CN103018416B - 供水管网水质在线监测、预测方法 - Google Patents

Abstract

一种供水管网水质在线监测、预测方法，包括：在线监测仪表按时序采集管网进水点处的水质理化指标数据；根据所得数据构建水质模型，所述的水质模型有水质模型的模拟变量和各模拟变量的生化反应方程式；根据水质模型有水质模型的模拟变量和各模拟变量的生化反应方程式进行水质模型参数率定；进行管网用户点水质预测；本发明实现了供水管网各用户点细菌总数和余氯浓度的及时预测，通过读取管网最新的进水理化指标监测结果，计算机可以实时动态显示各节点水质的变化；可以提高城市供水管理者应对源水水质变化的能力和效率；本发明中预测系统输出的用户点水质预测结果是由可接受数据形成的具有一定空间分布特征的集合，可避免预测结果失真带来的决策风险。

Description

供水管网水质在线监测、预测方法

技术领域

本发明涉及一种供水管网水质预测。特别是涉及一种城市供水管网细菌总数和余氯浓度指标监测、预测及风险评估的供水管网水质在线监测、预测方法。

背景技术

供水管网作为居民饮用水输配的市政基础设施，往往对居民饮用水安全有着重要影响。据调查，我国管网水质的合格率较出厂水下降较大，尤其微生物指标在用户节点处的合格率不足90％，而微生物指标又是管网供水的用户最为关注的问题。因为城市供水管网往往具有水源多、节点多、管线长、水质变化复杂等特点，又由于管网水质监测点点少面散、缺乏连续监测数据、在主干管和管网末梢分布不均等原因，致使对管网水质微生物情况变化的了解往往具有间隙性、被动性和延迟性。针对这些现象，建立管网微生物水质指标预测系统，配合现有管网的水质监测体系，来追踪管网水的微生物指标变化、评估用户点处的微生物水质风险就成为解决上述问题的良好方法。

然而，现有的城市供水管网水质预测模型或为统计模型，或仅针对单一水质组分；管网水质风险评估则较多地依赖水龄等间接指标，缺乏用户点处目标水质指标（细菌总数、余氯）预测结果的直接支持。现有技术中至少存在以下问题：

供水管网水质往往波动较大，经常性超出已有统计数据范围，统计预测体系难以给出精确的、有效的用户节点水质预测结果，并且在水质变化明显时无法预测可能的水质风险；供水管网水质成分复杂，单一组分模型忽视了其他重要水质指标对某一目标水质指标的影响、无法合理反映管网水质状况。即现有预测方法难以满足保证供水管网用户点处微生物指标安全的需求

上述问题使得工程技术人员迫切需要一种高效的管网水质监测、预测方法来保证管网用户的微生物水质安全可靠。

发明内容

本发明所要解决的技术问题是，提供一种通过监测管网（部分管网或整体管网）进水点的水质情况，实时、准确地预测管网各用户点处的细菌总数和余氯的浓度范围，及时提供用户点水质风险信息的供水管网水质在线监测、预测方法。

本发明所采用的技术方案是：一种供水管网水质在线监测、预测方法，包括如下步骤：

1）在线监测仪表按时序采集管网进水点处的水质理化指标数据，包括：氨氮浓度、余氯量、水温；相同时序人工采集：溶解性有机碳浓度、不溶解性有机碳浓度和细菌总数；

2）根据氨氮浓度、溶解性有机碳、不溶解性有机碳、余氯和细菌间的生化反应关系，构建水质模型，所述的水质模型包括：

（1）水质模型的模拟变量：

水中细菌浓度，C_BL，单位为：CFU/ml；

生物膜中细菌浓度，C_BF，单位为：CFU/m²；

水中死亡细菌浓度，C_DBL，单位为：CFU/ml；

生物膜中死亡细菌浓度，C_DB，F，单位为：CFU/m²；

水中溶解性有机碳浓度，C_DOCL，单位为：mg/L；

水中可生物降解有机碳浓度，C_BDOCL，单位为：mg/L；

水中不溶性有机碳浓度，C_NDOC，L，单位为：mg/L；

生物膜中不溶性有机碳浓度，C_NDOC，F，单位为：mg/m²；

水中氨氮浓度，C_NL，单位为：mg/L；

水中余氯浓度，C_C1L，单位为：mg/L

（2）各模拟变量的生化反应方程式

C_Cl，L>C_Cl,t，L时， ${\mathrm{\μ}}_{B,L}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2\×\exp \left(\frac{C_{\mathrm{Cl},L}-C_{\mathrm{Cl},t,L}}{C_{\mathrm{Cl},s}}\right)---1$

C_Cl，L≤C_Cl，t，L时， ${\mathrm{\μ}}_{B,L}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2---2$

C_ClL>C_Clt，F时， ${\mathrm{\μ}}_{B,F}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2\×\exp \left(\frac{C_{\mathrm{Cl},L}-C_{\mathrm{Cl},t,F}}{C_{\mathrm{Cl},s}}\right)---3$

C_Cl，L≤C_Cl，t，F时， ${\mathrm{\μ}}_{B,F}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2---4$

$\frac{{\mathrm{dC}}_{B,L}}{\mathrm{dt}}={\mathrm{\μ}}_{B,L}\×C_{B,L}-k_{\mathrm{BD}}\×C_{B,L}-k_{\mathrm{ina}}\×C_{B,L}\×C_{\mathrm{Cl},L}-k_{\mathrm{att}}\×C_{B,L}+k_{\det }\×C_{B,F}\×S_v\×{10}^{-3}---5$

$\frac{{\mathrm{dC}}_{B,F}}{\mathrm{dt}}={\mathrm{\μ}}_{B,F}\×C_{B,F}-k_{\mathrm{BD}}\×C_{B,F}-k_{\mathrm{ina}}\×r_1\×C_{B,F}\×C_{\mathrm{Cl},F}+\frac{k_{\mathrm{att}}\×C_{B,L}\×{10}^3}{S_v}{-k}_{\det }\×C_{B,F}---6$

$\frac{d{C}_{\mathrm{DB},L}}{\mathrm{dt}}=k_{\mathrm{BD}}\×C_{B,L}+k_{\mathrm{ina}}\×C_{B,L}\×C_{\mathrm{Cl},L}-k_{\mathrm{att}}\×C_{\mathrm{DB},L}+k_{\det }\×C_{\mathrm{DB},F}\×S_v\×{10}^{-3}-k_{1\mathrm{ys}}\×C_{\mathrm{DB},L}---7$

$\frac{d{C}_{\mathrm{DB},F}}{\mathrm{dt}}=k_{\mathrm{BD}}\×C_{B,F}+k_{\mathrm{ina}}\×r_1\×C_{B,F}\×C_{\mathrm{Cl},F}+\frac{k_{\mathrm{att}}\×C_{\mathrm{DB},L}\×{10}^3}{S_v}-k_{\det }\×C_{\mathrm{DB},F}-k_{1\mathrm{ys}}\×C_{\mathrm{DB},F}---8$

$\frac{d{C}_{\mathrm{BDOC},L}}{\mathrm{dt}}=-\frac{({\mathrm{\μ}}_{B,L}\×C_{B,L}+{\mathrm{\μ}}_{B,L}\×C_{B,F})\×{10}^3}{r_{B/\mathrm{BDOC}}}+k_{1\mathrm{ys}}\×(C_{\mathrm{DB},L}+C_{\mathrm{DB},F})\×{10}^3\×r_{C/B}\×r_{\mathrm{BDOC}/\mathrm{DOC}}---9$

$\frac{d{C}_{N,L}}{\mathrm{dt}}=-\frac{({\mathrm{\μ}}_{B,L}\×C_{B,L}+{\mathrm{\μ}}_{B,F}\×C_{B,F})\×{10}^3}{r_{B/\mathrm{BDOC}}}\×\frac{1}{r_{C/N}}+\frac{M_{\mathrm{NH}3-N}}{M_{\mathrm{Cl}2}}\×\frac{d{C}_{\mathrm{Cl},L}}{\mathrm{dt}}---10$

$\frac{d{C}_{\mathrm{DOC},L}}{\mathrm{dt}}=-\frac{({\mathrm{\μ}}_{B,L}\×C_{B,L}+{\mathrm{\μ}}_{B,F}\×C_{B,F})\×{10}^3}{r_{B/\mathrm{BDOC}}}+k_{1\mathrm{ys}}\×(C_{\mathrm{DB},L}+C_{\mathrm{DB},F})\×{10}^3\×r_{C/B}---11$

$\frac{d{C}_{\mathrm{NDOC},L}}{\mathrm{dt}}={\mathrm{\μ}}_{B,L}\×C_{B,L}\×{10}^3\×r_{C/B}-k_{1\mathrm{ys}}\×C_{\mathrm{DB},L}\×{10}^3\×r_{C/B}-k_{\mathrm{att}}\×C_{\mathrm{NDOC},L}+k_{\det }\×C_{\mathrm{NDOC},F}\×S_v---12$

$\frac{d{C}_{\mathrm{NDOC},F}}{\mathrm{dt}}={\mathrm{\μ}}_{B,F}\×C_{B,F}\×{10}^3\×r_{C/B}-k_{1\mathrm{ys}}\×C_{\mathrm{DB},F}\×{10}^3\×r_{C/B}+k_{\mathrm{att}}\×C_{\mathrm{NDOC},L}\×\frac{1}{S_v}-k_{\det }\×C_{\mathrm{NDOC},F}---13$

$\frac{d{C}_{\mathrm{Cl},L}}{\mathrm{dt}}=-k_{\mathrm{wall}}\×C_{\mathrm{Cl},L}-(e_{\mathrm{Cl},B}\×k_{\mathrm{ina}}\×C_{B,L}\×C_{\mathrm{Cl},L}+e_{\mathrm{Cl}/B}\×k_{\mathrm{ina}}\×r_1\×C_{B,F}\×C_{\mathrm{Cl},L})$

$-k_{\mathrm{Cl},C}\×(C_{\mathrm{DOC},L}+C_{\mathrm{NDOC},L}-C_{B,L}\×{10}^3\×r_{C/B}-C_{\mathrm{DB},L}\×{10}^3\×r_{C/B})\×C_{\mathrm{Cl},L}---14$

$-k_{\mathrm{Cl},C}\×(C_{\mathrm{NDOC},F}-C_{B,F}\×{10}^3\×r_{C/B}-C_{\mathrm{DB},F}\×{10}^3\×r_{C/B})\×S_v\×C_{\mathrm{Cl},L}$

式1～式14中，所涉及的水质模型模拟变量均为本步骤中（1）部分所给出的水质模型的模拟变量；

式1～式14中，μ_BL为液相中细菌比增长速率，μ_BF为生物膜内细菌比增长速率；

S_v为管段比表面积；M_NH3-N=14g/mol为氨氮的摩尔质量、M_Cl2=71g/mol为氯的摩尔质量；

式1～式14中，所涉及的水质模型参数为：

细菌最大比增长速率，μ_max，单位为：hr^-1；

细菌生长碳半饱和常数(以BDOC计)，K_C，单位为：mg/L；

细菌生长氮半饱和常数(以氨氮计)，K_N，单位为：mg/L；

氯灭活细菌速率常数，k_ina，单位为：hr^-1/(mg/L)；

生物膜对氯灭活细菌的影响系数，r_i，单位为：1；

氯灭活细菌的消耗比，e_Cl/B，单位为：(mg/L)/(CFU/ml)；

细菌自衰减速率常数，k_BD，单位为：hr^-1；

细菌的碳含量，r_C/B，单位为：mg/CFU；

水中不溶性组分吸附于管壁的速率常数，k_att，单位为：hr^-1；

管壁上不溶性组分的解吸速率常数，k_det，单位为：m²·hr^-1；

细菌增殖所需的碳氮比，r_C/N，单位为：1；

细菌利用BDOC的产率系数，r_B/BDOC，单位为：CFU/mg；

氯与有机物反应的速率常数，k_Cl，C，单位为：hr^-1/(mg/L)；

细菌增殖最佳温度，T_opt，单位为：℃

细菌增殖受温度影响的效果系数，T_i，单位为：℃；

死亡细菌溶解的速率常数，k_1ys，单位为：hr^-1；

死亡细菌溶解的BDOC和DOC产率比，r_BDOC/DOC，单位为：1；

水中氯抑制细菌增殖的界限浓度，C_Cl，t，L，单位为：mg/L；

生物膜中氯抑制细菌增殖的界限浓度，C_Cl，t，F，单位为：mg/L；

细菌增殖受余氯影响的效果系数，C_Cl，s，单位为：mg/L；

氯与管壁反应的速率常数，k_wall，单位为：hr^-1；

3）水质模型参数率定，包括如下过程：

（1）设定参数先验分布；

（2）设定模拟变量初始时刻的先验分布；

（3）搭建水质模型的求解流程；

（4）开始参数率定；

（5）参数率定结果的检验；

4）管网用户点水质预测

步骤3）中所述的设定参数先验分布是：根据实际管网现场试验结果及现有数据，对各模型参数先验分布进行设定。

步骤3）中所述的设定模拟变量初始时刻的先验分布是：根据实际管网的水质监测情况，对模拟初始时刻管网水质情况进行初始化设定。

步骤3）中所述的搭建水质模型的求解流程，是采用四阶龙格-库塔算法，来求解步骤2）中所给出的各模拟变量的生化反应方程式，采用拉格朗日迁移算法获得管网各节点处水质计算结果。

所述的水质模型的求解流程包括如下步骤：

（1）将实际测到的管网进水点水质数据、设定的参数先验分布和设定的模拟变量初始时刻的先验分布带入步骤2）中所给出的各模拟变量的生化反应方程式；

（2）采用四阶龙格-库塔算法求解动力学方程组；

（3）使用拉格朗日迁移算法获得管网各节点处水质计算结果。

步骤3）中所述的率定包括如下过程：

（1）首先设定模型模拟变量与实际观测数据间的可接受误差范围；

（2）以设定的参数先验分布和设定的模拟变量初始时刻的先验分布为基础，以搭建的水质模型求解流程为基础，进行蒙特卡洛模拟，获得并存储管网各用户点的水质计算结果；

（3）根据过程（1）中的模型模拟变量与实际观测数据间的可接受误差范围，率定出可接受的模型参数、模拟变量初始时刻的数据，从而获得模型参数和模拟变量初始时刻的可接受数据分布。

步骤3）中所述的率定结果的检验，是采用Geweke统计方法来检验各组可接受模型参数和模拟变量初始时刻数据的收敛性即稳定性。

步骤4）中所述的管网用户点水质预测，是根据管网进水点的水质监测数据，依照水质模型的求解流程，预测管网各用户点的水质情况；同时，随着管网进水点数据的不断更新，同步更新管网各用户点的水质预测结果。

根据可接受模型参数、模拟变量初始时刻数据预测出的管网用户点水质预测结果，是在一定范围内分布的数值。

本发明的供水管网水质在线监测、预测方法，实现了供水管网各用户点细菌总数和余氯浓度的及时预测，通过读取管网最新的进水理化指标监测结果，主控计算机可以实时动态显示各节点水质的变化；同时，将本发明的管网节点水质实时预测能力用于指导应对用户点水质微生物风险，可以提高城市供水管理者应对源水水质变化的能力和效率；本发明中，水质模型的参数率定方法和用户点的水质预测方法都以蒙特卡洛模拟为基础，承认预测结果的不确定性，预测系统输出的用户点水质预测结果是由可接受数据形成的具有一定空间分布特征的集合，可在一定程度上避免预测结果失真带来的决策风险。

借助于本发明，技术人员可以将管网节点水质预测结果用于指导实际工作，可以提高应对管网进水水质变化、突发水质事故的能力和效率；管理者能够实时获得管网水质变化情况、获得可靠的管网水质预测结果，为管理与决策提供科学支持。本发明具有较高的实用价值。

附图说明

图1是本发明的水质模型示意图；

图2是本发明的水质模型求解流程。

具体实施方式

下面结合实施例和附图对本发明的供水管网水质在线监测、预测方法做出详细说明。

本发明的供水管网水质在线监测、预测方法是在如下系统中进行的，所述的系统由数据监测和采集系统（即SCADA系统）、数据中心、主控计算机（主控机）构成，具体包括：

（1）数据监测和采集系统，

该系统主要由若干个在线监测仪表组成，它们按时序采集管网进水点处的水质理化指标数据，其采集的指标包括氨氮浓度、DOC、余氯量、水温，按指定时段发送监测数据至数据中心数据库。溶解性有机碳浓度、不溶解性有机碳浓度和细菌总数指标则以相同时序人工采集。

（2）数据中心

该中心包括：服务器，主控机通过服务器控制数据监测和采集系统、服务器还将承担水质预测所需的计算任务；数据库，用于存储在线监测仪表发送来的理化指标数据、各次的水质预测结果、管网结构情况、管网运行参数等信息。

（3）主控计算机

技术人员通过主控计算机可以：

控制数据监测和采集系统（SCADA），如开闭在线水质监测设备、改变设备运行参数等；

操作数据中心数据库，如在数据库中存储/读取监测数据，对储存的数据进行修改、添加、删除等操作；

对管网进水点、监测点处的水质进行实时监控、获得所需水质信息，如以图表方式实时显示管网进水点或监测点处水质数据的变化；

预测用户点水质，如读取数据中心数据库中的进水水质监测数据，完成管网各用户点处的水质预测；设定主控机自动读取最新的管网进水水质监测数据，并按时序更新各节点的水质预测结果等。

本发明的供水管网水质在线监测、预测方法，包括如下步骤：

1）在线监测仪表按时序采集管网进水点处的水质理化指标数据，包括：氨氮浓度、余氯量、水温；相同时序人工采集：溶解性有机碳（DOC）浓度、不溶解性有机碳（NDOC）浓度和细菌总数；

2）根据氨氮浓度、溶解性有机碳、不溶解性有机碳、余氯和细菌间的生化反应关系，构建水质模型，所述的水质模型如图1所示，具体包括：

（1）水质模型的模拟变量：

水中细菌浓度，C_BL，单位为：CFU/ml；

生物膜中细菌浓度，C_BF，单位为：CFU/m²；

水中死亡细菌浓度，C_DBL，单位为：CFU/ml；

生物膜中死亡细菌浓度，C_DB，F，单位为：CFU/m²；

水中溶解性有机碳浓度，C_DOCL，单位为：mg/L；

水中可生物降解有机碳浓度，C_BDOCL，单位为：mg/L；

水中不溶性有机碳浓度，C_NDOC，L，单位为：mg/L；

生物膜中不溶性有机碳浓度，C_NDOC，F，单位为：mg/m²；

水中氨氮浓度，C_NL，单位为：mg/L；

水中余氯浓度，C_Cl，L，单位为：mg/L

（2）各模拟变量的生化反应方程式

C_Cl，L>C_Cl,t，L时， ${\mathrm{\μ}}_{B,L}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2\×\exp \left(\frac{C_{\mathrm{Cl},L}-C_{\mathrm{Cl},t,L}}{C_{\mathrm{Cl},s}}\right)---1$

C_Cl，L≤C_Cl，t，L时， ${\mathrm{\μ}}_{B,L}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2---2$

C_ClL>C_Clt，F时， ${\mathrm{\μ}}_{B,F}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2\×\exp \left(\frac{C_{\mathrm{Cl},L}-C_{\mathrm{Cl},t,F}}{C_{\mathrm{Cl},s}}\right)---3$

C_C1tL≤C_C1，t，F时， ${\mathrm{\μ}}_{B,F}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2---4$

$\frac{{\mathrm{dC}}_{B,L}}{\mathrm{dt}}={\mathrm{\μ}}_{B,L}\×C_{B,L}-k_{\mathrm{BD}}\×C_{B,L}-k_{\mathrm{ina}}\×C_{B,L}\×C_{\mathrm{Cl},L}-k_{\mathrm{att}}\×C_{B,L}+k_{\det }\×C_{B,F}\×S_v\×{10}^{-3}---5$

$\frac{{\mathrm{dC}}_{B,F}}{\mathrm{dt}}={\mathrm{\μ}}_{B,F}\×C_{B,F}-k_{\mathrm{BD}}\×C_{B,F}-k_{\mathrm{ina}}\×r_1\×C_{B,F}\×C_{\mathrm{Cl},F}+\frac{k_{\mathrm{att}}\×C_{B,L}\×{10}^3}{S_v}{-k}_{\det }\×C_{B,F}---6$

$\frac{d{C}_{\mathrm{DB},L}}{\mathrm{dt}}=k_{\mathrm{BD}}\×C_{B,L}+k_{\mathrm{ina}}\×C_{B,L}\×C_{\mathrm{Cl},L}-k_{\mathrm{att}}\×C_{\mathrm{DB},L}+k_{\det }\×C_{\mathrm{DB},F}\×S_v\×{10}^{-3}-k_{1\mathrm{ys}}\×C_{\mathrm{DB},L}---7$

$\frac{d{C}_{\mathrm{DB},F}}{\mathrm{dt}}=k_{\mathrm{BD}}\×C_{B,F}+k_{\mathrm{ina}}\×r_1\×C_{B,F}\×C_{\mathrm{Cl},F}+\frac{k_{\mathrm{att}}\×C_{\mathrm{DB},L}\×{10}^3}{S_v}-k_{\det }\×C_{\mathrm{DB},F}-k_{1\mathrm{ys}}\×C_{\mathrm{DB},F}---8$

$\frac{d{C}_{\mathrm{BDOC},L}}{\mathrm{dt}}=-\frac{({\mathrm{\μ}}_{B,L}\×C_{B,L}+{\mathrm{\μ}}_{B,L}\×C_{B,F})\×{10}^3}{r_{B/\mathrm{BDOC}}}+k_{1\mathrm{ys}}\×(C_{\mathrm{DB},L}+C_{\mathrm{DB},F})\×{10}^3\×r_{C/B}\×r_{\mathrm{BDOC}/\mathrm{DOC}}---9$

$\frac{d{C}_{N,L}}{\mathrm{dt}}=-\frac{({\mathrm{\μ}}_{B,L}\×C_{B,L}+{\mathrm{\μ}}_{B,F}\×C_{B,F})\×{10}^3}{r_{B/\mathrm{BDOC}}}\×\frac{1}{r_{C/N}}+\frac{M_{\mathrm{NH}3-N}}{M_{\mathrm{Cl}2}}\×\frac{d{C}_{\mathrm{Cl},L}}{\mathrm{dt}}---10$

$\frac{d{C}_{\mathrm{DOC},L}}{\mathrm{dt}}=-\frac{({\mathrm{\μ}}_{B,L}\×C_{B,L}+{\mathrm{\μ}}_{B,F}\×C_{B,F})\×{10}^3}{r_{B/\mathrm{BDOC}}}+k_{1\mathrm{ys}}\×(C_{\mathrm{DB},L}+C_{\mathrm{DB},F})\×{10}^3\×r_{C/B}---11$

$\frac{d{C}_{\mathrm{NDOC},L}}{\mathrm{dt}}={\mathrm{\μ}}_{B,L}\×C_{B,L}\×{10}^3\×r_{C/B}-k_{1\mathrm{ys}}\×C_{\mathrm{DB},L}\×{10}^3\×r_{C/B}-k_{\mathrm{att}}\×C_{\mathrm{NDOC},L}+k_{\det }\×C_{\mathrm{NDOC},F}\×S_v---12$

$\frac{d{C}_{\mathrm{NDOC},F}}{\mathrm{dt}}={\mathrm{\μ}}_{B,F}\×C_{B,F}\×{10}^3\×r_{C/B}-k_{1\mathrm{ys}}\×C_{\mathrm{DB},F}\×{10}^3\×r_{C/B}+k_{\mathrm{att}}\×C_{\mathrm{NDOC},L}\×\frac{1}{S_v}-k_{\det }\×C_{\mathrm{NDOC},F}---13$

$\frac{d{C}_{\mathrm{Cl},L}}{\mathrm{dt}}=-k_{\mathrm{wall}}\×C_{\mathrm{Cl},L}-(e_{\mathrm{Cl},B}\×k_{\mathrm{ina}}\×C_{B,L}\×C_{\mathrm{Cl},L}+e_{\mathrm{Cl}/B}\×k_{\mathrm{ina}}\×r_1\×C_{B,F}\×C_{\mathrm{Cl},L})$

$-k_{\mathrm{Cl},C}\×(C_{\mathrm{DOC},L}+C_{\mathrm{NDOC},L}-C_{B,L}\×{10}^3\×r_{C/B}-C_{\mathrm{DB},L}\×{10}^3\×r_{C/B})\×C_{\mathrm{Cl},L}---14$

$-k_{\mathrm{Cl},C}\×(C_{\mathrm{NDOC},F}-C_{B,F}\×{10}^3\×r_{C/B}-C_{\mathrm{DB},F}\×{10}^3\×r_{C/B})\×S_v\×C_{\mathrm{Cl},L}$

由于管流和管壁生物膜内细菌的数量变化不仅受到比增长速率的影响，细菌自然 死亡、余氯对细菌的灭活作用、管流中细菌对管壁生物膜的吸附以及生物膜内细菌脱附也会对管段内细菌数量带来影响，所以管流和生物膜内的细菌数量变化可以用公式（5）描述。考虑到生物膜对余氯灭活细菌的‘抵抗’作用，公式(6)中以r₁（生物膜对氯灭活细菌的影响系数，r₁～[0,1]）来描述上述作用。

公式（7）、公式（8）则分别描述了管流和生物膜内死亡细菌数量的变化。其方程式依次描述了细菌自然死亡、余氯灭活细菌、死亡细菌对管壁生物膜的吸附、生物膜内死亡细菌的脱附和死亡细菌溶解的生化反应过程。

管网内细菌的增长必然伴随着营养物质的消耗，本发明同时考虑了细菌增长对水中有机物和氨氮浓度的影响。首先，管流和生物膜内细菌的增长将会消耗水中可生物降解有机物（BDOC）、而死亡细菌的溶解则可在一定程度上‘补偿’这种消耗；同时，有研究指出，细菌在消耗有机物的同时可能会以一定比例消耗环境中的氨氮，而水中氯胺消耗所释放的氨也会‘补偿’这种消耗。综合起来，分别采用公式（9）、公式（10）来依次描述上述过程。

考虑到可生物降解有机物（以BDOC计）是溶解性有机物（以DOC计）的组成成分之一，管网中溶解性有机物浓度变化可用公式（11）描述。

因为管流和生物膜内的非溶解性有机物（以NDOC计）包括了细菌和非生物质有机物，那么，细菌增长、死亡及溶解、管网中不溶性有机物对管壁的吸附及脱附，皆会对其浓度变化产生影响。经过整理后，管流和生物膜内非溶解性有机物可用公式（12）、公式（13）描述。

许多研究指出，管网中氯的反应体系十分复杂，本发明中管段余氯浓度的变化同时考虑了：氯对管壁的腐蚀、氯对管流和生物膜内细菌的灭活、氯与管流和生物膜内有机物的氧化/卤代反应。采用动力学方程描述为公式（14）。

式（1）～式(14)中，所涉及的水质模型模拟变量均为本步骤2）中（1）部分所给出的水质模型的模拟变量；

式（1）～式(14)中，μ_BL为液相中细菌比增长速率，μ_BF为生物膜内细菌比增长速率，所述的比增长速率同时受到水温和余氯浓度的影响（见式（1）～式（4））；S_v为管段比表面积；M_NH3-N=14g/mol为氨氮的摩尔质量、M_Cl2=71g/mol为氯的摩尔质量；

式（1）～式(14)中，所涉及的水质模型参数为：

细菌最大比增长速率，μ_max，单位为：hr^-1；

细菌生长碳半饱和常数(以BDOC计)，K_C，单位为：mg/L；

细菌生长氮半饱和常数(以氨氮计)，K_N，单位为：mg/L；

氯灭活细菌速率常数，k_ina，单位为：hr^-1/(mg/L)；

生物膜对氯灭活细菌的影响系数，r₁，单位为：1；

氯灭活细菌的消耗比，e_Cl/B，单位为：(mg/L)/(CFU/ml)；

细菌自衰减速率常数，k_BD，单位为：hr^-1；

细菌的碳含量，r_C/B，单位为：mg/CFU；

水中不溶性组分吸附于管壁的速率常数，k_att，单位为：hr¹；

管壁上不溶性组分的解吸速率常数，k_det，单位为：m²·hr^-1；

细菌增殖所需的碳氮比，r_C/N，单位为：1；

细菌利用BDOC的产率系数，r_B/BDOC，单位为：CFU/mg；

氯与有机物反应的速率常数，k_Cl，C，单位为：hr^-1/(mg/L)；

细菌增殖最佳温度，T_opt，单位为：℃

细菌增殖受温度影响的效果系数，T_i，单位为：℃；

死亡细菌溶解的速率常数，k_1ys，单位为：hr^-1；

死亡细菌溶解的BDOC和DOC产率比，r_BDOC/DOC，单位为：1；

水中氯抑制细菌增殖的界限浓度，C_Cl，t，L，单位为：mg/L；

生物膜中氯抑制细菌增殖的界限浓度，C_Cl，t，F，单位为：mg/L；

细菌增殖受余氯影响的效果系数，C_Cl，s，单位为：mg/L；

氯与管壁反应的速率常数，k_wall，单位为：hr^-1；

3）水质模型参数率定，包括如下过程：

（1）设定参数先验分布；

所述的设定参数先验分布是：根据实际管网现场试验结果及现有数据（现有文献报道），对各模型参数先验分布进行设定。本发明以均匀分布形式对各模型参数先验分布进行设定，具体如表1。

表1水质模型参数先验分布

（2）设定模拟变量初始时刻的先验分布；

然后，考虑到模拟初始时刻管网水质情况对模拟结果的影响，根据实际管网的水质监测情况，对模拟初始时刻管网水质情况进行初始化。本发明根据所选实际管网的实际水质监测记录，以均匀分布形式对模拟初始时刻管网水质情况进行初始化设定，具体如表2所示：

表2模拟初始时刻各模拟变量浓度分布

（3）搭建水质模型的求解流程；

完成水质模型参数先验分布设定以及模拟变量初始化后，开始进行模型求解。所述的搭建水质模型的求解流程，是采用四阶龙格-库塔算法和拉格朗日迁移算法（Lagrangian transport algorithm），来求解步骤2）中所给出的各模拟变量的生化反应方程式，采用拉格朗日迁移算法获得管网各节点处水质计算结果。所述的水质模型的求解流程如图2所示，包括如下步骤：

（ⅰ）将实际测到的管网进水点水质数据、设的定参数先验分布和设定的模拟变量初始时刻的先验分布带入步骤2）中所给出的各模拟变量的生化反应方程式；

（ⅱ）采用四阶龙格-库塔算法求解动力学方程组；

（ⅲ）采用拉格朗日迁移算法获得管网各节点处水质计算结果。

（4）开始参数率定；

所述的率定包括如下过程：

（ⅰ）首先设定模型模拟变量与实际观测数据间的可接受误差范围；

由于在开始进行水质模型求解时，水质模型的模型参数分布皆于较大数域内（如表1所示），所以管网各节点（即用户点）处的水质计算结果很可能与实际情况有较大偏差。为保证水质模型的计算准确度，本发明采用Hornberger-Spear-Young(HSY)算法来率定‘可接受’（即适合于所选管网中模拟变量实际反应情况）的模型参数。

首先，设定模型模拟变量与实际观测数据间的‘可接受’误差范围。由于本发明的预测目标为管网用户点处的细菌总数、余氯浓度，所以，根据相应指标的监测数据记录，做出如表3所示的设定：

表3模拟变量‘可接受’误差范围

（ⅱ）以设定的参数先验分布和设定的模拟变量初始时刻的先验分布为基础，以搭建的水质模型求解流程为基础进行蒙特卡洛模拟，获得并存储管网各用户点的水质计算结果；

（ⅲ）根据过程（1）中的模型模拟变量与实际观测数据间的可接受误差范围，率定出可接受的模型参数、初始时刻模拟变量的数据，从而获得模型参数和模拟变量初始时刻的可接受数据分布。

（5）参数率定结果的检验：

为保证‘可接受’模型参数、初始时刻模拟变量空间分布的稳定性（即该分布不会随着模拟次数和‘可接受’数据的增加而出现明显的改变），本发明根据文献Geweke J.Evaluating the accuracy of sampling-based approaches to calculating posterior moments[A].In BayesianStatistics4eds.[M].Oxford:Oxford University Press，1992.中的研究结论，可以认为各组‘可接受’数据的Geweke统计量高于0.7时，‘可接受’数据分布收敛（即‘可接受’数据分布达到稳定）。本发明中模型参数、模拟变量初始时刻的‘可接受’数据分布如表4所示：

表4模型参数及模拟变量初始时刻的可接受数据分布统计表

4）管网用户点水质预测

根据可接受的模型参数、模拟变量初始时刻数据分布预测出的管网用户点水质预测结果，也是在一定范围内分布的数值。管网用户点水质预测的具体过程为：

（1）获得模型参数、模拟变量初始时刻的‘可接受’数据分布后，即可根据管网进水点的水质监测数据，依照图2所示水质模型求解流程，预测（即计算）管网各用户点的水质情况。

（2）随着管网进水点数据的不断更新，同步更新管网各用户点的水质预测结果。

由于率定出的‘可接受’模型参数、模拟变量初始时刻数据，都是具有一定空间分布特征的集合（见表4），所以，根据可接受模型参数、模拟变量初始时刻‘可接受’数据分布预测出的管网用户点水质预测结果，也是在一定范围内分布的数值。

在管网水质管理的实践中，‘数据分布’形式的管网用户点水质预测结果相对于‘确定性（每个用户点的每项水质指标的一次预测结果仅为一个数值）’的管网用户点水质预测结果具有明显的优势：前者对每个用户点的每个水质指标提供了更多的预测数据（即可能的水质情况），这将使管理者可以注意到管网水质未来的各种可能变化，从而帮助管理者制订更有效的水质管理方案、并降低决策风险。

根据（2）中的水质预测结果更新方法，本发明投入使用后，管理者可以在主控计算机端获得与管网进水水质监测相同频率的用户点水质预测结果。本发明根据一组管网进水水质监测数据，完成一次全管网（包括118条管段、127个用户点）用户点的水质预测耗时（CPU时间）通常低于300s，即，获得管网进水水质监测数据后，管理者可以迅速得到全管网用户点的水质预测情况。本发明的各次水质预测结果，都将存储在数据中心数据库内，并注明对应的进水水质监测数据和完成预测的时间，以方便管理者日后查阅。

考虑到管网结构和进水水质的稳定性，在完成一次水质模型构建和参数率定后，将可以在较长时间内准确、有效地完成管网用户点水质预测工作。而随着管网使用时间（通常以年计）的增加，管网结构和管段内的生化反应体系也可能会出现一些变化，为使本发明继续保持对用户点水质预测的准确性，各管网水质监测点的水质检测记录可以用来与本发明在相同时间下的水质预测结果（存储于数据中心服务器内）进行对比，若水质监测记录数据都处于水质预测结果的分布范围内，即认为预测结果可靠，所率定的模型参数可以继续使用；若部分（该比例应在考虑了水质检测误差的基础上进行慎重选择）监测记录数据落在水质预测结果的分布范围外，将需要根据管网最新（若干月或若干年）的水质监测记录，依照3）所述的方法重新率定水质模型参数，然后再继续管网用户点的水质预测工作。

根据本发明提供的管网用户点水质预测结果，管理者可以对管网上设置的水质监测点的数量、位置、工况等进行调整。具体如：根据本发明提供的管网水质预测结果，通过对比生活饮用水卫生标准GB5749-2006中对相应指标的限值要求，将可以确定用户水质良好（即水质风险较低）的区域以及用户水质不合格率较高（即水质风险较高）的区域，通过在水质高风险区域加设监测设备等方式来密切监视用户水质合格率等情况，与之相对，低水质风险区域的监测点数量可以适当减少，仅保留必要位置上的监测点即可；通过水质监测记录与水质预测结果的对比，若发现水质预测结果长期保持准确，即可适当降低监测点的水质检测频率，只在必要时（如管网水质预测结果出现明显波动，提示需要密切关注用户水质安全时）提高监测点的水质检测频率。

应用本发明进行管网用户水质预测，可以根据用户水质预测结果而及时地、提前地采取相应措施，保障用户点的水质安全，具体如：根据本发明提供的用户点水质预测结果，通过对比生活饮用水卫生标准GB5749-2006中相应指标的限值要求，将可以迅速注意到用户点的水质合格情况，若管网某区域用户点水质合格率普遍很高，即可维持较低的监测点水质检测频率和现行的水质预测频率、保持现行的用户水质监控强度；若水质预测结果显示管网某区域水质出现波动（如某项水质指标的预测合格率出现一定程度的下降），即可提高该区域监测点的水质检测频率，结合水质预测结果，密切关注区域内的水质变化趋势；若水质预测结果提示管网某区域多项水质指标的预测合格率出现明显下降，则可能需要迅速提醒该区域用户 暂停使用管网供水、进一步提高相应区域监测点的水质检测频率、并采取合适措施（如关阀来隔离水质恶化区域、寻找水质恶化原因等）尽快解决问题以恢复供水。

本说明书中所涉及到的参考文献如下：

[1]Bois F Y，Fahmy T，Block J，et al.Dynamic modeling of bacterial in a pilot drinking-water distribution system[J].WaterResearch，1997，31(12)：3146-3156．

[2]Dukan,S，Levi Y，Piriou P，et al.Dynamic modeling of bacterial growh in drinking water networks[J].WaterResearch，1996，30(9)：1991-2002.

[3]Mathieu L，Paquin J L，Block J C，et al.Parameters governing bacterial growth in water distribution systems[J].Journal of WaterScience，1992，5：91-112.

[4]Sathasivan A，Fisher I，Tam T.Onset of severe nitrification in mildly nitrifying chloraminated bulk waters and its relation to biostability[J].Water Research，2008，42：3623-3632．

[5]Goldman J C，Caron D A，Dennett M R.Regulation of gross growth efficiency and ammoniumregeneration in bacteria by substrate C:N ratio[J].Limnology and Oceanography，1987，32(6)：1239-1252.

[6]Wang Y，Lu W，Zhang X.Modeling of inactivation kinetics of E.coli.with free chlorine and monochloramine[J].EnvironmentalScience，2005，26(5)：100-104.

[7]Gotoh K.Residual chlorine concentration decreasing rate coefficients for various pipe materials[J].WaterSupply，1988，7：164-172.

[8]Lu W，KiénéL，Lévi Y. Chlorine demand of biofilms in water distribution system[J].Water Research，1999，33(3)：827-835.

[9]Zhan W，Liang Z，Li J.Inactivation to coliphage f₂ by combination of chloramine and chlorine dioxide[J].Journalof Disease Control&Prevention，1999，3(3)：159-162.

[10]Servais P，Billen G，Rego J V. Rate of bacterial mortality in aquatic environments[J].Applied and Environmental Microbiology，1985，49：23-35.

[11]Digiano F A，Zhang W. Uncertainty analysis in a mechanistic model of bacterial regrowth in distribution systems[J].EnvironmentalSdience &Technology，2004，38：5925-5931．

[12]Duirk S E，Gombert B，CrouéJ，et al．Modeling monochloramine loss in the presence of natural organic matter[J]．WaterResearch，2005，39(14)：3418-3431．

[13]Laurent,P，Servais P，Prévost M et al.Testing the SANCHO model on distribution systems[J].Journalof theAmericatn Water Works Association，1997，89(7)：92-103.

[14]Rossman L A.The effect of advanced treatment on chlorine decay in metallic pipes[J].Water Research，2006，40(13)：2493-2502.

[15]Geweke J.Evaluating the accuracy of sampling-based approaches to calculating posterior moments[A].InBayesianStatistics 4 eds.[M].Oxford:Oxford University Press，1992。

Claims (6)

1.一种供水管网水质在线监测、预测方法，其特征在于，包括如下步骤：

1)在线监测仪表按时序采集管网进水点处的水质理化指标数据，包括：氨氮浓度、余氯量、水温；相同时序人工采集：溶解性有机碳浓度、不溶解性有机碳浓度和细菌总数；

2)根据氨氮浓度、溶解性有机碳、不溶解性有机碳、余氯和细菌间的生化反应关系，构建水质模型，所述的水质模型包括：

(1)水质模型的模拟变量：

水中细菌浓度，C_B,L，单位为：CFU/ml；

生物膜中细菌浓度，C_B,F，单位为：CFU/m²；

水中死亡细菌浓度，C_DB,L，单位为：CFU/ml；

生物膜中死亡细菌浓度，C_DB,F，单位为：CFU/m²；

水中溶解性有机碳浓度，C_DOC,L，单位为：mg/L；

水中可生物降解有机碳浓度，C_BDOC,L，单位为：mg/L；

水中不溶性有机碳浓度，C_NDOC,L，单位为：mg/L；

生物膜中不溶性有机碳浓度，C_NDOC,F，单位为：mg/m²；

水中氨氮浓度，C_N,L，单位为：mg/L；

水中余氯浓度，C_Cl,L，单位为：mg/L

(2)各模拟变量的生化反应方程式

C_Cl,L>C_Cl,t,L时， ${\mathrm{\μ}}_{B,L}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2\×\exp \left(\frac{C_{\mathrm{Cl},L}-C_{\mathrm{Cl},t,L}}{C_{\mathrm{Cl},s}}\right)---1$

C_Cl,L≤C_Cl,t,L时， ${\mathrm{\μ}}_{B,L}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2---2$

C_Cl,L>C_Cl,t,F时， ${\mathrm{\μ}}_{B,F}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2\×\exp \left(\frac{C_{\mathrm{Cl},L}-C_{\mathrm{Cl},t,F}}{C_{\mathrm{Cl},s}}\right)---3$

C_Cl,L≤C_Cl,t,F时， ${\mathrm{\μ}}_{B,F}={\mathrm{\μ}}_{\max }\×\left(\frac{C_{\mathrm{BDOC},L}}{K_C+C_{\mathrm{BDOC},L}}\right)\×\left(\frac{C_{N,L}}{K_N+C_{N,L}}\right)\×\exp {\left(\frac{T_{\mathrm{opt}}-T}{T_{\mathrm{opt}}-T_i}\right)}^2---4$

$\frac{d{C}_{B,L}}{\mathrm{dt}}={\mathrm{\μ}}_{B,L}\×C_{B,L}-k_{\mathrm{BD}}\×C_{B,L}-k_{\mathrm{ina}}\×C_{B,L}\×C_{\mathrm{Cl},L}-k_{\mathrm{att}}\×C_{B,L}+k_{\det }\×C_{B,F}\×S_v\×{10}^{-3}---5$

$\frac{d{C}_{B,F}}{\mathrm{dt}}={\mathrm{\μ}}_{B,F}\×C_{B,F}-k_{\mathrm{BD}}\×C_{B,F}-k_{\mathrm{ina}}\×r_1\×C_{B,F}\×C_{\mathrm{Cl},F}+\frac{k_{\mathrm{att}}\×C_{B,L}\×{10}^3}{S_v}-k_{\det }\×C_{B,F}---6$

$\frac{d{C}_{\mathrm{DB},L}}{\mathrm{dt}}=k_{\mathrm{BD}}\×C_{B,L}+k_{\mathrm{ina}}\×C_{B,L}\×C_{\mathrm{Cl},L}-k_{\mathrm{att}}\×C_{\mathrm{DB},L}+k_{\det }\×C_{\mathrm{DB},F}\×S_v\×{10}^{-3}-k_{\mathrm{lys}}\×C_{\mathrm{DB},L}---7$

$\frac{d{C}_{\mathrm{DB},F}}{\mathrm{dt}}=k_{\mathrm{BD}}\×C_{B,F}+k_{\mathrm{ina}}\×r_1\×C_{B,F}\×C_{\mathrm{Cl},F}+\frac{k_{\mathrm{att}}\×C_{\mathrm{DB},L}\×{10}^3}{S_v}-k_{\det }\×C_{\mathrm{DB},F}-k_{\mathrm{lys}}\×C_{\mathrm{DB},F}---8$

$\frac{{\mathrm{dC}}_{\mathrm{BDOC},L}}{\mathrm{dt}}=-\frac{({\mathrm{\μ}}_{B,L}\×C_{B,L}+{\mathrm{\μ}}_{B,L}\×C_{B,F})\×{10}^3}{r_{B/\mathrm{BDOC}}}+k_{\mathrm{lys}}\×(C_{\mathrm{DB},L}+C_{\mathrm{DB},F})\×{10}^3\×r_{C/B}\×r_{\mathrm{BDOC}/\mathrm{DOC}}---9$

$\frac{d{C}_{N,L}}{\mathrm{dt}}=-\frac{({\mathrm{\μ}}_{B,L}\×C_{B,L}+{\mathrm{\μ}}_{B,F}\×C_{B,F})\×{10}^3}{r_{B/\mathrm{BDOC}}}\×\frac{1}{r_{C/N}}+\frac{M_{\mathrm{NH}3-N}}{M_{\mathrm{Cl}2}}\×\frac{d{C}_{\mathrm{Cl},L}}{\mathrm{dt}}---10$

$\frac{d{C}_{\mathrm{DOC},L}}{\mathrm{dt}}=-\frac{({\mathrm{\μ}}_{B,L}\×C_{B,L}+{\mathrm{\μ}}_{B,F}\×C_{B,F})\×{10}^3}{r_{B/\mathrm{BDOC}}}+k_{\mathrm{lys}}\×(C_{\mathrm{DB},L}+C_{\mathrm{DB},F})\×{10}^3\×r_{C/B}---11$

$\frac{{\mathrm{dC}}_{\mathrm{NDOC},L}}{\mathrm{dt}}={\mathrm{\μ}}_{B,L}\×C_{B,L}\×{10}^3\×r_{C/B}-k_{\mathrm{lys}}\×C_{\mathrm{DB},L}\×{10}^3\×r_{C/B}-k_{\mathrm{att}}\×C_{\mathrm{NDOC},L}+k_{\det }\×C_{\mathrm{NDOC},F}\×S_v---12$

$\frac{{\mathrm{dC}}_{\mathrm{NDOC},F}}{\mathrm{dt}}={\mathrm{\μ}}_{B,F}\×C_{B,F}\×{10}^3\×r_{C/B}-k_{\mathrm{lys}}\×C_{\mathrm{DB},F}\×{10}^3\×r_{C/B}+k_{\mathrm{att}}\×C_{\mathrm{NDOC},L}\×\frac{1}{S_v}-k_{\det }\×C_{\mathrm{NDOC},F}---13$

$\begin{array}{c}\frac{{\mathrm{dC}}_{\mathrm{Cl},L}}{\mathrm{dt}}-k_{\mathrm{wall}}\×C_{\mathrm{Cl},L}-(e_{\mathrm{Cl}/B}\×k_{\mathrm{ina}}\×C_{B,L}\×C_{\mathrm{Cl},L}+e_{\mathrm{Cl}/B}\×k_{\mathrm{ina}}\×r_1\×C_{B,F}\×C_{\mathrm{Cl},L})\\ -k_{\mathrm{Cl},C}\×(C_{\mathrm{DOC},L}+C_{\mathrm{NDOC},L}-C_{B,L}\×{10}^3\×r_{C/B}-C_{\mathrm{DB},L}\×{10}^3\×r_{C/B})\×C_{\mathrm{Cl},L}\\ -k_{\mathrm{Cl},C}\×(C_{\mathrm{NDOC},F}-C_{B,F}\×{10}^3\×r_{C/B}-C_{\mathrm{DB},F}\×{10}^3\×r_{C/B})\×S_v\×C_{\mathrm{Cl},L}\end{array}---14$

式1～式14中，所涉及的水质模型模拟变量均为本步骤中(1)部分所给出的水质模型的模拟变量；

式1～式14中，μ_B,L为液相中细菌比增长速率，μ_B,F为生物膜内细菌比增长速率；

S_v为管段比表面积；M_NH3-N＝14g/mol为氨氮的摩尔质量、M_Cl2＝71g/mol为氯的摩尔质量；

式1～式14中，所涉及的水质模型参数为：

细菌最大比增长速率，μ_max，单位为：hr^-1；

细菌生长碳半饱和常数，以BDOC计，K_C，单位为：mg/L；

细菌生长氮半饱和常数，以氨氮计，K_N，单位为：mg/L；

氯灭活细菌速率常数，k_ina，单位为：hr^-1/(mg/L)；

生物膜对氯灭活细菌的影响系数，r₁，单位为：1；

氯灭活细菌的消耗比，e_Cl/B，单位为：(mg/L)/(CFU/ml)；

细菌自衰减速率常数，k_BD，单位为：hr^-1；

细菌的碳含量，r_C/B，单位为：mg/CFU；

水中不溶性组分吸附于管壁的速率常数，k_att，单位为：hr^-1；

管壁上不溶性组分的解吸速率常数，k_det，单位为：m²·hr^-1；

细菌增殖所需的碳氮比，r_C/N，单位为：1；

细菌利用BDOC的产率系数，r_B/BDOC，单位为：CFU/mg；

氯与有机物反应的速率常数，k_Cl,C，单位为：hr^-1/(mg/L)；

细菌增殖最佳温度，T_opt，单位为：℃

细菌增殖受温度影响的效果系数，T_i，单位为：℃；

死亡细菌溶解的速率常数，k_lys，单位为：hr^-1；

死亡细菌溶解的BDOC和DOC产率比，r_BDOC/DOC，单位为：1；

水中氯抑制细菌增殖的界限浓度，C_Cl,t,L，单位为：mg/L；

生物膜中氯抑制细菌增殖的界限浓度，C_Cl,t,F，单位为：mg/L；

细菌增殖受余氯影响的效果系数，C_Cl,s，单位为：mg/L；

氯与管壁反应的速率常数，k_wall，单位为：hr^-1；

3)水质模型参数率定，包括如下过程：

(1)设定参数先验分布；

(2)设定模拟变量初始时刻的先验分布；

(3)搭建水质模型的求解流程；

所述的搭建水质模型的求解流程，是采用四阶龙格-库塔算法，来求解步骤2)中所给出的各模拟变量的生化反应方程式，采用拉格朗日迁移算法获得管网各节点处水质计算结果；

(4)开始参数率定；

所述的率定包括如下过程：

(a)首先设定模型模拟变量与实际观测数据间的可接受误差范围；

(b)以设定的参数先验分布和设定的模拟变量初始时刻的先验分布为基础，以搭建的水质模型求解流程为基础，进行蒙特卡洛模拟，获得并存储管网各用户点的水质计算结果；

(c)根据过程(a)中的模型模拟变量与实际观测数据间的接受误差范围，率定出可接受的模型参数、模拟变量初始时刻的数据，从而获得模型参数和模拟变量初始时刻的可接受数据分布；

(5)参数率定结果的检验，

所述的率定结果的检验，是采用Geweke统计方法来检验各组可接受模型参数和模拟变量初始时刻数据的收敛性即稳定性；

4)管网用户点水质预测。

2.根据权利要求1所述的供水管网水质在线监测、预测方法，其特征在于，步骤3)中所述的设定参数先验分布是：根据实际管网现场试验结果及现有数据，对各模型参数先验分布进行设定。

3.根据权利要求1所述的供水管网水质在线监测、预测方法，其特征在于，步骤3)中所述的设定模拟变量初始时刻的先验分布是：根据实际管网的水质监测情况，对模拟初始时刻管网水质情况进行初始化设定。

4.根据权利要求1所述的供水管网水质在线监测、预测方法，其特征在于，所述的水质模型的求解流程包括如下步骤：

(1)将实际测到的管网进水点水质数据、设定的参数先验分布和设定的模拟变量初始时刻的先验分布带入步骤2)中所给出的各模拟变量的生化反应方程式；

(2)采用四阶龙格-库塔算法求解动力学方程组；

(3)使用拉格朗日迁移算法获得管网各节点处水质计算结果。

5.根据权利要求1所述的供水管网水质在线监测、预测方法，其特征在于，步骤4)中所述的管网用户点水质预测，是根据管网进水点的水质监测数据，依照水质模型的求解流程，预测管网各用户点的水质情况；同时，随着管网进水点数据的不断更新，同步更新管网各用户点的水质预测结果。

6.根据权利要求5所述的供水管网水质在线监测、预测方法，其特征在于，根据可接受模型参数、模拟变量初始时刻数据预测出的管网用户点水质预测结果，是在一定范围内分布的数值。