CN111707795B - 一种地表水生化需氧量bod的监测方法及系统 - Google Patents

一种地表水生化需氧量bod的监测方法及系统 Download PDF

Info

Publication number
CN111707795B
CN111707795B CN202010582680.8A CN202010582680A CN111707795B CN 111707795 B CN111707795 B CN 111707795B CN 202010582680 A CN202010582680 A CN 202010582680A CN 111707795 B CN111707795 B CN 111707795B
Authority
CN
China
Prior art keywords
bod
value
machine learning
data
determining
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
Application number
CN202010582680.8A
Other languages
English (en)
Other versions
CN111707795A (zh
Inventor
郭永超
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.)
Anheng Environmental Technology Beijing Co ltd
Original Assignee
Anheng Environmental Technology Beijing Co ltd
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 Anheng Environmental Technology Beijing Co ltd filed Critical Anheng Environmental Technology Beijing Co ltd
Priority to CN202010582680.8A priority Critical patent/CN111707795B/zh
Publication of CN111707795A publication Critical patent/CN111707795A/zh
Application granted granted Critical
Publication of CN111707795B publication Critical patent/CN111707795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N33/1806—Water biological or chemical oxygen demand (BOD or COD)
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

本申请公开了一种地表水生化需氧量BOD的监测方法及系统，用于快速准确的计算BOD的值。本申请提供的方法包括：确定n小时的BOD的模拟值BODAI；确定n小时的BOD的备选值BODnHDO；确定偏差系数Δ；根据所述模拟值BODAI，所述备选值BODnHDO和所述偏差系数Δ，确定目标BODM。本申请还提供了一种地表水BOD的监测系统。

Description

一种地表水生化需氧量BOD的监测方法及系统
技术领域
本申请涉及水环境质量监测领域，尤其涉及一种地表水中生化需氧量BOD的快速监测方法及系统。
背景技术
近年来地表水环境质量逐渐好转，但仍面临较大挑战，仍需加强环境质量监测工作；地表水环境质量评价工作需要由环境监测数据进行支撑。生化需氧量BOD是地表水环境质量的重要指标，但是当前的监测/检测方法耗时长，在准确性和实时性上仍然不能满足准确测量、快速上传的需要，需要有更好的BOD在线监测技术和方法。
发明内容
针对上述技术问题，本申请实施例提供了一种地表水BOD的监测方法及系统，用以用于提高监测速度，实现快速更新监测结果。
一方面，本申请实施例提供的一种地表水BOD的监测方法，包括：
确定n小时的BOD的模拟值BODAI；
确定n小时的BOD的备选值BODnHDO；
确定偏差系数Δ；
根据所述模拟值BODAI，所述备选值BODnHDO和所述偏差系数Δ，确定目标BODM；
其中，n为大于0的数。
优选的，根据以下公式确定目标BOD：
Figure BDA0002552971740000021
其中，所述偏差系数Δ不等于1。
进一步的，所述BOD的模拟值BODAI通过以下方法确定：
根据BOD历史数据库DBt_d，溶解氧随时间变化的曲线T-D和全参数的时间指标列表LIST_history_bod，通过机器学习算法，确定BOD的模拟值BODAI。
优选的，所述通过机器学习算法，确定BOD的模拟值BODAI之前，还包括：
将历史数据分为训练段和验证段；
将所述训练段输入机器学习算法进行训练；
将所述验证段输入训练后的机器学习算法，得出BOD的模拟值；
将所述BOD的模拟值与历史BOD真实值进行比较，得出偏离度R；
若偏离度R大于0.95则训练成功，否则使用所述训练段继续对所述机器学习算法进行训练。
优选的，所述偏差系数Δ通过以下方法确定：
实际水样进行测量，得到高锰酸盐指数CODmn；
根据BOD历史数据库DBt_d，溶解氧随时间变化的曲线T-D和全参数的时间指标列表LIST_history_bod，通过机器学习算法，确定所述高锰酸盐指数CODmn的模拟值CODmnAI；
根据所述CODmn和所述CODmnAI，通过以下公式确定所述偏差系数Δ：
Figure BDA0002552971740000022
优选的，所述BOD的备选值BODnHDO通过以下方法确定：
根据最新的DO值，与历史数据库中的DO值进行比较，将相似度最高的历史值作为备选值BODnHDO。
作为一种优选示例，所述n等于4；所述目标BODM是5日生化需氧量BOD5。
作为另一种优选示例，所述全参数的时间指标列表LIST_history_bod至少包括以下之一：地表水的PH值；溶解氧；总氧；高锰酸盐指数CODmn；氨氧；UVASbod；生物综合毒性数据；叶绿素蓝绿藻数据。
相应的，本发明还提供了一种地表水BOD的监测系统，包括：
数据采集子系统，用于采集计算所需要的指标；
数据库子系统，用于存储所述数据采集子系统采集的所有历史数据；
机器学习子系统，用于根据输入的历史数据，通过机器学习算法计算指标的模拟值；
计算子系统，用于根据所述机器学习子系统输出的模拟值和所述数据采集子系统采集的指标，计算目标BODM。
本发明提供的地表水BOD的监测方法和系统，结合地表水自动监测站特点，以短时间内实时溶解氧DO变化数据和站点BOD同期历史数据和变化曲线数据为基础，结合地表水站其他指标实际监测数据、地表水站历史数据(包括目标BODM)预测结果、当前自动站的上下游站点实时监测数据预测结果，通过实时传感器测量值和机器学习算法来计算最新的目标BODM，时间在n小时内，不需要长期培养就可以相对准确且快速地得到当前站点的目标BODM数据，满足地表水站BOD在线监测的需要。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术地表水BOD5的监测方法流程示意图；
图2为本申请实施例提供地表水BOD的监测方法流程示意图；
图3为本申请实施例提供的地表水BOD的监测系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面对文中出现的一些词语进行解释：
1、本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请中，BOD(生化需氧量)反映水中能被微生物降解的有机物的含量，分为5日生化需氧量BOD5、7日生化需氧量BOD7、10日生化需氧量BOD10和20日生化需氧量BOD20等，主要是因培养时间不同而产生的概念。
如图1所示为现有技术中一种地表水BOD5的监测方法示意图，包括以下步骤：
S101，地表水采样点采样；
S102，测定初期含氧量；
S103，进行5天的培养；
S104，测定末期含氧量；
S105，计算生化需氧量。
上述现有方法中，需要进行5天的培养，耗费较长的时间，不能实现快速测量上报的需要。
针对上述技术问题，本申请实施例提供了一种地表水BOD的监测方法及系统，结合地表水自动监测站特点，以短时间内实时溶解氧DO变化数据和站点BOD同期历史数据和变化曲线数据为基础，结合地表水站其他指标实际监测数据、地表水站历史数据(包括BOD5)模拟结果、当前自动站的上下游站点实时监测数据模拟结果，通过实时传感器测量值和机器学习算法来计算最新的BOD，时间在n小时内，不需要长期培养就可以准确且快速地得到当前站点的BOD数据，满足地表水站BOD在线监测的需要。
其中，方法和系统是基于同一申请构思的，由于方法和系统解决问题的原理相似，因此系统和方法的实施可以相互参见，重复之处不再赘述。
下面结合说明书附图对本申请各个实施例进行详细描述。需要说明的是，本申请实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。
实施例一
参见图2，为本申请实施例提供的一种地表水BOD的监测方法示意图，如图所示，该流程包括：
S201，确定n小时的BOD的模拟值BODAI；
在本步骤中，确定的是小时级别的BOD，即时间比目标BOD的时间更小。作为一个优选的示例，n为4小时。
作为一个优选的示例，可根据BOD历史数据库DBt_d，溶解氧随时间变化的曲线T-D和全参数的时间指标列表LIST_history_bod，通过机器学习算法，确定BOD的模拟值BODAI。
作为一种优选的示例，在使用机器学习算法进行模拟值计算之前，需要进行训练。将历史数据分为训练段和验证段，将所述训练段输入机器学习算法进行训练，将所述验证段输入训练后的机器学习算法，得出BOD的模拟值；将所述BOD的模拟值与历史BOD真实值进行比较，得出偏离度R；若偏离度R大于0.95则训练成功，否则使用所述训练段继续对所述机器学习算法进行训练。优选的，可将历史数据的前80％作为训练段，后20％作为验证段。
在本步骤中，在上述对机器学习算法进行训练之前，还可以包括对历史数据的清洗，例如删除重复的记录，存在异常的记录，错误的记录等。
可选的，历史数据库DBt_d的建立，考虑到准确性与数据量，可采用实验室手工检测获得的包括BOD5在内的所有监测指标历史数据库，检测指标可包括BOD5、还可包括但不限于地表水水站的pH、溶解氧、总氮、CODmn(高锰酸盐指数)、氨氮、UVASbod、生物综合毒性数据、叶绿素蓝绿藻数据等，将上述所有数据形成时间和指标的列表LIST_history_bod。
可选的，上述历史数据，可存储于监测站房本地或远程数据库，具体硬件可以是本地工控机或溶解氧控制器，本实施例不做限定。
在本步骤中，在对机器学习进行训练之后，将上述的历史数据导入，对BOD进行计算。导入的数据包括但不限于DBt-d、T-D、LIST_history_bod。其中T-D是指n小时内原水DO的时间T-D变化曲线(T-时间，优选0-240分钟，若以后地表水站数据上传周期减小，变为120分钟，T可以在0-120分钟；D-溶解氧DO含量，单位mg/L，因为水中可生物降解有机物的存在，其呼吸作用消耗水中溶解氧，因而存在溶解氧随时间变化的曲线)。
S202，确定n小时的BOD的备选值BODnHDO；
作为一种优选示例，可根据最新的BOD值，与历史数据库中的BOD值进行比较，将相似度最高的历史值作为备选值BODnHDO。
需要说明的是，本实施例中的相似度的计算，可用曼哈顿距离或者基于皮尔森相关性的相似度来计算，具体本实施例不做限定。
简单来说，所有指标，如果其他指标都相同或接近，那么BOD也很可能是相同或接近的。
可选的，可先建立监测站点的BOD历史数据库DB_d，n小时内原水DO的的时间T-D变化曲线；对曲线变化率进行微分计算，也就是计算n小时内曲线的变化率，用于计算T-D曲线相似程度。目标BOD的数据以DO的减少量为基础，得出真实的n小时内BOD的量，也就是BODnH。根据最新的BODnH与T-D历史数据中BODnH的相似程度，以相似度最接近的一个为当前水样的备选BOD数据BODnHDO。
作为一种优选的示例，n为大于0小于等于4的数。
S203，确定偏差系数Δ；
本步骤中，偏差系数Δ通过高锰酸盐指数CODmn来计算。先对实际水样进行测量，得到高锰酸盐指数CODmn，再根据BOD历史数据库DBt_d，溶解氧随时间变化的曲线T-D和全参数的时间指标列表LIST_history_bod，通过机器学习算法，确定所述高锰酸盐指数CODmn的模拟值CODmnAI。
CODmn与BOD具有相关性，但是不能直接按比例因子计算目标BODM，而且CODmn便于测量，可通过CODmn实测值与模拟值CODmnAI评估BOD实测值与模拟值的偏差。在此n小时内，现场在线监测设备会测量水样，测量出实际水样的CODmn，可根据以下公式计算两者的偏差程度Δ：
Figure BDA0002552971740000071
其中，由历史数据中的CODmn数据，按步骤S201中计算BODAI的方法计算出CODmn的模拟值CODmnAI，本步骤不再赘述。
S204，根据所述模拟值BODAI，所述备选值BODnHDO和所述偏差系数Δ，确定目标BODM。
具体的，可根据以下公式计算目标BODM的值：
Figure BDA0002552971740000072
其中，偏差系数Δ不等于1。
随时间变化，每n小时会有新的在线监测数据出现，新的在线监测数据、其他监测数据、实验室检测数据和新生成的BOD数据用于补充进历史数据库,用于进行新的数据预测与BOD监测。
作为一种优选示例，本实施例中所述目标BODM是5日生化需氧量BOD5，也可以是7日生化需氧量BOD7、10日生化需氧量BOD10和20日生化需氧量BOD20等，本实施例不做限制。
本实施例提供的方法，结合地表水自动监测站特点，以短时间内实时溶解氧DO变化数据和站点BOD同期历史数据和变化曲线数据为基础，结合地表水站其他指标实际监测数据、地表水站历史数据(包括目标BODM)预测结果、当前自动站的上下游站点实时监测数据预测结果，通过实时传感器测量值和机器学习算法来计算最新的目标BODM，时间在n小时内，不需要长期培养就可以相对准确且快速地得到当前站点的目标BODM数据，满足地表水站BOD在线监测的需要。
通过本实施例的方法，不需要长期监测BOD的情况下，以当前地表水水站的历史BOD数据以及监测站新监测得到的其他指标为基础，即可在地表水站要求的分析周期内获得BOD5等指标数据，能满足地表水水站监测BOD5等时间要求，增加了地表水站可生化处理的有机物含量，为评估水体环境质量、评估水体纳污能力提供了更接近准确数值的快速的监测方法。
实施例二
基于同一个发明构思，本发明实施例还提供了一种地表水DO的监测系统，如图3所示，该系统包括：
数据采集子系统301，用于采集计算所需要的指标；
数据库子系统302，用于存储所述数据采集子系统采集的所有历史数据；
机器学习子系统303，用于根据输入的历史数据，通过机器学习算法计算指标的模拟值；
计算子系统304，用于根据所述机器学习子系统输出的模拟值和所述数据采集子系统采集的指标，计算目标BODM；
优选的，所述数据采集子系统301采集的指标可包括BOD5、还可包括但不限于地表水水站的pH、溶解氧、总氮、CODmn(高锰酸盐指数)、氨氮、UVASbod、生物综合毒性数据、叶绿素蓝绿藻数据等。
优选的，数据库子系统302用于存储所有历史数据，可部署在监测站本地或者远程机房，具体的硬件可以是本地工控机或者溶解氧控制器，具体的实现方式本实施例不做限制。
优选的，机器学习子系统303还用于根据BOD历史数据库DBt_d，溶解氧随时间变化的曲线T-D和全参数的时间指标列表LIST_history_bod，通过机器学习算法，确定BOD的模拟值BODAI。
优选的，机器学习子系统303还用于根据BOD历史数据库DBt_d，溶解氧随时间变化的曲线T-D和全参数的时间指标列表LIST_history_bod，通过机器学习算法，确定CODmn的模拟值CODmnAI。
作为一种优选的示例，在使用机器学习算法进行模拟值计算之前，需要对机器学习子系统303进行训练。将历史数据分为训练段和验证段，将所述训练段输入机器学习算法进行训练，将所述验证段输入训练后的机器学习算法，得出BOD的模拟值；将所述BOD的模拟值与历史BOD真实值进行比较，得出偏离度R；若偏离度R大于0.95则训练成功，否则使用所述训练段继续对所述机器学习算法进行训练。优选的，可将历史数据的前80％作为训练段，后20％作为验证段。
优选的，机器学习子系统303在上述对机器学习算法进行训练之前，还用于对历史数据的清洗，例如删除重复的记录，存在异常的记录，错误的记录等。
优选的，计算子系统304用于根据以下公式计算目标BODM：
Figure BDA0002552971740000091
其中，偏差系数Δ不等于1。
进一步的，计算子系统304还用于通过以下公式计算偏差系数Δ：
Figure BDA0002552971740000101
需要说明的是，实施例三提供的系统与实施例一提供的方法属于同一个发明构思，解决相同的技术问题，达到相同的技术效果，实施例三提供的系统能实现实施例一和实施例二的所有方法，相同之处不再赘述。
需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (5)

1.一种地表水生化需氧量BOD的监测方法，其特征在于，包括：
确定n小时的BOD的模拟值BODAI；
确定n小时的BOD的备选值BODnHDO；
确定偏差系数Δ；
根据所述模拟值BODAI，所述备选值BODnHDO和所述偏差系数Δ，确定目标BODM；
其中，n为大于0的数；
根据以下公式确定所述目标BODM：
Figure FDA0003746198010000011
其中，所述偏差系数Δ不等于1；
所述BOD的备选值BODnHDO通过以下方法确定：
根据最新的实时溶解氧DO值，与历史数据库中的DO值进行比较，将相似度最高的历史值作为备选值BODnHDO；
所述BOD的模拟值BODAI通过以下方法确定：
根据BOD历史数据库DBt_d，溶解氧随时间变化的曲线T-D和全参数的时间指标列表LIST_history_bod，通过机器学习算法，确定BOD的模拟值BODAI；
所述偏差系数Δ通过以下方法确定：
对实际水样进行测量，得到高锰酸盐指数CODmn；
根据BOD历史数据库DBt_d，溶解氧随时间变化的曲线T-D和全参数的时间指标列表LIST_history_bod，通过机器学习算法，确定所述高锰酸盐指数CODmn的模拟值CODmnAI；
根据所述CODmn和所述CODmnAI，通过以下公式确定所述偏差系数Δ：
Figure FDA0003746198010000021
2.根据权利要求1所述的方法，其特征在于，所述通过机器学习算法，确定BOD的模拟值BODAI之前，还包括：
将历史数据分为训练段和验证段；
将所述训练段输入机器学习算法进行训练；
将所述验证段输入训练后的机器学习算法，得出BOD的模拟值；
将所述BOD的模拟值与历史BOD真实值进行比较，得出偏离度R；
若偏离度R大于0.95则训练成功，否则使用所述训练段继续对所述机器学习算法进行训练。
3.根据权利要求1所述的方法，其特征在于，包括：
所述n等于4；
所述目标BODM是5日生化需氧量BOD5。
4.根据权利要求1所述的方法，其特征在于，所述全参数的时间指标列表LIST_history_bod至少包括以下之一：
地表水的pH值；
溶解氧；
总氧；
高锰酸盐指数CODmn；
氨氧；
UVASbod；
生物综合毒性数据；
叶绿素蓝绿藻数据。
5.一种地表水生化需氧量BOD的监测系统，其特征在于，包括：
数据采集子系统，用于采集计算所需要的指标；
数据库子系统，用于存储所述数据采集子系统采集的所有历史数据；
机器学习子系统，用于根据输入的历史数据，通过机器学习算法计算指标的模拟值；
计算子系统，用于根据所述机器学习子系统输出的模拟值和所述数据采集子系统采集的指标，计算目标BODM；
所述监测系统，用于实现如权利要求1到4之一所述的监测方法。
CN202010582680.8A 2020-06-23 2020-06-23 一种地表水生化需氧量bod的监测方法及系统 Active CN111707795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010582680.8A CN111707795B (zh) 2020-06-23 2020-06-23 一种地表水生化需氧量bod的监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010582680.8A CN111707795B (zh) 2020-06-23 2020-06-23 一种地表水生化需氧量bod的监测方法及系统

Publications (2)

Publication Number Publication Date
CN111707795A CN111707795A (zh) 2020-09-25
CN111707795B true CN111707795B (zh) 2022-08-26

Family

ID=72543024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010582680.8A Active CN111707795B (zh) 2020-06-23 2020-06-23 一种地表水生化需氧量bod的监测方法及系统

Country Status (1)

Country Link
CN (1) CN111707795B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4350763A (en) * 1978-03-23 1982-09-21 Ajinomoto Company, Inc. Method for determining biochemical oxygen demand
JP2006038552A (ja) * 2004-07-26 2006-02-09 Yamatake Corp Ｂｏｄ推定装置および方法
CN101329253A (zh) * 2007-06-18 2008-12-24 北京安控科技股份有限公司 生物需氧量检测方法及检测装置
CN103175513A (zh) * 2013-03-01 2013-06-26 戴会超 水利工程影响下基于物联网的流域水文水质监控系统及方法
KR20130108782A (ko) * 2012-03-26 2013-10-07 (주)백년기술 Ｂｏｄ 측정장치
CN105510546A (zh) * 2015-12-27 2016-04-20 北京工业大学 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法
CN108152468A (zh) * 2018-01-26 2018-06-12 中冶华天工程技术有限公司 一种基于大数据的水质健康评估方法和装置
CN110057761A (zh) * 2019-03-01 2019-07-26 江苏中车环保设备有限公司 一种全光谱结合快速易测指标的水质在线监测系统与方法
CN110705752A (zh) * 2019-09-05 2020-01-17 上海上实龙创智慧能源科技股份有限公司 基于anfis与机理模型的污水bod实时预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4350763A (en) * 1978-03-23 1982-09-21 Ajinomoto Company, Inc. Method for determining biochemical oxygen demand
JP2006038552A (ja) * 2004-07-26 2006-02-09 Yamatake Corp Ｂｏｄ推定装置および方法
CN101329253A (zh) * 2007-06-18 2008-12-24 北京安控科技股份有限公司 生物需氧量检测方法及检测装置
KR20130108782A (ko) * 2012-03-26 2013-10-07 (주)백년기술 Ｂｏｄ 측정장치
CN103175513A (zh) * 2013-03-01 2013-06-26 戴会超 水利工程影响下基于物联网的流域水文水质监控系统及方法
CN105510546A (zh) * 2015-12-27 2016-04-20 北京工业大学 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法
CN108152468A (zh) * 2018-01-26 2018-06-12 中冶华天工程技术有限公司 一种基于大数据的水质健康评估方法和装置
CN110057761A (zh) * 2019-03-01 2019-07-26 江苏中车环保设备有限公司 一种全光谱结合快速易测指标的水质在线监测系统与方法
CN110705752A (zh) * 2019-09-05 2020-01-17 上海上实龙创智慧能源科技股份有限公司 基于anfis与机理模型的污水bod实时预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BOD的快速测定和自动测定;张赐承;《环境污染与防治》;19791231(第03期);第32-33页 *
地表水 BOD5 的快速预测预报;张莘民 等;《中国环境监测》;19961231;第39-40页 *

Also Published As

Publication number Publication date
CN111707795A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
JP2014105989A (ja) 建物動力設備のエネルギー消費量予測方法
CN110889085A (zh) 基于复杂网络多元在线回归的废水智能监控方法及系统
CN101436057A (zh) 数控机床热误差贝叶斯网络补偿方法
CN107402586A (zh) 基于深度神经网络的溶解氧浓度控制方法及系统
CN110824914B (zh) 一种基于pca-lstm网络的废水处理智能监控方法
CN108334943A (zh) 基于主动学习神经网络模型的工业过程半监督软测量建模方法
CN113837364B (zh) 基于残差网络和注意力机制的污水处理软测量方法及系统
CN114548509A (zh) 一种多能源系统多类型负荷联合预测方法及系统
Liu et al. A fuzzy neural network-based soft sensor for modeling nutrient removal mechanism in a full-scale wastewater treatment system
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
CN112348290A (zh) 河流水质预测方法、装置、存储介质及设备
CN116245227A (zh) 逐日气象干旱预测方法、装置、存储介质和设备
JP5110891B2 (ja) 水処理施設における流入水水質の統計的予測方法及びその装置
CN112949932B (zh) 船舶交通流预测方法、装置、计算机设备及存储介质
CN111707795B (zh) 一种地表水生化需氧量bod的监测方法及系统
CN106021924B (zh) 基于多属性高斯核函数快速相关向量机的污水在线软测量方法
CN112259232B (zh) 一种基于深度学习的vte风险自动评估系统
KR20220078456A (ko) 앙상블 지도 학습기반 공기청정기 필터 수명 예측 방법
CN109359741A (zh) 一种废水处理进水水质时序变化智能预测方法
Kang et al. Fine dust forecast based on recurrent neural networks
CN112836789A (zh) 一种基于复合神经网络算法的地连墙变形动态预测方法
CN117035155A (zh) 一种水质预测方法
CN116090710A (zh) 一种企业排污许可的管理方法、系统、电子设备及介质
CN115907204A (zh) 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法
CN109101759A (zh) 一种基于正逆响应面法的参数识别方法

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