CN112288309A - 一种水质调控系统、方法、装置、计算机设备和存储介质 - Google Patents
一种水质调控系统、方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112288309A CN112288309A CN202011251983.8A CN202011251983A CN112288309A CN 112288309 A CN112288309 A CN 112288309A CN 202011251983 A CN202011251983 A CN 202011251983A CN 112288309 A CN112288309 A CN 112288309A
- Authority
- CN
- China
- Prior art keywords
- water quality
- data
- water
- diversion
- control
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 316
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000001276 controlling effect Effects 0.000 claims abstract description 10
- 230000001105 regulatory effect Effects 0.000 claims abstract description 9
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 36
- 229910052698 phosphorus Inorganic materials 0.000 claims description 36
- 239000011574 phosphorus Substances 0.000 claims description 36
- 238000003908 quality control method Methods 0.000 claims description 27
- 230000001419 dependent effect Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- DJFBJKSMACBYBD-UHFFFAOYSA-N phosphane;hydrate Chemical compound O.P DJFBJKSMACBYBD-UHFFFAOYSA-N 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 12
- 229930002875 chlorophyll Natural products 0.000 description 12
- 235000019804 chlorophyll Nutrition 0.000 description 12
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 12
- 229910052760 oxygen Inorganic materials 0.000 description 12
- 239000001301 oxygen Substances 0.000 description 12
- 238000005314 correlation function Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 6
- -1 turbidity Substances 0.000 description 5
- 235000015097 nutrients Nutrition 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 235000008935 nutritious Nutrition 0.000 description 1
- 239000013643 reference control Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Chemical & Material Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Food Science & Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Development Economics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明属于液体动力学技术领域，公开一种水质调控系统、方法、装置、计算机设备和存储介质。系统包括：数据采集模块，用于采集水域当前水质参数数据；数据处理模块，用于获取所述当前水质参数数据，并将所述当前水质参数数据输入到预设的神经网络模型，通过预设的所述神经网络模型计算引水控制数据，指挥控制中心，用于接收所述引水控制数据，并根据所述引水控制数据对水质进行调控。本发明提供的一种水质调控系统基于物联网大数据进行数据分析，结合神经网络技术的应用，能够快速有效且准确的针对水质情况进行分析，从而实现水质管控的自动化管控和更加科学合理化的给出引水量和时间数据，便于进行水质调控管理。
Description
技术领域
本发明属于液体动力学技术领域，尤其涉及一种水质调控系统、方法、装置、计算机设备和存储介质。
背景技术
水动力引水排污是集物理学、化学方法来解决生物造成的水质变化问题。对于浮游植物的生长量来说，湖水的滞留时间是决定性的因素之一。如果流入湖泊的污水只在湖中停留短暂的时间，即使湖中营养磷极为丰富，也只能生产极为有限的生物量，其数量比预想的要少得多。因此在水源允许的条件下，引进外部水源，增加入湖的流量，这样既可以人为地缩短湖水滞留时间，抑制藻类的生长，又可通过流出的湖水带出部分营养物质，降低湖中营养磷类的浓度，从而起到防止湖泊富营养化的作用。
水动力引水排污中对水质的调控中最关键的是对磷含量的调节；目前水质指标中除了磷之外，还包含对PH、溶解氧、叶绿素、浊度、水温、电导率等指标的监测，且这些指标同时又会影响水质中磷含量。
然而，目前对于水体中磷含量的调节，主要是通过人工打捞水中微生物、清理淤泥、人工控制引水量等方式；种种此类方式均需要通过人工经验来判断是否需要打捞水生物，人工经验判断引水冲污的水量；同时，在引水冲污的过程中，水体中磷含量达到合格标准是需要较长时间的，若通过人工不断的采集水体并监测磷含量给引水操作是否足够的结论，一方面会严重浪费人力操作成本，另一方面也会存在滞后现象，当水体中的磷含量或者营养物质过低时，会影响水生植物的生长，水生植物的死亡同时又会污染水质，造成水质调控的效果微乎其微和经济上的损失。
发明内容
本发明实施例的目的在于提供一种水质调控方法，旨在解决现有技术人工经验判断水质情况并进行水质调控存在的人力物力浪费、效率低、不准确的问题，提供一种高效准确的水质调控系统。
本发明实施例是这样实现的，一种水质调控系统，包括：
数据采集模块，所述数据采集模块用于采集水域当前水质参数数据；
数据处理模块，所述数据处理模块用于获取所述当前水质参数数据，并将所述当前水质参数数据输入到预设的神经网络模型，通过预设的所述神经网络模型计算引水控制数据，预设的所述神经网络模型为通过历史水质调控数据训练得来，所述神经网络模型可计算自变量引水量和引水时间与因变量水体磷含量之间的函数关系；
指挥控制中心，所述指挥控制中心用于接收所述引水控制数据，并根据所述引水控制数据对水质进行调控。
优选的，水质调控系统还包括：
水质监测模块，所述水质监测模块用于监测水域水质参数指标是否处于预设的标准含磷指标范围内。
优选的，水质调控系统还包括：
决策执行模块，所述决策执行模块用于接收并所述指挥中心发布的解决方案，并返回决策结果。
优选的，所述数据处理模块还用于获取水域生物状况数据，结合所述当前水质参数数据计算和设置水域的标准含磷指标范围，根据所述标准含磷指标范围以及当前水质参数数据中包含的当前水质含磷指标判断是否需要进行水质调控。
本发明实施例的另一目的在于提供一种水质调控方法，所述方法包括：
获取水域当前水质参数数据；
将所述水域当前水质参数数据输入到预设的神经网络模型，通过预设的所述神经网络模型计算引水控制数据，预设的所述神经网络模型为通过历史水质调控数据训练得来；
将所述引水控制数据发送至指挥控制中心，以供所述指挥控制中心根据所述引水控制数据进行水质调控。
优选的，所述将所述水域当前水质参数数据输入到预设的神经网络模型，通过预设的所述神经网络模型计算引水控制数据的步骤之前，还包括：
获取预设的历史水质调控数据，所述历史水质调控数据包括历史水质参数数据、历史引水数据；
将所述历史水质调控数据输入到神经网络模型中进行训练，确定引水数据与水质参数数据之间的函数关系。
优选的，所述引水数据与水质参数数据之间的函数关系为自变量引水量和引水时间与因变量水体磷含量之间的函数关系。
本发明实施例的另一目的在于提供一种水质调控装置，所述装置包括：
数据获取单元，用于获取水域当前水质参数数据；
数据处理单元，用于将所述水域当前水质参数数据输入到预设的神经网络模型，通过预设的所述神经网络模型计算引水控制数据，预设的所述神经网络模型为通过历史水质调控数据训练得来；
数据调控单元，用于将所述引水控制数据发送至指挥控制中心，以供所述指挥控制中心根据所述引水控制数据进行水质调控。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述水质调控方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述水质调控方法的步骤。
与现有技术相比，本发明提供的一种水质调控系统基于物联网大数据进行数据分析，结合神经网络技术的应用，能够快速有效且准确的针对水质情况进行分析，从而实现水质管控的自动化管控和更加科学合理化的给出引水量和时间数据，便于进行水质调控管理。
附图说明
图1为本发明实施例提供的水质调控系统的结构框图；
图2为本发明实施例提供的水质参数数据的影响因素关系图；
图3为本发明实施例提供的水质调控方法的流程图；
图4为本发明实施例提供的计算引用控制数据前的流程图；
图5为本发明实施例提供的水质调控装置的结构框图；
图6为一个实施例中计算机设备的内部结构框图。
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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
实施例一
如图1所示，为本发明实施例中提供的一种水质调控系统的结构框图，在本发明实施例中，水质调控系统包括：
数据采集模块100，数据采集模块100用于采集水域当前水质参数数据；
数据处理模块200，数据处理模块200用于获取当前水质参数数据，并将当前水质参数数据输入到预设的神经网络模型，通过预设的神经网络模型计算引水控制数据，预设的神经网络模型为通过历史水质调控数据训练得来，神经网络模型可计算自变量引水量和引水时间与因变量水体磷含量之间的函数关系；
指挥控制中心300，指挥控制中心300用于接收引水控制数据，并根据引水控制数据对水质进行调控。
在本发明实施例中，数据采集模块100采集数据的过程是使用物联网设备全自动采集，物联网设备包括：水质监测仪、浊度监测仪、电磁流量计、余磷分析仪、水压测试仪；其中水质监测仪主要采集的水质指标包含PH、水温、溶解氧、当前水体磷含量、叶绿素、浊度。采购一系列水质监测、引水工程信息化监测的设备，获取在湖泊水域引水工程的数据并存储上传至云端。
在本发明实施例中，数据处理模块200除了对数据进行上述处理以外，还可以针对水域建立水域引水量、水质数据库，将上传至云端的数据通过清洗、加工、变换等一系列操作，提取和转换成直接使用的数据。
在本发明实施例中，数据处理模块200中包含的神经网络模型其计算过程如下：
自变量是引水量和引水时间，因变量是水体磷含量；其中，磷含量直接影响因素是引水磷含量和水体中水生物密度，间接的影响因素包括影响指标有水温、PH、溶解氧、浊度、叶绿素，电导率；其中，PH的直接影响因素是氢离子浓度和水温，溶解氧直接影响因素是大气压、水温、水生物密度，浊度直接影响因素是水流速和水生物密度，叶绿素直接影响因素是水温、氢离子、水生物密度，电导率直接影响因素是水温、水流速、水生物密度、大气压。
其中，假设各个水体水质为因变量，分别为y1＝水温，y2＝PH，y3＝溶解氧，y4＝浊度，y5＝叶绿素，y6＝电导率，影响水体水质因素为自变量，分别为x1＝氢离子浓度，x2＝大气压，x3＝水生物密度，x4＝水流速。分析各个水体水质参数数据的影响因素关系如下图2所示，得出以下结论：PH相关函数关系是y2＝f2(x1,y1)；溶解氧相关函数关系是y3＝f3(y1,x2,x3)；浊度相关函数关系是y4＝f4(x3,x4)；叶绿素相关函数关系是y5＝f5(y1,x1,x3)；电导率相关函数关系是y6＝f6(y1,x2,x3,x4)。
进一步的，假设因变量引水量为Y1，因变量引水时间为Y2，水体磷含量为X1，则自变量引水量和引水时间与因变量水体磷含量之间的函数关系如下：
Y1＝F1(X1,y2,y3,y4,y5,y6)
Y2＝F2(Y1,X1,y2,y3,y4,y5,y6)
在本发明实施例中，上述提到的磷含量影响因素比如水温、PH、溶解氧、浊度、叶绿素，电导率等，均包括在当前水质参数数据中。另外，除了上述举例的考量因素，本领域技术人员还可以通过添加或者减少有关因素，在此仅作示例说明，不进一步的列举更多情形。
在本发明实施例中，数据处理模块200还用于获取水域生物状况数据，结合所述当前水质参数数据计算和设置水域的标准含磷指标范围，根据所述标准含磷指标范围以及当前水质参数数据中包含的当前水质含磷指标判断是否需要进行水质调控。
具体的，本发明实施例中，标准含磷指标实质上就是水质预警标准值，所以数据处理模块200还可以用于设置水质预警标准范围值，具体可以是通过实时采集到的水体中总磷含量数据计算得到磷含量值与国家地表三类水标准值进行比较，若大于标准值则表示此时应该进行引水，若小于等于标准值则不需要引水，即此时水质不需调控。具体地，本发明实施例中国家地表三类水标准，集中式生活饮用水、地表水源地二级保护区和水产养殖去等渔业水域及游泳区是景区水域指标的标准，本领域技术人员可根据这一标准调试并设定好预警水质指标范围。
在本发明实施例中，指挥控制中心300主要是根据数据处理模块200的引水控制数据来生成或者得到智能化的解决方案并及时做出调整，其中智能化解决方案包含此次水质调控所需引水量以及引水时间，且需要对哪些引水口做设置，设置量和设置引水口出水口开关时间等，具体的项目类型本领域技术人员可以根据实际需要进行调整和设置。
在本发明实施例中，还包括：
水质监测模块400，水质监测模块400用于监测水域水质参数指标是否处于预设的标准含磷指标范围内，并将水质参数指标结果发送给指挥控制中心。具体的，主要是从数据采集模块100或者数据处理模块200中获取当前水质参数数据等，通过回归分析算法进行计算分析，及时地掌握水质情况，包括水质调控前以及进行水质调控过程中的水质情况，达到能够及时水质预警监测的效果。
在本发明实施例中，还包括：
决策执行模块500，决策执行模块500用于接收并指挥中心发布的解决方案，并返回决策结果。具体的，其可以将预警信息以及解决方案通过用户层级的限制按时发送到相关负责人的手机或者其他设备上，提供主动式的服务，由相关负责人做出最后的决策行为。
另外，决策执行模块500还可以跟系统的其他模块连接，以便用户直接通过决策执行模块进行便携式控制操作水质调控。
与现有技术相比，本发明提供的一种水质调控系统基于物联网大数据进行数据分析，结合神经网络技术的应用，能够快速有效且准确的针对水质情况进行分析，同时该系统会启动神经网络运算，实现水质管控的自动化管控和更加科学合理化的给出引水量和时间数据，从而得出自动化水质调控解决方案，便于进行水质调控管理，还可选择向指定级别的工作人员发送预警和解决方案信息，并提醒执行人将水质调节到正常标准范围。
实施例二
如图3所示，为本发明实施例中提供的一种水质调控方法的流程图，在一个实施例中，一种水质调控方法，具体可以包括以下步骤：
步骤S302，获取水域当前水质参数数据；
步骤S304，将水域当前水质参数数据输入到预设的神经网络模型，通过预设的神经网络模型计算引水控制数据，预设的神经网络模型为通过历史水质调控数据训练得来；
步骤S306，将引水控制数据发送至指挥控制中心，以供指挥控制中心根据引水控制数据进行水质调控。
在本发明实施例中，如图4所示，为本发明实施例中训练神经网络模型的流程图；步骤S304将水域当前水质参数数据输入到预设的神经网络模型，通过预设的神经网络模型计算引水控制数据之前，还包括：
步骤S402，获取预设的历史水质调控数据，历史水质调控数据包括历史水质参数数据、历史引水数据；
步骤S404，将历史水质调控数据输入到神经网络模型中进行训练，确定引水数据与水质参数数据之间的函数关系。
在本发明实施例中，引水数据与水质参数数据之间的函数关系为自变量引水量和引水时间与因变量水体磷含量之间的函数关系。
具体地，在本发明实施例中，本发明实施例中的神经网络模型其训练的原理过程如下：
自变量是引水量和引水时间，因变量是水体磷含量；其中，磷含量直接影响因素是引水磷含量和水体中水生物密度，间接的影响因素包括影响指标有水温、PH、溶解氧、浊度、叶绿素，电导率；其中，PH的直接影响因素是氢离子浓度和水温，溶解氧直接影响因素是大气压、水温、水生物密度，浊度直接影响因素是水流速和水生物密度，叶绿素直接影响因素是水温、氢离子、水生物密度，电导率直接影响因素是水温、水流速、水生物密度、大气压。
其中，假设各个水体水质为因变量，分别为y1＝水温，y2＝PH，y3＝溶解氧，y4＝浊度，y5＝叶绿素，y6＝电导率，影响水体水质因素为自变量，分别为x1＝氢离子浓度，x2＝大气压，x3＝水生物密度，x4＝水流速。分析各个水体水质指标的影响因素如下图2所示，得出以下结论：PH相关函数关系是y2＝f2(x1,y1)；溶解氧相关函数关系是y3＝f3(y1,x2,x3)；浊度相关函数关系是y4＝f4(x3,x4)；叶绿素相关函数关系是y5＝f5(y1,x1,x3)；电导率相关函数关系是y6＝f6(y1,x2,x3,x4)。
进一步的，假设因变量引水量为Y1，因变量引水时间为Y2，水体磷含量为X1，则自变量引水量和引水时间与因变量水体磷含量之间的函数关系如下：
Y1＝F1(X1,y2,y3,y4,y5,y6)
Y2＝F2(Y1,X1,y2,y3,y4,y5,y6)
在本发明实施例中，上述提到的磷含量影响因素比如水温、PH、溶解氧、浊度、叶绿素，电导率等，均包括在当前水质参数数据中。另外，除了上述举例的考量因素，本领域技术人员还可以通过添加或者减少有关因素，在此仅作示例说明，不进一步的列举更多情形。
本发明提供的一种水质调控方法基于物联网大数据进行数据分析，结合神经网络技术的应用，能够快速有效且准确的针对水质情况进行分析，从而实现水质管控的自动化管控和更加科学合理化的给出引水量和时间等引水控制数据，便于进行水质调控管理。
实施例三
如图5所示，在一个实施例中，提供了一种水质调控装置，该水质调控装置可以集成于上述的数据处理模块或者其他计算机设备中，具体可以包括：
数据获取单元510，用于获取水域当前水质参数数据；
数据处理单元520，用于将水域当前水质参数数据输入到预设的神经网络模型，通过预设的神经网络模型计算引水控制数据，预设的神经网络模型为通过历史水质调控数据训练得来；
数据调控单元530，用于将引水控制数据发送至指挥控制中心，以供指挥控制中心根据引水控制数据进行水质调控。
在本发明实施例中，水质调控装置主要用于执行本发明实施例中提供的水质调控方法，因此，在前述水质调控方法的实施例中的步骤流程在本发明实施例中提供的水质调控装置尽可以执行，在此不及一步的重复描述。
本发明提供的一种水质调控扎装置基于物联网大数据进行数据分析，结合神经网络技术的应用，能够快速有效且准确的针对水质情况进行分析，从而实现水质管控的自动化管控和更加科学合理化的给出引水量和时间等引水控制数据，便于进行水质调控管理。
实施例四
在一个实施例中，提出了一种计算机设备，计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取水域当前水质参数数据；
将水域当前水质参数数据输入到预设的神经网络模型，通过预设的神经网络模型计算引水控制数据，预设的神经网络模型为通过历史水质调控数据训练得来；
将引水控制数据发送至指挥控制中心，以供指挥控制中心根据引水控制数据进行水质调控。
图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。还可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。如图6所示，该计算机设备包括该计算机设备包括通过系统总线链接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现水质调控方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行水质调控方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
实施例五
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取水域当前水质参数数据；
将水域当前水质参数数据输入到预设的神经网络模型，通过预设的神经网络模型计算引水控制数据，预设的神经网络模型为通过历史水质调控数据训练得来；
将引水控制数据发送至指挥控制中心，以供指挥控制中心根据引水控制数据进行水质调控。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种水质调控系统，其特征在于，包括：
数据采集模块，所述数据采集模块用于采集水域当前水质参数数据；
数据处理模块，所述数据处理模块用于获取所述当前水质参数数据，并将所述当前水质参数数据输入到预设的神经网络模型，通过预设的所述神经网络模型计算引水控制数据，预设的所述神经网络模型为通过历史水质调控数据训练得来，所述神经网络模型可计算自变量引水量和引水时间与因变量水体磷含量之间的函数关系；
指挥控制中心，所述指挥控制中心用于接收所述引水控制数据，并根据所述引水控制数据对水质进行调控。
2.根据权利要求1所述的系统，其特征在于，还包括：
水质监测模块，所述水质监测模块用于监测水域水质参数指标是否处于预设的标准含磷指标范围内。
3.根据权利要求1所述的系统，其特征在于，还包括：
决策执行模块，所述决策执行模块用于接收并所述指挥中心发布的解决方案，并返回决策结果。
4.根据权利要求1所述的系统，其特征在于，所述数据处理模块还用于获取水域生物状况数据，结合所述当前水质参数数据计算和设置水域的标准含磷指标范围，根据所述标准含磷指标范围以及当前水质参数数据中包含的当前水质含磷指标判断是否需要进行水质调控。
5.一种水质调控方法，其特征在于，所述方法包括：
获取水域当前水质参数数据；
将所述水域当前水质参数数据输入到预设的神经网络模型，通过预设的所述神经网络模型计算引水控制数据，预设的所述神经网络模型为通过历史水质调控数据训练得来；
将所述引水控制数据发送至指挥控制中心，以供所述指挥控制中心根据所述引水控制数据进行水质调控。
6.根据权利要求5所述的方法，其特征在于，所述将所述水域当前水质参数数据输入到预设的神经网络模型，通过预设的所述神经网络模型计算引水控制数据的步骤之前，还包括：
获取预设的历史水质调控数据，所述历史水质调控数据包括历史水质参数数据、历史引水数据；
将所述历史水质调控数据输入到神经网络模型中进行训练，确定引水数据与水质参数数据之间的函数关系。
7.根据权利要求6所述的方法，其特征在于，所述引水数据与水质参数数据之间的函数关系为自变量引水量和引水时间与因变量水体磷含量之间的函数关系。
8.一种水质调控装置，其特征在于，所述装置包括：
数据获取单元，用于获取水域当前水质参数数据；
数据处理单元，用于将所述水域当前水质参数数据输入到预设的神经网络模型，通过预设的所述神经网络模型计算引水控制数据，预设的所述神经网络模型为通过历史水质调控数据训练得来；
数据调控单元，用于将所述引水控制数据发送至指挥控制中心，以供所述指挥控制中心根据所述引水控制数据进行水质调控。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求5至7中任一项所述水质调控方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求5至7中任一项所述水质调控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011251983.8A CN112288309A (zh) | 2020-11-11 | 2020-11-11 | 一种水质调控系统、方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011251983.8A CN112288309A (zh) | 2020-11-11 | 2020-11-11 | 一种水质调控系统、方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112288309A true CN112288309A (zh) | 2021-01-29 |
Family
ID=74397813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011251983.8A Pending CN112288309A (zh) | 2020-11-11 | 2020-11-11 | 一种水质调控系统、方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288309A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114386333A (zh) * | 2022-01-19 | 2022-04-22 | 郑州清源智能装备科技有限公司 | 一种边缘智能控制方法和装置 |
| CN115684516A (zh) * | 2022-08-29 | 2023-02-03 | 邯郸市亿润工程咨询有限公司 | 一种水利工程污水处理检测方法、装置、电子设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886369A (zh) * | 2014-03-27 | 2014-06-25 | 北京工业大学 | 一种基于模糊神经网络的出水总磷tp预测方法 |
| CN109052865A (zh) * | 2018-09-29 | 2018-12-21 | 中国科学院生态环境研究中心 | 一种污水处理装置和方法 |
| CN109933027A (zh) * | 2019-02-28 | 2019-06-25 | 重庆工商大学 | 基于厂群水质监控和模型化管理的污水管理平台 |
| CN110357236A (zh) * | 2019-08-16 | 2019-10-22 | 江苏如是数学研究院有限公司 | 一种基于突变反演出水预测模型的污水厂智慧操控方法 |
| CN111498974A (zh) * | 2019-12-20 | 2020-08-07 | 中国市政工程中南设计研究总院有限公司 | 基于bp神经网络的智慧加药控制系统 |
-
2020
- 2020-11-11 CN CN202011251983.8A patent/CN112288309A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886369A (zh) * | 2014-03-27 | 2014-06-25 | 北京工业大学 | 一种基于模糊神经网络的出水总磷tp预测方法 |
| CN109052865A (zh) * | 2018-09-29 | 2018-12-21 | 中国科学院生态环境研究中心 | 一种污水处理装置和方法 |
| CN109933027A (zh) * | 2019-02-28 | 2019-06-25 | 重庆工商大学 | 基于厂群水质监控和模型化管理的污水管理平台 |
| CN110357236A (zh) * | 2019-08-16 | 2019-10-22 | 江苏如是数学研究院有限公司 | 一种基于突变反演出水预测模型的污水厂智慧操控方法 |
| CN111498974A (zh) * | 2019-12-20 | 2020-08-07 | 中国市政工程中南设计研究总院有限公司 | 基于bp神经网络的智慧加药控制系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114386333A (zh) * | 2022-01-19 | 2022-04-22 | 郑州清源智能装备科技有限公司 | 一种边缘智能控制方法和装置 |
| CN115684516A (zh) * | 2022-08-29 | 2023-02-03 | 邯郸市亿润工程咨询有限公司 | 一种水利工程污水处理检测方法、装置、电子设备及介质 |
| CN115684516B (zh) * | 2022-08-29 | 2024-03-26 | 邯郸市亿润工程咨询有限公司 | 一种水利工程污水处理检测方法、装置、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Srdjevic et al. | Fuzzy AHP assessment of water management plans | |
| Rehana et al. | River water quality response under hypothetical climate change scenarios in Tunga‐Bhadra river, India | |
| CN112288309A (zh) | 一种水质调控系统、方法、装置、计算机设备和存储介质 | |
| CN114817851A (zh) | 水质监测方法及设备 | |
| Barbu et al. | Applying control actions for water line and sludge line to increase wastewater treatment plant performance | |
| Ellina et al. | Research of fuzzy implications via fuzzy linear regression in data analysis for a fuzzy model | |
| Gaska et al. | Optimization of biological wastewater treatment process by hierarchical adaptive control | |
| CN117854619A (zh) | 涉水企业特征污染物的排放量核算方法和装置 | |
| Bonakdari et al. | Multi-objective evolutionary polynomial regression-based prediction of energy consumption probing | |
| CN117929666B (zh) | 工业废水在线监测数据的质控方法、装置、电子设备及存储介质 | |
| Croll et al. | Reinforcement learning applied to wastewater treatment process control optimization: Approaches, challenges, and path forward | |
| Ye et al. | Prediction of effluent total nitrogen and energy consumption in wastewater treatment plants: Bayesian optimization machine learning methods | |
| CN118183886A (zh) | 基于神经网络的水质模型基础参数动态调优方法及装置 | |
| CN117434235A (zh) | 基于水质监测的水华预警方法、装置、设备及介质 | |
| CN116913415A (zh) | 一种精准加药除磷控制方法、系统、设备及可读存储介质 | |
| Tzionas et al. | A hierarchical fuzzy decision support system for the environmental rehabilitation of Lake Koronia, Greece | |
| Yue et al. | Optimization of industrial structure based on water environmental carrying capacity in Tieling City | |
| CN109460869B (zh) | 水环境预警方法和装置 | |
| CN113582309A (zh) | 一种混凝剂投加量的确定方法和装置 | |
| Xie et al. | Multifactor prediction of sea water quality based on improved K-LSTM | |
| de Lima et al. | External control and automatic calibration of the HEC-RAS NSM-I water quality model | |
| Lee et al. | Constructed Wetlands: prediction of performance with case-based reasoning (Part B) | |
| CN115907162A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
| Bulut | Estimation of zooplankton density with artificial neural networks (a new statistical approach) method, Elazığ-Türkiye | |
| CN113867233B (zh) | 一种基于中试研究的颗粒污泥处理的控制方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |