CN111898691A - 一种河流突发水污染预警溯源方法、系统、终端及介质 - Google Patents

Abstract

本发明公开了一种河流突发水污染预警溯源方法、系统、终端及介质，其技术方案要点是：获取水质常规指标的在线监测数据以及历史监测数据；对接收到的在线监测数据启动异常算法进行水质分析与预测，并对进行预警预报；根据检测到的异常瞬时水质事件启动决策响应、应急响应后运行应急监测方案；根据源项模型的定量反演溯源算法计算得到污染源信息，并对污染源信息优化处理；将优化结果反馈给应急响应，优化监测方案；根据源项模型的溯源反馈结果并以人机交互方式输入指令，重复操作，直至溯源搜索范围缩小到可通过现场排查找到污染源。实现河流水质在线监管实时响应、定性定量反演排放历史估算及污染源位置识别，提高水质异常预警的准确性及及时性。

Description

一种河流突发水污染预警溯源方法、系统、终端及介质

技术领域

本发明涉及水质监测技术领域，更具体地说，它涉及一种河流突发水污染预警溯源方法、系统、终端及介质。

背景技术

河流水污染预警溯源是指对河流水质异常事件进行监测预警并在水质异常事件后对水污染源进行定性定量溯源。

目前，现有的水质预测预警技术主要基于历史数据的预测与在线监测值之间的差值或者阈值来判断是否出现了水质异常事件，但是该技术方法通常用在水文变化上，水质异常变化通常需要异常变化持续一周或者更长的时间才能确定，因此现有技术对于高频在线监测数据的异常特征及瞬时识别存在一定的不足。

现有的河流突发水环境污染事件溯源技术方法可以归纳为确定性追踪溯源方法和不确定性溯源方法。其中，确定性溯源方法通常是通过数值方法及解析法求得理论溯源值后，以扰动理论值的方式来考虑误差因素，这类方法存在不确定性的缺点，同时前期工作量大、建设周期长、传统空间离散方法步骤繁琐，不能在事故发生后通过简单操作迅速得到满足一定精度要求的结果。而确定性溯源方法是从概率统计的角度来处理突发水污染事件中追踪溯源的不确定性问题，但该方法的随机性极强、参数多、结构复杂、模型检验和参数灵敏度分析的工作量大，难以满足污染事故溯源应急的时效性要求。

发明内容

为解决水质异常事件的识别及预警响应时间慢，以及现有溯源模型方法因河网环境复杂、多类型复合污染、潮流变化及众多水闸开闭等特定河网环境因素引起溯源模型计算条件难以满足、计算量大、溯源结果精度不足的问题，本发明的目的是提供一种河流突发水污染预警溯源方法、系统、终端及介质。

本发明的上述技术目的是通过以下技术方案得以实现的：

第一方面，提供了一种河流突发水污染预警溯源方法，包括以下步骤：

S101：获取水质常规指标的在线监测数据以及历史监测数据；

S102：对接收到的在线监测数据启动异常算法进行水质分析与预测，并对检测到的异常瞬时水质事件进行预警预报；

S103：根据检测到的异常瞬时水质事件启动决策响应、应急响应后运行应急监测方案；

S104：根据源项模型的定量反演溯源算法对在线监测数据、历史监测数据计算得出水中污染排放参数的估计值或概率分布，得到污染源信息，并根据贝叶斯反演算法和最优搜索追踪模型对污染源信息进行优化处理；

S105：将优化结果反馈给应急响应，优化监测方案；

S106：根据源项模型的溯源反馈结果并以人机交互方式输入指令，重复步骤S102-105，直至溯源搜索范围缩小到可通过现场排查找到污染源。

优选的，在步骤S102中，所述异常瞬时水质事件的预警预报具体为：

利用谱分析数据驱动模型预测矫正后模型的基线误差分布和阈值来检测出异常水质，包括：

第一阶段，利用傅里叶变换中的功率谱密度识别历史监测数据的周期性变化规律与异常；

第二阶段，利用连续小波变换算法确定水质异常时刻、持续时间和强度。

优选的，在步骤S102中，所述第一阶段具体为：

随机过程功率谱密度计算公式为：

式中，

表示求傅立叶变换；P_ξ(f)为随机过程的功率谱密度；T₀为自相关函数R(t,t+τ)对t的周期；

傅里叶变换计算公式为：

式中，n为数据大小；X(e^jω)为频率内输出分量；x(n)为时域内的输入信号；

优选的，在步骤S102中，所述第二阶段具体为：

连续小波变换算法计算公式为：

式中，ψ_a,b为输入信号；

a＞0为缩放信号；a为比例因子或尺度参数；b为位置，即沿时间轴平移的参数；t为采样区间；*为共轭复数。

优选的，在步骤S104中，所述源项模型根据河流类型分为河流一维稳态水质模型、河流一维非稳态水质模型；

河流一维稳态水质模型如下：

式中，c为计算断面的污染物浓度；c₀为计算初始点污染物浓度；K为污染物的衰减系数；K₃为污染物的沉降系数；u为河流流速；x为从计算初始点到下游计算断面的距离；

河流一维非稳态水质模型如下：

式中：C为污染物浓度；A为河道断面面积；Q为河道断面流量；E_M为河段混合扩散系数；k₁为污染物降解速率常数；S_M为源、汇项。

优选的，在步骤S104中，所述贝叶斯反演算法具体为：

根据在线监测数据对河流水流水质耦合模拟计算的污染源位置及强度进行误差修正，计算公式如下：

式中，x为模型参数；y为观测值，即y是突发水污染环境事件后实际测量的断面数据；p(x|y)为x的后验概率分布函数，表示获得观测值后参数y的分布规律；p(x)为x的先验概率分布函数，表示未获得观测值y前参数x的分布规律；p(y|x)为似然函数，表示模型参数与观测值的拟合程度，p(y|x)越大，说明模型参数与观测值的拟合效果越好。

优选的，在步骤S104中，所述最优搜索追踪模型具体为：

对在线监测数据和经过贝叶斯反演算法计算后的后验概率分布函数进行概率抽样，计算公式如下：

x^(*)＝x⁽ⁱ⁾(r₁)-B(x⁽ⁱ⁾)(r₂)-x⁽ⁱ⁾(r₃)+ε (9)

式中，B为某一给定的常数，ε为扰动值；

A(x⁽ⁱ⁾,x^(*))＝min{1,r},其中r＝p(x^(*))/x⁽ⁱ⁾ (10)。

第二方面，提供了一种河流突发水污染预警溯源系统，包括主机系统、信息采集装置、输入装置、输出显示装置；

所述主机系统包括第一处理器、第二处理器；

第一处理器，内嵌有ARIMA模型、谱分析、Facebook Prophet模型以及小波ANN模型，用于对接收到的水质在线监测数据进行实时分析与预测，对检测出的异常瞬时水质事件进行预报预警；

第二处理器，内嵌有源项模型、最优搜索追踪模型，用于接受输入装置或信息采集装置采集的各类信息，并根据接受的各类信息对镶嵌的模型进行不断的优化调整，并将优化处理结果反馈于应急响应处理方案；

所述信息采集装置，用于将在线监测设备配置的数据采集器存储的数据通过数据通信传输方式传输到主机系统，以及接受突发水污染事件后应急监测点的相关检测数据，临时应急监测数据可通过人机交互方式输入；

输入装置，用于将运行前的各类参数及监测数据输入；

输出显示装置，用于将系统报警信息及各类系统操作后的信息显示输出。

第三方面，提供了一种终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的一种河流突发水污染预警溯源方法。

第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的一种河流突发水污染预警溯源方法。

与现有技术相比，本发明具有以下有益效果：

1、系统利用传感器技术、环境大数据和人工智能等技术，将预警技术与溯源技术等两方面的技术结合，建立“预报-定性溯源-定量反演溯源”三级预警溯源体系，实现河流水质在线监管实时响应、定性定量反演排放历史估算及污染源位置识别。

2、能够快速识别和预报水质异常，并能同时启动决策响应模块，快速反向定性及定量污染物潜在排放源。其中水质异常检测可同时识别周期性和非周期性的水质异常并及时异常报警，提升报警准确率及时效性，源项追踪模型引入不确定性模型及最优搜索追踪模型，不仅可以反映污染源的空间分布，还能提高污染源搜索准确率，节省搜索时间，有效提升突发水污染事件的决策效益。

3、全面而综合的考量不确定性、计算精度与效率的河流突发水污染追踪溯源方法，实现在复杂河网条件下污染源的污染特征识别与搜索，对异常水质进行超标响应预警并进行污染源追踪溯源定量分析，建立污染源按时间轴的动态发展模型，为河流突发水污染事件提供决策支撑。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例1中的流程框图；

图2是本发明实施例2中的功能框图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图1-2及实施例1-2，对本发明进行进一步详细说明。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示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一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

实施例1：一种河流突发水污染预警溯源方法，如图1所示，包括以下步骤：

S101：获取水质常规指标的在线监测数据以及历史监测数据。

S102：对接收到的在线监测数据启动异常算法进行水质分析与预测，并对检测到的异常瞬时水质事件进行预警预报。异常瞬时水质事件的预警预报具体为：利用谱分析数据驱动模型预测矫正后模型的基线误差分布和阈值来检测出异常水质，包括：

第一阶段，利用傅里叶变换中的功率谱密度识别历史监测数据的周期性变化规律与异常。第一阶段具体为：

随机过程功率谱密度计算公式为：

式中，

表示求傅立叶变换；P_ξ(f)为随机过程的功率谱密度；T₀为自相关函数R(t,t+τ)对t的周期；

傅里叶变换计算公式为：

式中，n为数据大小；X(e^jω)为频率内输出分量；x(n)为时域内的输入信号。

第二阶段，利用连续小波变换算法确定水质异常时刻、持续时间和强度。第二阶段具体为：

连续小波变换算法计算公式为：

式中，ψ_a,b为输入信号；

a＞0为缩放信号；a为比例因子或尺度参数；b为位置，即沿时间轴平移的参数；t为采样区间；*为共轭复数。

S103：根据检测到的异常瞬时水质事件启动决策响应、应急响应后运行应急监测方案。

S104：根据源项模型的定量反演溯源算法对在线监测数据、历史监测数据计算得出水中污染排放参数的估计值或概率分布，得到污染源信息，并根据贝叶斯反演算法和最优搜索追踪模型对污染源信息进行优化处理。

源项模型根据河流类型分为河流一维稳态水质模型、河流一维非稳态水质模型；

河流一维稳态水质模型如下：

式中，c为计算断面的污染物浓度；c₀为计算初始点污染物浓度；K为污染物的衰减系数；K₃为污染物的沉降系数；u为河流流速；x为从计算初始点到下游计算断面的距离。

河流一维非稳态水质模型如下：

式中：C为污染物浓度；A为河道断面面积；Q为河道断面流量；E_M为河段混合扩散系数；k₁为污染物降解速率常数；S_M为源、汇项。

贝叶斯反演算法具体为：

根据在线监测数据对河流水流水质耦合模拟计算的污染源位置及强度进行误差修正，计算公式如下：

式中，x为模型参数；y为观测值，即y是突发水污染环境事件后实际测量的断面数据；p(x|y)为x的后验概率分布函数，表示获得观测值后参数y的分布规律；p(x)为x的先验概率分布函数，表示未获得观测值y前参数x的分布规律；p(y|x)为似然函数，表示模型参数与观测值的拟合程度，p(y|x)越大，说明模型参数与观测值的拟合效果越好。

最优搜索追踪模型具体为：对在线监测数据和经过贝叶斯反演算法计算后的后验概率分布函数进行概率抽样，计算公式如下：

x^(*)＝x⁽ⁱ⁾(r₁)-B(x⁽ⁱ⁾)(r₂)-x⁽ⁱ⁾(r₃)+ε (9)

式中，B为某一给定的常数，ε为扰动值；

A(x⁽ⁱ⁾,x^(*))＝min{1,r},其中r＝p(x^(*))/x⁽ⁱ⁾ (10)。

S105：将优化结果反馈给应急响应，优化监测方案。

S106：根据源项模型的溯源反馈结果并以人机交互方式输入指令，重复步骤S102-105，直至溯源搜索范围缩小到可通过现场排查找到污染源。

实施例2：一种河流突发水污染预警溯源系统，如图2所示，包括主机系统、信息采集装置、输入装置、输出显示装置。

主机系统与GIS地理信息系统联网，主机系统包括第一处理器、第二处理器。第一处理器，内嵌有ARIMA模型、谱分析、Facebook Prophet模型以及小波ANN模型，用于对接收到的水质在线监测数据进行实时分析与预测，对检测出的异常瞬时水质事件进行预报预警。第二处理器，内嵌有源项模型、最优搜索追踪模型，用于接受输入装置或信息采集装置采集的各类信息，并根据接受的各类信息对镶嵌的模型进行不断的优化调整，并将优化处理结果反馈于应急响应处理方案。

信息采集装置，将在线监测设备配置的数据采集器存储的数据通过数据通信传输方式传输到主机系统，以及接受突发水污染事件后应急监测点的相关检测数据，临时应急监测数据可通过人机交互方式输入。其中，在线监测设备为通过无线网络与主机系统通信的高频水质传感器进行数据采集。

输入装置，用于将运行前的各类参数及监测数据输入。

输出显示装置，用于将系统报警信息及各类系统操作后的信息显示输出。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (10)

1.一种河流突发水污染预警溯源方法，其特征是，包括以下步骤：

S101：获取水质常规指标的在线监测数据以及历史监测数据；

S102：对接收到的在线监测数据启动异常算法进行水质分析与预测，并对检测到的异常瞬时水质事件进行预警预报；

S103：根据检测到的异常瞬时水质事件启动决策响应、应急响应后运行应急监测方案；

S104：根据源项模型的定量反演溯源算法对在线监测数据、历史监测数据计算得出水中污染排放参数的估计值或概率分布，得到污染源信息，并根据贝叶斯反演算法和最优搜索追踪模型对污染源信息进行优化处理；

S105：将优化结果反馈给应急响应，优化监测方案；

S106：根据源项模型的溯源反馈结果并以人机交互方式输入指令，重复步骤S102-105，直至溯源搜索范围缩小到可通过现场排查找到污染源。

2.根据权利要求1所述的一种河流突发水污染预警溯源方法，其特征是，在步骤S102中，所述异常瞬时水质事件的预警预报具体为：

利用谱分析数据驱动模型预测矫正后模型的基线误差分布和阈值来检测出异常水质，包括：

第一阶段，利用傅里叶变换中的功率谱密度识别历史监测数据的周期性变化规律与异常；

第二阶段，利用连续小波变换算法确定水质异常时刻、持续时间和强度。

3.根据权利要求2所述的一种河流突发水污染预警溯源方法，其特征是，在步骤S102中，所述第一阶段具体为：

随机过程功率谱密度计算公式为：

式中，

表示求傅立叶变换；P_ξ(f)为随机过程的功率谱密度；T₀为自相关函数R(t,t+τ)对t的周期；

傅里叶变换计算公式为：

式中，n为数据大小；X(e^jω)为频率内输出分量；x(n)为时域内的输入信号。

4.根据权利要求2所述的一种河流突发水污染预警溯源方法，其特征是，在步骤S102中，所述第二阶段具体为：

连续小波变换算法计算公式为：

式中，ψ_a,b为输入信号；

为缩放信号；a为比例因子或尺度参数；b为位置，即沿时间轴平移的参数；t为采样区间；*为共轭复数。

5.根据权利要求1所述的一种河流突发水污染预警溯源方法，其特征是，在步骤S104中，所述源项模型根据河流类型分为河流一维稳态水质模型、河流一维非稳态水质模型；

河流一维稳态水质模型如下：

式中，c为计算断面的污染物浓度；c₀为计算初始点污染物浓度；K为污染物的衰减系数；K₃为污染物的沉降系数；u为河流流速；x为从计算初始点到下游计算断面的距离；

河流一维非稳态水质模型如下：

式中：C为污染物浓度；A为河道断面面积；Q为河道断面流量；E_M为河段混合扩散系数；k₁为污染物降解速率常数；S_M为源、汇项。

6.根据权利要求1所述的一种河流突发水污染预警溯源方法，其特征是，在步骤S104中，所述贝叶斯反演算法具体为：

根据在线监测数据对河流水流水质耦合模拟计算的污染源位置及强度进行误差修正，计算公式如下：

式中，x为模型参数；y为观测值，即y是突发水污染环境事件后实际测量的断面数据；p(x|y)为x的后验概率分布函数，表示获得观测值后参数y的分布规律；p(x)为x的先验概率分布函数，表示未获得观测值y前参数x的分布规律；p(y|x)为似然函数，表示模型参数与观测值的拟合程度，p(y|x)越大，说明模型参数与观测值的拟合效果越好。

7.根据权利要求1所述的一种河流突发水污染预警溯源方法，其特征是，在步骤S104中，所述最优搜索追踪模型具体为：

对在线监测数据和经过贝叶斯反演算法计算后的后验概率分布函数进行概率抽样，计算公式如下：

x^(*)＝x⁽ⁱ⁾(r₁)-B(x⁽ⁱ⁾)(r₂)-x⁽ⁱ⁾(r₃)+ε (9)

式中，B为某一给定的常数，ε为扰动值；

A(x⁽ⁱ⁾,x^(*))＝min{1,r},其中r＝p(x^(*))/x⁽ⁱ⁾ (10)。

8.一种河流突发水污染预警溯源系统，其特征是，包括主机系统、信息采集装置、输入装置、输出显示装置；

所述主机系统包括第一处理器、第二处理器；

第一处理器，内嵌有ARIMA模型、谱分析、Facebook Prophet模型以及小波ANN模型，用于对接收到的水质在线监测数据进行实时分析与预测，对检测出的异常瞬时水质事件进行预报预警；

第二处理器，内嵌有源项模型、最优搜索追踪模型，用于接受输入装置或信息采集装置采集的各类信息，并根据接受的各类信息对镶嵌的模型进行不断的优化调整，并将优化处理结果反馈于应急响应处理方案；

所述信息采集装置，用于将在线监测设备配置的数据采集器存储的数据通过数据通信传输方式传输到主机系统，以及接受突发水污染事件后应急监测点的相关检测数据，临时应急监测数据可通过人机交互方式输入；

输入装置，用于将运行前的各类参数及监测数据输入；

输出显示装置，用于将系统报警信息及各类系统操作后的信息显示输出。

9.一种终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的一种河流突发水污染预警溯源方法。

10.一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的一种河流突发水污染预警溯源方法。

Images