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

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

一种基于传统在线监测仪的污染事件快速探测方法

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r_xy，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：

$r_{\mathrm{xy}}=\frac{{\mathrm{\Σ}}_{i=1}^L(x-\stackrel{\‾}{x})(y-\stackrel{\‾}{y})}{\sqrt{{\mathrm{\Σ}}_{i=1}^L{(x-\stackrel{\‾}{x})}^2}\sqrt{{\mathrm{\Σ}}_{i=1}^L{(y-\stackrel{\‾}{y})}^2}}---\left(1\right)$

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C_xy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|r_xy|<K₁,或者r_xy＝1,则C_xy＝0    (2)

如果K₁≤|r_xy|<1，则C_xy＝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；

$M_3=\left(\begin{array}{cc}{D}_{11}& D_{12}\\ \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;\\ D_{T1}& D_{T2}\end{array}\right)$

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D_x1＝T_x时，且

$\underset{x}{\overset{\&ForAll;}{\mathrm{\&Sigma;}}}\underset{y}{\overset{\&ForAll;}{\mathrm{\&Sigma;}}}\mathrm{\&Sigma;}{C}_{\mathrm{xy}}\&GreaterEqual;K_2,x\&NotEqual;y,x,y\&Element;\{\mathrm{pH},\mathrm{ORP},\mathrm{UV},\&CenterDot;\&CenterDot;\&CenterDot;\}---\left(4\right)$

触发污染警报，记为D_x2＝1；反之，不触发污染警报，记为D_x2＝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r_xy，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：

$r_{\mathrm{xy}}=\frac{{\mathrm{\&Sigma;}}_{i=1}^L(x-\stackrel{\&OverBar;}{x})(y-\stackrel{\&OverBar;}{y})}{\sqrt{{\mathrm{\&Sigma;}}_{i=1}^L{(x-\stackrel{\&OverBar;}{x})}^2}\sqrt{{\mathrm{\&Sigma;}}_{i=1}^L{(y-\stackrel{\&OverBar;}{y})}^2}}---\left(1\right)$

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C_xy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|r_xy|<K₁,或者r_xy＝1,则C_xy＝0        (2)

如果K₁≤|r_xy|<1，则C_xy＝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；

$M_3=\left(\begin{array}{cc}{D}_{11}& D_{12}\\ \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;\\ D_{T1}& D_{T2}\end{array}\right)$

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D_x1＝T_x时，且

$\underset{x}{\overset{\&ForAll;}{\mathrm{\&Sigma;}}}\underset{y}{\overset{\&ForAll;}{\mathrm{\&Sigma;}}}\mathrm{\&Sigma;}{C}_{\mathrm{xy}}\&GreaterEqual;K_2,x\&NotEqual;y,x,y\&Element;\{\mathrm{pH},\mathrm{ORP},\mathrm{UV},\&CenterDot;\&CenterDot;\&CenterDot;\}---\left(4\right)$

触发污染警报，记为D_x2＝1；反之，不触发污染警报，记为D_x2＝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r_xy，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：

$r_{\mathrm{xy}}=\frac{{\mathrm{\&Sigma;}}_{i=1}^L(x-\stackrel{\&OverBar;}{x})(y-\stackrel{\&OverBar;}{y})}{\sqrt{{\mathrm{\&Sigma;}}_{i=1}^L{(x-\stackrel{\&OverBar;}{x})}^2}\sqrt{{\mathrm{\&Sigma;}}_{i=1}^L{(y-\stackrel{\&OverBar;}{y})}^2}}---\left(1\right)$

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C_xy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|r_xy|<K₁,或者r_xy＝1,则C_xy＝0                                       (2)

如果K₁≤|r_xy|<1，则C_xy＝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；

$M_3=\left(\begin{array}{cc}{D}_{11}& D_{12}\\ .& .\\ .& .\\ .& .\\ D_{T1}& D_{T2}\end{array}\right)$

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D_x1＝T_x时，且

$\underset{x}{\overset{\&ForAll;}{\mathrm{\&Sigma;}}}\underset{y}{\overset{\&ForAll;}{\mathrm{\&Sigma;}}}\mathrm{\&Sigma;}{C}_{\mathrm{xy}}\&GreaterEqual;K_2,x\&NotEqual;y,x,y\&Element;\{\mathrm{pH},\mathrm{ORP},\mathrm{UV},...\}---\left(4\right)$

触发污染警报，记为D_x2＝1；反之，不触发污染警报，记为D_x2＝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。