CN112686291A - 水质的预测方法、装置、系统及计算机可读存储介质 - Google Patents
水质的预测方法、装置、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112686291A CN112686291A CN202011557535.0A CN202011557535A CN112686291A CN 112686291 A CN112686291 A CN 112686291A CN 202011557535 A CN202011557535 A CN 202011557535A CN 112686291 A CN112686291 A CN 112686291A
- Authority
- CN
- China
- Prior art keywords
- water quality
- data
- predicted
- analyzed
- prediction
- 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
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种水质的预测方法、装置、系统及计算机可读存储介质,该方法的步骤包括:监控待预测水质的水质数据,并对水质数据进行数据处理,得到待预测水质对应的待分析水质数据;对待分析水质数据进行成分分析,得到对应的降维数据,并对降维数据行假设检验,确定待预测水质的检验结果;基于检验结果对待分析水质数据进行时间序列预测,以确定待预测水质的预测结果。本申请通过数据处理、成分分析、假设检验和时间序列预测的机器学习方法处理非线性的水质数据,挖掘不同水质数据之间的相关性,不需要通过人工方式对水质数据进行处理,从而避免了人工方式处理非线性水质数据的困难,提高了污水水质预测的准确性。
Description
技术领域
本申请涉及机器学习和污水处理技术领域,尤其涉及一种水质的预测方法、装置、系统及计算机可读存储介质。
背景技术
目前污水处理主要分为工业污水处理和民用水处理,其中污水水质的处理关系着居民的生产健康。在处理污水水质过程中,检测水质情况,并对其进行异常检测是一个重要环节。
污水水质预测属于污水处理过程中异常检测部分,传统的检测方法是基本依赖于运营人员的经验,通过人工方式设计或者提取污水水质的水质数据特征,从而实现污水水质的处理。然而,人工方式对历史数据的运用程度非常低,导致在处理污水过程中效率十分低。再者,污水处理厂运行数据的数据量十分庞大,且不同数据之间非线性相关,单一数据时间自相关,长期出于动态变化之中,人工方式处理往往不能将数据进行利用,从而难以预测污水水质变化,无法对即将突发的水质问题进行预警、及时处理。
发明内容
本申请的主要目的在于提供一种水质的预测方法、装置、系统及计算机可读存储介质,旨在提高污水水质预测的准确性。
为实现上述目的,本申请实施例提供一种水质的预测方法,所述水质的预测方法包括:
监控待预测水质的水质数据,并对所述水质数据进行数据处理,得到所述待预测水质对应的待分析水质数据;
对所述待分析水质数据进行成分分析,得到对应的降维数据,并对所述降维数据行假设检验,确定所述待预测水质的检验结果;
基于所述检验结果对所述待分析水质数据进行时间序列预测,以确定所述待预测水质的预测结果。
可选地,所述基于所述检验结果对所述待分析水质数据进行时间序列预测,以确定所述待预测水质的预测结果的步骤包括:
若确定所述检验结果为水质异常,则通过时间序列清洗补全所述待分析水质数据中时间序列的缺失数据,并去除时间序列中的异常数据;
将时间序列清洗后的待分析水质数据进行时间序列重采样,得到时间序列重采样后的待分析水质数据;
将时间序列重采样后的待分析水质数据进行时间序列预测,确定预设时长后所述待预测水质的预测结果。
可选地,所述对所述待分析水质数据进行成分分析,得到对应的降维数据的步骤包括:
对所述待分析水质数据进行主成分分析,得到所述待分析水质数据中各个参数数据的成分数值;
检测各个参数数据的成分数值是否在其对应的预设阈值范围之内,将成分数值在其对应的预设阈值范围之内的参数数据确定为对应的降维数据。
可选地,所述对所述降维数据行假设检验,确定所述待预测水质的检验结果的步骤包括:
通过假设检验确定所述降维数据中各个参数数据的极限数值,并将所述降维数据中各个参数数据的成分数值与其对应的极限数值进行数值对比;
若确定所述降维数据中至少存在一个参数数据的成分数值大于或者等于其对应的极限数值,则确定所述待预测水质的检验结果为水质异常;
若确定所述降维数据中参数数据的成分数值都小于其对应的极限数值,则确定所述待预测水质的检验结果为水质正常。
可选地,所述对所述水质数据进行数据处理,得到所述待预测水质对应的待分析水质数据的步骤包括:
对所述水质数据进行数据预处理,得到数据预处理后的水质数据;
将数据预处理后的水质数据进行标准分数处理和归一化处理,得到所述待预测水质对应的待分析水质数据。
可选地,所述对所述水质数据进行数据预处理,得到数据预处理后的水质数据的步骤包括:
去除所述水质数据中的离群数据,并将预设数据替换所述水质数据中的缺失数据,得到数据预处理后的水质数据。
可选地,所述将时间序列清洗后的待分析水质数据进行时间序列重采样,得到时间序列重采样后的待分析水质数据的步骤之后,还包括:
将所述时间序列重采样后的待分析水质数据中参数数据的数据指标与时间分布进行复合对比,确定待预测水质的调整方法。
本申请实施例还提供一种水质的预测装置,所述水质的预测装置包括:
监控模块,用于监控待预测水质的水质数据;
处理模块,用于对所述水质数据进行数据处理,得到所述待预测水质对应的待分析水质数据;
所述处理模块还用于对所述待分析水质数据进行成分分析,得到对应的降维数据,并对所述降维数据行假设检验,确定所述待预测水质的检验结果;
预测模块,用于基于所述检验结果对所述待分析水质数据进行时间序列预测,以确定所述待预测水质的预测结果。
本申请实施例还提供一种水质的预测系统,所述水质的预测系统包括存储器、处理器和存储在所述存储器上并在所述处理器上运行的水质的预测程序,所述水质的预测程序被所述处理器执行时实现如上所述的水质的预测方法的步骤。
本申请实施例还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水质的预测程序,所述水质的预测程序被处理器执行时实现如上所述的水质的预测方法的步骤。
本申请实施例提供的水质的预测方法、装置、系统及计算机可读存储介质,通过监控待预测水质的水质数据,并对水质数据进行数据处理,得到待预测水质对应的待分析水质数据;对待分析水质数据进行成分分析,得到对应的降维数据,并对降维数据行假设检验,确定待预测水质的检验结果;基于检验结果对待分析水质数据进行时间序列预测,以确定待预测水质的预测结果。本申请通过数据处理、成分分析、假设检验和时间序列预测的机器学习方法处理非线性的水质数据,挖掘不同水质数据之间的相关性,不需要通过人工方式对水质数据进行处理,从而避免了人工方式处理非线性水质数据的困难,提高了污水水质预测的准确性。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的系统结构示意图;
图2是本申请水质的预测方法第一实施例的流程示意图;
图3是本申请水质的预测方法另一实施例的流程示意图;
图4是本申请水质的预测装置的功能模块示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例的主要解决方案是:监控待预测水质的水质数据,并对水质数据进行数据处理,得到待预测水质对应的待分析水质数据;对待分析水质数据进行成分分析,得到对应的降维数据,并对降维数据行假设检验,确定待预测水质的检验结果;基于检验结果对待分析水质数据进行时间序列预测,以确定待预测水质的预测结果。本申请通过数据处理、成分分析、假设检验和时间序列预测的机器学习方法处理非线性的水质数据,挖掘不同水质数据之间的相关性,不需要通过人工方式对水质数据进行处理,从而避免了人工方式处理非线性水质数据的困难,提高了污水水质预测的准确性。
具体地,参照图1,图1为本申请实施例方案涉及的硬件运行环境的系统结构示意图。
本申请实施例的系统可以具有数据处理功能的固定系统和水质预测的系统。如图1所示,该系统可以包括:处理器1001,例如CPU(Central Processing Unit,中央处理器),存储器1005,用户接口1003,网络接口1004,通信总线1002。通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(board),用户接口1003可选的还可以包括标准的有线接口(如USB(Universal Serial Bus,通用串行总线)接口)、无线接口(如蓝牙接口)。网络接口1004可以包括标准的有线接口、无线接口(如WI-FI((Wireless-Fidelity))接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的系统结构并不构成对系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及水质的预测程序。其中,操作系统是管理和控制系统硬件和软件资源的程序,支持水质的预测程序以及其它软件或程序的运行。
在图1所示的系统中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接用户终端,与用户终端进行数据通信。
其中,处理器1001可以用于调用存储器1005中存储的水质的预测程序,并执行如下操作:
监控待预测水质的水质数据,并对所述水质数据进行数据处理,得到所述待预测水质对应的待分析水质数据;
对所述待分析水质数据进行成分分析,得到对应的降维数据,并对所述降维数据行假设检验,确定所述待预测水质的检验结果;
基于所述检验结果对所述待分析水质数据进行时间序列预测,以确定所述待预测水质的预测结果。
进一步地,处理器1001可以调用存储器1005中存储的水质的预测程序,还执行以下操作:
若确定所述检验结果为水质异常,则通过时间序列清洗补全所述待分析水质数据中时间序列的缺失数据,并去除时间序列中的异常数据;
将时间序列清洗后的待分析水质数据进行时间序列重采样,得到时间序列重采样后的待分析水质数据;
将时间序列重采样后的待分析水质数据进行时间序列预测,确定预设时长后所述待预测水质的预测结果。
进一步地,处理器1001可以调用存储器1005中存储的水质的预测程序,还执行以下操作:
对所述待分析水质数据进行主成分分析,得到所述待分析水质数据中各个参数数据的成分数值;
检测各个参数数据的成分数值是否在其对应的预设阈值范围之内,将成分数值在其对应的预设阈值范围之内的参数数据确定为对应的降维数据。
进一步地,处理器1001可以调用存储器1005中存储的水质的预测程序,还执行以下操作:
通过假设检验确定所述降维数据中各个参数数据的极限数值,并将所述降维数据中各个参数数据的成分数值与其对应的极限数值进行数值对比;
若确定所述降维数据中至少存在一个参数数据的成分数值大于或者等于其对应的极限数值,则确定所述待预测水质的检验结果为水质异常;
若确定所述降维数据中参数数据的成分数值都小于其对应的极限数值,则确定所述待预测水质的检验结果为水质正常。
进一步地,处理器1001可以调用存储器1005中存储的水质的预测程序,还执行以下操作:
对所述水质数据进行数据预处理,得到数据预处理后的水质数据;
将数据预处理后的水质数据进行标准分数处理和归一化处理,得到所述待预测水质对应的待分析水质数据。
进一步地,处理器1001可以调用存储器1005中存储的水质的预测程序,还执行以下操作:
去除所述水质数据中的离群数据,并将预设数据替换所述水质数据中的缺失数据,得到数据预处理后的水质数据。
进一步地,处理器1001可以调用存储器1005中存储的水质的预测程序,还执行以下操作:
将所述时间序列重采样后的待分析水质数据中参数数据的数据指标与时间分布进行复合对比,确定待预测水质的调整方法。
基于上述的系统架构但不限于上述架构,本申请实施例提供了水质的预测方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些数据下,可以以不同于此处的顺序完成所示出或描述的步骤。
本申请本实施例以水质预测系统作为执行主体进行举例。
参照图2,图2为本申请水质的预测方法第一实施例的流程示意图。所述水质的预测方法包括:
步骤S10,监控待预测水质的水质数据,并对所述水质数据进行数据处理,得到所述待预测水质对应的待分析水质数据。
用户需要预测某一区域或者地区的水质质量时,需要在水质预测系统中输入对应区域或者地区的信息。水质预测系统接收到对应区域或者地区的信息后,对该区域或者地区所需要预测水质(待预测水质)的水质数据进行监控,其中,水质数据包括6个参数数据,分别为酸碱度(PH)参数数据、总磷(TP)参数数据、总氮(NH3)参数数据、化学需氧量(COD)参数数据和水流(Q)参数数据。然后,水质预测系统将酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据建立多维度异常数据检测,步骤如下,水质预测系统将水质数据中的酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据分别进行数据预处理,再将数据预处理后的酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据进行数据处理,将酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据转化为统一量纲数据,该统一量纲数据即为所需要预测水质的待分析水质数据。
进一步地,所述步骤S10对所述水质数据进行数据处理,得到所述待预测水质对应的待分析水质数据,包括:
步骤S101,对所述水质数据进行数据预处理,得到数据预处理后的水质数据;
步骤S102,将数据预处理后的水质数据进行标准分数处理和归一化处理,得到所述待预测水质对应的待分析水质数据。
具体地,水质预测系统将水质数据中的酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据分别进行数据预处理,也即去除酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据中的离群点数据,补全酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据中的缺失点数据。然后,水质预测系统将去除离群点数据和补全缺失点数据后的酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据通过Z分数处理和归一化处理,得到酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据的统一量纲数据。Z分数也即标准分数,是一个数与平均数的差再除以标准差的过程。
进一步地,所述步骤S101包括:
步骤S1011,去除所述水质数据中的离群数据,并将预设数据替换所述水质数据中的缺失数据,得到数据预处理后的水质数据。
具体地,水质预测系统去除水质数据中酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据的离群点数据,将预设数据替换补全酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据中的缺失点数据,其中,预设数据为各个参数数据的均值数据或者缺失点数据邻近值数据。
步骤S20,对所述待分析水质数据进行成分分析,得到对应的降维数据,并对所述降维数据行假设检验,确定所述待预测水质的检验结果。
水质预测系统得到统一量纲数据(待分析水质数据)后,通过主成分分析(PCA,Principal Component Analysis)算法对统一量纲数据中酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据进行参数分析,确定所需要预测水质中酸碱度、总磷含量、总氮含量、化学需氧量含量和水流量。然后,水质预测系统检测所需要预测水质中酸碱度、总磷含量、总氮含量、化学需氧量含量和水流量是否在其对应的预设阈值范围之内,根据检测结果对水质数据中酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据进行降维,得到水质数据的降维数据,其中,预设阈值范围是用户根据实际情况设定,本实施例不作限制。接着,水质预测系统通过T2/SPE统计量的假设检验对水质数据的降维数据进行水质异常检测,确定所需要预测水质的水质是异常还是正常,得到待预测水质的检验结果。
需要说明的是,本实施例使用的PCA算法是对常规的PCA算法做出改进得到的,即本实施例的PCA算法是适应数据动态变化的Adaptive-PCA,以及适应数据自相关的Dynamic-PCA。本实施例将水质数据中的6个参数数据进行主成分分析,压缩至低维度,因为降维后的水质数据具有影响水质异常的主要成分。
进一步地,所述步骤S20对所述待分析水质数据进行成分分析,得到对应的降维数据,包括:
步骤S201,对所述待分析水质数据进行主成分分析,得到所述待分析水质数据中各个参数数据的成分数值;
步骤S202,检测各个参数数据的成分数值是否在其对应的预设阈值范围之内,将成分数值在其对应的预设阈值范围之内的参数数据确定为对应的降维数据。
具体地,水质预测系统对统一量纲数据中的酸碱度参数数据、总磷参数数据、总氮参数数据、化学需氧量参数数据和水流参数数据进行主成分分析,确定所需要预测水质中酸碱度、总磷含量、总氮含量、化学需氧量含量和水流量。然后,水质预测系统检测酸碱度、总磷含量、总氮含量、化学需氧量含量和水流量是否在其对应的预设阈值范围之内,并将酸碱度、总磷含量、总氮含量、化学需氧量含量和水流量在其对应的预设阈值范围之内的参数数据确定为所需要预测水质中水质数据的降维数据。
在本实施例中,比如,设定酸碱度的预设阈值范围为小于活或者等于6.5或者大于或者等于7.5,总磷含量的预设阈值范围为大于或者等于0.035mg/m3(毫克/立方米),总氮含量的预设阈值范围为大于或者等于0.015mg/m3、化学需氧量含量的预设阈值范围为大于或者等于0.025mg/m3和水流量的预设阈值范围为大于或者等于100m3/h(立方米/小时)。水质预测系统检测到酸碱度为7.2大于6.5且小于7.5,总磷含量为0.05mg/m3大于0.035mg/m3,总氮含量0.03mg/m3大于0.015mg/m3,化学需氧量含量为0.02mg/m3小于0.025mg/m3,水流量75m3/h小于100m3/h,水质预测系统则将总磷含量参数数据和总氮含量参数数据确定为水质数据的降维数据。
进一步地,所述步骤S20对所述降维数据行假设检验,确定所述待预测水质的检验结果,包括:
步骤S203,通过假设检验确定所述降维数据中各个参数数据的极限数值,并将所述降维数据中各个参数数据的成分数值与其对应的极限数值进行数值对比;
步骤S204,若确定所述降维数据中至少存在一个参数数据的成分数值大于或者等于其对应的极限数值,则确定所述待预测水质的检验结果为水质异常;
步骤S205,若确定所述降维数据中参数数据的成分数值都小于其对应的极限数值,则确定所述待预测水质的检验结果为水质正常。
具体地,水质预测系统通过T2/SPE统计量的假设检验计算降维数据中各个参数数据对应的极限数值,然后,将降维数据中各个参数数据对应的成分数值与其对应的极限数值进行数值对比。若水质预测系统检测到降维数据中至少存在一个参数数据的成分数值大于或者等于其对应的极限数值,水质预测系统则确定待预测水质的检验结果为水质异常。若水质预测系统检测到降维数据中所有参数数据的成分数值都小于其对应的极限数值,水质预测系统则确定待预测水质的检验结果为水质正常。
在本实施例中,比如,降维数据为总磷含量参数数据,总磷含量为0.05mg/m3,以及总氮含量参数数据,总氮含量0.03mg/m3。水质预测系统通过T2/SPE统计量的假设检验计算总磷含量参数数据的极限数值为0.055mg/m3,总氮含量的极限数值为0.03mg/m3,降维数据中总磷含量参数数据的总磷含量0.05mg/m3小于0.055mg/m3,降维数据中总氮含量参数数据的总氮含量0.03mg/m3等于0.03mg/m3,水质预测系统则确定待预测水质的检验结果为水质异常。
步骤S30,基于所述检验结果对所述待分析水质数据进行时间序列预测,以确定所述待预测水质的预测结果。
水质预测系统若确定所需要预测水质的检验结果为水质异常,则通过时间序列清洗补全待分析水质数据中时间序列的残缺数据,再对残缺数据补缺后的待分析水质数据进行时间序列重采样,接着对时间序列重采样后的待分析水质数据进行时间序列预测,预测该异常水质在预设时长后的变化情况,得到所需要预测水质的预测结果。其中,本实施例中的时间序列预测主要是通过ARIMAX算法进行预测的,预设时长由ARIMAX算法中的参数预测数量决定,本实施例在默认情况下,ARIMAX算法中的参数预测数量为2,自回归项为2,移动平均项为2,显著性水平为0.05,即预测两小时之后所需要预测水质的趋势变化。
进一步地,所述步骤S30包括:
步骤S301,若确定所述检验结果为水质异常,则通过时间序列清洗补全所述待分析水质数据中时间序列的缺失数据,并去除时间序列中的异常数据;
步骤S302,将时间序列清洗后的待分析水质数据进行时间序列重采样,得到时间序列重采样后的待分析水质数据;
步骤S303,将时间序列重采样后的待分析水质数据进行时间序列预测,确定预设时长后所述待预测水质的预测结果。
具体地,水质预测系统若确定所需要预测水质的检验结果为水质异常,则通过时间序列清洗补全待分析水质数据中时间序列的缺失数据,并去除时间序列中的异常数据。然后,水质预测系统将时间序列中缺失数据补全和异常数据去除的待分析水质数据进行时间序列重采样,将以原始以秒为采样时间的数据重新采样为以小时为采样时间的数据,得到时间序列重采样后的待分析水质数据。最后,水质预测系统将时间序列重采样后的待分析水质数据进行时间序列预测,确定预设时长后待预测水质的预测结果。水质预测系统得到预测结果,根据预测结果返回对应的调整方法。
在本实施例中,比如,水质预测系统通过时间序列预测确定2小时后,所需要预测水质的预测结果为酸碱度降低,总氮含量升高出现超标的情况。水质预测系统则返回在所需要预测水质增加增加纯水,以稀释所需要预测水质中的酸碱度,同时需要降低氮的含量。
本实施例通过监控待预测水质的水质数据,并对水质数据进行数据处理,得到待预测水质对应的待分析水质数据;对待分析水质数据进行成分分析,得到对应的降维数据,并对降维数据行假设检验,确定待预测水质的检验结果;基于检验结果对待分析水质数据进行时间序列预测,以确定待预测水质的预测结果。本申请通过数据处理、成分分析、假设检验和时间序列预测的机器学习方法处理非线性的水质数据,挖掘不同水质数据之间的相关性,不需要通过人工方式对水质数据进行处理,从而避免了人工方式处理非线性水质数据的困难,提高了污水水质预测的准确性。
参照图3,图3为本申请水质的预测方法另一实施例的流程示意图。所述步骤S302之后,还包括:
步骤S40,将所述时间序列重采样后的待分析水质数据中参数数据的数据指标与时间分布进行复合对比,确定待预测水质的调整方法。
水质预测系统确定时间序列重采样后的待分析水质数据中参数数据随时间自相关变化趋势,通过参数数据的数据指标与时间分布进行复合对比,确定待预测水质的调整方法。
在本实施例中,总氮含量的成分数值与反硝化碳源含量的成分数值相关,而检测反硝化碳源含量的成分数值的方法主要是通过检测化学需氧量的成分数值。水质预测系统通过参数数据的数据指标与时间分布进行复合对比确定总氮含量的成分数值与化学需氧量的成分数值成反比,在预测到待分析水质数据中的总氮含量的成分数值升高时,可增加化学需氧量的成分数值。
本实施例通过将时间序列重采样后的待分析水质数据中参数数据的数据指标与时间分布进行复合对比,确定待预测水质的调整方法。由此可知,本实施例通过挖掘不同水质数据之间的相关性,确定不同水质数据之间的复合对比,根据复合对比调整水质中各个参数数据的成分数值,提高了污水水质预测的准确性。
本申请还提供一种水质的预测装置。参照图4,图4是本申请水质的预测装置的功能模块示意图。所述水质的预测装置包括:
监控模块10,用于监控待预测水质的水质数据;
处理模块20,用于对所述水质数据进行数据处理,得到所述待预测水质对应的待分析水质数据;
所述处理模块20还用于对所述待分析水质数据进行成分分析,得到对应的降维数据,并对所述降维数据行假设检验,确定所述待预测水质的检验结果;
预测模块30,用于基于所述检验结果对所述待分析水质数据进行时间序列预测,以确定所述待预测水质的预测结果。
其中,上述水质的预测装置中各个模块的功能实现与上述水质的预测方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质上存储有水质的预测程序,所述水质的预测程序被处理器执行时实现如以上任一项实施例所述的水质的预测方法的步骤。
本申请计算机可读存储介质的具体实施例与上述水质的预测方法各实施例基本相同,在此不作赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的数据下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多数据下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件货物的形式体现出来,该计算机软件货物存储在一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台系统完成本申请各个实施例所述的方法。
Claims (10)
1.一种水质的预测方法,其特征在于,所述水质的预测方法包括以下步骤:
监控待预测水质的水质数据,并对所述水质数据进行数据处理,得到所述待预测水质对应的待分析水质数据;
对所述待分析水质数据进行成分分析,得到对应的降维数据,并对所述降维数据行假设检验,确定所述待预测水质的检验结果;
基于所述检验结果对所述待分析水质数据进行时间序列预测,以确定所述待预测水质的预测结果。
2.如权利要求1所述的水质的预测方法,其特征在于,所述基于所述检验结果对所述待分析水质数据进行时间序列预测,以确定所述待预测水质的预测结果的步骤包括:
若确定所述检验结果为水质异常,则通过时间序列清洗补全所述待分析水质数据中时间序列的缺失数据,并去除时间序列中的异常数据;
将时间序列清洗后的待分析水质数据进行时间序列重采样,得到时间序列重采样后的待分析水质数据;
将时间序列重采样后的待分析水质数据进行时间序列预测,确定预设时长后所述待预测水质的预测结果。
3.如权利要求1所述的水质的预测方法,其特征在于,所述对所述待分析水质数据进行成分分析,得到对应的降维数据的步骤包括:
对所述待分析水质数据进行主成分分析,得到所述待分析水质数据中各个参数数据的成分数值;
检测各个参数数据的成分数值是否在其对应的预设阈值范围之内,将成分数值在其对应的预设阈值范围之内的参数数据确定为对应的降维数据。
4.如权利要求3所述的水质的预测方法,其特征在于,所述对所述降维数据行假设检验,确定所述待预测水质的检验结果的步骤包括:
通过假设检验确定所述降维数据中各个参数数据的极限数值,并将所述降维数据中各个参数数据的成分数值与其对应的极限数值进行数值对比;
若确定所述降维数据中至少存在一个参数数据的成分数值大于或者等于其对应的极限数值,则确定所述待预测水质的检验结果为水质异常;
若确定所述降维数据中参数数据的成分数值都小于其对应的极限数值,则确定所述待预测水质的检验结果为水质正常。
5.如权利要求1所述的水质的预测方法,其特征在于,所述对所述水质数据进行数据处理,得到所述待预测水质对应的待分析水质数据的步骤包括:
对所述水质数据进行数据预处理,得到数据预处理后的水质数据;
将数据预处理后的水质数据进行标准分数处理和归一化处理,得到所述待预测水质对应的待分析水质数据。
6.如权利要求5所述的水质的预测方法,其特征在于,所述对所述水质数据进行数据预处理,得到数据预处理后的水质数据的步骤包括:
去除所述水质数据中的离群数据,并将预设数据替换所述水质数据中的缺失数据,得到数据预处理后的水质数据。
7.如权利要求1至6任一项所述的水质的预测方法,其特征在于,所述将时间序列清洗后的待分析水质数据进行时间序列重采样,得到时间序列重采样后的待分析水质数据的步骤之后,还包括:
将所述时间序列重采样后的待分析水质数据中参数数据的数据指标与时间分布进行复合对比,确定待预测水质的调整方法。
8.一种水质的预测装置,其特征在于,所述水质的预测装置包括:
监控模块,用于监控待预测水质的水质数据;
处理模块,用于对所述水质数据进行数据处理,得到所述待预测水质对应的待分析水质数据;
所述处理模块还用于对所述待分析水质数据进行成分分析,得到对应的降维数据,并对所述降维数据行假设检验,确定所述待预测水质的检验结果;
预测模块,用于基于所述检验结果对所述待分析水质数据进行时间序列预测,以确定所述待预测水质的预测结果。
9.一种水质的预测系统,其特征在于,所述水质的预测系统包括存储器、处理器和存储在所述存储器上并在所述处理器上运行的水质的预测程序,所述水质的预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的水质的预测方法的步骤。
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水质的预测程序,所述水质的预测程序被处理器执行时实现如权利要求1至7中任一项所述的水质的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011557535.0A CN112686291A (zh) | 2020-12-24 | 2020-12-24 | 水质的预测方法、装置、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011557535.0A CN112686291A (zh) | 2020-12-24 | 2020-12-24 | 水质的预测方法、装置、系统及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112686291A true CN112686291A (zh) | 2021-04-20 |
Family
ID=75453118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011557535.0A Pending CN112686291A (zh) | 2020-12-24 | 2020-12-24 | 水质的预测方法、装置、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686291A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113516A (zh) * | 2021-10-27 | 2022-03-01 | 内蒙古工业大学 | 一种基于gan的水质异常数据检测方法 |
CN117054676A (zh) * | 2023-10-13 | 2023-11-14 | 山西智合清浩环保技术服务有限公司 | 废水在线监测设备的运维智能控制系统 |
-
2020
- 2020-12-24 CN CN202011557535.0A patent/CN112686291A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113516A (zh) * | 2021-10-27 | 2022-03-01 | 内蒙古工业大学 | 一种基于gan的水质异常数据检测方法 |
CN117054676A (zh) * | 2023-10-13 | 2023-11-14 | 山西智合清浩环保技术服务有限公司 | 废水在线监测设备的运维智能控制系统 |
CN117054676B (zh) * | 2023-10-13 | 2023-12-19 | 山西智合清浩环保技术服务有限公司 | 废水在线监测设备的运维智能控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4762088B2 (ja) | プロセス異常診断装置 | |
CN112686291A (zh) | 水质的预测方法、装置、系统及计算机可读存储介质 | |
CN101470426B (zh) | 一种故障检测的方法和系统 | |
CN106446181A (zh) | 一种大数据处理及远程监控系统 | |
CN114551271A (zh) | 监测机台运行状况的方法及装置、存储介质及电子设备 | |
CN115271258A (zh) | 臭氧主控污染物的预测方法、装置及电子设备 | |
CN110134040B (zh) | 工业设备的运行数据的处理方法及系统 | |
CN111176226A (zh) | 一种基于运行工况的设备特征参数报警阈值自动分析方法 | |
CN108508860B (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
KR102126954B1 (ko) | 스마트 재봉작업 측정 방법 및 이를 수행하기 위한 시스템 | |
CN112906967A (zh) | 一种脱硫系统浆液循环泵性能预测方法、装置 | |
CN111461055A (zh) | 一种识别待监测信号状态的方法、装置和电子设备 | |
CN116679139A (zh) | 电缆更换监测系统及方法 | |
CN115828244A (zh) | 一种内存泄露检测方法、装置及相关设备 | |
CN115358914A (zh) | 用于视觉检测的数据处理方法、装置、计算机设备及介质 | |
CN114358581A (zh) | 性能指标的异常阈值确定方法和装置、设备、存储介质 | |
CN114839936A (zh) | 数据采样方法、装置、电子设备及存储介质 | |
CN117390898B (zh) | 一种医疗线缆可靠性预测方法及系统 | |
CN112087482B (zh) | 利用云端系统对多台设备进行管理的方法 | |
CN116743670B (zh) | 一种基于编码预制的同类信息快速自检查方法及系统 | |
CN114355853B (zh) | 一种工控数据取证方法、装置、电子设备及存储介质 | |
CN113780579B (zh) | 天然气净化发泡预警模型训练方法、装置以及设备 | |
CN114253237A (zh) | 设备报警预测方法、装置、终端以及介质 | |
CN117992859B (zh) | 配备scada系统的机电装备早期故障预警与辨识方法及装置 | |
CN114218285A (zh) | 数据检测方法、装置、电子设备及存储介质 |
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 |