CN111812292B - 水质污染类型溯源方法、装置、设备及可读存储介质 - Google Patents

水质污染类型溯源方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN111812292B
CN111812292B CN202010913390.7A CN202010913390A CN111812292B CN 111812292 B CN111812292 B CN 111812292B CN 202010913390 A CN202010913390 A CN 202010913390A CN 111812292 B CN111812292 B CN 111812292B
Authority
CN
China
Prior art keywords
water quality
pollution
monitoring
water
factor
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
CN202010913390.7A
Other languages
English (en)
Other versions
CN111812292A (zh
Inventor
吴宪爽
李艳丽
李秋瑶
魏林辉
朱缨
邱致刚
金细波
赵小辉
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.)
Bixing Iot Technology Shenzhen Co ltd
Original Assignee
Zte Instruments Shenzhen 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 Zte Instruments Shenzhen Co ltd filed Critical Zte Instruments Shenzhen Co ltd
Priority to CN202010913390.7A priority Critical patent/CN111812292B/zh
Publication of CN111812292A publication Critical patent/CN111812292A/zh
Application granted granted Critical
Publication of CN111812292B publication Critical patent/CN111812292B/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
    • 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
    • G06Q50/06—Energy 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
    • 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)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Marketing (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Biochemistry (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提供了一种水质污染类型溯源方法，方法包括：获取自动监测点控制区域内存在的行业类型、多种以及水质监测因子；建立水质污染事件类型和水质监测因子的关系矩阵；获取自动监测点控制区域内水质的实时监测数据，并提取自动监测点控制区域内的水质变化特征；判断水质是否发生异常；若判断为是，则将水质变化特征和关系矩阵进行匹配，以得到各水质污染事件类型发生的概率值；对各水质污染事件类型发生的概率值进行标准化处理，以确定水质污染事件类型。上述实施方式，能够实现快速、准确的溯源，将来源缩小到行业范围，进而能够快速进行防治措施，避免污染进一步恶化。

Description

水质污染类型溯源方法、装置、设备及可读存储介质
技术领域
本申请涉及水污染溯源技术领域，特别是涉及一种水质污染类型溯源方法、装置、设备及可读存储介质。
背景技术
由于城市化进程加快，密集的人类活动如农业活动中化肥的使用、工业废水及生活污水的排放等，导致水体污染日益严重。为满足对地表水监管的要求，保障饮用水安全，我国正在推进地表水监测体系改革，逐步实现水质自动监测。准确识别水质异常变化，追溯异常变化原因已成为亟待解决的问题之一。
目前，大多数地表水自动监测站点对于水质变化仅仅使用了是否超标、超标倍数等简单指标，而对于水质的异常波动缺少合理的判断规则。对于水污染溯源，现有的方法可以概括为现场取样测定法和数学模型模拟法两大类。现场取样测定法工作量大，耗时较长很难及时进行污染源排查。数学模型模拟法具有灵活、快速和可操作性强等优点，包括基于概率统计的概率方法和基于最优化理论的确定性方法等，但现有的模拟法需要大量的水环境、污染源等数据，对于数据缺乏的区域无法适用。
发明内容
本申请主要是提供一种水质污染类型溯源方法、装置、设备及可读存储介质，能够解决现有技术中水污染溯源工作量大、耗时较长、很难及时进行污染源排查以及对于数据缺乏的区域无法适用的问题。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种水质污染类型溯源方法，所述方法包括：获取自动监测点控制区域内存在的行业类型、多种以及水质监测因子；建立所述水质污染事件类型和所述水质监测因子的关系矩阵；获取所述自动监测点控制区域内水质的实时监测数据，并提取所述自动监测点控制区域内的水质变化特征；判断所述水质是否发生异常；若判断为是，则将所述水质变化特征和所述关系矩阵进行匹配，以得到各所述水质污染事件类型发生的概率值；对各所述水质污染事件类型发生的概率值进行标准化处理，以确定所述水质污染事件类型。
其中，所述建立所述水质污染事件类型和所述水质监测因子的关系矩阵，进一步包括:建立所述水质污染事件类型和所述水质监测因子的第一关系矩阵，其中，所述第一关系矩阵的行表示所述行业类型，所述第一关系矩阵的列表示所述水质监测因子；计算所述第一关系矩阵各列之和，并将所述第一关系矩阵中每一元素和其所在列的和做逻辑运算，以生成第二关系矩阵；将所述第二关系矩阵进行归一化处理，以得到所述水质污染事件类型和所述水质监测因子的关系矩阵。
其中，所述获取所述自动监测点控制区域内水质的实时监测数据，并提取所述自动监测点控制区域内的水质变化特征，进一步包括：获取所述自动监测点控制区域内水质的历史监测数据及实时监测数据；对每一项所述水质监测因子的所述实时监测数据进行标准化处理，以得到所述水质变化特征。
其中，所述对每一项所述水质监测因子的所述实时监测数据进行标准化处理采用公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
表示第i个水质监测因子的实时监测数据偏离平均值的标准差，
Figure DEST_PATH_IMAGE003
表示第i个水质监测因子的实时监测数据，
Figure DEST_PATH_IMAGE004
表示选择的所述历史监测数据的平均值，
Figure DEST_PATH_IMAGE005
表示选择的所述历史监测数据的标准差。
其中，所述判断所述水质是否发生异常，进一步包括：获取指示所述水质监测因子对水质污染作用强弱的第一向量；将所述第一向量和所述水质变化特征进行逻辑运算，以得到第二向量；根据所述第二向量的分量值确定所述水质是否发生异常。
其中，将所述水质变化特征和所述关系矩阵进行匹配，以得到各所述水质污染事件类型发生的概率值，进一步包括：将所述水质污染事件类型和所述水质监测因子的关系矩阵和所述水质变化特征的向量进行计算，以得到各所述水质污染事件类型发生的概率值。
其中，所述对各所述水质污染事件类型发生的概率值进行标准化处理，以确定所述水质污染事件类型，进一步包括：将所述水质污染事件类型发生的概率值进行标准化处理；根据所述标准化处理后的所述水质污染事件类型发生的概率值确定所述水质污染事件类型。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种水质污染类型溯源装置，所述水质污染类型溯源装置包括：第一获取模块，用于获取自动监测点控制区域内存在的行业类型、多种水质污染事件类型以及水质监测因子；建立模块，用于建立所述水质污染事件类型和所述水质监测因子的关系矩阵；第二获取模块，用于获取所述自动监测点控制区域内水质的实时监测数据，提取所述自动监测点控制区域内的水质变化特征；判断模块，用于判断所述水质是否发生异常；匹配模块，用于当判断所述水质发生异常时，将所述水质变化特征和所述关系矩阵进行匹配，以得到各所述水质污染事件类型发生的概率值；标准化处理模块，用于对各所述水质污染事件类型发生的概率值进行标准化处理，以确定所述水质污染事件类型。
为解决上述技术问题，本申请采用的又一个技术方案是：提供一种一种水质污染类型溯源设备，所述数据处理设备包括处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述任意一项所述的水质污染类型溯源方法的操作。
为解决上述技术问题，本申请采用的再一个技术方案是：提供一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在水质监测的数据处理设备/装置上运行时，使得水质污染类型溯源设备/装置执行上述任意一项所述的水质污染类型溯源方法的操作。
本申请的有益效果是：区别于现有技术的情况，本申请提供一种水质污染类型溯源方法、装置、设备及可读存储介质，根据区域污染行业排放特征建立行业排放-因子关联矩阵，并通过获取自动监测点控制区域内实时的环境监测数据，进行数据异常的自动判定，结合前述的行业排放-因子关联矩阵，进行矩阵运算，溯源出来源行业，从而实现了在缺少区域企业排放自动监测数据或除水环境自动监测数据之外的更多信息的情况下，实现快速、准确的溯源，将来源缩小到行业范围，进而能够快速进行防治措施，避免污染进一步恶化。
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单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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，其中：
图1是本申请提供的水质污染类型溯源方法一实施方式的流程示意图；
图2是本申请图1中步骤S200一实施方式的流程示意图；
图3是本申请图1中步骤S300一实施方式的流程示意图；
图4是本申请图1中步骤S400一实施方式的流程示意图；
图5是本申请图1中步骤S600一实施方式的流程示意图；
图6是本申请提供的水质污染类型溯源装置一实施方式的示意图；
图7是本申请水质污染类型溯源设备实施例的结构示意图；
图8是本申请提供的计算机可读存储介质一实施方式的示意图。
具体实施方式
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，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。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。
需要说明，本申请实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
还需要说明的是，当元件被称为“固定于”或“设置于”另一个元件上时，它可以直接在另一个元件上或者可能同时存在居中元件。当一个元件被称为是“连接”另一个元件，它可以是直接连接另一个元件或者可能同时存在居中元件。
另外，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
可以理解的是，本申请所采用的水质监测的数据处理方法可以应用于包括但不限于水质测量行业，以下实施例中以水质测量为例，详细介绍本申请的测量方法，且本申请实施例中水质测量可以具体包括对水质样本中碘离子、重金属、挥发性酚等物质的测量。
实施例一
请一并参阅图1，图1是本申请提供的水质污染类型溯源方法一实施方式的流程示意图，如图1所示本申请的水质污染类型溯源方法包括如下步骤：
S100，获取自动监测点控制区域内存在的行业类型、多种水质污染事件类型以及水质监测因子。
可选地，本申请实施例中以某地表水自动监测站点为例，详细介绍本申请实施例的水质异常判断与水质污染类型溯源的方法。
具体地，获取该自动监测站点制区域内存在的行业类型、多种水质污染事件类型以及水质监测因子。其中，水质监测因子可以包括但不限于如下类型：水温（TEMP）、pH值（pH）、溶解氧（DO）、浊度（TU）、电导率（EC）、高锰酸钾指数（CODMn）、氨氮（NH3-N）、总氮（TN）以及总磷（TP）。
进一步，收集该自动监测站点制区域内存在的行业类型以及可能发生的多种水质污染事件类型，生成清单。以可能发生污染的行业为“行”，上述的水质监测因子为“列”逐步分析每种类型的污染。
S200，建立水质污染事件类型和水质监测因子的关系矩阵。
进一步结合图2，图2为本申请步骤S200一实施方式的流程示意图，如图2所示步骤S200进一步包括如下子步骤：
S210，建立水质污染事件类型和水质监测因子的第一关系矩阵，其中，第一关系矩阵的行表示行业类型，第一关系矩阵的列表示水质监测因子。
可选地，若水质污染发生时会对某一项水质监测因子产生显著影响，则在对应位置标记为“1”。若对水质监测因子不产生影响或影响较小，则标记为“0”，如此便可得到水质污染事件类型和水质监测因子的第一关系矩阵Am×n。请结合表1，表1为实施例1中自动监测站点可能发生的污染类型及其对监测因子的影响；
Figure DEST_PATH_IMAGE006
如表1所示，以污染类型为“行”，水质监测因子为“列”生成的水质污染事件类型和水质监测因子的关系矩阵Am×n，其元素的值为0或1。其中，m表示有m个行业类型，n表示n个水质监测因子，用aji表示第一关系矩阵Am×n在j行i列上元素的值，且每一元素的值表示某种水质污染事件类型对某种水质监测因子影响的权重大小。
S220，计算第一关系矩阵各列之和，并将第一关系矩阵中每一元素和其所在列的和做逻辑运算，以生成第二关系矩阵。
首先，计算第一关系矩阵Am×n各列之和（s1，s2，…，s9），再将第一关系矩阵Am×n中每一元素和其所在列的和做逻辑运算，以生成第二关系矩阵A1 m×n，即将Am×n中每一元素除以其所在列的和得到第二关系矩阵A1 m×n，其中，第二关系矩阵A1 m×n行向量为（aj1/s1，aj2/s2，…，ajn/sn）。
S230，将第二关系矩阵进行归一化处理，以得到水质污染事件类型和水质监测因子的关系矩阵。
进一步，对第二关系矩阵A1 m×n进行归一化处理，即使第二关系矩阵A1 m×n的每一行之和等于1，从而得到水质污染事件类型和水质监测因子的关系矩阵A2 m×n，在本申请实施例一中一具体应用场景下，以20个行业类型，9个水质监测因子为例，则水质污染事件类型和水质监测因子的关系矩阵A2 m×n可以具体表示为A2 20×9，矩阵如下：
Figure DEST_PATH_IMAGE007
S300，获取自动监测点控制区域内水质的实时监测数据，并提取自动监测点控制区域内的水质变化特征。
进一步结合图3，图3为本申请步骤S300一实施方式的流程示意图，如图3所示，步骤S300进一步包括如下子步骤：
S310，获取自动监测点控制区域内水质的历史监测数据及实时监测数据。
进一步，收集该自动监测点控制区域内水质的历史监测数据及实时监测数据。
S320，对每一项水质监测因子的实时监测数据进行标准化处理，以得到水质变化特征。
具体地，采用Z-Score模型对每一项水质监测因子进行标准化处理，且对每一项水质监测因子的实时监测数据进行标准化处理采用公式为：
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
表示第i个水质监测因子的实时监测数据偏离平均值的标准差，
Figure DEST_PATH_IMAGE010
表示第i个水质监测因子的实时监测数据，
Figure DEST_PATH_IMAGE011
表示选择的历史监测数据的平均值，
Figure DEST_PATH_IMAGE012
表示选择的历史监测数据的标准差。
可选地，溶解氧浓度的含量减低表示水质恶化，pH值上升与下降均有可能表示水质恶化，而其它监测因子的浓度上升则表示水质恶化。具体地，浓度增加，则表示水质变差的监测因子，取z’i =zi；浓度降低，则表示水质变差的监测因子，取z’i = -zi；对于浓度增加与降低水质均有可能变差的监测因子，取z’i =|zi|。如此地，根据上述各个水质监测因子z’i值生成表示水质变化特征的向量
Figure DEST_PATH_IMAGE013
，其中，该水质变化特征的向量
Figure 519650DEST_PATH_IMAGE013
为行向量，其值如下：
Figure DEST_PATH_IMAGE014
；
S400，判断水质是否发生异常。
进一步结合图4，图4为本申请步骤S400一实施方式的流程示意图，如图4所示，步骤S400进一步包括如下子步骤：
S410，获取指示水质监测因子对水质污染作用强弱的第一向量。
可选地，定义一水质监测因子对水质污染作用强弱的第一向量
Figure DEST_PATH_IMAGE015
，该第一向量的
Figure 374473DEST_PATH_IMAGE015
各分量表示对应的水质监测因子对水质污染强度指示作用的强弱。在本申请的具体应用场景中该第一向量
Figure 685369DEST_PATH_IMAGE015
可以为：
Figure 470791DEST_PATH_IMAGE015
=(WTEMP，WpH，WDO，WTU，WEC，WCODMn，WNH3-N，WTN，WTP)=(0.7，0.8，1，0.8，1，1.2，1.2，1，1);
结合第一向量
Figure DEST_PATH_IMAGE016
的每一分量值来说，WTEMP，WpH，WDO，WTU，WEC，WCODMn，WNH3-N，WTN，WTP的值分别代表水温、pH值、溶解氧、浊度、电导率、高锰酸钾指数、氨氮、总氮以及总磷等水质监测因子对水质污染强度指示作用的强弱，当然对于不同自动监测站点制区域内，各水质监测因子对水质污染的指示作用强度不同，其取值也不相同，本申请不做具体限定。
S420，将第一向量和水质变化特征进行逻辑运算，以得到第二向量。
进一步，将第一向量的
Figure 816322DEST_PATH_IMAGE015
和表示水质变化特征的向量
Figure DEST_PATH_IMAGE017
进行逻辑运算，即将二者相乘以得到第二向量
Figure DEST_PATH_IMAGE018
，其值为：
Figure DEST_PATH_IMAGE019
S430，根据第二向量的分量值确定水质是否发生异常。
具体地，设置一预设阈值，本申请实施例中该预设阈值可以设置为3，将第二向量
Figure 232260DEST_PATH_IMAGE018
中的每一分量和该预设阈值3进行比较，当判断第二向量
Figure 764872DEST_PATH_IMAGE018
中任意分量大于预设阈值3，则判定水质发生了异常变化，则此时进行溯源分析，则进入步骤S500。反之，若判断水质未发生异常变化，则进入步骤S300，获取下一次自动监测点控制区域内水质的实时监测数据，重复上述步骤。
S500，将水质变化特征和关系矩阵进行匹配，以得到各水质污染事件类型发生的概率值。
可选地，当步骤S400判断水质发生异常变化时，则将表示水质变化特征的向量
Figure 229352DEST_PATH_IMAGE017
和水质污染事件类型和水质监测因子的关系矩阵A2 m×n进行匹配。具体地，将关系矩阵A2 m×n和向量
Figure 163809DEST_PATH_IMAGE017
进行转置相乘，得到水质异常因子与污染行业排行之间的向量关系
Figure DEST_PATH_IMAGE020
，表示如下：
Figure DEST_PATH_IMAGE021
其中，ym表示各水质污染事件类型发生的概率值。
S600，对各水质污染事件类型发生的概率值进行标准化处理，以确定水质污染事件类型。
进一步结合图5，图5为本申请步骤S600一实施方式的流程示意图，如图5所示，步骤S600进一步包括如下子步骤：
可选地，本实施例中，将水质异常因子与污染行业排行之间的向量关系
Figure 94856DEST_PATH_IMAGE020
的每一元素按一定的标准进行转换，使其最大值不超过1，且值的大小表示对应水污染事件类型发生的概率值。
S610，将水质污染事件类型发生的概率值进行标准化处理。
可选地，令
Figure DEST_PATH_IMAGE022
Figure DEST_PATH_IMAGE023
；
将yj标准化转换，yj表示
Figure DEST_PATH_IMAGE024
向量中第j个元素，y’j表示转换后的值，即表示对应水污染事件类型发生的概率值。
S620，根据标准化处理后的水质污染事件类型发生的概率值确定水质污染事件类型。
根据y’j确定最有可能发生的水质污染事件类型，具体地，y’j的值越大，则表示其对应的水质污染事件类型最有可能发生，以此类推。
上述实施方式中，根据区域污染行业排放特征建立行业排放-因子关联矩阵，并通过获取自动监测点控制区域内实时的环境监测数据，进行数据异常的自动判定，结合前述的行业排放-因子关联矩阵，进行矩阵运算，溯源出来源行业，从而实现了在缺少区域企业排放自动监测数据或除水环境自动监测数据之外的更多信息的情况下，实现快速、准确的溯源，将来源缩小到行业范围，进而能够快速进行防治措施，避免污染进一步恶化。
请参阅图6，图6是本申请提供的水质污染类型溯源装置一实施方式的示意图，如图6，本申请提供的水质污染类型溯源装置100包括第一获取模块110、建立模块120、第二获取模块130、判断模块140、匹配模块150以及标准化处理模块160。
其中，第一获取模块110用于获取自动监测点控制区域内存在的行业类型、多种水质污染事件类型以及水质监测因子。
建立模块120用于建立所述水质污染事件类型和所述水质监测因子的关系矩阵。
第二获取模块130用于获取所述自动监测点控制区域内水质的实时监测数据，提取所述自动监测点控制区域内的水质变化特征。
判断模块140用于判断所述水质是否发生异常。
匹配模块150用于当判断所述若水质发生异常时，将所述水质变化特征和所述关系矩阵进行匹配，以得到各所述水质污染事件类型发生的概率值。
标准化处理模块160用于对各所述水质污染事件类型发生的概率值进行标准化处理，以确定所述水质污染事件类型。
本实施例中的各步骤的具体实施方式请参阅上述实施例中步骤S100至步骤S600的具体描述，此处不再赘述。
上述实施方式中，根据区域污染行业排放特征建立行业排放-因子关联矩阵，并通过获取自动监测点控制区域内实时的环境监测数据，进行数据异常的自动判定，结合前述的行业排放-因子关联矩阵，进行矩阵运算，溯源出来源行业，从而实现了在缺少区域企业排放自动监测数据或除水环境自动监测数据之外的更多信息的情况下，实现快速、准确的溯源，将来源缩小到行业范围，进而能够快速进行防治措施，避免污染进一步恶化。
图7示出了本申请水质污染类型溯源设备实施例的结构示意图，本发明具体实施例并不对水质监测的数据处理设备的具体实现做限定。
如图7所示，该水质污染类型溯源设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于水质污染类型溯源方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机可执行指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。水质监测的数据处理设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
程序410具体可以被处理器402调用使水质污染类型溯源设备执行以下操作：
获取自动监测点控制区域内存在的行业类型、多种以及水质监测因子；建立所述水质污染事件类型和所述水质监测因子的关系矩阵；获取所述自动监测点控制区域内水质的实时监测数据，并提取所述自动监测点控制区域内的水质变化特征；判断所述水质是否发生异常；若判断为是，则将所述水质变化特征和所述关系矩阵进行匹配，以得到各所述水质污染事件类型发生的概率值；对各所述水质污染事件类型发生的概率值进行标准化处理，以确定所述水质污染事件类型。
本实施例中的各步骤的具体实施方式请参阅上述实施例中步骤S100至步骤S600的具体描述，此处不再赘述。
上述实施方式中，根据区域污染行业排放特征建立行业排放-因子关联矩阵，并通过获取自动监测点控制区域内实时的环境监测数据，进行数据异常的自动判定，结合前述的行业排放-因子关联矩阵，进行矩阵运算，溯源出来源行业，从而实现了在缺少区域企业排放自动监测数据或除水环境自动监测数据之外的更多信息的情况下，实现快速、准确的溯源，将来源缩小到行业范围，进而能够快速进行防治措施，避免污染进一步恶化。
参阅图8，图8是本申请提供的计算机可读存储介质实施例的示意框图，本实施例中的计算机可读存储介质存储有计算机程序310，该计算机程序310能够被处理器执行以实现上述任一实施例中的水质污染类型溯源方法。
可选的，该可读存储介质可以是U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
区别于现有技术，本申请提供种水质污染类型溯源方法、装置、设备及可读存储介质，根据区域污染行业排放特征建立行业排放-因子关联矩阵，并通过获取自动监测点控制区域内实时的环境监测数据，进行数据异常的自动判定，结合前述的行业排放-因子关联矩阵，进行矩阵运算，溯源出来源行业，从而实现了在缺少区域企业排放自动监测数据或除水环境自动监测数据之外的更多信息的情况下，实现快速、准确的溯源，将来源缩小到行业范围，进而能够快速进行防治措施，避免污染进一步恶化。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (5)

1.一种水质污染类型溯源方法，其特征在于，所述方法包括：
获取自动监测点控制区域内存在的行业类型、多种水质污染事件类型以及水质监测因子；
建立所述水质污染事件类型和所述水质监测因子的关系矩阵，包括：
若水质污染发生时会对某一项水质监测因子产生显著影响，则在对应位置标记为“1”，若对水质监测因子不产生影响或影响较小，则标记为“0”，如此便可得到水质污染事件类型和水质监测因子的第一关系矩阵Am×n；
计算第一关系矩阵Am×n各列之和，再将第一关系矩阵Am×n中每一元素除以其所在列的和得到第二关系矩阵A1 m×n；
将所述第二关系矩阵进行归一化处理，以得到所述水质污染事件类型和所述水质监测因子的关系矩阵；
获取所述自动监测点控制区域内水质的实时监测数据，并提取所述自动监测点控制区域内的水质变化特征，包括获取所述自动监测点控制区域内水质的历史监测数据及实时监测数据；对每一项所述水质监测因子的所述实时监测数据进行标准化处理，以得到所述水质变化特征，具体地：
对每一项水质监测因子的实时监测数据进行标准化处理采用公式为：
Figure 155012DEST_PATH_IMAGE001
其中，
Figure 926790DEST_PATH_IMAGE002
表示第i个水质监测因子的实时监测数据偏离平均值的标准差，
Figure 722708DEST_PATH_IMAGE003
表示第i个水质监测因子的实时监测数据，
Figure 803796DEST_PATH_IMAGE004
表示选择的历史监测数据的平均值，
Figure 560531DEST_PATH_IMAGE005
表示选择的历史监测数据的标准差；
浓度增加，则表示水质变差的监测因子，取z’i =zi；浓度降低，则表示水质变差的监测因子，取z’i = -zi；对于浓度增加与降低水质均有可能变差的监测因子，取z’i =|zi|，如此地，根据上述各个水质监测因子z’i值生成表示水质变化特征的向量
Figure 57371DEST_PATH_IMAGE006
，其中，该水质变化特征的向量
Figure 566850DEST_PATH_IMAGE006
为行向量；
判断所述水质是否发生异常，包括获取指示所述水质监测因子对水质污染作用强弱的第一向量；将所述第一向量和所述水质变化特征的向量
Figure 298134DEST_PATH_IMAGE006
相乘，以得到第二向量；根据所述第二向量的分量值确定所述水质是否发生异常；
若判断为是，则将所述水质变化特征和所述关系矩阵进行匹配，以得到各所述水质污染事件类型发生的概率值，包括将所述水质污染事件类型和所述水质监测因子的关系矩阵和所述水质变化特征的向量
Figure 791432DEST_PATH_IMAGE006
进行转置相乘，以得到各所述水质污染事件类型发生的概率值；
对各所述水质污染事件类型发生的概率值进行标准化处理，以确定所述水质污染事件类型。
2.根据权利要求1所述的方法，其特征在于，所述对各所述水质污染事件类型发生的概率值进行标准化处理，以确定所述水质污染事件类型，进一步包括：
将所述水质污染事件类型发生的概率值进行标准化处理；
根据所述标准化处理后的所述水质污染事件类型发生的概率值确定所述水质污染事件类型。
3.一种水质污染类型溯源装置，其特征在于，所述水质污染类型溯源装置包括：
第一获取模块，用于获取自动监测点控制区域内存在的行业类型、多种水质污染事件类型以及水质监测因子；
建立模块，用于建立所述水质污染事件类型和所述水质监测因子的关系矩阵，包括：
若水质污染发生时会对某一项水质监测因子产生显著影响，则在对应位置标记为“1”，若对水质监测因子不产生影响或影响较小，则标记为“0”，如此便可得到水质污染事件类型和水质监测因子的第一关系矩阵Am×n；
计算第一关系矩阵Am×n各列之和，再将第一关系矩阵Am×n中每一元素除以其所在列的和得到第二关系矩阵A1 m×n；
将所述第二关系矩阵进行归一化处理，以得到所述水质污染事件类型和所述水质监测因子的关系矩阵；
第二获取模块，用于获取所述自动监测点控制区域内水质的实时监测数据，提取所述自动监测点控制区域内的水质变化特征，以及获取所述自动监测点控制区域内水质的历史监测数据及实时监测数据；对每一项所述水质监测因子的所述实时监测数据进行标准化处理，以得到所述水质变化特征，具体地：
对每一项水质监测因子的实时监测数据进行标准化处理采用公式为：
Figure 826384DEST_PATH_IMAGE001
其中，
Figure 737839DEST_PATH_IMAGE002
表示第i个水质监测因子的实时监测数据偏离平均值的标准差，
Figure 567255DEST_PATH_IMAGE003
表示第i个水质监测因子的实时监测数据，
Figure 751112DEST_PATH_IMAGE004
表示选择的历史监测数据的平均值，
Figure 465121DEST_PATH_IMAGE005
表示选择的历史监测数据的标准差；
浓度增加，则表示水质变差的监测因子，取z’i =zi；浓度降低，则表示水质变差的监测因子，取z’i = -zi；对于浓度增加与降低水质均有可能变差的监测因子，取z’i =|zi|，如此地，根据上述各个水质监测因子z’i值生成表示水质变化特征的向量
Figure 90137DEST_PATH_IMAGE006
，其中，该水质变化特征的向量
Figure 683930DEST_PATH_IMAGE006
为行向量；
判断模块，用于判断所述水质是否发生异常，包括获取指示所述水质监测因子对水质污染作用强弱的第一向量；将所述第一向量和所述水质变化特征的向量
Figure 636973DEST_PATH_IMAGE006
相乘，以得到第二向量；根据所述第二向量的分量值确定所述水质是否发生异常；
匹配模块，用于当判断所述水质发生异常时，将所述水质变化特征和所述关系矩阵进行匹配，以得到各所述水质污染事件类型发生的概率值，包括将所述水质污染事件类型和所述水质监测因子的关系矩阵和所述水质变化特征的向量
Figure 279307DEST_PATH_IMAGE006
进行转置相乘，以得到各所述水质污染事件类型发生的概率值；
标准化处理模块，用于对各所述水质污染事件类型发生的概率值进行标准化处理，以确定所述水质污染事件类型。
4.一种水质污染类型溯源设备，其特征在于，所述水质污染类型溯源设备包括处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-2任意一项所述的水质污染类型溯源方法的操作。
5.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令在水质污染类型溯设备/装置上运行时，使得水质监测的数据处理设备/装置执行如权利要求1-2任意一项所述的水质污染类型溯源方法的操作。
CN202010913390.7A 2020-09-03 2020-09-03 水质污染类型溯源方法、装置、设备及可读存储介质 Active CN111812292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010913390.7A CN111812292B (zh) 2020-09-03 2020-09-03 水质污染类型溯源方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010913390.7A CN111812292B (zh) 2020-09-03 2020-09-03 水质污染类型溯源方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111812292A CN111812292A (zh) 2020-10-23
CN111812292B true CN111812292B (zh) 2020-12-08

Family

ID=72859867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010913390.7A Active CN111812292B (zh) 2020-09-03 2020-09-03 水质污染类型溯源方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111812292B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435738A (zh) * 2021-06-24 2021-09-24 平安国际智慧城市科技股份有限公司 环境污染溯源方法、装置、设备及计算机可读存储介质
CN117373556B (zh) * 2023-12-04 2024-02-13 山东清控生态环境产业发展有限公司 一种基于多维数据的溯源仪器及系统
CN118569443A (zh) * 2024-07-26 2024-08-30 深圳市普拉图科技发展有限公司 一种智慧城市基础设施智能监控系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3327691A1 (de) * 1983-08-01 1985-02-14 Kernforschungsanlage Jülich GmbH, 5170 Jülich Verfahren zur ermittlung von umweltschadstoffen
US5876990A (en) * 1996-10-22 1999-03-02 Reddy; Malireddy S. Biochemical media system for reducing pollution
CN103971005A (zh) * 2014-05-15 2014-08-06 武汉科技大学 一种靠近湖泊岸边的污染源定位方法
CN105427013A (zh) * 2015-10-27 2016-03-23 中国环境科学研究院 一种地下水污染源强评价方法
CN108470234A (zh) * 2018-02-02 2018-08-31 中国海洋大学 一种综合性水质评价方法
CN110751643A (zh) * 2019-10-21 2020-02-04 睿视智觉（厦门）科技有限公司 一种水质异常检测方法、装置及设备
CN111222216A (zh) * 2018-11-08 2020-06-02 中国石油化工股份有限公司 污染物来源解析方法
CN111339500A (zh) * 2020-05-20 2020-06-26 中兴仪器（深圳）有限公司 空气污染溯源方法、装置、计算机设备和存储介质
CN111474307A (zh) * 2020-03-26 2020-07-31 南方科技大学 污染物溯源方法、装置、计算机设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160202228A1 (en) * 2015-01-08 2016-07-14 International Business Machines Corporation Water quality monitoring and early event detection
WO2019164814A1 (en) * 2018-02-20 2019-08-29 Purdue Research Foundation System and method of detecting contaminants

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3327691A1 (de) * 1983-08-01 1985-02-14 Kernforschungsanlage Jülich GmbH, 5170 Jülich Verfahren zur ermittlung von umweltschadstoffen
US5876990A (en) * 1996-10-22 1999-03-02 Reddy; Malireddy S. Biochemical media system for reducing pollution
CN103971005A (zh) * 2014-05-15 2014-08-06 武汉科技大学 一种靠近湖泊岸边的污染源定位方法
CN105427013A (zh) * 2015-10-27 2016-03-23 中国环境科学研究院 一种地下水污染源强评价方法
CN108470234A (zh) * 2018-02-02 2018-08-31 中国海洋大学 一种综合性水质评价方法
CN111222216A (zh) * 2018-11-08 2020-06-02 中国石油化工股份有限公司 污染物来源解析方法
CN110751643A (zh) * 2019-10-21 2020-02-04 睿视智觉（厦门）科技有限公司 一种水质异常检测方法、装置及设备
CN111474307A (zh) * 2020-03-26 2020-07-31 南方科技大学 污染物溯源方法、装置、计算机设备及存储介质
CN111339500A (zh) * 2020-05-20 2020-06-26 中兴仪器（深圳）有限公司 空气污染溯源方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A new Traceability Method for Sudden Water Pollution Accidents;Haidong Yang etal;《Internationnal Conference on Advances in Energy and Environmental Science(ICAEES)》;20131231;全文 *
河渠突发水污染追踪溯源理论与方法;杨海东;《中国博士学位论文全文数据库工程科技I辑》;20170615(第06期);全文 *

Also Published As

Publication number Publication date
CN111812292A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN111812292B (zh) 水质污染类型溯源方法、装置、设备及可读存储介质
JP7138753B2 (ja) 画像欠陥検出方法、装置、電子機器、記憶媒体および製品
CN111275307B (zh) 一种水质自动在线站高频连续观测数据质量控制方法
CN110929743B (zh) 基于时间序列关联与聚类分析的水质污染物变化监测系统
CN110163457B (zh) 一种业务指标的异常定位方法和装置
CN107203467A (zh) 一种分布式环境下监督学习算法的基准测试方法和装置
Ahsan et al. Outlier detection using PCA mix based T 2 control chart for continuous and categorical data
CN109308225B (zh) 一种虚拟机异常检测方法、装置、设备及存储介质
CN114972339A (zh) 用于推土机结构件生产异常检测的数据增强系统
CN114236068B (zh) 一种基于循环水系统的氯离子浓度分析方法及系统
CN116992308B (zh) 数据与知识融合的工艺波动分析与优化方法及装置
CN111950912A (zh) 设备的健康度的评价方法、装置、设备及计算机存储介质
CN117272145A (zh) 转辙机的健康状态评估方法、装置和电子设备
CN112668365A (zh) 一种物料入库识别方法、装置、设备及存储介质
CN113656452B (zh) 调用链指标异常的检测方法、装置、电子设备及存储介质
CN115293735A (zh) 一种无人工厂工业互联网平台监测管理方法及系统
CN113919691A (zh) 一种调频服务指标测算方法及相关装置
CN113285978B (zh) 基于区块链和大数据的故障识别方法及通用计算节点
CN114138535A (zh) 存储系统的故障诊断方法、装置、电子设备、介质及产品
Inoue et al. On estimation of number of detectable software faults under budget constraint
CN112328951B (zh) 一种分析样品的实验数据的处理方法
CN117406161B (zh) 一种计量装置量值偏离度预警方法、系统、设备及介质
CN111553396A (zh) 一种配电自动化终端在线检测方法和装置
CN118194138B (zh) 一种承压设备损伤模式识别方法及系统
CN116818178B (zh) 一种基于智能手表的水深与水压监测方法、系统及介质

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 518100 Room 301, building 2, runheng Industrial Zone, No. 1, Liuxian Third Road, Xingdong community, Xin'an street, Bao'an District, Shenzhen, Guangdong Province

Patentee after: Bixing IOT Technology (Shenzhen) Co.,Ltd.

Address before: 518000 Room 301, building 2, runheng Industrial Zone, No.1, liuxiansan Road, 67 District, Xingdong community, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province

Patentee before: ZTE INSTRUMENTS (SHENZHEN) Co.,Ltd.