海勘测设计研究院有限公司 | 排水管网的异常分析方法、***、介质及设备 |
| CN115899586A (zh) * | 2022-10-09 | 2023-04-04 | 中建三局绿色产业投资有限公司 | 一种分流制排水管网***排查与检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114818238A (zh) * | 2021-01-27 | 2022-07-29 | 力合科技（湖南）股份有限公司 | 水质监测数据分析方法及装置、设备、存储介质 |
| CN117010863A (zh) * | 2023-08-10 | 2023-11-07 | 绍兴市麦芒智能科技有限公司 | 一种基于物联网技术的市政管网健康度在线监测***和方法 |
| CN117966859A (zh) * | 2023-12-27 | 2024-05-03 | 中交第二航务工程局有限公司 | 一种保障排水管网健康运行的在线监测***及方法 |
-
2024
- 2024-05-08 CN CN202410562685.2A patent/CN118130744B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111501953A (zh) * | 2020-04-27 | 2020-08-07 | 上海勘测设计研究院有限公司 | 排水管网的异常分析方法、***、介质及设备 |
| CN115899586A (zh) * | 2022-10-09 | 2023-04-04 | 中建三局绿色产业投资有限公司 | 一种分流制排水管网***排查与检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118130744A (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ho et al. | Towards a time and cost effective approach to water quality index class prediction | |
| Zamani et al. | Extreme streamflow drought in the Karkheh river basin (Iran): probabilistic and regional analyses | |
| Sancho et al. | Study of water quality in a spanish river based on statistical process control and functional data analysis | |
| Özger et al. | Sediment load prediction by combined fuzzy logic-wavelet method | |
| Zemzami et al. | Improvement of artificial neural networks to predict daily streamflow in a semi-arid area | |
| Deng et al. | Spatiotemporal variation evaluation of water quality in middle and lower Han River, China | |
| Roushangar et al. | A comparative study of wavelet and empirical mode decomposition-based GPR models for river discharge relationship modeling at consecutive hydrometric stations | |
| Chauhan et al. | Forecasting of suspended sediment concentration in the Pindari-Kafni glacier valley in Central Himalayan region considering the impact of precipitation: using soft computing approach | |
| CN118130744B (zh) | 排水管网监测方法及装置、电子设备和存储介质 | |
| He et al. | Detecting and explaining long‐term changes in river water quality in south‐eastern Australia | |
| CN117368434A (zh) | 一种基于大数据的水质监测*** | |
| Dang et al. | A statistical approach for reconstructing natural streamflow series based on streamflow variation identification | |
| Masud Rana et al. | Contaminant spread forecasting and confirmatory sampling location identification in a water-distribution system | |
| CN116341994A (zh) | 一种基于客水分流的河流水生态治理方法及*** | |
| Cavus et al. | Drought intensity–duration–frequency curves based on deficit in precipitation and streamflow for water resources management | |
| Maruéjouls et al. | Impact of two pollutant fluxes calculation methods along with uncertainties on estimation of combined sewer overflow contribution to environmental pollution at the whole urban catchment scale | |
| Raso et al. | Balancing costs and benefits in selecting new information: Efficient monitoring using deterministic hydro-economic models | |
| Huang et al. | A feature extraction method based on the entropy-minimal description length principle and GBDT for common surface water pollution identification | |
| Gull et al. | Application of multivariate statistical methods to enhance the water quality monitoring system of Kashmir Valley with special emphasis on side-stream pollution | |
| CN114066037A (zh) | 一种基于人工智能的流域污染溯源预测方法及装置 | |
| Thébault et al. | Impact of suspicious streamflow data on the efficiency and parameter estimates of rainfall–runoff models | |
| Abrishamchi et al. | Uncertainty analysis in QUAL2E model of Zayandeh‐Rood River | |
| Dahak et al. | Three techniques for flow component identification from daily discharge data in Madjez Ressoul catchment, Algeria | |
| Weeraddana et al. | Utilizing machine learning to prevent water main breaks by understanding pipeline failure drivers | |
| Toranjian et al. | Evaluation of statistical distributions to analyze the pollution of Cd and Pb in urban runoff |
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 |