CN110390429A - 一种基于神经网络的水环境质量预测系统及方法 - Google Patents

一种基于神经网络的水环境质量预测系统及方法 Download PDF

Info

Publication number
CN110390429A
CN110390429A CN201910634973.3A CN201910634973A CN110390429A CN 110390429 A CN110390429 A CN 110390429A CN 201910634973 A CN201910634973 A CN 201910634973A CN 110390429 A CN110390429 A CN 110390429A
Authority
CN
China
Prior art keywords
water quality
data
wavelet
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.)
Pending
Application number
CN201910634973.3A
Other languages
English (en)
Inventor
徐光侠
吕孝飞
梁炎明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910634973.3A priority Critical patent/CN110390429A/zh
Publication of CN110390429A publication Critical patent/CN110390429A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明水环境预测领域，尤其涉及一种基于神经网络的水环境质量预测系统及方法。所述系统包括中心管理服务器、多个水质量数据采集终端、多个水质量信息收集终端以及连接中心管理服务器的数据处理单元、数据存储服务器、通信主控单元、显示单元、FTP服务器；本发明的数据处理单元利用小波函数处理水质数据，通过反向传播神经网络BPNN训练数据，得到小波神经网络模型，同时计算得到区分正常水质数据和异常水质数据的阈值，通过比较预测值和实际监测值残差是否在阈值区域内来预测小流域的水环境质量；本发明水环境质量预测系统和方法可为水环境以及生态类研究工作提供更好的数据。

Description

一种基于神经网络的水环境质量预测系统及方法
技术领域
本发明水环境预测领域，尤其涉及一种基于神经网络的水环境质量预测系统及方法。
背景技术
水源质量对生活质量，居民健康以及城市形象有着巨大影响。随着城市人口的增加，工业的发展和化石燃料的消耗也在不断增加，这直接导致了大量城市、工业污水排放超标，中国河流水污染的增加。近年来，中国面临着非常严重的水污染问题，对生态环境和人类健康造成了重大的影响。可以说，人类社会的进步是以牺牲本发明的生命和环境为代价的。由于工业和经济的快速增长，中国城镇周边水质污染影响最大，其中，难以采样数据和实时监测的小流域污染尤为突出。流域中的磷(P)、氨氮(NH3—N)对健康尤其有害，每年河流污染造成水生物大量死亡，城市居民用水质量大幅度下降，主要是引起消化道和血液类疾病。污水中的酸、碱、氧化剂，以及铜、镉、汞、砷等化合物，苯、二氯乙烷、乙二醇等有机毒物，会毒死水生生物，影响饮用水源、风景区景观。污水中的有机物被微生物分解时消耗水中的氧，影响水生生物的生命，水中溶解氧耗尽后，有机物进行厌氧分解，产生硫化氢、硫醇等难闻气体，使水质进一步恶化。因此，提出新的，更好的和更可靠的预测模型以准确预测水环境质量是极其重要的。
现有一般采用水环境质量指数(WQI)对水环境质量进行评测，WQI是指水环境质量评价中水环境质量优劣的数量尺度。水环境质量指数可分为单项水环境质量指数和综合水环境质量指数两类。综合水中多种污染物的影响，一般可分为两种类型：
(1)参数分级评分叠加型指数。选定若干参数，然后将各参数分成若干级，按质量优劣评分，最后将各参数的评分相加，求出综合水质参数，如罗斯(Ross)水质参数；
(2)参数的相对质量叠加型指数。首先选定若干评价参数，将各参数的实际浓度(Ci)和相应评价标准浓度(Si)相比，求出各参数的相对质量指数(Ci/Si)，然后求总和值，可表示为：WQI＝Z×(Ci/Si)，水环境质量评价指数法是根据水质组分浓度相对于其环境质量标准的大小来判断水的质量状况。利用水环境质量指数法能较为客观、直接地反映某区域水体的水环境质量或者污染程度。
目前的水环境质量预测方法大多基于单一污染物模型，例如郭劲松等人提出的BOD2DO耦合人工神经网络水质模拟的研究。水污染对健康的有害影响主要是由于流域中存在多种污染物，单一污染指数无法证明这些污染物是否会对人体造成危害。而且，小流域水质存在流速较慢，污染度更新慢，数据难以采集等特点，多污染物模型在模拟小流域水质污染物贡献度方面比目前使用的单一污染物模型更有效。因此，需要提出一个基于多污染物模型的水环境质量预测方法来准确预测水环境质量的变化，在将要发生污染时，做到提前预警。
发明内容
基于现有技术存在的问题，本发明考虑到人工神经网络(ArtificialNeuralNetwork，缩写ANN)是基于生物神经系统研究而建立的模型，它具有大规模并行处理和分布式存储各类图像信息的功能，有很强的容错性、联想和记忆能力，因而被广泛地应用于故障诊断、模式识别、联想记忆、复杂优化、图像处理以及计算机领域。小波神经网络(Wavelet Neural Network,缩写WNN)正是在小波分析研究获得突破的基础上提出的一种人工神经网络。它是基于小波分析理论以及小波变换所构造的一种分层的、多分辨率的新型人工神经网络模型，它沿用神经网络的结构，其主要作用还是在于神经网络的优化。它的收敛速度快，有较强的学习和推广能力，精度更高，能够避免陷入局部最优解，同时具有时频局部分析的特点。
因此，鉴于以上情况，结合小波神经网络技术，可解决上述小流域水环境质量难以预测的问题。本发明提出了一种基于神经网络的水环境质量预测系统及方法。
本发明的一种基于神经网络的水环境质量预测系统，所述系统包括中心管理服务器、多个水质量数据采集终端、多个水质量信息收集终端以及连接中心管理服务器的数据处理单元、数据存储服务器、通信主控单元、显示单元、FTP服务器；
其中，中心管理服务器从数据处理单元获取水质量监测数据和水质量预测结果，通过通信主控单元向监管员传输、通过FTP服务器发送到收集终端、存储到数据存储服务器中或/和发送到显示单元进行显示监测点的水质量监测数据以及预测结果；通信主控单元用于接收每个采集终端传送的水质量监测数据并传送到数据处理单元；所述数据处理单元内部集成了基于神经网络的水环境质量预测算法，对接收到的水质量监测数据进行处理、预测，计算出水质量预测结果；所述数据存储服务器负责存储所有经过数据处理单元处理过的水质量监测数据和水质量预测结果；所述采集终端分布在河流各处，用于采集水质量监测数据；对采集终端的接口和通信协议进行设置管理，并且生成采集终端的数据采集周期和存储周期。
进一步的，所述数据处理单元包括特征提取模块、小波神经网络模块、水质量残差计算模块以及水质量判断模块；所述小波神经网络模块包括小波函数单元、反向传播神经网络单元以及水质量预测单元；所述特征提取模块用于将去噪后的水质量数据划分为包括水质污染监测标准的多个特征，并形成水质时间序列；所述小波函数单元用于根据小波函数对水质时间序列的标准化基线数据进行去噪处理；所述反向传播神经网络将小波函数单元处理后的水质时间序列通过反向传播神经网络训练小波神经网络模型，以及计算出区分水质量数据是否异常的阈值区间；所述水质量预测单元根据输入采集到的水质量监测数据，通过小波神经网络模型预测出水质量预测结果，水质量残差计算模块用于计算出水质量预测结果与实际水质量监测数据之间的残差序列；水质量判断模块判断出水质量预测结果与实际水质量监测数据之间的残差序列，与阈值区间的大小，若判断超出阈值区间，则当前水质量异常，否则水质量正常，并将水质量监测数据和判断后的水质量预测结果发送给中心管理服务器以及存储至数据存储服务器。
进一步的，所述小波单元包括用小波函数对特征提取模块处理后的时间序列进行处理，将时间序列变换为低频分量和包含噪声的高频分量，Si＝f(t)+σ×e(t),t＝0,...,n-1，其中f(t)为实际时间序列，e(t)为噪声时间序列，i为采样时间，σ为噪声系数，即标准化偏差；采用小波去噪法对标准化的基线数据进行去噪处理，相应的离散小波函数被表示为其中为比例因子，bo为时间因子，t为采样时间，j为正整数，时间序列中元素的编号；离散化的小波系数被表示为小波重构公式被表示为其中C为常数。
进一步的，所述反向传播神经网络单元包括多个输入层、多个隐含层和一个输出层；将小波函数单元处理后的时间序列输入到输入层后，经过第一权值连接到隐含层，并通过第二权值连接到输出层，从而输出预测时间序列；通过分布函数将预测的水质量数据与原始监测数据之间的残差进行拟合，从而确定出残差分布方程，从而计算出区分水质量数据是否异常的阈值区间。
在本发明的一种基于神经网络的水环境质量预测系统基础上，本发明还提出了一种基于神经网络的水环境质量预测方法，所述方法包括以下步骤：
S1、对从分布在河流各处采集终端采集到的水质量数据进行标准化处理，采用小波函数对其进行去噪处理，去除高频噪声；
S2、将去噪后包括多种环境污染物含量的水质污染监测标准特征，作为输入水质时间序列，采用反向传播神经网络对所述水质时间序列进行训练，从而训练出小波神经网络模型；
S3、通过分布函数将训练过程中预测出的水质时间序列与原始水质量监测数据之间的残差进行拟合，确定出残差分布方程，从而计算出区分水质量数据是否异常的阈值区间；
S4、采用训练好的小波神经网络模型预测当前的水质量数据，根据当前的实际水质量监测数据，计算水质量的预测结果和实际水质量监测数据之间的残差序列；
S5、当残差在阈值区间之内时，表明水质时间序列正常，当残差超出阈值区间时，则说明水质可能会发生异常，通过中心管理服务器向监管员发出警报。
进一步的，所述步骤S1包括：
S11、用小波函数对特征提取模块处理后的时间序列进行处理，将时间序列变换为低频分量和包含噪声的高频分量，Si＝f(t)+σ×e(t),t＝0,...,n-1；
S12、采用小波去噪法对标准化的基线数据进行去噪处理，相应的离散小波函数被表示为
离散化的小波系数被表示为
小波重构公式被表示为
其中，f(t)为实际时间序列，e(t)为噪声时间序列，i为采样时间，σ为噪声系数，即标准化偏差；C为常数；为比例因子，bo为时间因子，t为采样时间，j为正整数，时间序列中元素的编号。
可选的，所述步骤S1中采用的多种环境污染物含量的水质污染监测标准特征包括主要包括“PH值”、“溶解氧DO(mg/L)”、“化学需氧量CODCr(mg/L)”、“氨氮NH3-N(mg/L)”、“总磷TP(mg/L)”、“总氮TN(mg/L)”。
进一步的，步骤S4包括：
将预测出的水质时间序列采用小波重构方法进行信号重构，并与实际的水质量监测数据进行对比重建出残差序列；
采用对应的分布函数去拟合残差序列的分布，计算得到拟合优度及分布方程；
根据残差分布方程，计算得到区分正常水质数据和异常水质数据的阈值区间。
本发明的有益效果：
本发明利用小波函数处理水质数据，通过反向传播神经网络(BPNN)训练数据，得到小波神经网络模型，同时计算得到区分正常水质数据和异常水质数据的阈值，通过比较预测值和实际监测值残差是否在阈值区域内来预测小流域的水环境质量。本发明水环境质量预测方法可为水环境以及生态类研究工作提供更好的数据。
附图说明
图1是本发明的基于神经网络的水环境质量预测系统的框架结构图；
图2是本发明的基于神经网络的水环境质量预测方法的流程图；
图3是本发明的采用的小波神经网络的框架结构图；
图4是本发明的优选实施例的系统流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
如图1所示，本发明的一种基于神经网络的水环境质量预测系统包括：中心管理服务器，连接中心管理服务器的数据处理单元、数据存储服务器、通信主控单元、显示单元、FTP服务器，分布在河流各处的监测点。每个监测点都有负责水质量数据收集的采集终端，对采集终端的接口和通信协议进行设置管理，并且生成采集终端的数据采集周期和存储周期的表格，通过打印机打印呈现；所述的通信主控单元负责接收每个监测点传送的监测数据，进行对该区域内水环境质量信息的反馈，传送到数据处理单元；数据处理单元内部集成了基于神经网络的水环境质量预测算法，对接收到的水质量数据进行处理、预测，并将水质量数据和预测结果传送到中心管理服务器；中心管理服务器负责将接收到的数据发送到显示单元进行显示，同时通过通信主控单元向监管员手机终端传输某个监测点的水质量信息以及预测结果，中心管理服务器还负责把水环境质量信息和预测结果上传到FTP服务器，各处的使用终端可以从FTP服务器上下载各监测点的水环境质量信息进行查看；数据存储服务器负责存储所有经过数据处理单元处理过的水质量数据信息和预测结果。
进一步的，所述数据处理单元包括特征提取模块、小波神经网络模块、水质量残差计算模块以及水质量判断模块；所述小波神经网络模块包括小波函数单元、反向传播神经网络单元以及水质量预测单元；所述特征提取模块用于将去噪后的水质量数据划分为包括水质污染监测标准的多个特征，并形成水质时间序列；所述小波函数单元用于根据小波函数对水质时间序列的标准化基线数据进行去噪处理；所述反向传播神经网络将小波函数单元处理后的水质时间序列通过反向传播神经网络训练小波神经网络模型，以及计算出区分水质量数据是否异常的阈值区间；所述水质量预测单元根据输入采集到的水质量监测数据，通过小波神经网络模型预测出水质量预测结果，水质量残差计算模块用于计算出水质量预测结果与实际水质量监测数据之间的残差序列；水质量判断模块判断出水质量预测结果与实际水质量监测数据之间的残差序列，与阈值区间的大小，若判断超出阈值区间，则当前水质量异常，否则水质量正常，并将水质量监测数据和判断后的水质量预测结果发送给中心管理服务器以及存储至数据存储服务器。
所述小波单元包括用小波函数对特征提取模块处理后的时间序列进行处理，将时间序列变换为低频分量和包含噪声的高频分量，Si＝f(t)+σ×e(t),t＝0,...,n-1，其中f(t)为实际时间序列，e(t)为噪声时间序列，i为采样时间，σσ为噪声系数，即标准化偏差；采用小波去噪法对标准化的基线数据进行去噪处理，相应的离散小波函数被表示为其中为比例因子，bo为时间因子，t为采样时间，j为正整数，时间序列中元素的编号；离散化的小波系数被表示为小波重构公式被表示为其中C为常数。
所述反向传播神经网络单元包括多个输入层、多个隐含层和一个输出层；将小波函数单元处理后的时间序列输入到输入层后，经过第一权值连接到隐含层，并通过第二权值连接到输出层，从而输出预测时间序列；通过分布函数将预测值与原始监测数据之间的残差进行拟合，从而确定出残差分布方程，从而计算出阈值区间。
实施例2
本实施例提供一种基于神经网络的水环境质量预测方法，如图2所示，包括：
S1、对从分布在河流各处采集终端采集到的水质量数据进行标准化处理，采用小波函数对其进行去噪处理，去除高频噪声；
S2、将去噪后包括多种环境污染物含量的水质污染监测标准特征，作为输入水质时间序列，采用反向传播神经网络对所述水质时间序列进行训练，从而训练出小波神经网络模型；
S3、通过分布函数将训练过程中预测出的水质时间序列与原始水质量监测数据之间的残差进行拟合，确定出残差分布方程，从而计算出区分水质量数据是否异常的阈值区间；
S4、采用训练好的小波神经网络模型预测当前的水质量数据，根据当前的实际水质量监测数据，计算水质量的预测结果和实际水质量监测数据之间的残差序列；
S5、当残差在阈值区间之内时，表明水质时间序列正常，当残差超出阈值区间时，则说明水质可能会发生异常，通过中心管理服务器向监管员发出警报。
步骤S1可包括：
对处于正常情况基准线的水质监测数据称作基线数据，对正常情况下的基线数据进行标准化处理，通过Z-分数算法：将原始监测数据xi转换为以0为均值1为方差的标准值，采用小波去噪方法对标准化基线数据进行去噪处理，去除基线数据中的高频噪声。具体的：
a1.用小波函数对时间序列进行处理，它将时间序列变化成二维平面，得到原始时间序列的基本特征，将原始时间序列转换成包含主要变化规律的低频部分和包含噪声的高频部分两个分量Si＝f(t)+σ×e(t),t＝0,...,n-1，其中f(t)为实际时间序列，e(t)为噪声时间序列，i为采样时间，σ为噪声系数(标准化偏差)。
a2.采用小波去噪法对标准化的基线数据进行去噪处理，在小波去噪过程中，噪声系数σ可以设定为0，相应的离散小波函数可以被表示为其中为比例因子，bo为时间因子，t为采样时间，j为正整数，时间序列中元素的编号。
a3.离散化的小波系数可以被表示为
a4.小波重构公式可以被表示为其中C为常数。
本实施例以某小流域河流的监测数据作为研究对象，小流域研究对象取样说明如下：
(1)流域或排水口水质：每个监测点在河流中泓线取1个水样进行监测分析。
(2)水库水质：根据水深情况，垂直方向取3个水样进行检测分析。
(3)底泥：测算底泥深度，每个监测点垂直方向每50cm取1个泥样进行监测分析。
根据《地表水环境质量标准》(GB 3838-2002)等有关技术规范，确定河流或排水口水质监测指标共6项，本发明仅展示一部分数据如表1所示：
表1水质数据表
所使用的数据主要包含该流域的水质污染物浓度数据，本发明每次监测共考虑6个特征变量，包括6种水质污染监测标准：“pH值”、“溶解氧DO(mg/L)”、“化学需氧量CODCr(mg/L)”、“氨氮NH3-N(mg/L)”、“总磷TP(mg/L)”、“总氮TN(mg/L)”。当然，本发明也可采用其他特征变量。
将去噪后的时间序列输入到反向传播神经网络(BPNN)进行训练：
b1.将时间序列通过反向传播神经网络(BPNN)的学习规则，训练出满足预测精度的时间序列，
b2.将预测的时间序列采用小波重构方法进行信号重构，并与实际监测数据进行对比，评价预测精度，
b3.用预测值和原始监测值之间的残差来表示预测模型的性能，
b4.采用对应的分布函数去拟合残差序列的分布，计算得到拟合优度及分布方程，
b5.根据残差分布方程，计算得到区分正常水质数据和异常水质数据的阈值。
在步骤b1中，反向传播神经网络(BPNN)的训练采用梯度下降算法，沿着误差函数减少最快的方向，也就是梯度的反方向改变权值和偏差，直到得到满足预测精度的时间序列。其迭代计算公式可表示为xk+1＝xk-akgk，其中xk为当前的权值和方差，xk+1为迭代产生的下一时刻的权值和偏差，ak为学习速率，gk为当前误差函数的梯度。
如图3所示，反向传播神经网络(BPNN)是一种基于误差反向传播的多层前馈型神经网络算法，它可以在不揭示输入输出变量之间数学方程的情况下，通过“黑箱”学习和存储大量的输入输出映射关系。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。所述反向传播神经网络单元包括多个输入层、多个隐含层和一个输出层；将小波函数单元处理后的时间序列输入到输入层后，经过第一权值连接到隐含层，并通过第二权值连接到输出层，从而输出预测时间序列，并与实际监测数据进行对比，评价预测精度；预测模型的性能可以从预测值和原始监测值之间的残差来表示；通过分布函数将预测的水质量数据与原始监测数据之间的残差进行拟合，从而确定出残差分布方程，从而计算出区分水质量数据是否异常的阈值区间。
本实施例中输入层神经元个数选择依据为：一天中温度的昼夜变化，引起水体中光合/呼吸作用昼夜动态变化，导致在基态条件下水质参数浓度昼夜变化，因此输入层神经元个数定义为24小时/15分钟＝96个。隐含层神经元个数并没有特殊算法能够计算，一般的做法是选择2～16个神经元分别测试其效果。输出层包含一个神经元，主要表示当前时刻的水质数据。神经网络训练过程采用标准梯度下降算法，在神经网络训练过程中，网络结构和训练迭代次数是提高模型训练效率和防止网络过训练的两个主要指标。本实施例中神经网络最大迭代次数设置为1000次，最小误差目标为10-4。
基于小波变换，将原始时间序列转换成不同频率的时间序列，针对时间序列频率的不同，输入参数的数量也不同，依据时间序列变化周期而定，例如时间序列上一个周期内有n个值，则采用神经网络预测过程中输入层参数的个数为n。BPNN网络的学习为有监督的学习，训练过程中需要提供输入向量和期望响应向量，训练过程中网络的权值和偏差根据网络误差性能进行调整，最终实现期望的功能。
BPNN的训练采用梯度下降算法，沿着误差函数减少最快的方向，也就是梯度的反方向改变权值和偏差，直到得到满足预测精度的时间序列。其迭代计算公式可表示为xk+1＝xk-akgk，其中xk为当前的权值和方差，xk+1为迭代产生的下一时刻的权值和偏差，ak为学习速率，gk为当前误差函数的梯度。
实施例3
如图4所示，在本实施例中，将历史水质监测时间序列进行小波去噪，划分为低频部分和高频部分，将低频部分采用人工神经网络预测出小波低频时间序列，将高频部分直接归零化，形成高频时间序列，将高低频时间序列进行小波重构，确定出预测后的水质量时间序列，将其与实际的监测到的水质量时间序列相减，确定出历史残差时间序列，从而生成能够区分水质量数据是否异常的阈值区间；
另一方面，记录当前时刻实际监测到的水质量数据，将其与小波神经网络预测后的水质量预测值相减，确定出当前时刻的残差，判断残差是否在阈值区间内，设定以残差均值为中心左右累计99％的分布为正常，其他1％为异常，二者之间的分界线即为阈值。若在阈值区间内，则判断该水质时间序列为正常的，若不在阈值区间内，则再次判断该持续时间是会否大于指定时间，若大于指定时间，则判断为突发污染时间，则通过中心管理服务器给监管员发送警报信息；若为小于指定时间，则仍然判断为正常水质时间序列。
本实施例中指定时间可为两个小时。
可以理解的是，本发明的水环境质量预测系统和方法的某些特征可以相互引用，本发明就不再一一列举。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于神经网络的水环境质量预测系统，其特征在于，所述系统包括中心管理服务器、多个水质量数据采集终端、多个水质量信息收集终端以及连接中心管理服务器的数据处理单元、数据存储服务器、通信主控单元、显示单元、FTP服务器；
其中，中心管理服务器从数据处理单元获取水质量监测数据和水质量预测结果，通过通信主控单元向监管员传输、通过FTP服务器发送到收集终端、存储到数据存储服务器中或/和发送到显示单元进行显示监测点的水质量监测数据以及预测结果；通信主控单元用于接收每个采集终端传送的水质量监测数据并传送到数据处理单元；所述数据处理单元内部集成了基于神经网络的水环境质量预测算法，对接收到的水质量监测数据进行处理、预测，计算出水质量预测结果；所述数据存储服务器负责存储所有经过数据处理单元处理过的水质量监测数据和水质量预测结果；所述采集终端分布在河流各处，用于采集水质量监测数据；对采集终端的接口和通信协议进行设置管理，并且生成采集终端的数据采集周期和存储周期。
2.根据权利要求1所述的一种基于神经网络的水环境质量预测系统，其特征在于，所述数据处理单元包括特征提取模块、小波神经网络模块、水质量残差计算模块以及水质量判断模块；所述小波神经网络模块包括小波函数单元、反向传播神经网络单元以及水质量预测单元；所述特征提取模块用于将去噪后的水质量数据划分为包括水质污染监测标准的多个特征，并形成水质时间序列；所述小波函数单元用于根据小波函数对水质时间序列的标准化基线数据进行去噪处理；所述反向传播神经网络将小波函数单元处理后的水质时间序列通过反向传播神经网络训练小波神经网络模型，以及计算出区分水质量数据是否异常的阈值区间；所述水质量预测单元根据输入采集到的水质量监测数据，通过小波神经网络模型预测出水质量预测结果，水质量残差计算模块用于计算出水质量预测结果与实际水质量监测数据之间的残差序列；水质量判断模块判断出水质量预测结果与实际水质量监测数据之间的残差序列，与阈值区间的大小，若判断超出阈值区间，则当前水质量异常，否则水质量正常，并将水质量监测数据和判断后的水质量预测结果发送给中心管理服务器以及存储至数据存储服务器。
3.根据权利要求2所述的一种基于神经网络的水环境质量预测系统，其特征在于，所述小波单元包括用小波函数对特征提取模块处理后的时间序列进行处理，将时间序列变换为低频分量和包含噪声的高频分量，Si＝f(t)+σ×e(t),t＝0,...,n-1，其中f(t)为实际时间序列，e(t)为噪声时间序列，i为采样时间，σ为噪声系数，即标准化偏差；采用小波去噪法对标准化的基线数据进行去噪处理，相应的离散小波函数被表示为其中为比例因子，bo为时间因子，t为采样时间，j为正整数，即时间序列中元素的编号；k表示尺度伸缩因子；离散化的小波系数被表示为小波重构公式被表示为其中C为常数。
4.根据权利要求2所述的一种基于神经网络的水环境质量预测系统，其特征在于，所述反向传播神经网络单元包括多个输入层、多个隐含层和一个输出层；将小波函数单元处理后的时间序列输入到输入层后，经过第一权值连接到隐含层，并通过第二权值连接到输出层，从而输出预测时间序列；通过分布函数将预测的水质量数据与原始监测数据之间的残差进行拟合，从而确定出残差分布方程，从而计算出区分水质量数据是否异常的阈值区间。
5.一种基于神经网络的水环境质量预测方法，其特征在于，所述方法包括以下步骤：
S1、对从分布在河流各处采集终端采集到的水质量数据进行标准化处理，采用小波函数对其进行去噪处理，去除高频噪声；
S2、将去噪后包括多种环境污染物含量的水质污染监测标准特征，作为输入水质时间序列，采用反向传播神经网络对所述水质时间序列进行训练，从而训练出小波神经网络模型；
S3、通过分布函数将训练过程中预测出的水质时间序列与原始水质量监测数据之间的残差进行拟合，确定出残差分布方程，从而计算出区分水质量数据是否异常的阈值区间；
S4、采用训练好的小波神经网络模型预测当前的水质量数据，根据当前的实际水质量监测数据，计算水质量的预测结果和实际水质量监测数据之间的残差序列；
S5、当残差在阈值区间之内时，表明水质时间序列正常，当残差超出阈值区间时，则说明水质可能会发生异常，通过中心管理服务器向监管员发出警报。
6.根据权利要求5所述的一种基于神经网络的水环境质量预测方法，其特征在于，所述步骤S1包括：
S11、用小波函数对特征提取模块处理后的时间序列进行处理，将时间序列变换为低频分量和包含噪声的高频分量，Si＝f(t)+σ×e(t),t＝0,...,n-1；
S12、采用小波去噪法对标准化的基线数据进行去噪处理，相应的离散小波函数被表示为
离散化的小波系数被表示为
小波重构公式被表示为
其中，f(t)为实际时间序列，e(t)为噪声时间序列，i为采样时间，σ为噪声系数，即标准化偏差；C为常数；k表示尺度伸缩因子；为比例因子，bo为时间因子，t为采样时间，j为正整数，即时间序列中元素的编号。
7.根据权利要求5或6所述的一种基于神经网络的水环境质量预测方法，其特征在于，所述步骤S1中采用的多种环境污染物含量的水质污染监测标准特征包括PH值、溶解氧、化学需氧量、氨氮、总磷以及总氮的含量。
8.根据权利要求5所述的一种基于神经网络的水环境质量预测方法，其特征在于，步骤S4包括：
将预测出的水质时间序列采用小波重构方法进行信号重构，并与实际的水质量监测数据进行对比重建出残差序列；
采用对应的分布函数去拟合残差序列的分布，计算得到拟合优度及分布方程；
根据残差分布方程，计算得到区分正常水质数据和异常水质数据的阈值区间。
CN201910634973.3A 2019-07-15 2019-07-15 一种基于神经网络的水环境质量预测系统及方法 Pending CN110390429A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910634973.3A CN110390429A (zh) 2019-07-15 2019-07-15 一种基于神经网络的水环境质量预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910634973.3A CN110390429A (zh) 2019-07-15 2019-07-15 一种基于神经网络的水环境质量预测系统及方法

Publications (1)

Publication Number Publication Date
CN110390429A true CN110390429A (zh) 2019-10-29

Family

ID=68286553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910634973.3A Pending CN110390429A (zh) 2019-07-15 2019-07-15 一种基于神经网络的水环境质量预测系统及方法

Country Status (1)

Country Link
CN (1) CN110390429A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110835128A (zh) * 2019-11-26 2020-02-25 倪世章 一种基于水质实时净化水质量的净水器及方法
CN111811580A (zh) * 2020-07-24 2020-10-23 重庆华悦生态环境工程研究院有限公司 一种水量/水质监测布点方法及预警响应系统
CN111948272A (zh) * 2020-07-30 2020-11-17 北京航空航天大学 一种基于人工神经网络的水质生物毒性预测方法
CN111984705A (zh) * 2020-08-20 2020-11-24 广东电网有限责任公司电力科学研究院 一种电能质量监测装置的精度评估管理方法和装置
CN112067517A (zh) * 2020-09-11 2020-12-11 杭州市地下管道开发有限公司 一种河湖水体智慧监测方法、设备、系统及可读存储介质
CN112836842A (zh) * 2019-11-25 2021-05-25 天津大学 基于“源-汇”风险分析的流域水环境质量预测方法及系统
CN115792165A (zh) * 2023-01-31 2023-03-14 北京华科仪科技股份有限公司 一种环境水质智能监测方法及系统
CN115865992A (zh) * 2023-03-02 2023-03-28 中国建材检验认证集团湖南有限公司 一种智慧水利在线监测系统
CN116822753A (zh) * 2023-08-30 2023-09-29 北京建筑大学 基于神经网络的电动淋洗修复底泥预测优化方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855526A (zh) * 2012-08-29 2013-01-02 毛振刚 突发水污染事件监控预警系统
KR20160114211A (ko) * 2015-03-23 2016-10-05 대양엔바이오(주) 수 처리 시스템 및 방법
CN109583944A (zh) * 2018-11-13 2019-04-05 中石化石油工程技术服务有限公司 基于一维小波分解重构和神经网络的天然气需求预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855526A (zh) * 2012-08-29 2013-01-02 毛振刚 突发水污染事件监控预警系统
KR20160114211A (ko) * 2015-03-23 2016-10-05 대양엔바이오(주) 수 처리 시스템 및 방법
CN109583944A (zh) * 2018-11-13 2019-04-05 中石化石油工程技术服务有限公司 基于一维小波分解重构和神经网络的天然气需求预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
史斌: "水污染动态预警监测模型构建与应急处置工程风险分析", 《中国博士学位论文全文数据库 工程科技I辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836842A (zh) * 2019-11-25 2021-05-25 天津大学 基于“源-汇”风险分析的流域水环境质量预测方法及系统
CN110835128A (zh) * 2019-11-26 2020-02-25 倪世章 一种基于水质实时净化水质量的净水器及方法
CN110835128B (zh) * 2019-11-26 2021-12-07 陈文印 一种基于水质实时净化水质量的净水器及方法
CN111811580A (zh) * 2020-07-24 2020-10-23 重庆华悦生态环境工程研究院有限公司 一种水量/水质监测布点方法及预警响应系统
CN111948272A (zh) * 2020-07-30 2020-11-17 北京航空航天大学 一种基于人工神经网络的水质生物毒性预测方法
CN111948272B (zh) * 2020-07-30 2022-07-12 北京航空航天大学 一种基于人工神经网络的水质生物毒性预测方法
CN111984705A (zh) * 2020-08-20 2020-11-24 广东电网有限责任公司电力科学研究院 一种电能质量监测装置的精度评估管理方法和装置
CN112067517A (zh) * 2020-09-11 2020-12-11 杭州市地下管道开发有限公司 一种河湖水体智慧监测方法、设备、系统及可读存储介质
CN115792165A (zh) * 2023-01-31 2023-03-14 北京华科仪科技股份有限公司 一种环境水质智能监测方法及系统
CN115865992A (zh) * 2023-03-02 2023-03-28 中国建材检验认证集团湖南有限公司 一种智慧水利在线监测系统
CN116822753A (zh) * 2023-08-30 2023-09-29 北京建筑大学 基于神经网络的电动淋洗修复底泥预测优化方法及系统
CN116822753B (zh) * 2023-08-30 2023-11-03 北京建筑大学 基于神经网络的电动淋洗修复底泥预测优化方法及系统

Similar Documents

Publication Publication Date Title
CN110390429A (zh) 一种基于神经网络的水环境质量预测系统及方法
Semiromi et al. Water quality index development using fuzzy logic: A case study of the Karoon River of Iran
CN107358021B (zh) 一种基于优化bp神经网络的do预测模型建立方法
Tian et al. An optimization of artificial neural network model for predicting chlorophyll dynamics
Beck et al. A review of research on the development of lake indices of biotic integrity
Najah et al. Prediction of Johor River water quality parameters using artificial neural networks
Geng et al. Early warning modeling and analysis based on a deep radial basis function neural network integrating an analytic hierarchy process: A case study for food safety
Wu et al. Effects of data normalization and inherent-factor on decision of optimal coagulant dosage in water treatment by artificial neural network
JPH0512019A (ja) プロセス運転支援システムおよび運転支援方法
CN110969346A (zh) 基于指标筛选的流域水生态功能分区治理需求评价方法
Song et al. Study on turbidity prediction method of reservoirs based on long short term memory neural network
Rounds Development of a neural network model for dissolved oxygen in the Tualatin River, Oregon
CN110309609A (zh) 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法
Ruan et al. Application of fuzzy neural networks for modeling of biodegradation and biogas production in a full-scale internal circulation anaerobic reactor
CN113408799A (zh) 一种基于混合神经网络的河流总氮浓度预测方法
Baki et al. Biochemical oxygen demand prediction in wastewater treatment plant by using different regression analysis models
CN110119165B (zh) 一种水产养殖池塘溶解氧检测装置
Zhou et al. Simulation of future dissolved oxygen distribution in pond culture based on sliding window-temporal convolutional network and trend surface analysis
CN111204867B (zh) 膜生物反应器-mbr膜污染智能决策方法
CN102855404B (zh) 湖库水华应急治理决策方案的筛选方法
Lopez et al. Water quality prediction system using LSTM NN and IoT
CN105527398A (zh) 一种凡纳滨对虾养殖池塘水质的评价方法
Beck et al. Application of neural networks to quantify the utility of indices of biotic integrity for biological monitoring
CN106021884A (zh) 一种基于神经网络原理的潜流湿地出水浓度的预测方法
Soehartanto et al. Dissolved oxygen control system in polishing unit using logic solver

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191029

RJ01 Rejection of invention patent application after publication