CN112149822A - 一种饮用水消毒副产物预测方法及系统 - Google Patents
一种饮用水消毒副产物预测方法及系统 Download PDFInfo
- Publication number
- CN112149822A CN112149822A CN202010702802.2A CN202010702802A CN112149822A CN 112149822 A CN112149822 A CN 112149822A CN 202010702802 A CN202010702802 A CN 202010702802A CN 112149822 A CN112149822 A CN 112149822A
- Authority
- CN
- China
- Prior art keywords
- water
- data
- drinking water
- historical
- disinfection
- 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
Links
- 239000003651 drinking water Substances 0.000 title claims abstract description 157
- 235000020188 drinking water Nutrition 0.000 title claims abstract description 157
- 239000006227 byproduct Substances 0.000 title claims abstract description 114
- 238000004659 sterilization and disinfection Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 214
- 238000003062 neural network model Methods 0.000 claims abstract description 75
- 230000002068 genetic effect Effects 0.000 claims abstract description 32
- 230000003044 adaptive effect Effects 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 6
- 239000000460 chlorine Substances 0.000 description 5
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 4
- 229910052801 chlorine Inorganic materials 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 239000000645 desinfectant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- JVMRPSJZNHXORP-UHFFFAOYSA-N ON=O.ON=O.ON=O.N Chemical compound ON=O.ON=O.ON=O.N JVMRPSJZNHXORP-UHFFFAOYSA-N 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 150000007513 acids Chemical class 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Physiology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明公开了一种饮用水消毒副产物预测方法及系统。该方法包括：获取待预测饮用水的水龄预测数据和待预测饮用水的水质数据；将水龄预测数据和水质数据输入预测饮用水消毒副产物的自适应遗传BP神经网络模型，得到饮用水消毒副产物预测值。采用本发明的饮用水消毒副产物预测方法及系统，能够高效、经济的预测给水管网中消毒副产物。
Description
技术领域
本发明涉及水质检测技术领域，特别是涉及一种饮用水消毒副产物预测方法及系统。
背景技术
城市供水管网是保障人民生活水平的重要基础设施，饮用水安全问题受到越来越多的关注。但是，目前大部分城市供水管网设施老旧、信息不完善、管理方式落后，导致处理达标的饮用水遭受到“二次污染”，为此不得不在饮用水中保持适量的余氯，但是在水厂添加氯消毒剂的同时，会与水中有机物发生反应，生成消毒副产物(DBPS)。DBPS主要包括：三卤甲烷(THMs)、卤乙酸(HAAs)、卤乙腈(HANs)等。这些消毒副产物会对人体健康产生巨大的威胁，DBPS的含量往往很低，无法达到现有仪器的检测限，因而需要对水样进行浓缩或萃取等预处理，还需要使用气相色谱(GC)、气相色谱/质谱(GC/MS)等仪器，检测费用较高，在测定消毒副产物时会消耗大量的时间以及经费，因此寻求一种高效、经济检测给水管网中消毒副产物的方法，对保障饮用水的安全具有重要的现实意义。
发明内容
本发明的目的是提供一种饮用水消毒副产物预测方法及系统，能够高效、经济的预测给水管网中消毒副产物。
为实现上述目的，本发明提供了如下方案：
一种饮用水消毒副产物预测方法，包括：
获取待预测饮用水的水龄预测数据和待预测饮用水的水质数据；
将所述水龄预测数据和所述水质数据输入预测饮用水消毒副产物的自适应遗传BP神经网络模型，得到饮用水消毒副产物预测值。
可选的，在所述获取待预测饮用水的水龄预测数据和水质数据，之后还包括：
将所述待预测饮用水的水龄预测数据和所述待预测饮用水的水质数据进行归一化处理，得到归一化后的待预测饮用水的水龄预测数据和归一化后的待预测饮用水的水质数据。
可选的，所述水龄预测数据，具体生成方法包括：
获取给水管网参数；所述给水管网参数包括管段长度、管径尺寸、管段流速边界条件、管段之间节点的流量和水头边界条件；
根据所述给水管网参数建立供水管网水力模型；
根据所述供水管网水力模型计算待预测饮用水的水龄，得到水龄预测数据。
可选的，所述预测饮用水消毒副产物的自适应遗传BP神经网络模型，具体构建方法如下：
获取历史水龄数据、历史水质数据和历史饮用水消毒副产物数据；
对所述历史水龄数据和所述历史水质数据进行归一化处理，得到归一化后的历史水龄数据和归一化后的历史水质数据；
根据所述归一化后的历史水龄数据、所述归一化后的历史水质数据和所述历史饮用水消毒副产物数据建立BP神经网络模型；
获取饮用水消毒副产物数据期望值；
将饮用水消毒副产物数据期望值与所述BP神经网络模型输出的饮用水消毒副产物数据实际值差值平方和的倒数作为自适应遗传算法的目标函数，对所述BP神经网络模型中的参数进行优化，得到预测饮用水消毒副产物的自适应遗传BP神经网络模型。
可选的，所述根据所述归一化后的历史水龄数据、所述归一化后的历史水质数据和所述历史饮用水消毒副产物数据建立BP神经网络模型，具体包括：
根据所述历史水龄数据和所述历史水质数据确定所述BP神经网络模型的输入层节点个数；
根据所述历史饮用水消毒副产物数据确定所述BP神经网络模型的输出层节点个数；
根据所述输入层节点个数和所述输出层节点个数计算所述BP神经网络模型的隐藏层节点个数；
根据所述归一化后的历史水龄数据、所述归一化后的历史水质数据、所述历史饮用水消毒副产物数据、所述输入层节点个数、所述输出层节点个数和所述隐藏层节点个数建立BP神经网络模型。
本发明还提供一种饮用水消毒副产物预测系统，包括：
待预测数据获取模块，用于获取待预测饮用水的水龄预测数据和待预测饮用水的水质数据；
饮用水消毒副产物预测模块，用于将所述水龄预测数据和所述水质数据输入预测饮用水消毒副产物的自适应遗传BP神经网络模型，得到饮用水消毒副产物预测值。
可选的，所述系统，还包括：
归一化模块，用于将所述待预测饮用水的水龄预测数据和所述待预测饮用水的水质数据进行归一化处理，得到归一化后的待预测饮用水的水龄预测数据和归一化后的待预测饮用水的水质数据。
可选的，所述待预测数据获取模块，具体包括：
水龄预测数据生成单元，用于获取给水管网参数，根据所述给水管网参数采用infoworks建立供水管网水力模型，根据所述供水管网水力模型计算待预测饮用水的水龄，得到水龄预测数据；所述给水管网参数包括管段长度、管径尺寸、管段流速边界条件、管段之间节点的流量和水头边界条件。
可选的，所述饮用水消毒副产物预测模块，具体包括：
历史数据获取单元，用于获取历史水龄数据、历史水质数据和历史饮用水消毒副产物数据；
历史数据归一化单元，用于对所述历史水龄数据和所述历史水质数据进行归一化处理，得到归一化后的历史水龄数据和归一化后的历史水质数据；
BP神经网络模型建立单元，用于根据所述归一化后的历史水龄数据、所述归一化后的历史水质数据和所述历史饮用水消毒副产物数据建立BP神经网络模型；
饮用水消毒副产物数据期望值获取单元，用于获取饮用水消毒副产物数据期望值；
预测饮用水消毒副产物的自适应遗传BP神经网络模型建立单元，用于将饮用水消毒副产物数据期望值与所述BP神经网络模型输出的饮用水消毒副产物数据实际值差值平方和的倒数作为自适应遗传算法的目标函数，对所述BP神经网络模型中的参数进行优化，得到预测饮用水消毒副产物的自适应遗传BP神经网络模型。
可选的，所述BP神经网络模型建立单元，具体包括：
输入层节点个数确定子单元，用于根据所述历史水龄数据和所述历史水质数据确定所述BP神经网络模型的输入层节点个数；
输出层节点个数确定子单元，用于根据所述历史饮用水消毒副产物数据确定所述BP神经网络模型的输出层节点个数；
隐藏层节点个数确定子单元，用于根据所述输入层节点个数和所述输出层节点个数计算所述BP神经网络模型的隐藏层节点个数；
BP神经网络模型建立子单元，根据所述归一化后的历史水龄数据、所述归一化后的历史水质数据、所述历史饮用水消毒副产物数据、所述输入层节点个数、所述输出层节点个数和所述隐藏层节点个数建立BP神经网络模型。
与现有技术相比，本发明的有益效果是：
本发明提出了一种饮用水消毒副产物预测方法及系统，将待预测饮用水的水龄预测数据和待预测饮用水的水质数据输入预测饮用水消毒副产物的自适应遗传BP神经网络模型，得到饮用水消毒副产物预测值，能够通过常规水质指标的检测来代替消毒副产物的检测，从而达到及时发现消毒副产物并且降低检测成本的目的。同时本发明采用自适应遗传BP神经网络模型，收敛速度快，预测误差小。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例中饮用水消毒副产物预测方法流程图；
图2为本发明实施例中饮用水消毒副产物预测系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，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。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他实施例，都属于本发明保护的范围。
本发明的目的是提供一种饮用水消毒副产物预测方法及系统，能够高效、经济的预测给水管网中消毒副产物。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例
图1为本发明实施例中饮用水消毒副产物预测方法流程图，如图1所示，一种饮用水消毒副产物预测方法，包括：
步骤101：获取待预测饮用水的水龄预测数据(Ti)和待预测饮用水的水质数据。水质数据包括余氯(Cl2)、浊度(NTU)、酸碱度(PH)、氨氮(NH3-N)、硝酸盐氮(NO3 --N)、亚硝酸盐氮(NO2 --N)、总有机碳(TOC)、紫外吸光度(UV254)、氟离子(F-)、总铁(Fe)。
水龄预测数据，具体生成方法包括：获取给水管网参数；给水管网参数包括管段长度、管径尺寸、管段流速边界条件、管段之间节点的流量和水头边界条件；根据给水管网参数采用infoworks建立供水管网水力模型；根据供水管网水力模型预测待预测饮用水的水龄，得到水龄预测数据。
具体的，
城市给水管网中需要改扩建管网的定线布置，管段N(N＝1，2，3，4……)、节点的编号n(n＝1，2，3，4……)，管段的长度(Lij，i为管段的上游节点，j为管段的下游节点)，标准管径列表(Dij，i为管段的上游节点，j为管段的下游节点)及单位长度造价表，管段的流速边界条件(Vij，i为管段的上游节点，j为管段的下游节点)，节点的流量(Qij，i为管段的上游节点，j为管段的下游节点)及水头边界条件。
利用infoworks软件建立供水管网水力模型，然后进行流量和压力校核，之后在water qulity部分建立水龄动态模型，获取水龄数据Tn，(n为节点编号)；建模过程是把CAD图纸导入infoworks，然后将给水管网参数输入到网络拓扑结构图当中进行校核，校核是检验压力和流量是否在合理范围内。
步骤102：将待预测饮用水的水龄预测数据和待预测饮用水的水质数据进行归一化处理，得到归一化后的待预测饮用水的水龄预测数据和归一化后的待预测饮用水的水质数据。
由于不同水质指标在管网中的含量不同，单位不同，为了防止指标之间的数量级差异对模型精度的影响，需要对水质指标进行归一化处理，由于水质指标数值肯定大于0，需要将水质指标归一化[0，1]之间，归一化公式如下所示：
其中：
为归一化后水质指标数值；X为当前水质数据取值；Xmax为原始水质数据序列的最大值；Xmin为原始水质数据序列的最小值。
步骤103：将水龄预测数据和水质数据输入预测饮用水消毒副产物的自适应遗传BP神经网络模型，得到饮用水消毒副产物预测值。饮用水消毒副产物为三卤甲烷和卤乙腈。
预测饮用水消毒副产物的自适应遗传BP神经网络模型，具体构建方法为：
1)获取历史水龄数据、历史水质数据和历史饮用水消毒副产物数据。
2)对历史水龄数据和历史水质数据进行归一化处理，得到归一化后的历史水龄数据和归一化后的历史水质数据。
3)根据归一化后的历史水龄数据、归一化后的历史水质数据和历史饮用水消毒副产物数据建立BP神经网络模型，具体包括：
根据历史水龄数据和历史水质数据确定BP神经网络模型的输入层节点个数；根据历史饮用水消毒副产物数据确定BP神经网络模型的输出层节点个数；根据输入层节点个数和输出层节点个数计算BP神经网络模型的隐藏层节点个数；根据归一化后的历史水龄数据、归一化后的历史水质数据、历史饮用水消毒副产物数据、输入层节点个数、输出层节点个数和隐藏层节点个数建立BP神经网络模型。
4)获取饮用水消毒副产物数据期望值。
5)将饮用水消毒副产物数据期望值与BP神经网络模型输出的饮用水消毒副产物数据实际值差值平方和的倒数作为自适应遗传算法的目标函数，对BP神经网络模型中的参数进行优化，得到预测饮用水消毒副产物的自适应遗传BP神经网络模型。
具体的，
针对BP神经网络，BP神经网络网络层数包括输入层、隐藏层和输出层3层，隐含层神经元数目根据如下公式来确定：
式中，h表示隐含层节点数目，m表示输入层节点数目，n表示输出层节点数目，a表示1-10之间的调节常数。
根据输入层节点数据可知，隐含层神经元数目在4-14个之间，之后用交叉验证将隐含层节点从4个增加到14个。将学习速率从0.1逐渐增加到0.8，并得出训练误差。一般取初始权值在[-1,1]之间的随机数，设置训练目标误差选择范围为1.0×10-3—1.0×10-5。
针对自适应遗传方法，种群规模根据实际情况在100-350之间选择。在这里，针对不通过的种群规模，分别分析其对应优化后的平均误差百分比(MAPE)，采用实数编码的方式。
对于适应度函数，在一个三层的BP网络中(输入层节数点为M，隐含层节点数为N，输出层节点为T)，输出层结果同输入层输入值之间可以用以下推导来表示：
隐含层第i个节点的输入：
隐含层第i个节点的输出：
输出层第j个节点的输入：
输出层第j个节点的输出：
式中：pi为输入层第i个节点的输入；oj为输出层第j个节点的输出；wij为输出层第i个节点到隐含层第j个节点之间的权值；vij为隐含层第i个节点到输出层第j个节点之间的权值；θi为隐含层第i个节点的阈值；γi为输出层第i个节点的阈值；
为隐含层的激励函数；Ψ为输出层的激励函数；
网络的总误差为ε，则误差函数为：
遗传算法的目标函数是朝着适应度函数增大的方向进行的，所以本文以误差平方和的倒数作为适应度函数，适应度函数设置如下：
式中：Tk为期望输出；Ok为实际输出。
随着迭代次数的增加，遗传算法越来越接近优化目标值附近，一般设置的遗传算法的迭代次数为500次。
本发明采用交叉验证的方式来选取最优参数，经过实验得出，在种群规模为100，遗传代数为100，隐含层神经元个数为11，学习效率为0.1，目标误差为10-4，训练次数为2000时，平均误差百分比最小。
图2为本发明实施例中饮用水消毒副产物预测系统结构图。如图2所示，一种饮用水消毒副产物预测系统，包括：
待预测数据获取模块201，用于获取待预测饮用水的水龄预测数据和待预测饮用水的水质数据。
待预测数据获取模块201，具体包括：
水龄预测数据生成单元，用于获取给水管网参数，根据给水管网参数采用infoworks建立供水管网水力模型，根据供水管网水力模型预测待预测饮用水的水龄，得到水龄预测数据；给水管网参数包括管段长度、管径尺寸、管段流速边界条件、管段之间节点的流量和水头边界条件。
归一化模块202，用于将待预测饮用水的水龄预测数据和待预测饮用水的水质数据进行归一化处理，得到归一化后的待预测饮用水的水龄预测数据和归一化后的待预测饮用水的水质数据。
饮用水消毒副产物预测模块203，用于将水龄预测数据和水质数据输入预测饮用水消毒副产物的自适应遗传BP神经网络模型，得到饮用水消毒副产物预测值。
饮用水消毒副产物预测模块203，具体包括：
历史数据获取单元，用于获取历史水龄数据、历史水质数据和历史饮用水消毒副产物数据；
历史数据归一化单元，用于对历史水龄数据和历史水质数据进行归一化处理，得到归一化后的历史水龄数据和归一化后的历史水质数据；
BP神经网络模型建立单元，用于根据归一化后的历史水龄数据、归一化后的历史水质数据和历史饮用水消毒副产物数据建立BP神经网络模型；
BP神经网络模型建立单元，具体包括：
输入层节点个数确定子单元，用于根据历史水龄数据和历史水质数据确定BP神经网络模型的输入层节点个数。
输出层节点个数确定子单元，用于根据历史饮用水消毒副产物数据确定BP神经网络模型的输出层节点个数。
隐藏层节点个数确定子单元，用于根据输入层节点个数和输出层节点个数计算BP神经网络模型的隐藏层节点个数。
BP神经网络模型建立子单元，根据归一化后的历史水龄数据、归一化后的历史水质数据、历史饮用水消毒副产物数据、输入层节点个数、输出层节点个数和隐藏层节点个数建立BP神经网络模型。
饮用水消毒副产物数据期望值获取单元，用于获取饮用水消毒副产物数据期望值；
预测饮用水消毒副产物的自适应遗传BP神经网络模型建立单元，用于将饮用水消毒副产物数据期望值与BP神经网络模型输出的饮用水消毒副产物数据实际值差值平方和的倒数作为自适应遗传算法的目标函数，对BP神经网络模型中的参数进行优化，得到预测饮用水消毒副产物的自适应遗传BP神经网络模型。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种饮用水消毒副产物预测方法，其特征在于，包括：
获取待预测饮用水的水龄预测数据和待预测饮用水的水质数据；
将所述水龄预测数据和所述水质数据输入预测饮用水消毒副产物的自适应遗传BP神经网络模型，得到饮用水消毒副产物预测值。
2.根据权利要求1所述的饮用水消毒副产物预测方法，其特征在于，在所述获取待预测饮用水的水龄预测数据和水质数据，之后还包括：
将所述待预测饮用水的水龄预测数据和所述待预测饮用水的水质数据进行归一化处理，得到归一化后的待预测饮用水的水龄预测数据和归一化后的待预测饮用水的水质数据。
3.根据权利要求2所述的饮用水消毒副产物预测方法，其特征在于，所述水龄预测数据，具体生成方法包括：
获取给水管网参数；所述给水管网参数包括管段长度、管径尺寸、管段流速边界条件、管段之间节点的流量和水头边界条件；
根据所述给水管网参数建立供水管网水力模型；
根据所述供水管网水力模型计算待预测饮用水的水龄，得到水龄预测数据。
4.根据权利要求3所述的饮用水消毒副产物预测方法，其特征在于，所述预测饮用水消毒副产物的自适应遗传BP神经网络模型，具体构建方法如下：
获取历史水龄数据、历史水质数据和历史饮用水消毒副产物数据；
对所述历史水龄数据和所述历史水质数据进行归一化处理，得到归一化后的历史水龄数据和归一化后的历史水质数据；
根据所述归一化后的历史水龄数据、所述归一化后的历史水质数据和所述历史饮用水消毒副产物数据建立BP神经网络模型；
获取饮用水消毒副产物数据期望值；
将饮用水消毒副产物数据期望值与所述BP神经网络模型输出的饮用水消毒副产物数据实际值差值平方和的倒数作为自适应遗传算法的目标函数，对所述BP神经网络模型中的参数进行优化，得到预测饮用水消毒副产物的自适应遗传BP神经网络模型。
5.根据权利要求4所述的饮用水消毒副产物预测方法，其特征在于，所述根据所述归一化后的历史水龄数据、所述归一化后的历史水质数据和所述历史饮用水消毒副产物数据建立BP神经网络模型，具体包括：
根据所述历史水龄数据和所述历史水质数据确定所述BP神经网络模型的输入层节点个数；
根据所述历史饮用水消毒副产物数据确定所述BP神经网络模型的输出层节点个数；
根据所述输入层节点个数和所述输出层节点个数计算所述BP神经网络模型的隐藏层节点个数；
根据所述归一化后的历史水龄数据、所述归一化后的历史水质数据、所述历史饮用水消毒副产物数据、所述输入层节点个数、所述输出层节点个数和所述隐藏层节点个数建立BP神经网络模型。
6.一种饮用水消毒副产物预测系统，其特征在于，包括：
待预测数据获取模块，用于获取待预测饮用水的水龄预测数据和待预测饮用水的水质数据；
饮用水消毒副产物预测模块，用于将所述水龄预测数据和所述水质数据输入预测饮用水消毒副产物的自适应遗传BP神经网络模型，得到饮用水消毒副产物预测值。
7.根据权利要求6所述的饮用水消毒副产物预测系统，其特征在于，所述系统，还包括：
归一化模块，用于将所述待预测饮用水的水龄预测数据和所述待预测饮用水的水质数据进行归一化处理，得到归一化后的待预测饮用水的水龄预测数据和归一化后的待预测饮用水的水质数据。
8.根据权利要求7所述的饮用水消毒副产物预测系统，其特征在于，所述待预测数据获取模块，具体包括：
水龄预测数据生成单元，用于获取给水管网参数，根据所述给水管网参数采用infoworks建立供水管网水力模型，根据所述供水管网水力模型计算待预测饮用水的水龄，得到水龄预测数据；所述给水管网参数包括管段长度、管径尺寸、管段流速边界条件、管段之间节点的流量和水头边界条件。
9.根据权利要求8所述的饮用水消毒副产物预测系统，其特征在于，所述饮用水消毒副产物预测模块，具体包括：
历史数据获取单元，用于获取历史水龄数据、历史水质数据和历史饮用水消毒副产物数据；
历史数据归一化单元，用于对所述历史水龄数据和所述历史水质数据进行归一化处理，得到归一化后的历史水龄数据和归一化后的历史水质数据；
BP神经网络模型建立单元，用于根据所述归一化后的历史水龄数据、所述归一化后的历史水质数据和所述历史饮用水消毒副产物数据建立BP神经网络模型；
饮用水消毒副产物数据期望值获取单元，用于获取饮用水消毒副产物数据期望值；
预测饮用水消毒副产物的自适应遗传BP神经网络模型建立单元，用于将饮用水消毒副产物数据期望值与所述BP神经网络模型输出的饮用水消毒副产物数据实际值差值平方和的倒数作为自适应遗传算法的目标函数，对所述BP神经网络模型中的参数进行优化，得到预测饮用水消毒副产物的自适应遗传BP神经网络模型。
10.根据权利要求9所述的饮用水消毒副产物预测系统，其特征在于，所述BP神经网络模型建立单元，具体包括：
输入层节点个数确定子单元，用于根据所述历史水龄数据和所述历史水质数据确定所述BP神经网络模型的输入层节点个数；
输出层节点个数确定子单元，用于根据所述历史饮用水消毒副产物数据确定所述BP神经网络模型的输出层节点个数；
隐藏层节点个数确定子单元，用于根据所述输入层节点个数和所述输出层节点个数计算所述BP神经网络模型的隐藏层节点个数；
BP神经网络模型建立子单元，根据所述归一化后的历史水龄数据、所述归一化后的历史水质数据、所述历史饮用水消毒副产物数据、所述输入层节点个数、所述输出层节点个数和所述隐藏层节点个数建立BP神经网络模型。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010702802.2A CN112149822A (zh) | 2020-07-21 | 2020-07-21 | 一种饮用水消毒副产物预测方法及系统 |
| US17/075,885 US20220026409A1 (en) | 2020-07-21 | 2020-10-21 | Method and system for predicting disinfection by-products in drinking water |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010702802.2A CN112149822A (zh) | 2020-07-21 | 2020-07-21 | 一种饮用水消毒副产物预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112149822A true CN112149822A (zh) | 2020-12-29 |
Family
ID=73887645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010702802.2A Pending CN112149822A (zh) | 2020-07-21 | 2020-07-21 | 一种饮用水消毒副产物预测方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220026409A1 (zh) |
| CN (1) | CN112149822A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149849A (zh) * | 2020-07-21 | 2020-12-29 | 吉林建筑大学 | 基于多元线性回归法预测饮用水消毒副产物的方法 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116074658B (zh) * | 2023-03-06 | 2023-08-25 | 成都大汇物联科技有限公司 | 一种基于物联网的水电站坝基监控方法及系统 |
| CN116693012A (zh) * | 2023-05-06 | 2023-09-05 | 同济大学 | 一种含氯消毒剂的排水管道溢流污水消毒协同快速除氨氮方法 |
| CN117725446B (zh) * | 2024-02-07 | 2024-05-14 | 南昌大学 | 基于ga-bp的sofc电堆性能衰减预测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101775434A (zh) * | 2010-04-02 | 2010-07-14 | 天津大学 | 基于bp神经网络的饮用水管网细菌总数快速预测方法 |
| CN102201023A (zh) * | 2011-05-10 | 2011-09-28 | 常州大学 | 一种供水管网中卤代烷生成量预测模型的建立方法 |
| CN102519929A (zh) * | 2011-12-13 | 2012-06-27 | 同济大学 | 一种预测水中含氮消毒副产物二氯乙酰胺生成势的方法 |
| JP2015202446A (ja) * | 2014-04-14 | 2015-11-16 | 株式会社日立製作所 | 水道の消毒剤注入制御システム |
| CN109886506A (zh) * | 2019-03-14 | 2019-06-14 | 重庆大学 | 一种供水管网爆管风险分析方法 |
| CN110287651A (zh) * | 2019-07-24 | 2019-09-27 | 浙江师范大学 | 一种预测供水系统中消毒副产物卤乙酸浓度的方法 |
| CN110287652A (zh) * | 2019-07-24 | 2019-09-27 | 浙江师范大学 | 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法 |
| CN111143992A (zh) * | 2019-12-25 | 2020-05-12 | 深圳市东深电子股份有限公司 | 一种供水管网水龄监测系统及方法 |
| CN111324989A (zh) * | 2020-03-19 | 2020-06-23 | 重庆大学 | 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法 |
-
2020
- 2020-07-21 CN CN202010702802.2A patent/CN112149822A/zh active Pending
- 2020-10-21 US US17/075,885 patent/US20220026409A1/en not_active Abandoned
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101775434A (zh) * | 2010-04-02 | 2010-07-14 | 天津大学 | 基于bp神经网络的饮用水管网细菌总数快速预测方法 |
| CN102201023A (zh) * | 2011-05-10 | 2011-09-28 | 常州大学 | 一种供水管网中卤代烷生成量预测模型的建立方法 |
| CN102519929A (zh) * | 2011-12-13 | 2012-06-27 | 同济大学 | 一种预测水中含氮消毒副产物二氯乙酰胺生成势的方法 |
| JP2015202446A (ja) * | 2014-04-14 | 2015-11-16 | 株式会社日立製作所 | 水道の消毒剤注入制御システム |
| CN109886506A (zh) * | 2019-03-14 | 2019-06-14 | 重庆大学 | 一种供水管网爆管风险分析方法 |
| CN110287651A (zh) * | 2019-07-24 | 2019-09-27 | 浙江师范大学 | 一种预测供水系统中消毒副产物卤乙酸浓度的方法 |
| CN110287652A (zh) * | 2019-07-24 | 2019-09-27 | 浙江师范大学 | 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法 |
| CN111143992A (zh) * | 2019-12-25 | 2020-05-12 | 深圳市东深电子股份有限公司 | 一种供水管网水龄监测系统及方法 |
| CN111324989A (zh) * | 2020-03-19 | 2020-06-23 | 重庆大学 | 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| K. GHEBREMICHAEL等: "Modeling disinfection by-products: coupling hydraulic and chemical models", 《WATER SCIENCE & TECHNOLOGY》 * |
| 吴艳: "配水管网系统中消毒副产物的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149849A (zh) * | 2020-07-21 | 2020-12-29 | 吉林建筑大学 | 基于多元线性回归法预测饮用水消毒副产物的方法 |
| CN112149849B (zh) * | 2020-07-21 | 2024-05-14 | 吉林建筑大学 | 基于多元线性回归法预测饮用水消毒副产物的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220026409A1 (en) | 2022-01-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149822A (zh) | 一种饮用水消毒副产物预测方法及系统 | |
| CN108053054B (zh) | 一种河流水质预测方法 | |
| Huang et al. | Predicting lncRNA-miRNA interaction via graph convolution auto-encoder | |
| CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| Tejaswini et al. | Multi-objective optimization based controller design for improved wastewater treatment plant operation | |
| Onyutha et al. | Modelling chlorine residuals in drinking water: a review | |
| CN112149849B (zh) | 基于多元线性回归法预测饮用水消毒副产物的方法 | |
| Ba-Alawi et al. | Explainable multisensor fusion-based automatic reconciliation and imputation of faulty and missing data in membrane bioreactor plants for fouling alleviation and energy saving | |
| CN115561416A (zh) | 污水处理厂进水水质实时检测方法和装置 | |
| CN108830035A (zh) | 一种新型水处理混凝投药控制方法、计算机、计算机程序 | |
| CN108090828A (zh) | 一种基于遗传算法的汇率分析方法 | |
| CN114119277A (zh) | 一种基于人工智能神经网络的絮凝投药决策的分析方法 | |
| CN110287651A (zh) | 一种预测供水系统中消毒副产物卤乙酸浓度的方法 | |
| CN110633868A (zh) | 遗传算法优化神经网络进行探井试油层油气性质预测方法 | |
| CN102521654A (zh) | Rna遗传算法的超临界水氧化反应动力学模型参数估计方法 | |
| Li et al. | Operational parameter prediction of electrocoagulation system in a rural decentralized water treatment plant by interpretable machine learning model | |
| CN116874002A (zh) | 污水处理设备的自动加药系统及其方法 | |
| CN113111576A (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
| Bui et al. | Application of artificial neural networks on water and wastewater prediction: A review | |
| CN110287652A (zh) | 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法 | |
| Moradi et al. | Estimating NDMA formation in a distribution system using a hybrid genetic algorithm | |
| CN115018137A (zh) | 基于强化学习的水环境模型参数率定方法 | |
| Wang et al. | LSTM wastewater quality prediction based on attention mechanism | |
| CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
| CN113866375A (zh) | 出水含氮物智能在线监测方法和系统 |
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 |