CN112711840A - 一种基于云边协同的流域突发水污染溯源方法 - Google Patents

一种基于云边协同的流域突发水污染溯源方法 Download PDF

Info

Publication number
CN112711840A
CN112711840A CN202011546421.6A CN202011546421A CN112711840A CN 112711840 A CN112711840 A CN 112711840A CN 202011546421 A CN202011546421 A CN 202011546421A CN 112711840 A CN112711840 A CN 112711840A
Authority
CN
China
Prior art keywords
water quality
pollution
monitoring
cloud
water
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.)
Granted
Application number
CN202011546421.6A
Other languages
English (en)
Other versions
CN112711840B (zh
Inventor
彭虹
周文婷
张万顺
王浩
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202011546421.6A priority Critical patent/CN112711840B/zh
Publication of CN112711840A publication Critical patent/CN112711840A/zh
Application granted granted Critical
Publication of CN112711840B publication Critical patent/CN112711840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/54—Indexing scheme relating to G06F9/54
    • G06F2209/547—Messaging middleware
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于云边协同的流域突发水污染溯源方法。在流域范围内布设各种联网终端设备以实时监控水文水质信息，组建分布式的末级支流流域边缘端服务接口以进行水文水质情景数据处理和传输控制，建立云中心以实现二维水动力水质模型正向并行计算和水质响应数据库构建，形成流域突发水污染溯源云边协同体系；基于已部署的云边协同溯源体系，根据终端实时监控信息进行污染源的三级筛查，逐步搜索疑似水文水质情景，发布污染源位置和排放强度。本发明提供的水污染溯源方法从流域角度出发建立了云边协同的智慧处理体系，对污染因素与过程考虑全面，计算性能优越，能够提高流域突发水污染事故追溯的效率和准确度。

Description

一种基于云边协同的流域突发水污染溯源方法
技术领域
本发明属于环境水利和水利信息化技术领域，具体涉及一种基于云边协同的流域突发水污染溯源方法。
背景技术
社会经济高速增长之际，水环境管理面临着排污企业重经济利润而轻水质保护、生产事故易发和污水偷排不止等较大阻力。水环境安全隐患增多，污染风险升级，如何在突发水污染事故后快速开展追踪溯源、从源头切断污染传播路径、制定应急处置方案并对排污企业进行追究定责至关重要。
水污染追踪溯源是流域性问题，涉及的河湖水系纵横交错，污染源类型庞杂、数量众多，水动力水质迁移转化机制复杂，依靠人力排查、确定突发水污染事故源头困难、耗时。当前研究多采用时效快、成本低的数值模拟方法，大体分为确定性与不确定性方法两类：确定性方法从水污染迁移转化的机理入手，通过数学物理方程和优化模型反向追溯事故源头、最大程度还原污染过程，但此类反演计算相比于正向计算受到计算精度和计算条件制约；不确定性方法着眼于概率统计与分布预测，物理意义并不明确，依赖于随机变量分布，计算量会因参数增多出现指数增长；此外也有学者开展了结合正向水质模拟和概率预测的确定性-不确定性综合方法研究。无论使用哪种数值模拟方法，从流域角度出发系统、精准地推算水质变化过程和进行溯源分析，均要求空间计算范围大、时间计算步长和空间计算单元小，受到计算量大、数据爆炸式生长、数据传输效率和模型计算能力低下的掣肘，难以应用于工程实际。
因此，突发水污染追踪溯源迫切需要一种流域尺度的全新计算框架和信息管理架构，突破影响因素考虑不全面、数据管理和模型计算低效的技术瓶颈。云计算和边缘计算作为近年来新的信息技术发展模式，目前在水利领域内已经实现了洪水预报、灌溉管理等成功初试，但在突发水污染追踪溯源方面鲜有研究。通过部署云边协同的流域水污染溯源体系，利用云中心的弹性计算模式和边缘端的低时延响应能力，在水文水质信息联网监测的基础上，实现模型的分布式高效计算与数据的协调传输，确定污染源位置、污染物类型、排污时间、排污量及影响范围，可以使突发水污染应急处置和追究定责更加精准高效。
发明内容
本发明针对当前突发水污染溯源数值模拟方法对流域范围内污染因素与过程考虑不全面、涉及数据量大、计算能力与效率有限的问题，目的在于提供一种基于云边协同的流域突发水污染溯源方法，实现精度高、效率快的突发水污染源头定位与源强确定。
为实现上述目的，本发明采用了以下技术方案：
一种基于云边协同的流域突发水污染溯源方法，包括以下步骤：
步骤1，流域水污染溯源云边协同体系搭建；
在流域范围内布设终端监控设备和人工数据接口，采集水文水质数据，上传至边缘端；组建分布式边缘端服务接口，根据终端上传的水文水质数据构建污染源库，建立水文水质情景方案集，上传至云中心；建立云中心进行二维水动力水质模型正向并行计算，模拟流域内不同水文水质情景下水体污染状况，建立水质响应数据库；
步骤2，流域突发水污染溯源体系模拟实现；
终端监控设备获取的水文水质信息实时联网传输至边缘端，在边缘端服务接口初次判定水质浓度是否超标，出现超标情况则上传超标时间段内的水文水质数据至云中心；对比水质响应数据库筛查可能的水文水质情景，传输水动力水质模拟结果至边缘端；对比边缘端保存的水质监控数据，分析污染过程拟合度，传输疑似污染源头到终端发布。
进一步的，上述步骤1中所述终端监控设备指在固定污染源、移动污染源、水质监测站和水文监测站布设的监测仪器，仪器上有无线传感模块，可以实时采集、传输监测河段的降雨、地形、水位、流量、流速、含沙量、输沙率和污染物浓度信息；人工数据接口布设在生态环境监测部门，可以定期采集、统计、传输污染源与监测站的编号、名称、位置坐标、监测要素、监测频次、影响范围、负责人和联系方式。
进一步的，上述步骤1中所述分布式边缘端服务接口在流域内每个末级支流流域内都要布设，每个边缘端服务接口由2到3台服务器组成；边缘端按月接收并更新终端上传的水文水质数据，以污染源编号为关键字构建污染源库，污染源库结构如表1所示；以水文水质情景编号为关键字构建水文水质情景方案集，结构如表2所示，记录以当前时刻为中心30天内河道各监测站水位、流量以及污染源排放浓度的各种情景组合，其中水位和流量情景以设计水平95％和5％为边界分19级等距给定，污染源排放浓度情景以正常值和事故值为边界分10级等距给定。
表1污染源库结构表
Figure BDA0002856436950000021
表2水文水质情景方案集结构表
Figure BDA0002856436950000031
进一步的，上述步骤1中建立云中心指租赁云计算环境或建设私有云服务器集群，在云中心布置二维水动力水质模型并行算法，根据流域末级支流个数设置并行分块个数，布设任务管理节点控制并行计算的负载均衡，得到水体污染状况的正向模拟结果，以水文水质情景编号为关键字构建水质响应数据库，结构如表3所示，记录每个关键字对应的水体全部网格节点动态水质模拟值。
表3水质响应数据库结构表
Figure BDA0002856436950000032
进一步的，上述步骤2中边缘端与云中心之间的任务协同通过消息中间件完成，消息中间件是基于异步消息传递机制和消息排队模型，可以用于分布式架构下数据发送和接收的软件子系统，使用WIFI网络通信，通过聚合传输方式降低数据传输的额外开销，采用边接收边处理数据的实时流式传输方法减少不必要的运行等待时间。
进一步的，上述步骤2中基于云边协同进行污染源的三级筛查，逐步缩小污染源排查范围：一级筛查指在边缘端判断终端上传的实时监控水质数据是否超过水质标准，超标则根据污染物质类型对应污染源库搜索污染源编号，连同超标时间段内水文水质数据上传至云中心；二级筛查指在云中心对比边缘端上传的实时监控水文数据，搜索最相似的水文编号；三级筛查指在云中心对比边缘端上传的实时监控水质数据和污染源正常排放情景的模拟结果，若相对误差超过30％即发出突发污染预警，并调取异常水质监控点及其上游范围监控点在过往5天内水质模拟浓度相对误差不大于10％的水动力水质历史数据，传输至边缘端。
进一步的，上述步骤2中云中心发出污染预警后，在边缘端判断异常水质监控点位沿干流上游15km内是否有一级支流入汇；若有，对该支流流域范围内过往3天终端上传的降雨数据进行分析，以连续一次降雨累计量大于20mm为原则，判断是否产生初期雨水冲刷径流；若产生，对比入汇口上游监控点位水质数据，判断入汇口区域沿程是否出现浓度徒增，是则判定为非点源引起的污染事件并向终端传输非点源管理信息，否则判定为点源污染事件。
进一步的，上述步骤2中若判断流域突发水污染为点源事件，边缘端结合云中心传来的疑似情景模拟结果，以水文水质情景编号为关键字构建污染源目标对比库，分析每种疑似情景模拟结果与实际监控污染过程的拟合度，利用纳什效率系数检验实测值与模拟值的相关性：
Figure BDA0002856436950000041
式中，
Figure BDA0002856436950000042
为时刻t监控点的水质浓度监测值，
Figure BDA0002856436950000043
为时刻t监控点的水质浓度模拟值，
Figure BDA0002856436950000044
为全部时刻监控点水质浓度监测值的总平均，T为监控总时段数；
纳什效率系数E越接近于1，说明模拟情景拟合效果越好，越贴近实际情况，提取拟合效果最好的前5个疑似情景对应的污染源头位置与排放强度，传输至终端发布以辅助应急部门进行实地排查。
本发明相对现有技术具有以下有益效果：
本发明提出的突发水污染溯源方法覆盖整个流域范围内的点源，采取水动力水质模型正向计算的思路，还原流域河道内污染物质的复杂迁移转化过程，为排查污染隐患奠定了精准可靠的数值计算基础。
本发明提出的突发水污染溯源方法基于一套云边协同体系，云中心采用高效能并行计算技术，依靠高效的信息传递机制，实现云中心与边缘端工作协同的污染源三级筛查，整体计算与存储容量大，模拟速度快，系统响应时延低，可以有效避免突发水污染被动排查、实现主动溯源，提高应急部门追溯突发水污染源头的效率与信息化程度。
附图说明
图1为本发明方法流程图；
图2为流域水污染溯源云边协同体系示意图；
图3为污染源三级筛查流程图。
具体实施方式
下面结合附图对本发明作进一步描述，流程如图1所示。
本发明方法适用于水利信息化程度较高的流域，具有布设智慧物联水利的基础，并设有流域基层水质管理机构，具体的，本实施例的基于云边协同的流域突发水污染溯源方法包括以下步骤：
步骤1，流域水污染溯源云边协同体系搭建
在流域范围内布设终端监控设备和人工数据接口，采集水文水质数据，上传至边缘端；组建分布式边缘端服务接口，根据终端上传的水文水质数据构建污染源库，建立水文水质情景方案集，上传至云中心；建立云中心进行二维水动力水质模型正向并行计算，模拟流域内不同水文水质情景下水体污染状况，建立水质响应数据库。
在本实施例中，流域水污染溯源云边协同体系搭建如图2所示，需要在流域范围内的所有污染源与监控点位布设联网监控设备，在每个支流流域布设边缘端计算服务接口，并布设云中心的二维水动力水质并行算法，模拟出各种水文水质情景下的水体污染状况：
步骤1中所述终端监控设备指在固定污染源、移动污染源、水质监测站和水文监测站布设的监测仪器，仪器上有无线传感模块，可以实时采集、传输监测河段的降雨、地形、水位、流量、流速、含沙量、输沙率和污染物浓度信息；人工数据接口布设在生态环境监测部门，可以定期采集、统计、传输污染源与监测站的编号、名称、位置坐标、监测要素、监测频次、影响范围、负责人和联系方式。
步骤1中所述分布式边缘端服务接口在流域内每个末级支流流域内都要布设，每个边缘端服务接口由2到3台服务器组成；边缘端按月接收并更新终端上传的水文水质数据，以污染源编号为关键字构建污染源库；以水文水质情景编号为关键字构建水文水质情景方案集，记录以当前时刻为中心30天内河道各监测站水位、流量以及污染源排放浓度的各种情景组合，其中水位和流量情景以设计水平95％和5％为边界分19级等距给定，污染源排放浓度情景以正常值和事故值为边界分10级等距给定。
步骤1中所述云中心指租赁云计算环境或建设私有云服务器集群，在云中心布置二维水动力水质模型并行算法，根据流域末级支流个数设置并行分块个数，布设任务管理节点控制并行计算的负载均衡，得到水体污染状况的正向模拟结果，以水文水质情景编号为关键字构建水质响应数据库，记录每个关键字对应的水体全部网格节点动态水质模拟值。
步骤2，流域突发水污染溯源体系模拟实现
终端监控设备获取的水文水质信息实时联网传输至边缘端，在边缘端服务接口初次判定水质浓度是否超标，出现超标情况则上传超标时间段内的水文水质数据至云中心；对比水质响应数据库筛查可能的水文水质情景，传输水动力水质模拟结果至边缘端；对比边缘端保存的水质监控数据，分析污染过程拟合度，传输疑似污染源头到终端发布。
在本实施例中，流域突发水污染溯源方法的模拟实现建立在所部署云边协同体系的基础上，通过终端设备、边缘端计算服务接口和云中心之间的消息传递，根据超标水质类型、实时监控水文水质数据逐步缩小水文水质情景范围，基于纳什效率系数分析监控时间段内实测水质数据和模拟水质数据的污染过程拟合度，筛查、确定拟合效果最好的疑似污染源：
步骤2中边缘端与云中心之间的任务协同通过消息中间件完成，消息中间件是基于异步消息传递机制和消息排队模型，可以用于分布式架构下数据发送和接收的软件子系统，使用WIFI网络通信，通过聚合传输方式降低数据传输的额外开销，采用边接收边处理数据的实时流式传输方法减少不必要的运行等待时间。
步骤2中基于云边协同进行污染源的三级筛查，逐步缩小污染源排查范围，筛查过程如图3所示：一级筛查指在边缘端判断终端上传的实时监控水质数据是否超过水质标准，超标则根据污染物质类型对应污染源库搜索污染源编号，连同超标时间段内水文水质数据上传至云中心；二级筛查指在云中心对比边缘端上传的实时监控水文数据，搜索最相似的水文编号；三级筛查指在云中心对比边缘端上传的实时监控水质数据和污染源正常排放情景的模拟结果，若相对误差超过30％即发出突发污染预警，并调取异常水质监控点及其上游范围监控点在过往5天内水质模拟浓度相对误差不大于10％的水动力水质历史数据，传输至边缘端。
步骤2中云中心发出污染预警后，在边缘端判断异常水质监控点位沿干流上游15km内是否有一级支流入汇；若有，对该支流流域范围内过往3天终端上传的降雨数据进行分析，以连续一次降雨累计量大于20mm为原则，判断是否产生初期雨水冲刷径流；若产生，对比入汇口上游监控点位水质数据，判断入汇口区域沿程是否出现浓度徒增，是则判定为非点源引起的污染事件并向终端传输非点源管理信息，否则判定为点源污染事件。
步骤2中若判断流域突发水污染为点源事件，边缘端结合云中心传来的疑似情景模拟结果，以水文水质情景编号为关键字构建污染源目标对比库，分析每种疑似情景模拟结果与实际监控污染过程的拟合度，利用纳什效率系数检验实测值与模拟值的相关性：
Figure BDA0002856436950000061
式中，
Figure BDA0002856436950000062
为时刻t监控点的水质浓度监测值，
Figure BDA0002856436950000063
为时刻t监控点的水质浓度模拟值，
Figure BDA0002856436950000064
为全部时刻监控点水质浓度监测值的总平均，T为监控总时段数；
纳什效率系数E越接近于1，说明模拟情景拟合效果越好，越贴近实际情况，提取拟合效果最好的前5个疑似情景对应的污染源头位置与排放强度，传输至终端发布以辅助应急部门进行实地排查。
综上所述，本发明详细介绍了一种基于云边协同的流域突发水污染溯源方法，以流域联网监控为基础，根据水文水质实时监控信息主动识别流域突发水污染事故，并进行流域范围内的突发水污染快速追踪溯源，高效、快速地确定数据库在录的可能污染源位置与排放源强，缩小应急部门进行突发污染事故排查范围，对事后处置与定责具有重要意义。
本发明不仅限定于在上述实例中所描述的内容，而是以权利要求所限定的范围为准。同时，本发明所属领域的一般技术人员在该实例的基础上所做的任何修改、补充或等效替换，都在本发明的权利要求所保护范围内，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于云边协同的流域突发水污染溯源方法，其特征在于，包括以下步骤：
步骤1，流域水污染溯源云边协同体系搭建；
在流域范围内布设终端监控设备和人工数据接口，采集水文水质数据，上传至边缘端；组建分布式边缘端服务接口，根据终端上传的水文水质数据构建污染源库，建立水文水质情景方案集，上传至云中心；建立云中心进行二维水动力水质模型正向并行计算，模拟流域内不同水文水质情景下水体污染状况，建立水质响应数据库；
步骤2，流域突发水污染溯源体系模拟实现；
终端监控设备获取的水文水质信息实时联网传输至边缘端，在边缘端服务接口初次判定水质浓度是否超标，出现超标情况则上传超标时间段内的水文水质数据至云中心；对比水质响应数据库筛查可能的水文水质情景，传输水动力水质模拟结果至边缘端；对比边缘端保存的水质监控数据，分析污染过程拟合度，传输疑似污染源头到终端发布。
2.根据权利要求1所述的一种基于云边协同的流域突发水污染溯源方法，其特征在于：步骤1中所述终端监控设备指在固定污染源、移动污染源、水质监测站和水文监测站布设的监测仪器，仪器上有无线传感模块，用于实时采集、传输监测河段的降雨、地形、水位、流量、流速、含沙量、输沙率和污染物浓度信息；人工数据接口布设在生态环境监测部门，用于定期采集、统计、传输污染源与监测站的编号、名称、位置坐标、监测要素、监测频次、影响范围、负责人和联系方式。
3.根据权利要求1所述的一种基于云边协同的流域突发水污染溯源方法，其特征在于：步骤1中所述分布式边缘端服务接口在流域内每个末级支流流域内都要布设，每个边缘端服务接口由若干台服务器组成；边缘端按月接收并更新终端上传的水文水质数据，以污染源编号为关键字构建污染源库，污染源库结构如表1所示；以水文水质情景编号为关键字构建水文水质情景方案集，结构如表2所示，记录以当前时刻为中心若干天内河道各监测站水位、流量以及污染源排放浓度的各种情景组合；
表1 污染源库结构表
Figure FDA0002856436940000011
表2 水文水质情景方案集结构表
Figure FDA0002856436940000021
其中水位和流量情景以设计水平95％和5％为边界分19级等距给定，污染源排放浓度情景以正常值和事故值为边界分10级等距给定。
4.根据权利要求1所述的一种基于云边协同的流域突发水污染溯源方法，其特征在于：步骤1中建立云中心指租赁云计算环境或建设私有云服务器集群，在云中心布置二维水动力水质模型并行算法，根据流域末级支流个数设置并行分块个数，布设任务管理节点控制并行计算的负载均衡，得到水体污染状况的正向模拟结果，以水文水质情景编号为关键字构建水质响应数据库，结构如表3所示；
表3 水质响应数据库结构表
Figure FDA0002856436940000022
表3记录了每个关键字对应的水体全部网格节点动态水质模拟值。
5.根据权利要求1所述的一种基于云边协同的流域突发水污染溯源方法，其特征在于：步骤2中边缘端与云中心之间的任务协同通过消息中间件完成，消息中间件是基于异步消息传递机制和消息排队模型，用于分布式架构下数据发送和接收的软件子系统，使用WIFI网络通信，通过聚合传输方式降低数据传输的额外开销，采用边接收边处理数据的实时流式传输方法减少不必要的运行等待时间。
6.根据权利要求1所述的一种基于云边协同的流域突发水污染溯源方法，其特征在于：步骤2中基于云边协同进行污染源的三级筛查，逐步缩小污染源排查范围：一级筛查指在边缘端判断终端上传的实时监控水质数据是否超过水质标准，超标则根据污染物质类型对应污染源库搜索污染源编号，连同超标时间段内水文水质数据上传至云中心；二级筛查指在云中心对比边缘端上传的实时监控水文数据，搜索最相似的水文编号；三级筛查指在云中心对比边缘端上传的实时监控水质数据和污染源正常排放情景的模拟结果，若相对误差超过p1％即发出突发污染预警，并调取异常水质监控点及其上游范围监控点在过往n天内水质模拟浓度相对误差不大于p2％的水动力水质历史数据，传输至边缘端。
7.根据权利要求6所述的一种基于云边协同的流域突发水污染溯源方法，其特征在于：云中心发出污染预警后，在边缘端判断异常水质监控点位沿干流上游p3km内是否有一级支流入汇；若有，对该支流流域范围内过往p4天终端上传的降雨数据进行分析，以连续一次降雨累计量大于p5mm为原则，判断是否产生初期雨水冲刷径流；若产生，对比入汇口上游监控点位水质数据，判断入汇口区域沿程是否出现浓度徒增，是则判定为非点源引起的污染事件并向终端传输非点源管理信息，否则判定为点源污染事件。
8.根据权利要求7所述的一种基于云边协同的流域突发水污染溯源方法，其特征在于：若判断流域突发水污染为点源事件，边缘端结合云中心传来的疑似情景模拟结果，以水文水质情景编号为关键字构建污染源目标对比库，分析每种疑似情景模拟结果与实际监控污染过程的拟合度，利用纳什效率系数检验实测值与模拟值的相关性：
Figure FDA0002856436940000031
式中，
Figure FDA0002856436940000032
为时刻t监控点的水质浓度监测值，
Figure FDA0002856436940000033
为时刻t监控点的水质浓度模拟值，
Figure FDA0002856436940000034
为全部时刻监控点水质浓度监测值的总平均，T为监控总时段数；
纳什效率系数E越接近于1，说明模拟情景拟合效果越好，越贴近实际情况，提取拟合效果最好的前n个疑似情景对应的污染源头位置与排放强度，传输至终端发布以辅助应急部门进行实地排查。
CN202011546421.6A 2020-12-24 2020-12-24 一种基于云边协同的流域突发水污染溯源方法 Active CN112711840B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011546421.6A CN112711840B (zh) 2020-12-24 2020-12-24 一种基于云边协同的流域突发水污染溯源方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011546421.6A CN112711840B (zh) 2020-12-24 2020-12-24 一种基于云边协同的流域突发水污染溯源方法

Publications (2)

Publication Number Publication Date
CN112711840A true CN112711840A (zh) 2021-04-27
CN112711840B CN112711840B (zh) 2023-04-07

Family

ID=75544144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011546421.6A Active CN112711840B (zh) 2020-12-24 2020-12-24 一种基于云边协同的流域突发水污染溯源方法

Country Status (1)

Country Link
CN (1) CN112711840B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420396A (zh) * 2021-05-28 2021-09-21 浙江浙安数智环境工程有限公司 一种城市排水管网污染溯源的方法
CN116186121A (zh) * 2023-04-24 2023-05-30 四川边缘算力科技有限公司 一种基于边缘算法的预警方法、系统及存储介质
CN116233865A (zh) * 2023-05-09 2023-06-06 北京建工环境修复股份有限公司 一种新污染物监测设备的布点方法及系统
CN116400594A (zh) * 2023-03-31 2023-07-07 湖南工商大学 一种基于云边协同控制的智慧污水处理系统
CN117291781A (zh) * 2023-09-26 2023-12-26 中节能天融科技有限公司 一种突发性水污染溯源方法、设备及介质
CN117591496A (zh) * 2024-01-18 2024-02-23 中核武汉核电运行技术股份有限公司 一种基于云边协同的高可靠性时序数据传输与存储系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228007A (zh) * 2016-07-19 2016-12-14 武汉大学 突发事件污染源追溯方法
CN107563139A (zh) * 2017-09-06 2018-01-09 郑州大学 一种点源突发性水污染源事故溯源贡献程度计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228007A (zh) * 2016-07-19 2016-12-14 武汉大学 突发事件污染源追溯方法
CN107563139A (zh) * 2017-09-06 2018-01-09 郑州大学 一种点源突发性水污染源事故溯源贡献程度计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
昵称就是个称谓: "边缘计算产业联盟边云协同白皮书（2018）---MEC边云协同主场景", 《HTTPS://BLOG.CSDN.NET/SHIJIAZHUANG0918/ARTICLE/DETAILS/89403522》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420396A (zh) * 2021-05-28 2021-09-21 浙江浙安数智环境工程有限公司 一种城市排水管网污染溯源的方法
CN113420396B (zh) * 2021-05-28 2023-05-23 浙江浙安数智环境工程有限公司 一种城市排水管网污染溯源的方法
CN116400594A (zh) * 2023-03-31 2023-07-07 湖南工商大学 一种基于云边协同控制的智慧污水处理系统
CN116186121A (zh) * 2023-04-24 2023-05-30 四川边缘算力科技有限公司 一种基于边缘算法的预警方法、系统及存储介质
CN116233865A (zh) * 2023-05-09 2023-06-06 北京建工环境修复股份有限公司 一种新污染物监测设备的布点方法及系统
CN116233865B (zh) * 2023-05-09 2023-07-04 北京建工环境修复股份有限公司 一种新污染物监测设备的布点方法及系统
CN117291781A (zh) * 2023-09-26 2023-12-26 中节能天融科技有限公司 一种突发性水污染溯源方法、设备及介质
CN117291781B (zh) * 2023-09-26 2024-04-19 中节能数字科技有限公司 一种突发性水污染溯源方法、设备及介质
CN117591496A (zh) * 2024-01-18 2024-02-23 中核武汉核电运行技术股份有限公司 一种基于云边协同的高可靠性时序数据传输与存储系统
CN117591496B (zh) * 2024-01-18 2024-05-03 中核武汉核电运行技术股份有限公司 一种基于云边协同的高可靠性时序数据传输与存储系统

Also Published As

Publication number Publication date
CN112711840B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112711840B (zh) 一种基于云边协同的流域突发水污染溯源方法
CN112883644B (zh) 一种动态水环境管理方法
US11335179B1 (en) Water environment risk prediction and early warning method
CN110458359B (zh) 一种基于未完全截污条件下的平原河网水量水质优化调控方法
CN102169606B (zh) 一种城市轨道交通网络大客流影响的预测方法
Fernando et al. Forecasting PM10 in metropolitan areas: Efficacy of neural networks
CN106651100B (zh) 基于车联网优选车载监测点的空气质量评估系统及方法
CN108318630B (zh) 一种城市空气质量实时监测系统和预警方法
CN103810532B (zh) 优化城市排水系统运行状况的方法
CN113505471B (zh) 一种河流断面污染物浓度预测计算方法
CN101673369A (zh) 基于投影寻踪的排水管网洪涝风险评价方法
CN104464321A (zh) 一种基于交通运行指数发展态势的智能交通诱导方法
CN111811580A (zh) 一种水量/水质监测布点方法及预警响应系统
CN110929359A (zh) 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法
CN110503805A (zh) 管道地质灾害监测预警方法及装置
CN109613197B (zh) 一种基于河道水网的水质监测预警反馈响应方法
CN118098442B (zh) 一种基于多层感知器模型的城市水环境小尺度溯源方法
CN114862278B (zh) 一种基于配网雷击数据的输电线雷击风险评估方法及系统
CN114429053A (zh) 流域尺度wefe系统适配性模拟优化方法
CN116029884A (zh) 一种基于河道水质污染溯源模型的河流污染溯源方法
Tayşi et al. Disaggregation of future GCMs to generate IDF curves for the assessment of urban floods
CN117792987B (zh) 基于边缘计算的应急通信通道分流方法
Liu et al. Internet of things based solutions for transport network vulnerability assessment in intelligent transportation systems
CN113065744B (zh) 一种城市内河水环境承载力动态评估预警方法
CN106918677B (zh) 用于污染物溯源的设备和方法

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