CN104217040A - 一种基于传统在线监测仪的污染事件快速探测方法 - Google Patents
一种基于传统在线监测仪的污染事件快速探测方法 Download PDFInfo
- Publication number
- CN104217040A CN104217040A CN201410535694.9A CN201410535694A CN104217040A CN 104217040 A CN104217040 A CN 104217040A CN 201410535694 A CN201410535694 A CN 201410535694A CN 104217040 A CN104217040 A CN 104217040A
- Authority
- CN
- China
- Prior art keywords
- pollution
- correlation coefficient
- matrix
- detection
- contamination accident
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 122
- 238000012544 monitoring process Methods 0.000 claims abstract description 94
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 46
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 14
- 231100000719 pollutant Toxicity 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 87
- 238000011109 contamination Methods 0.000 claims description 60
- 150000001875 compounds Chemical class 0.000 claims description 21
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 5
- 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 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000033116 oxidation-reduction process Effects 0.000 claims description 4
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 239000002131 composite material Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 239000012086 standard solution Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 239000011651 chromium Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 231100000419 toxicity Toxicity 0.000 description 2
- 230000001988 toxicity Effects 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 241001494246 Daphnia magna Species 0.000 description 1
- 125000001309 chloro group Chemical group Cl* 0.000 description 1
- 231100000749 chronicity Toxicity 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007901 in situ hybridization Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 231100000004 severe toxicity Toxicity 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1826—Organic contamination in water
-
- 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
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于传统在线监测仪的污染事件快速探测方法,属于环境工程水处理技术领域。所述方法包括:构建无污染背景数据库和有污染背景数据库;构建复合序列,预设模型参数,优化训练得到最优参数;建立优化后的污染事件探测识别矩阵,实时识别污染事件。本发明能够利用目前监测点已普及安装的传统在线监测仪器,在突发污染事件发生时在短时间内确定污染事件的发生,同时有效避免因仪器噪声波动引起的污染事件误报,与新兴的在线监测技术相比,可大幅降低污染事件在线监测成本,覆盖所有可能导致污染事件的污染物,最大限度地保障水系统的安全性与可靠性。
Description
技术领域
本发明涉及一种在突发水污染事故发生时快速探测事件存在的应急方法,属于环境工程水处理技术领域。
背景技术
近十几年来,环境污染日益严重,突发水污染事件也频繁增多。不同于一般的水污染事件,突发水污染事件是由于在瞬间或较短时间内大量非正常排放或泄漏剧毒、高剧毒、有毒有害化学品等物质到水体中而造成的,通常没有固定的排放方式和排放途径,发生突然,难以控制,因而对生态环境破坏性大,对周边居民及生物生命安全危害极大。
突发水污染事件的主要特点表现为不确定性、流域性、处理的艰巨性和影响的长期性,以及应急主体不明确。据不完全统计,近几年来我国每年发生环境污染事件近2000起,直接经济损失数亿元。因此,污染事件早期预警受到了高度关注。
基于在线监测仪表组成的探测模块,是污染早期预警系统中一个重要的组成部分。目前,组成探测模块的在线监测仪表主要分为两类:一类是传统的、无针对性的水质监测仪器,通常用于常规水质的监测,包括的参数例如pH、余氯、总有机碳、电导率等等;另一类是针对某类特定污染物的监测仪器,通常用于低浓度下污染物组分的确定,例如植物藻毒性仪、大型蚤毒性仪、荧光原位杂交仪等等。然而,污染突发事件发生早期,污染物种类不明确,第二类仪器耗时长、成本高的特点不适用于快速探测。
目前已有的突发污染预警技术主要基于以下几种类型:一是生物预警(CN103149336、CN103105398);二是通过监测将监测值与标准值进行比较(CN103513014),三是基于水动力学模型进行预警(CN102855526)。然而,上述的污染预警技术均有一定的不足。其中,生物预警技术的最根本问题是分析基线无法稳定;由于检测器为生物检测器,其生物活性存在着无规律的变化,其分析基线从理论上无法做到稳定,而这恰是所有分析方法的重要前提条件;同时,该技术通过单一的综合指标进行判断,无法建立污染物质特征数据,当同一性质的污染事件再次发生,该系统无法借鉴历史数据,需要进行重复定性溯源工作。对于比较监测值与标准值的方法,仪器噪声造成的错报率远远高于正确定性事件的准确率;同时,根据多次实验的结果表明,污染物浓度超过几倍甚至几十倍时,单一监测数据未必会有明显可见的变化。水动力学模型通常用于降雨、洪涝、爆管等突发事件的预警,对于影响水质的污染物快速判别则无能为力。
发明内容
鉴于上述问题,本发明的目的是提供一种基于传统在线监测仪的污染事件快速探测方法,以便在突发污染事故发生时能快速探测事件的存在以及可能的原因,同时在不耗费额外的运行成本的情况下对污染物造成的突发污染事件进行处理,从而提高应急处理的科学性和可操作性。
本发明的技术方案如下:
一种基于传统在线监测仪的污染事件快速探测方法,该方法包括:
1)构建无污染背景数据库和有污染背景数据库;
所述构建无污染背景数据库包括:利用在线监测仪器,获取在线监测设备可实时在线监测的指标过去至少一个月内的水质数据序列,分别建立每个指标无污染背景下的水质基线,构建无污染背景水质数据序列数据库;所述在线监测指标包括但不限于:pH、浊度、温度、电导率、氧化还原电位、总有机碳、硝态氮和正磷酸盐;
所述构建有污染背景数据库包括:通过模拟污染物投加试验,利用在线监测仪器,获取在线监测设备可实时在线监测的指标在污染物投入这一时间段内的水质数据序列,建立有污染背景下水质数据序列数据库;
2)构建复合水质数据序列集,预设模型参数,优化训练得到最优参数:
从无污染背景数据库和有污染背景数据库中分别提取不同指标下同一时段内的数据序列样本,构建多个同时包含无污染背景与有污染背景的复合水质数据序列集;
预设污染探测动态窗口序列个数参数L,计算预设污染探测动态窗口序列个数下各监测参数复合水质数据序列集间的皮尔逊相关系数rxy,构建水质指标序列相关系数矩阵M1;
其中,水质指标序列相关系数矩阵M1包含N行N列,N为监测指标的个数,矩阵中第x行第y列对应第x、y两个监测指标复合数据序列间的皮尔逊相关系数值,其计算方法为:
其中,x和y分别代表两种不同的监测参数,x,y∈(pH,ORP,UV-254……);和分别代表x和y参数所在序列的均值;
预设污染探测相关系数阈值参数K1,构建水质指标序列相关系数警报矩阵M2;
其中,水质指标序列相关系数警报矩阵包含N行N列,N为监测指标的个数,第x行第y列对应的位置用Cxy表示,分别对应“1”或“0”;水质序列相关系数矩阵M1中,大于污染探测相关系数阈值的元素,在水质指标序列相关系数警报矩阵M2的相同位置记为“1”,反之记为“0”;即:
如果|rxy|<K1,或者rxy=1,则Cxy=0 (2)
如果K1≤|rxy|<1,则Cxy=1 (3)
预设污染探测相关系数超标个数阈值K2,构建污染事件探测识别矩阵M3;
污染事件探测识别矩阵包括T行2列,T为从开始计算的时刻到结束计算时刻的整数时间步长;在每一时间步长下,分析水质指标序列相关系数警报矩阵中的污染探测相关系数超标个数;所述污染探测相关系数超标个数阈值为触发污染警报的污染探测相关系数超标个数的最小值,当污染探测相关系数超标个数超过该阈值时,
即:当Dx1=Tx时,且
触发污染警报,记为Dx2=1;反之,不触发污染警报,记为Dx2=0;其中,污染探测相关系数超标个数为水质指标序列相关系数警报矩阵中,“1”出现的次数;即水质序列相关系数矩阵中,大于污染探测相关系数阈值的个数值;
计算每一复合水质数据序列集的错报率FNR与漏报率FPR;
其中,错报率FNR为在复合水质序列无污染背景数据序列部分中,污染事件探测识别矩阵出现“1”的次数占无污染背景数据序列个数值的百分比;
漏报率FPR为在复合水质序列有污染背景数据序列部分中,污染事件探测识别矩阵出现“0”的次数占有污染背景数据序列个数值的百分比;
若计算后的错报率与漏报率均达到可接受的范围,通常为5-10%,则可以直接将预设参数应用于实际监测中,否则,利用遗传算法优化上述三个参数,即污染探测动态窗口序列个数参数、污染探测相关系数阈值参数和污染探测相关系数超标个数阈值,重复步骤2)的所有过程,直至错报率与漏报率达到可接受的范围;
3)建立优化后的污染事件探测识别矩阵,实时识别污染事件
将优化后的三个参数应用于实际实时监测过程中,即获得实时的污染事件探测识别矩阵;当污染事件探测识别矩阵中元素为1时,代表该时刻发生污染;元素为0时,代表该时刻没有污染发生。
本发明所述构建无污染背景数据库和有污染背景数据库过程中,所用监测仪器的监测频率在1~20分钟之内;所用监测仪器的监测频率优选为1-5分钟。
本发明所述模拟污染物为国家地表水环境质量标准中涉及的污染物;模拟污染物投加时间至少为30分钟;模拟污染物优选投加时间在30-60分钟。
本发明所述的每一复合数据序列中无污染背景数据个数占全部数据的30%-80%;有污染背景数据个数占全部数据的百分比为20%-70%之间。优选地,无污染背景数据个数占全部数据的百分比的最佳范围为50%-60%,有污染背景数据个数占全部数据的百分比为40%-50%。
本发明所述污染探测动态窗口序列个数参数L的值在4-40之间。污染探测相关系数阈值参数K1在0.5-0.9之间。污染探测相关系数超标个数阈值K2在4-40之间。
本发明具有以下优点及突出性的技术效果:①本发明利用Matlab平台实现了基于传统在线监测仪器污染事件的快速探测。相对于现有的污染事件快速探测的方法,本发明整合了传统在线监测仪器、优化计算方法和计算机技术在应急决策方面的优势,提高了应急处理的科学性和可操作性。为供水企业积极有效地应对水源地突发污染事故,最大限度地降低突发污染给原水系统带来的损失,保障原水系统的安全性和可靠性提供了关键的技术支持。
②本发明提出的基于传统在线监测仪器的突发污染事件快速探测的方法,相对于人为的经验判断,能够充分利用历史数据和突发污染事件信息对污染的存在与原水系统的安全性进行实时的评估,可有效区分无污染背景、噪声干扰和污染事件,大幅降低错报率与漏报率,改善了污染事件探测的方法,具有更坚实的理论依据和更高的可信度。
③采用传统在线监测仪器,无需额外添加监测设备,具有运行成本低、操作简单、探测效果好、探测时间短(污染事件发生后5-30min内即可探测出结果来)等优点。
附图说明
图1示出了本发明基于传统在线监测仪的污染事件快速探测方法的流程图。
图2示出了根据本发明建立水质指标序列相关系数矩阵的流程图。
图3示出了根据本发明建立水质指标序列相关系数警报矩阵的流程图。
图4示出了根据本发明建立污染事件探测识别矩阵的流程图。
图5示出了根据本发明优化参数的流程图。
图6为实施例优化结果。
具体实施方式
以下将结合附图和具体实施例对本发明进行详细描述,以便更好的理解和实施本发明。
在原水系统遭遇突发污染事件时,需要通过历史数据库确定的最优的污染探测动态窗口序列个数参数、污染探测相关系数阈值参数和污染探测相关系数超标个数阈值,应用于实时监测序列,建立优化后的污染事件探测识别矩阵,对实时发生的污染事件进行快速的探测。
为了实现上述发明目的,本发明利用Matlab作为突发污染事件探测方法的开发平台,充分利用其强大的计算能力和丰富的内置函数,通过在M文件编辑器中编写相应的代码即可实现各种所需的功能,大大提高开发效率,缩短开发时间。
图1示出了根据本发明的基于传统在线监测仪的污染事件快速探测方法的流程图。为了能够实时探测与识别污染事件,首先需要构建无污染背景数据库和有污染背景数据库;然后构建复合序列,预设模型参数,优化训练得到最优参数;利用建立优化后的污染事件探测识别矩阵,实时识别污染事件。
本发明提供的方法是首先构建无污染背景数据库和有污染背景数据库:
所述构建无污染背景数据库包括:利用在线监测仪器,获取在线监测设备可实时在线监测的指标过去至少一个月内的水质数据序列,分别建立每个指标无污染背景下的水质基线,构建无污染背景水质数据序列数据库;所述在线监测指标包括但不限于:pH、浊度、温度、电导率、氧化还原电位、总有机碳、硝态氮和正磷酸盐;
具体地,作为实施例,假设在原水系统某处安装了能同时监测八个指标(pH、浊度、温度、电导率、氧化还原电位、总有机碳、硝态氮和正磷酸盐)的在线监测仪器。通过调用该监测点2013年10月的历史监测数据,建立无污染背景数据库;
其中,构建无污染背景数据库过程中,所用监测仪器的监测频率在1~20分钟之内;在本实施例中,无污染背景数据库包括的监测数据,所用监测仪器的监测频率为1分钟;表1截取了2013年10月某日12:00-13:00的一组无污染背景数据集为例,具体地如表1所示。
表1 无污染背景数据集示例
所述构建有污染背景数据库包括:通过模拟污染物投加试验,利用在线监测仪器,获取在线监测设备可实时在线监测的指标在污染物投入这一时间段内的水质数据序列,建立有污染背景下水质数据序列数据库;所述模拟污染物为国家地表水环境质量标准中涉及的污染物;模拟污染物投加时间至少为30分钟。
具体的,在本实施例中,在监测点处投加两类不同浓度的污染物:
(1)铅标准溶液,浓度分别为0.02mg/L、0.04mg/L、0.08mg/L;
(2)铬标准溶液,浓度分别为0.04mg/L、0.08mg/L;
构建有污染背景数据库过程中,所用监测仪器的监测频率在1~20分钟之内;在本实施例中,有污染背景数据库包括的监测数据,所用监测仪器的监测频率为1分钟;模拟污染物投加时间为30-60分钟;
从无污染背景数据库和有污染背景数据库中分别提取不同指标下同一时段内的数据序列样本,构建多个同时包含无污染背景与有污染背景的复合水质数据序列集;具体地,以一组包含了0.02mg/L的铅标准溶液的水质复合数据序列集作为训练集示例。其中,水质复合数据序列集包含无污染背景数据集和有污染背景数据集,其中有污染背景数据集中污染物投加时间为38分钟;无污染背景数据集见表1,有污染背景数据集见表2。
其中,每一复合序列中无污染背景数据与有污染背景数据的个数比例约为60%和40%;作为示例,每一复合序列中无污染背景数据与有污染背景数据的个数为60个和38个;
表2 有污染背景数据集示例
图2示出了根据本发明建立水质指标序列相关系数矩阵的流程图,首先,预设污染探测动态窗口序列个数参数L,计算预设污染探测动态窗口序列个数下各监测参数复合水质数据序列集间的皮尔逊相关系数rxy,构建水质指标序列相关系数矩阵M1;
其中,水质指标序列相关系数矩阵M1包含N行N列,N为监测指标的个数,矩阵中第x行第y列对应第x、y两个监测指标复合数据序列间的皮尔逊相关系数值,其计算方法为:
污染探测动态窗口序列个数参数L的值在4-40之间,更为具体地,在本实施例中:
设定污染探测动态窗口序列个数参数为30。
利用公式(1),计算当污染探测动态窗口序列长度为30时,各参数序列间的皮尔逊相关系数值,构建水质指标序列相关系数矩阵M1;具体地,表3和表4分别列出了第60分钟和第98分钟的水质指标序列相关系数矩阵;
表3 第60分钟水质指标序列相关系数矩阵
表4 第98分钟水质指标序列相关系数矩阵
图3示出了根据本发明建立水质指标序列相关系数警报矩阵的流程图,首先,预设污染探测相关系数阈值参数K1,构建水质指标序列相关系数警报矩阵M2;
其中,水质指标序列相关系数警报矩阵包含N行N列,N为监测指标的个数,第x行第y列对应的位置用Cxy表示,分别对应“1”或“0”;水质序列相关系数矩阵M1中,大于污染探测相关系数阈值的元素,在水质指标序列相关系数警报矩阵M2的相同位置记为“1”,反之记为“0”;即:
如果|rxy|<K1,或者rxy=1,则Cxy=0 (2)
如果K1≤|rxy|<1,则Cxy=1 (3)
污染探测相关系数阈值参数K1在0.5-0.9之间,更为具体地,在本实施例中:
设定污染探测相关系数阈值参数K1为0.8,建立水质指标序列相关系数警报矩阵;水质指标序列相关系数警报矩阵包含8行8列,每一位置对应“1”或“0”;其中,水质序列相关系数矩阵中,大于污染探测相关系数阈值的,在水质指标序列相关系数警报矩阵的相同位置记为“1”,反之记为“0”;
以第98分钟水质指标序列相关系数矩阵为例,pH与ORP的皮尔逊相关系数值为-0.89,由于-0.89的绝对值大于污染探测相关系数阈值参数K1,因此对应的水质指标序列相关系数警报矩阵该位置记为“1”,如表4中括号的数字所示;pH与浊度的皮尔逊相关系数值为0.59,由于0.59的绝对值小于污染探测相关系数阈值参数K1,因此对应的水质指标序列相关系数警报矩阵该位置记为“0”,如表4中括号的数字所示;
根据公式(2)-(3),结合水质指标序列相关系数矩阵M1,可以建立相应的水质指标序列相关系数警报矩阵M2,其中第60分钟和第98分钟的水质指标序列相关系数矩阵分别如表3和表4中括号中的数字所示。
图4示出了根据本发明建立污染事件探测识别矩阵的流程图。
首先,预设污染探测相关系数超标个数阈值K2,构建污染事件探测识别矩阵M3;
污染事件探测识别矩阵包括T行2列,T为从开始计算的时刻到结束计算时刻的整数时间步长;在每一时间步长下,分析水质指标序列相关系数警报矩阵中的污染探测相关系数超标个数;所述污染探测相关系数超标个数阈值为触发污染警报的污染探测相关系数超标个数的最小值,当污染探测相关系数超标个数超过该阈值时,
即:当Dx1=Tx时,且
触发污染警报,记为Dx2=1;反之,不触发污染警报,记为Dx2=0;其中,污染探测相关系数超标个数为水质指标序列相关系数警报矩阵中,“1”出现的次数;即水质序列相关系数矩阵中,大于污染探测相关系数阈值的个数值;
污染探测相关系数超标个数阈值K2在4-40之间,具体地,在本实施例中:
设定污染探测相关系数超标个数阈值参数为6,当污染探测相关系数超标个数超过该阈值时,触发污染警报,反之,不触发污染警报;根据每一时刻的水质指标序列相关系数矩阵,建立污染事件探测识别矩阵;其中,该矩阵包括在每一时间步长下,分析水质指标序列相关系数警报矩阵中的污染探测相关系数超标个数,当污染探测相关系数超标个数超过该阈值时,记为“1”,反之,记为“0”;
更为具体地,在本实施例中,由于污染探测动态窗口序列个数参数为30,污染事件探测识别矩阵从第31分钟开始进行探测判断,依次的,计算该水质复合序列数据集所有时刻下的水质指标序列相关系数矩阵与水质指标序列相关系数警报矩阵,构建完整的污染事件探测识别矩阵。
以第60分钟和第98分钟为例,由表3可以计算得出,第60分钟时刻下污染探测相关系数超标个数为0,小于污染探测相关系数超标个数阈值,因此记为0,如表5所示;由表4可以计算得出,第98分钟时刻下污染探测相关系数超标个数为18,大于污染探测相关系数超标个数阈值,因此记为1,如表6所示;表5和表6列出了无污染背景状态下和有污染背景状态下的污染事件探测识别矩阵。
表5 无污染状态下的污染事件探测识别矩阵
时刻(分钟) | 探测识别 | 时刻(分钟) | 探测识别 |
31 | 0 | 46 | 0 |
32 | 0 | 47 | 0 |
33 | 0 | 48 | 0 |
34 | 0 | 49 | 0 |
35 | 0 | 50 | 0 |
36 | 0 | 51 | 0 |
37 | 0 | 52 | 0 |
38 | 0 | 53 | 0 |
39 | 0 | 54 | 0 |
40 | 0 | 55 | 0 |
41 | 0 | 56 | 0 |
42 | 0 | 57 | 0 |
43 | 0 | 58 | 0 |
44 | 0 | 59 | 0 |
45 | 0 | 60 | 0 |
表6 模拟污染实验状态下的污染事件探测识别矩阵
图5示出了根据本发明优化参数的流程图;
计算每一复合水质数据序列集的错报率FNR与漏报率FPR;
其中,错报率FNR为在复合水质序列无污染背景数据序列部分中,污染事件探测识别矩阵出现“1”的次数占无污染背景数据序列个数值的百分比;
漏报率FPR为在复合水质序列有污染背景数据序列部分中,污染事件探测识别矩阵出现“0”的次数占有污染背景数据序列个数值的百分比;
若计算后的错报率与漏报率均达到可接受的范围,通常为5-10%,则可以直接将预设参数应用于实际监测中,否则,利用遗传算法优化上述三个参数,即污染探测动态窗口序列个数参数、污染探测相关系数阈值参数和污染探测相关系数超标个数阈值,重复步骤2)的所有过程,直至错报率与漏报率达到可接受的范围;
更为具体地,在本实施例中,错报率与漏报率的可接受水平均为10%。根据表5,该复合水质数据序列集的错报率为:0/30=0%;根据表6,该复合水质数据序列集的漏报率为:8/38=21%;漏报率大于可接受的水平,需要对参数进行优化。
然后,利用遗传算法,优化污染探测动态窗口序列个数参数、污染探测相关系数阈值参数和污染探测相关系数超标个数阈值三个参数的取值,重复计算水质指标序列相关系数矩阵、水质指标序列相关系数警报矩阵与污染事件探测识别矩阵,从而计算不同参数下该复合序列的错报率与漏报率,直至达到可接受的水平;优化结果如图6所示。
优化后的三个参数值,污染探测动态窗口序列个数参数为13、污染探测相关系数阈值参数为0.7607、污染探测相关系数超标个数阈值为7;此时错报率与漏报率均为0%,均达到可接受的水平。
将确定的最优的污染探测动态窗口序列个数参数、污染探测相关系数阈值参数和污染探测相关系数超标个数阈值应用于实时监测序列;作为示例,以另一组包含投加了0.04、0.08、mg/L的铬标准溶液的复合水质数据集序列作为测试集;
建立该复合序列每一时间步长对应的水质指标序列相关系数矩阵与优化后对应的水质指标序列相关系数警报矩阵,构建完整的污染事件探测识别矩阵;图5示出了根据本发明的参数优化过程流程图;
计算该复合水质数据序列集的错报率与漏报率,分别为8.3%与0%;达到可接受的水平,可满足突发污染事件的快速探测要求。
Claims (10)
1.一种基于传统在线监测仪的污染事件快速探测方法,该方法包括:
1)构建无污染背景数据库和有污染背景数据库;
所述构建无污染背景数据库包括:利用在线监测仪器,获取在线监测设备可实时在线监测的指标过去至少一个月内的水质数据序列,分别建立每个指标无污染背景下的水质基线,构建无污染背景水质数据序列数据库;所述在线监测指标包括但不限于:pH、浊度、温度、电导率、氧化还原电位、总有机碳、硝态氮和正磷酸盐;
所述构建有污染背景数据库包括:通过模拟污染物投加试验,利用在线监测仪器,获取在线监测设备可实时在线监测的指标在污染物投入这一时间段内的水质数据序列,建立有污染背景下水质数据序列数据库;
2)构建复合水质数据序列集,预设模型参数,优化训练得到最优参数:
从无污染背景数据库和有污染背景数据库中分别提取不同指标下同一时段内的数据序列样本,构建多个同时包含无污染背景与有污染背景的复合水质数据序列集;
预设污染探测动态窗口序列个数参数L,计算预设污染探测动态窗口序列个数下各监测参数复合水质数据序列集间的皮尔逊相关系数rxy,构建水质指标序列相关系数矩阵M1;
其中,水质指标序列相关系数矩阵M1包含N行N列,N为监测指标的个数,矩阵中第x行第y列对应第x、y两个监测指标复合数据序列间的皮尔逊相关系数值,其计算方法为:
其中,x和y分别代表两种不同的监测参数,x,y∈(pH,ORP,UV-254……);和分别代表x和y参数所在序列的均值;
预设污染探测相关系数阈值参数K1,构建水质指标序列相关系数警报矩阵M2;
其中,水质指标序列相关系数警报矩阵包含N行N列,N为监测指标的个数,第x行第y列对应的位置用Cxy表示,分别对应“1”或“0”;水质序列相关系数矩阵M1中,大于污染探测相关系数阈值的元素,在水质指标序列相关系数警报矩阵M2的相同位置记为“1”,反之记为“0”;即:
如果|rxy|<K1,或者rxy=1,则Cxy=0 (2)
如果K1≤|rxy|<1,则Cxy=1 (3)
预设污染探测相关系数超标个数阈值K2,构建污染事件探测识别矩阵M3;
污染事件探测识别矩阵包括T行2列,T为从开始计算的时刻到结束计算时刻的整数时间步长;在每一时间步长下,分析水质指标序列相关系数警报矩阵中的污染探测相关系数超标个数;所述污染探测相关系数超标个数阈值为触发污染警报的污染探测相关系数超标个数的最小值,当污染探测相关系数超标个数超过该阈值时,
即:当Dx1=Tx时,且
触发污染警报,记为Dx2=1;反之,不触发污染警报,记为Dx2=0;其中,污染探测相关系数超标个数为水质指标序列相关系数警报矩阵中,“1”出现的次数;即水质序列相关系数矩阵中,大于污染探测相关系数阈值的个数值;
计算每一复合水质数据序列集的错报率FNR与漏报率FPR;
其中,错报率FNR为在复合水质序列无污染背景数据序列部分中,污染事件探测识别矩阵出现“1”的次数占无污染背景数据序列个数值的百分比;
漏报率FPR为在复合水质序列有污染背景数据序列部分中,污染事件探测识别矩阵出现“0”的次数占有污染背景数据序列个数值的百分比;
若计算后的错报率与漏报率均达到可接受的范围,通常为5-10%,则可以直接将预设参数应用于实际监测中,否则,利用遗传算法优化上述三个参数,即污染探测动态窗口序列个数参数、污染探测相关系数阈值参数和污染探测相关系数超标个数阈值,重复步骤2)的所有过程,直至错报率与漏报率达到可接受的范围;
3)建立优化后的污染事件探测识别矩阵,实时识别污染事件
将优化后的三个参数应用于实际实时监测过程中,即获得实时的污染事件探测识别矩阵;当污染事件探测识别矩阵中元素为1时,代表该时刻发生污染;元素为0时,代表该时刻没有污染发生。
2.按照权利要求1所述一种基于传统在线监测仪的污染事件快速探测方法,其特征在于,构建无污染背景数据库和有污染背景数据库过程中,所用监测仪器的监测频率在1~20分钟之内。
3.按照权利要求2所述一种基于传统在线监测仪的污染事件快速探测方法,其特征在于,构建无污染背景数据库和有污染背景数据库过程中,所用监测仪器的监测频率范围为1-5分钟。
4.按照权利要求1所述一种基于传统在线监测仪的污染事件快速探测方法,其特征在于,所述模拟污染物为国家地表水环境质量标准中涉及的污染物;模拟污染物投加时间至少为30分钟。
5.按照权利要求4所述一种基于传统在线监测仪的污染事件快速探测方法,其特征在于,模拟污染物投加时间在30-60分钟。
6.按照权利要求1-5任一权利要求所述一种基于传统在线监测仪的污染事件快速探测方法,其特征在于,每一复合数据序列中无污染背景数据个数占全部数据的30%-80%;有污染背景数据个数占全部数据的百分比为20%-70%之间。
7.按照权利要求6所述一种基于传统在线监测仪的污染事件快速探测方法,其特征在于,无污染背景数据个数占全部数据的百分比为50%-60%,有污染背景数据个数占全部数据的百分比为40%-50%。
8.按照权利要求1所述一种基于传统在线监测仪的污染事件快速探测方法其特征在于,污染探测动态窗口序列个数参数L的值在4-40之间。
9.按照权利要求1所述一种基于传统在线监测仪的污染事件快速探测方法,其特征在于,污染探测相关系数阈值参数K1在0.5-0.9之间。
10.按照权利要求1所述一种基于传统在线监测仪的污染事件快速探测方法,其特征在于,污染探测相关系数超标个数阈值K2在4-40之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410535694.9A CN104217040A (zh) | 2014-10-11 | 2014-10-11 | 一种基于传统在线监测仪的污染事件快速探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410535694.9A CN104217040A (zh) | 2014-10-11 | 2014-10-11 | 一种基于传统在线监测仪的污染事件快速探测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104217040A true CN104217040A (zh) | 2014-12-17 |
Family
ID=52098529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410535694.9A Pending CN104217040A (zh) | 2014-10-11 | 2014-10-11 | 一种基于传统在线监测仪的污染事件快速探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104217040A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920198A (zh) * | 2015-12-24 | 2017-07-04 | 日本电气株式会社 | 用于污染物溯源的设备和方法 |
CN106918684A (zh) * | 2017-02-17 | 2017-07-04 | 清华大学 | 一种水质污染预警方法 |
CN106991491A (zh) * | 2017-02-21 | 2017-07-28 | 南京邮电大学 | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 |
CN107704929A (zh) * | 2016-08-08 | 2018-02-16 | 华为技术有限公司 | 一种模型更新方法和装置 |
CN108665119A (zh) * | 2018-08-03 | 2018-10-16 | 清华大学 | 一种供水管网异常工况预警方法 |
CN109085317A (zh) * | 2018-08-14 | 2018-12-25 | 环境保护部华南环境科学研究所 | 一种基于鱼类毒性效应的水体突发重金属污染物入河时间评估方法 |
CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN111239346A (zh) * | 2020-03-26 | 2020-06-05 | 泛测(北京)环境科技有限公司 | 一种空气质量监测中污染事件识别方法和装置 |
CN111665325A (zh) * | 2020-06-09 | 2020-09-15 | 中科三清科技有限公司 | 确定大气污染物时间来源的方法和装置 |
CN113239957A (zh) * | 2021-04-08 | 2021-08-10 | 同济大学 | 一种突发水污染事件在线识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156413A (zh) * | 2010-12-30 | 2011-08-17 | 清华大学 | 城市多水源原水系统应急调度方法和系统 |
CN103236020A (zh) * | 2013-04-11 | 2013-08-07 | 戴会超 | 基于物联网的大型水域突发水污染应急处置系统和方法 |
CN203502351U (zh) * | 2013-08-31 | 2014-03-26 | 中山欧麦克仪器设备有限公司 | 一种新型水污染测试仪 |
-
2014
- 2014-10-11 CN CN201410535694.9A patent/CN104217040A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156413A (zh) * | 2010-12-30 | 2011-08-17 | 清华大学 | 城市多水源原水系统应急调度方法和系统 |
CN103236020A (zh) * | 2013-04-11 | 2013-08-07 | 戴会超 | 基于物联网的大型水域突发水污染应急处置系统和方法 |
CN203502351U (zh) * | 2013-08-31 | 2014-03-26 | 中山欧麦克仪器设备有限公司 | 一种新型水污染测试仪 |
Non-Patent Citations (2)
Title |
---|
H.CHE ET AL.: ""Contaminant Detection Using Multiple Conventional Water Quality Sensors in an Early Warning System"", 《PROCEDIA ENGINEERING 2014(16TH CONFERENCE ON WATER DISTRIBUTION SYSTEM ANALYSIS, WDSA 2014》 * |
刘书明等: ""不确定节点水量下水质监测点优化选址方法"", 《环境科学》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920198A (zh) * | 2015-12-24 | 2017-07-04 | 日本电气株式会社 | 用于污染物溯源的设备和方法 |
CN107704929B (zh) * | 2016-08-08 | 2020-10-23 | 华为技术有限公司 | 一种模型更新方法和装置 |
CN107704929A (zh) * | 2016-08-08 | 2018-02-16 | 华为技术有限公司 | 一种模型更新方法和装置 |
CN106918684A (zh) * | 2017-02-17 | 2017-07-04 | 清华大学 | 一种水质污染预警方法 |
CN106991491A (zh) * | 2017-02-21 | 2017-07-28 | 南京邮电大学 | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 |
CN106991491B (zh) * | 2017-02-21 | 2020-11-13 | 南京邮电大学 | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 |
CN108665119B (zh) * | 2018-08-03 | 2021-05-28 | 清华大学 | 一种供水管网异常工况预警方法 |
CN108665119A (zh) * | 2018-08-03 | 2018-10-16 | 清华大学 | 一种供水管网异常工况预警方法 |
CN109085317A (zh) * | 2018-08-14 | 2018-12-25 | 环境保护部华南环境科学研究所 | 一种基于鱼类毒性效应的水体突发重金属污染物入河时间评估方法 |
CN109085317B (zh) * | 2018-08-14 | 2020-11-20 | 环境保护部华南环境科学研究所 | 一种基于鱼类毒性效应的水体突发重金属污染物入河时间评估方法 |
CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN109444232B (zh) * | 2018-12-26 | 2024-03-12 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN111239346A (zh) * | 2020-03-26 | 2020-06-05 | 泛测(北京)环境科技有限公司 | 一种空气质量监测中污染事件识别方法和装置 |
CN111665325A (zh) * | 2020-06-09 | 2020-09-15 | 中科三清科技有限公司 | 确定大气污染物时间来源的方法和装置 |
CN111665325B (zh) * | 2020-06-09 | 2021-06-01 | 中科三清科技有限公司 | 确定大气污染物时间来源的方法和装置 |
CN113239957A (zh) * | 2021-04-08 | 2021-08-10 | 同济大学 | 一种突发水污染事件在线识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104217040A (zh) | 一种基于传统在线监测仪的污染事件快速探测方法 | |
Hou et al. | An early warning and control system for urban, drinking water quality protection: China’s experience | |
CN112381369B (zh) | 基于在线光谱识别的水体污染溯源和风险预测评估方法 | |
Sun et al. | Ecological risk assessment of soil cadmium in China’s coastal economic development zone: a meta-analysis | |
CN102622670A (zh) | 一种突发水环境污染事故涉嫌风险源的溯源方法 | |
CN113706127B (zh) | 一种水域分析报告的生成方法及电子设备 | |
CN112505189A (zh) | 一种基于地下水特征污染物的自动溯源方法 | |
CN106918684B (zh) | 一种水质污染预警方法 | |
CN103530688B (zh) | 一种磨削加工工艺检测系统及方法 | |
CN102156413A (zh) | 城市多水源原水系统应急调度方法和系统 | |
CN107677614A (zh) | 一种水中重金属污染风险在线预警系统及方法 | |
CN106203756A (zh) | 一种基于特征数据库的工业污水污染物溯源分析方法 | |
CN103093092A (zh) | 河流突发性cod污染的事故源定位方法 | |
CN105388826A (zh) | 一种混合型稀土矿区水环境质量监控预警系统的建立方法 | |
CN107422088A (zh) | 一种污水监测管理方法及装置 | |
CN110619457A (zh) | 一种基于安全态势评估的监测传感器布设方法及系统 | |
CN116168771A (zh) | 一种基于物联网的河流中全氟化合物污染监测方法及系统 | |
CN101759236A (zh) | 一种工业园区点源污染物的调控方法 | |
Kim et al. | Scatterscore: a reconnaissance method to evaluate changes in water quality | |
Fei et al. | Pollution threshold assessment and risk area delineation of heavy metals in soils through the finite mixture distribution model and Bayesian maximum entropy theory | |
Liu et al. | Improved method for benthic ecosystem health assessment by integrating chemical indexes into multiple biological indicator species—A case study of the Baiyangdian Lake, China | |
Juahir et al. | The use of chemometrics analysis as a cost-effective tool in sustainable utilisation of water resources in the Langat River Catchment | |
CN113720983A (zh) | 一种污水处理厂出水总磷的快速检测方法 | |
CN113378380A (zh) | 一种基于数值模拟的地下水中污染物溯源方法 | |
CN113030223A (zh) | 一种cod电化学快速在线监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141217 |
|
WD01 | Invention patent application deemed withdrawn after publication |