CN108491995B - 一种用于饮用水风险因子识别的关键控制因素筛选方法 - Google Patents
一种用于饮用水风险因子识别的关键控制因素筛选方法 Download PDFInfo
- Publication number
- CN108491995B CN108491995B CN201810130540.XA CN201810130540A CN108491995B CN 108491995 B CN108491995 B CN 108491995B CN 201810130540 A CN201810130540 A CN 201810130540A CN 108491995 B CN108491995 B CN 108491995B
- Authority
- CN
- China
- Prior art keywords
- water quality
- index
- drinking water
- water
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
Abstract
本发明公开了一种用于饮用水风险因子识别的关键控制因素筛选方法,属于饮用水风险管理与质量控制领域,包括:从饮用水供应链中获取水质监测数据;对监测数据进行标准化;分析计算各水质指标对水质影响的贡献率并排序;筛选出关键控制因素作为风险因子的识别范围;从饮用水供应链中识别出风险因子。本发明通过筛选出关键控制因素,将风险因子的识别控制在较小范围内,可使饮用水供应链中风险因子的识别过程更加快速、准确,大大提高了饮用水质管理效率和水平。
Description
技术领域
本发明属于饮用水风险管理与质量控制技术领域,具体地说,是涉及一种用于识别饮用水供应链中影响饮用水安全的风险因子的关键控制因素筛选方法。
背景技术
为了保障饮用水供水安全,从饮用水供应链中识别出风险因子,是饮用水安全管理的有效措施。然而,这项工作在实践中却面临很大的困难,究其原因主要是饮用水来源复杂,供应环节多,供应链长,使潜在污染因素增加。为了准确地识别出饮用水供应链中的风险因子,目前采取的措施是在饮用水供应链中设置多处监测点位和监测更多的水质指标,进行数据分析产生了海量的监测数据。全面分析这些监测数据不仅工作量大,而且分析结果的不确定性增强。研究表明,在饮用水供应链中仅有部分环节以及对少数水质指标的干扰,会对饮用水水质安全起决定性影响,这部分环节和少数指标就是饮用水安全的关键控制因素(Key Control Factors,KCFs)。因此,将KCFs作为影响饮用水安全的风险因子识别范围,不仅不会遗漏可能的风险因子,还会提高识别效率。如WHO推荐的HACCP方案就是围绕确定的关键控制因素建立监控体系和纠偏方法进行饮用水安全管理的。但是,HACCP方案仅以控制微生物污染为目标,没有将化学性和感官性污染等其他影响饮用水安全的指标纳入风险因子识别体系,因此,不能全面地反映饮用水水质安全所面临的隐患。
发明内容
本发明的目的在于提供一种用于饮用水风险因子识别的关键控制因素筛选方法,不仅能够准确快捷地识别出影响饮用水安全的风险因子,而且能够较为全面地反映出饮用水水质安全所面临的隐患。
为解决上述技术问题,本发明采用以下技术方案予以实现:
一种用于饮用水风险因子识别的关键控制因素筛选方法,包括以下步骤:
(1)沿饮用水供应链设置k+1个监测点,相邻两个监测点之间形成一个供水环节,对每一个监测点的饮用水进行n种水质指标检测,形成监测数据;
(2)采用数据标准化方法对所有的监测数据进行标准化,转化为标准化指数;
(3)利用转化后的标准化指数计算各水质指标对饮用水水质影响的贡献率;
(4)计算各水质指标的标准化指数在不同供水环节对饮用水水质影响的分担率,进而计算出各水质指标在每一个供水环节的节点贡献率;
(5)将计算出的节点贡献率按照从大到小的顺序排序,并筛选出其中累计贡献率超过设定值SET的前m个节点作为关键控制因素;
(6)将所述关键控制因素作为风险因子的识别范围,采用风险因子识别方法从饮用水供应链中识别出风险因子。
与现有技术相比,本发明的优点和积极效果是:通过本发明筛选出的关键控制因素可以将饮用水供应链中的风险因子准确定位在一个较小的识别范围内,不仅可以有效、准确地识别出饮用水供应链中的风险因子,而且可以减少影响饮用水安全的风险因子识别过程的工作量,提升饮用水供应链中风险因子的识别速度,提高饮用水的水质管理效率,全面地反映出饮用水水质安全所面临的隐患。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明所提出的用于饮用水风险因子识别的关键控制因素筛选方法的一种实施例的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细地描述。
面对当前饮用水管理保障体系产生的海量监测数据,巨大的分析工作量和缺少统一的标准化指数体系,使得水质管控过程中风险因子的识别成为最大的难题。本实施例通过对传统的数据标准化方法和主成分分析法进行改造,建立了一种可以用于饮用水风险因子识别的关键控制因素筛选方法,将从饮用水供应链中筛选出的关键控制因素作为风险因子的识别范围,从而能够快速准确地识别出影响饮用水安全的风险因子。
主成分分析法是一种可以通过消除重叠信息,筛选有用的、影响力最大的因子实现数据的降维,从而在损失较少数据信息的基础上,提高数据分析效率,避免主观判断带来的误差的统计方法。关键控制因素可以通过主成分分析法来量化各水质指标对水质影响力的大小来筛选。但是,主成分分析法应用于饮用水供应链中所面临的难题是:由于供水各环节采用的标准不同以及水质指标的量纲和危害性的差异,导致无法直接以监测结果为基础进行供应链的影响量化。因此,需要先建立一个统一的量化体系作为分析基础。也就是说,需要设计一套可将饮用水供应链中所有环节及所有指标的监测数据统一为标准化指数的方法。在该方法的基础上,就可以利用主成分分析法快速准确地识别出饮用水供应链中的风险因子。
下面结合图1,对本实施例提出的用于饮用水风险因子识别的关键控制因素筛选方法的具体过程进行详细阐述。
S101、获取监测数据;
饮用水供应链包括从原水集水区到用户的全过程供应链条或网络,识别的风险因子应能够反映整个供水过程的风险,设置的监测点位应具有代表性。也可以将供应链划分为几个性质不同的供水环节,监测指标应尽可能覆盖所有对饮用水安全有威胁的水质指标。一般来说,监测数据越全面,即监测点位和监测指标越多,越能体现本实施例从海量数据中挖掘有效信息,把风险因子的识别范围准确限制在极少范围,从而大大提高工作效率的特点。
本实施例沿饮用水供应链设置k+1个监测点,相邻两个监测点之间形成一个供水环节,由此可以形成k个供水环节。采集流经每一个监测点的饮用水,并对饮用水中的n种水质指标进行检测,由此可以形成(k+1)×n个监测数据。
在沿饮用水供应链分布监测点时,可基于已有监测体系的点位设置,或者根据实际需要增加,以便于将供应链划分为几个性质不同的环节为原则。典型的布点位置包括:集水区取水口处、水库入水口处、水库出水口处、水厂入水口处、水厂出水口处、用户进水管处等。所述n种水质指标应涉及微生物指标(例如细菌、总大肠菌群、耐热大肠菌群等)、化学性指标(例如pH值、溶解氧、氨氮、高锰酸盐指数、化学需氧量、生化需氧量、总磷、总氮等)和感官性指标(例如臭和味)等。
S102、整理监测数据;
对监测数据进行检验,对其中的异常数据(例如变化量超过10倍的监测数据等)进行复查,确为失准数据予以剔除。然后,对监测数据中的缺失数据进行补充,本实施例优选采用热卡填充法对缺失数据进行补充。热卡填充法为现有方法,是一种在数据库中找到一个与缺失数据最相似的对象,然后,用这个相似对象的值进行填充的方法,目前常用于海量数据中的个别缺失数据的填补。
S103、监测数据标准化;
为了能够采用主成分分析法来量化各水质指标对饮用水水质的影响力,进而筛选出关键控制因素,本实施例优选采用改造后的数据标准化方法来对所有的监测数据进行标准化,以统一转化为可以相互对比的标准化指数。具体方法为:
(1)对于规定了最高浓度限值的水质指标,采用实测值的占标率进行标准化。例如,若第i种水质指标在饮用水水质标准中仅规定了最高浓度限值,则可以利用以下公式计算出该水质指标的标准化指数Xi:
Xi=Ci/Si;
其中,Ci为第i种水质指标的实测值,Si为第i种水质指标的标准值。所述标准值Si可以从饮用水水质标准中查出。若第i种水质指标的实际浓度值低于监测装置的最低检出值,则从监测装置上会得到“未检出”的检测结果,此时可以将监测装置的最低检出值的一半作为第i种水质指标的实测值Ci,利用上述公式计算出该水质指标的标准化指数Xi。
在本实施例中,所述饮用水水质标准可以选用《生活饮用水水质标准》(GB5749),若在《生活饮用水水质标准》没有记载第i种水质指标的标准值,则可以选用其他标准,并注明出处。
由于本实施例在饮用水供应链中设置有k+1个监测点,因此,在第i种水质指标的标准化指数Xi中包括有k+1个数值。利用在k+1个监测点检测到的k+1个第i种水质指标的实测值分别除以第i种水质指标的标准值Si,由此形成第i种水质指标的标准化指数Xi。
(2)对于在饮用水水质标准中规定有上下两个限值的水质指标,例如pH值,则标准化指数计算公式为:
其中,Xi为第i种水质指标的标准化指数,Smax为第i种水质指标的上限值,Smin为第i种水质指标的下限值。所述Smax和Smin可以从饮用水水质标准中查出。
(3)对于微生物指标和感官指标,实测值往往呈数量级差别,对于该类水质指标可以采用以下公式进行标准化:
(a)对于有个数限值的水质指标,例如细菌总数等,
若实测值低于所述个数限值,则标准化指数计算公式为:
Xi=Ci/Si;
若实测值大于等于所述个数限值,则准化指数计算公式为:
Xi=1.00+log10(Ci/Si);
其中,Xi为第i种水质指标的标准化指数,Ci为第i种水质指标的实测个数,Si为第i种水质指标的标准个数。所述标准个数Si可以从饮用水水质标准中查出。
(b)对于以是否检出为检测结果的水质指标,例如总大肠菌群、耐热大肠菌群、臭和味等,
若检出,则准化指数计算公式为:
Xi=1.00+log10(n);
若未检出时,则Xi=0.5;
其中,Xi为第i种水质指标的标准化指数,n为检出个数。
S104、计算各水质指标对饮用水水质影响的贡献率;
(1)将在饮用水供应链中始终未检出和保持不变的水质指标筛选出来,默认这类水质指标对水质变化影响的贡献率为0,不参与主成分分析,以避免恒量数据造成分析失败。
(2)针对每一种水质指标计算其在各个供水环节中的变化值ΔX;
例如,对于第i种水质指标的标准化指数Xi,首先,计算其在第j个供水环节中的变化值ΔXi,j:
ΔXi,j=xi,j+1-xi,j;
其中,xi,j为在第j个监测点检测到的第i种水质指标的标准化指数,xi,j+1为在第j+1个监测点检测到的第i种水质指标的标准化指数;j=1,2,……,k,且按从集水区到用户的方向排序。
根据每一种水质指标对应的变化值ΔXi,j可以判断出该水质指标对水质影响的性质:若ΔXi,j的值为正,则说明该水质指标在整个饮用水供应过程中趋于净化,对水质安全呈正效应;反之,则说明趋于污染,对水质安全呈负效应。
(3)计算每一种水质指标在每一个供水环节处的累积变化值∑ΔX;
以第i种水质指标为例,计算其标准化指数在第j个供水环节处的累积变化量∑ΔXi,j:
即,∑ΔXi,j表示第i种水质指标在前j个供水环节累积得到的变化量,由此可见,第i种水质指标的累积变化量是随着j取值的增大而逐渐增加的。
(4)以同一饮用水供应链上的每一种水质指标在每一个供水环节处的累积变化量∑ΔXi,j为变量进行主成分分析,得到各水质指标的第一主成分的特征根向量作为各水质指标对水质变化影响的贡献值即,针对每一种水质指标分别计算出一个与之对应的贡献值。
本实施例以同一饮用水供应链上的水质指标的积累变化量为变量进行主成分分析,这样变量赋值就变成了单增数列,弥补了主成分分析法不考虑变量赋值的次序和供应过程水质指数上下波动使影响补抵消的缺陷,使分析结果更准确地反映了水质指标对饮用水水质变化的贡献。其次,在主成分分析中一般保留累计贡献率超过85%的前m个主成分进行分析,以保留绝大部分信息。而在饮用水供应链分析时可以发现,保留第一个主成分就能保留95%以上信息,完全没有必要在这个环节进行一次筛选。因此,本实施例直接用第一主成分的特征根向量作为各水质指标对水质变化影响的贡献值,由此大大简化了分析过程,减少了工作量,且不影响分析结果的准确性。
S105、计算各水质指标在每一个供水环节对饮用水水质影响的节点贡献率;
(1)按照各水质指标的标准化指数在同一供水环节的变化值占该水质指标在该供水环节处的积累变化量的比值,计算出每一种水质指标在不同供水环节对水质影响的分担率:
其中,Pi,j表示第i种水质指标在第j个供水环节对水质影响的分担率。
(2)计算每一种水质指标在每一个供水环节对饮用水水质影响的贡献值:
(3)对计算出的n×k个节点贡献值进行标准化处理,最终得到和为1的节点贡献率ψi,j,i=1,2,……,n;j=1,2,……,k。
S106、筛选关键控制因素KCFs;
将计算出的n×k个节点贡献率ψi,j(i=1,2,……,n;j=1,2,……,k)按照从大到小的顺序排序,并筛选出其中累计贡献率超过设定值SET的前m个节点作为关键控制因素KCFs,即,确定出哪些供水环节中的哪些水质指标是存在风险的关键因素,以此作为风险因子的识别范围,将风险因子的识别限制在小范围内。
在本实施例中,所述设定值SET可以在80%-95%之间取值,本实施例优选设置SET=85%,即,筛选出累计贡献率超过85%的前m个节点作为关键控制因素KCFs,确定出风险因子的识别范围。
S107、从关键控制因素KCFs中识别风险因子;
以筛选出的关键控制因素KCFs作为风险因子的识别范围,按照供水管理者原有的风险因子识别方法从饮用水供应链中识别出风险因子。风险因子识别方法目前有许多种成熟方法,不同供水管理者会根据实际情况选择不同的方法去进行分析。本实施例通过筛选关键控制因素KCFs来大大缩小风险因子的识别范围,不仅不会与原有的风险因子识别方法相冲突,而且还可以提高风险因子识别的效率和准确性。
在本实施例中,优选采用情景分析法从饮用水供应链中识别出风险因子,以提高识别风险因子的效率和准确性。
本发明通过对传统的数据标准化方法以及主成分分析法进行改造,建立了一种从饮用水供应链中筛选出关键控制因素作为风险因子的识别范围的饮用水水质检测方法,大大提升了风险因子的识别速度。
当然,以上所述仅是本发明的一种优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种用于饮用水风险因子识别的关键控制因素筛选方法,其特征在于,包括以下步骤:
(1)沿饮用水供应链布设k+1个监测点,相邻两个监测点之间形成一个供水环节,对每一个监测点的饮用水进行n种水质指标检测,形成监测数据;
(2)采用数据标准化方法对所有的监测数据进行标准化,转化为标准化指数;
(3)利用转化后的标准化指数计算各水质指标对饮用水水质影响的贡献率,所述贡献率的生成过程包括:
(3-1)将在饮用水供应链中始终未检出和保持不变的水质指标筛选出来,默认这类水质指标对水质变化影响的贡献率为0,不参与主成分分析;
(4)计算各水质指标的标准化指数在不同供水环节对饮用水水质影响的分担率,进而计算出各水质指标在每一个供水环节对饮用水水质影响的节点贡献率,其包括:
(4-3)对所述贡献值矩阵中的每一个贡献值进行标准化处理,得到和为1的节点贡献率ψi,j,j=1,2,……,k;
(5)将计算出的节点贡献率按照从大到小的顺序排序,并筛选出其中累计贡献率超过设定值SET的前m个节点作为关键控制因素;
(6)将所述关键控制因素作为风险因子的识别范围,采用风险因子识别方法从饮用水供应链中识别出风险因子。
2.根据权利要求1所述的关键控制因素筛选方法,其特征在于,在所述步骤(1)中,所述监测点的布点位置包括:集水区取水口处、水库入水口处、水库出水口处、水厂入水口处、水厂出水口处、用户进水管处。
3.根据权利要求1所述的关键控制因素筛选方法,其特征在于,在所述步骤(1)中,所述水质指标包括微生物指标、化学性指标和感官性指标。
4.根据权利要求1所述的关键控制因素筛选方法,其特征在于,在所述步骤(1)和步骤(2)之间还包括:
对所述监测数据进行检验,剔除异常数据,并对监测数据中的缺失数据采用热卡填充法进行补充。
5.根据权利要求1至4中任一项所述的关键控制因素筛选方法,其特征在于,在所述步骤(2)中,所述数据标准化方法包括:
(2-1)若第i种水质指标在饮用水水质标准中仅规定了最高浓度限值,则该水质指标的标准化指数Xi=Ci/Si;其中,Ci为第i种水质指标的实测值,Si为第i种水质指标的标准值;
(2-3)若第i种水质指标为微生物指标或感官指标,则利用以下公式计算该水质指标的标准化指数Xi:
若第i种水质指标在饮用水水质标准中有个数限值,则当实测值低于所述个数限值时,Xi=Ci/Si;当实测值大于等于所述个数限值时,Xi=1.00+log10(Ci/Si);
若第i种水质指标以是否检出为标准,则未检出时,Xi=0.5;检出时,Xi=1.00+log10(n);其中,n为检出个数。
6.根据权利要求5所述的关键控制因素筛选方法,其特征在于,在所述数据标准化方法中,若第i种水质指标在饮用水水质标准中仅规定了最高浓度限值,但其实际浓度值低于监测装置的最低检出值,则将监测装置的最低检出值的一半作为所述第i种水质指标的实测值Ci,并利用所述公式Xi=Ci/Si计算出第i种水质指标的标准化指数Xi。
7.根据权利要求1至4中任一项所述的关键控制因素筛选方法,其特征在于,在所述步骤(5)中,所述设定值SET=85%。
8.根据权利要求1至4中任一项所述的关键控制因素筛选方法,其特征在于,在所述步骤(6),针对所述风险因子的识别范围,采用情景分析法从饮用水供应链中识别出风险因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810130540.XA CN108491995B (zh) | 2018-02-08 | 2018-02-08 | 一种用于饮用水风险因子识别的关键控制因素筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810130540.XA CN108491995B (zh) | 2018-02-08 | 2018-02-08 | 一种用于饮用水风险因子识别的关键控制因素筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491995A CN108491995A (zh) | 2018-09-04 |
CN108491995B true CN108491995B (zh) | 2021-10-08 |
Family
ID=63340015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810130540.XA Active CN108491995B (zh) | 2018-02-08 | 2018-02-08 | 一种用于饮用水风险因子识别的关键控制因素筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491995B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113387487A (zh) * | 2021-06-16 | 2021-09-14 | 南京信息工程大学 | 一种雨水长效保质的方法和关键因子处理装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897023A (zh) * | 2006-06-29 | 2007-01-17 | 中国海洋大学 | 水资源信息管理与规划系统 |
CN102073797A (zh) * | 2011-02-23 | 2011-05-25 | 江南大学 | 基于pso和svm混合算法识别太湖入湖河流水质主要影响因素的分析方法 |
CN105512958A (zh) * | 2015-12-15 | 2016-04-20 | 中国疾病预防控制中心农村改水技术指导中心 | 一种供水风险评价和管理的系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10579951B2 (en) * | 2016-03-15 | 2020-03-03 | Ipq Pty Ltd | Systems and methods for administering an extraction rights market in a groundwater basin |
-
2018
- 2018-02-08 CN CN201810130540.XA patent/CN108491995B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897023A (zh) * | 2006-06-29 | 2007-01-17 | 中国海洋大学 | 水资源信息管理与规划系统 |
CN102073797A (zh) * | 2011-02-23 | 2011-05-25 | 江南大学 | 基于pso和svm混合算法识别太湖入湖河流水质主要影响因素的分析方法 |
CN105512958A (zh) * | 2015-12-15 | 2016-04-20 | 中国疾病预防控制中心农村改水技术指导中心 | 一种供水风险评价和管理的系统和方法 |
Non-Patent Citations (3)
Title |
---|
丹江口水库水质评价及水污染特征;朱媛媛 等;《农业环境科技学报》;20160131;第140-141页 * |
城市生活饮用水综合指数评价方法建立及其应用;袁东 等;《环境与职业医学》;20100531;第258页 * |
漳卫南运河流域水质评价和污染源识别及贡献率分析;徐华山 等;《水文信息学》;20110802;第284-287页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108491995A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022252505A1 (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
CN112381476B (zh) | 用于确定状态异常的电能表的方法及装置 | |
JP4799168B2 (ja) | 配水及び管路情報解析システム | |
CN104573850A (zh) | 一种火电厂设备状态评估方法 | |
CN106796157A (zh) | 检测配送网络、特别是饮用水配送网络中的异常的方法 | |
CN110826855A (zh) | 智能配电房状态监测传感器入网性能的检验方法及系统 | |
CN112287988A (zh) | 一种水污染源在线监测数据异常的识别方法 | |
CN105761001A (zh) | 一种融合多源信息的配网设备状态评价方法 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN110132629B (zh) | 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN108491995B (zh) | 一种用于饮用水风险因子识别的关键控制因素筛选方法 | |
CN114862267A (zh) | 一种输油气管道报警管理体系的评价方法及系统 | |
CN112884197B (zh) | 一种基于双模型的水华预测方法和装置 | |
Davydenko et al. | Control of operation modes efficiency of complex technological facilities based on the energy efficiency monitoring | |
CN110457374B (zh) | 一种识别时段典型暴雨过程的方法 | |
van Summeren et al. | Influence of temperature, network diagnostics, and demographic factors on discoloration-related customer reports | |
CN111242381A (zh) | 一种工业循环水系统关键指标的预测方法 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN105809304B (zh) | 电厂和治污设施生产运行参数相关性分析的方法 | |
CN112228042B (zh) | 一种基于云边协同计算的抽油机井工况相似性判别方法 | |
CN114861810A (zh) | 煤气化装置工艺诊断方法及系统 | |
CN114819743B (zh) | 一种化工企业能耗诊断分析方法 | |
CN110363374A (zh) | 一种不合格产品影响因素的定量分析方法 | |
CN107305563A (zh) | 一种基于距离的异常数据检测方法及系统 |
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 |