CN113240211B - 废水排放预测方法、装置、计算机设备和存储介质 - Google Patents
废水排放预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113240211B CN113240211B CN202110775249.XA CN202110775249A CN113240211B CN 113240211 B CN113240211 B CN 113240211B CN 202110775249 A CN202110775249 A CN 202110775249A CN 113240211 B CN113240211 B CN 113240211B
- Authority
- CN
- China
- Prior art keywords
- state
- current
- wastewater discharge
- probability
- detection
- 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.)
- Active
Links
- 239000002351 wastewater Substances 0.000 title claims abstract description 265
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 252
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 169
- 238000004519 manufacturing process Methods 0.000 claims abstract description 84
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 230000035772 mutation Effects 0.000 claims abstract description 29
- 239000007788 liquid Substances 0.000 claims description 38
- 230000007704 transition Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 28
- 238000003066 decision tree Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims 2
- 238000007599 discharging Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000001965 increasing effect Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000002920 hazardous waste Substances 0.000 description 6
- 238000001617 sequential probability ratio test Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003912 environmental pollution Methods 0.000 description 4
- 239000010842 industrial wastewater Substances 0.000 description 4
- 238000001545 Page's trend test Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000005309 stochastic process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种废水排放预测方法、装置、计算机设备和存储介质。可以应用于对排放“小废水”的生产企业进行废水偷排检测。废水排放预测方法包括：获取目标生产对象在当前检测时刻所对应的水量相关参数；基于水量相关参数确定目标生产对象在当前检测时刻所对应的当前废水排放状态；将当前废水排放状态以及前向废水排放状态按照时间顺序排列，组成当前周期所对应的当前状态序列；确定当前周期的参考周期所对应的参考状态序列；基于当前状态序列以及参考状态序列进行对比，当基于参考状态序列确定当前状态序列存在状态突变时，确定目标生产对象的废水排放预测结果为存在异常排放。采用本方法能够提高废水排放检测效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种废水排放预测方法、装置、计算机设备和存储介质。
背景技术
随着工业社会的发展，出现了大量的工厂，工厂在日常生产活动中，经常需要利用水资源进行生产。然而，存在部分工厂为了节省成本，而将废水偷偷排放的问题，导致环境污染。
目前，对于大量排放“小废水”的生产企业，还未建立起一套污染源监管体系。主要是通过相关工作人员对工厂进行检查，以确认工厂是否存在偷排的情况，然而，这种方法检测效率比较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够废水排放预测方法、装置、计算机设备和存储介质。
一种废水排放预测方法，所述方法包括：获取目标生产对象在当前检测时刻所对应的水量相关参数，所述水量相关参数包括进水量数据、出水量数据以及液位数据；基于所述水量相关参数确定所述目标生产对象在当前检测时刻所对应的当前废水排放状态；确定所述当前检测时刻所在的当前周期内，所述当前检测时刻的每个前向检测时刻所分别对应的前向废水排放状态，将所述当前废水排放状态以及所述前向废水排放状态按照时间顺序排列，组成所述当前周期所对应的当前状态序列；确定所述当前周期的参考周期所对应的参考状态序列；其中所述参考状态序列包括所述参考周期中的检测时刻对应的废水排放状态，所述参考状态序列中的废水排放状态按照时间顺序进行排列；基于所述当前状态序列以及所述参考状态序列进行对比，当基于所述参考状态序列确定所述当前状态序列存在状态突变时，确定所述目标生产对象的废水排放预测结果为存在异常排放。
一种废水排放预测装置，所述装置包括：水量相关参数获取模块，用于获取目标生产对象在当前检测时刻所对应的水量相关参数，所述水量相关参数包括进水量数据、出水量数据以及液位数据；当前废水排放状态确定模块，用于基于所述水量相关参数确定所述目标生产对象在当前检测时刻所对应的当前废水排放状态；当前状态序列得到模块，用于确定所述当前检测时刻所在的当前周期内，所述当前检测时刻的每个前向检测时刻所分别对应的前向废水排放状态，将所述当前废水排放状态以及所述前向废水排放状态按照时间顺序排列，组成所述当前周期所对应的当前状态序列；参考状态序列得到模块，用于确定所述当前周期的参考周期所对应的参考状态序列；其中所述参考状态序列包括所述参考周期中的检测时刻对应的废水排放状态，所述参考状态序列中的废水排放状态按照时间顺序进行排列；异常排放确定模块，用于基于所述当前状态序列以及所述参考状态序列进行对比，当基于所述参考状态序列确定所述当前状态序列存在状态突变时，确定所述目标生产对象的废水排放预测结果为存在异常排放。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述废水排放预测方法所对应的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤上述废水排放预测方法所对应的步骤。
上述废水排放预测方法、装置、计算机设备和存储介质，由于在进行废水排放预测时，能够基于进水量数据、出水量数据以及液位数据进行废水排放状态的检测，因此能够实现自动检测，提高检测的准确度以及效率。而且由于在检测是否存在异常排放时，是基于一个周期的状态序列与另一个周期的状态序列进行对比的，因此能够在生产对象存在异常的废水排放情况时，确定目标生产对象的废水排放预测结果为存在异常排放，因此进一步提高了检测准确度。
附图说明
图1为一些实施例中废水排放预测方法的应用环境图；
图2为一些实施例中废水排放预测方法的流程示意图；
图3为一些实施例中进水与出水异步的类型的企业进出水的时序图；
图4为一些实施例中决策树的示意图；
图5为一些实施例中三个水量相关参数之间与偷排意图的关系图；
图6为一些实施例中偷排目标以及三个个水量相关参数之间的互动；
图7为一些实施例中状态模型和观测之间的关系的示意图；
图8为一些实施例中隐马尔可夫模型与概率图进行匹配的示意图；
图9为一些实施例中得到隐马尔可夫模型的示意图；
图10为一些实施例中废水排放预测系统的示意图；
图11为一些实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的废水排放预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端可以设置在生产对象中，例如工厂的水管以及储水设备中，用于对水量相关参数进行检测，终端102可以将所检测到的水量相关参数发送至服务器104，服务器104执行本申请实施例提供的废水排放预测方法。当确定目标生产对象的废水排放预测结果为存在异常排放时，则服务器104可以向监管终端发送异常排放提示信息，以提示监管终端的工作人员该目标生产对象存在异常排放，需要进行核实。
其中，终端102可以但不限于是各种可以检测水量的设备，例如水位检测仪以及智能水表等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本申请实施例提供的方法可以应用于对存在大量排放“小废水”的生产企业进行监控。在工业企业的生产过程中，成规模的重点污染源企业已逐步建立起一套污染源监管体系。但是，废水管理中存在大量排放“小废水”的生产企业，例如未列入国家危险废物名录或者根据国家规定的危险废物鉴别标准和鉴别方法认定不属于危险废物的生产废水，且生产过程中日均产生量≤1吨/日的企业，此类低、小、散废水产生不连续或无规律，具有污染物浓度高、成分复杂、处理难度大、处理费用高等特点，企业在生产过程中，自身无处理设施或无处理能力，采用先收集起来集中贮存，后续再通过有资质的处置单位拉运处理。但在小废水处理的过程中由于很多企业受利益驱使，收集池建设不规范，通过私接暗管、雨污混排等方式，将未处理的工业废水偷排入雨水管道，从而进入河流、湖泊，造成严重水环境污染。
目前“小废水”企业呈现数量众多、分布广、排放浓度高、取证困难等现状，环保部门运用传统手段对“小废水”企业进行管理时面临人力资源不足、全面监管周期长、效能低，不能及时动态掌握各“小废水”企业排放变化情况等难题，难以对“小废水”企业形成有效的监督管理。为解决“小废水”企业监管面临的困境，本申请实施例提供的方法可以针对“小废水”企业提供智能化监管技术服务，引入科学、专业的技术手段，建设数字化、信息化的“小废水”企业智能监管平台，形成常态化、规范化的智能监管模式，提高环保部门监管效能，督促“小废水”企业规范经营，能够降低对河流的环境污染风险，保障河流水质稳定达标。
在一些实施例中，如图2所示，提供了一种废水排放预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，获取目标生产对象在当前检测时刻所对应的水量相关参数，水量相关参数包括进水量数据、出水量数据以及液位数据。
其中，目标生产对象是需要检测是否存在废水偷排的生产对象。生产对象是进行生产活动的对象，一个生产对象可以是一家工厂，一个生产对象也可以是一个工厂中的一个生产单元。当前检测时刻是指当前进行废水偷排检测的时刻，例如，预先设置了每隔5分钟检测一次，则可以是第5分钟、第10分钟、第15分钟分别检测一次，则第5分钟、第10分钟、第15分钟分别为检测时刻。
水量相关参数是与水量有关的参数，例如进水量数据、出水量数据以及液位数据。进水量数据是指目标生产对象所对应的与进水的量有关的数据。出水量是指目标生产对象所对应的与出水的量有关的数据，即与排出的水量有关的数据。液位数据是指储水设备中与液位有关的数据，可以反映液位的变化，可以用进水量减去出水量，得到液位增量，作为液位数据。当前检测时刻所对应的水量相关参数是指当前检测时刻所在的时间段的水量相关参数，例如，假设每隔1小时检测一次，则可以按1小时进行切片，获取当前检测时刻之前，1小时的总进水量、总出水量以及液位增量。
在一些实施例中，可以确定目标生产对象的类型，基于目标生产对象的类型确定液位数据的计算方式，例如对于进水与出水同步的类型，液位增量正比于进水增量-出水增量，则可以将进水增量减去出水增量，得到液位增量。而对于进水与出水异步的类型，液位增量正比于累计进水增量-累计出水增量，则可以获取从初始时刻到当前检测时刻的累计进水增量以及累计出水增量，将累计进水增量减去累计出水增量，得到液位增量。通过区分目标生产对象的类型，进行液位数据的计算，能够使得废水排放预测更加准确。例如，如图3所示，为进水与出水异步的类型的企业进出水的时序图，图中的“t”表示吨，t1~tn表示分别表示时刻。
在一些实施例中，进水量数据还可以是将当前检测时刻的进水量与前一检测时刻的进水量进行对比，所得到的进水量变化趋势，例如是增加还是减少。出水量数据还可以是将当前检测时刻的出水量与前一检测时刻的出水量进行对比，所得到的出水量变化趋势，例如是增加、减少还是不变。举个例子，假设前一检测时刻的进水量为2吨，当前检测时刻的进水量为3吨，则进水量变化趋势为增加。
具体地，水量检测终端可以每隔预设时长向服务器发送一次水量相关数据，服务器获取该水量相关数据，并统计得到当前检测时刻所对应的水量相关参数。
步骤S204，基于水量相关参数，确定目标生产对象在当前检测时刻所对应的当前废水排放状态。
其中，可以利用预先建立的状态预测模型进行状态预测，得到目标生产对象在当前检测时刻所对应的当前废水排放状态。状态预测模型是用于进行状态预测的，例如可以是隐马尔可夫模型。可以将水量相关参数作为观测值，基于观测值进行废水排放状态的划分。对该目标生产对象在一段时间内的观测值以及状态进行检测，然后基于检测得到的观测值以及状态进行训练，得到预先训练得到的状态预测模型。例如，对于隐马尔可夫模型，可以包括初始状态分布概率π，状态转移概率A以及发射概率B。初始状态分布概率表示初始状态分别为各个状态的概率，状态转移概率表示从一个状态转移到另一个状态的概率，发射概率表示在一个状态下，各个观测值所对应的概率。因此，基于当前时刻所对应的水量相关参数以及状态预测模型，能够确定在当前时刻的观测值的情况下，当前检测时刻所对应的最可能的状态。
废水排放状态表示的是废水排放所对应的状态，具体可以根据需要设置。例如，可以根据进水量的范围、出水量的范围以及液位的范围进行状态的划分，例如可以是当进水量位于某个范围，出水量位于某个范围时以及液位处于某个范围时，对应状态1。还可以根据进水量的变化趋势、出水量的变化趋势以及液位变化趋势划分为多个状态。例如，可以根据企业进水、出水以及液位的增加、减小或者不变的情况，整理3*3共27种情况即27中状态。对于每种情况还对应有可疑或者不可疑判断、解释、及重要性大小的确定，即故障类型、故障影响、重要性的判断。重要性判断分为很重要、重要、一般、不重要四个主观等级。例如，如表1所示，为对于进水与出水同步类型的企业的状态划分示意表。该类型的企业对应有27个状态。如表2所示，为对于进水与出水异步类型的企业的状态划分示意表。该类型的企业对应有27个状态。
表1：
表2：
具体地，服务器可以基于水量相关参数以及预先建立的状态预测模型，确定对应的概率最大的废水排放状态，将该概率最大的废水排放状态，作为目标生产对象在当前检测时刻所对应的当前废水排放状态。服务器还可以基于水量相关参数与状态的对应关系，确定废水排放状态。例如基于表1或者表2中状态1~27所分别对应的物理意义以及水量相关参数，确定对应的当前废水排放状态。
步骤S206，确定当前检测时刻所在的当前周期内，当前检测时刻的每个前向检测时刻所分别对应的前向废水排放状态，将当前废水排放状态以及前向废水排放状态按照时间顺序排列，组成当前周期所对应的当前状态序列。
其中，前向检测时刻是在当前检测时刻之前的检测时刻。例如，假设当前周期是一天，每隔一个小时检测一次，若当前检测时刻是9点，则前向检测时刻可以包括8点、7点以及6点等等。前向废水排放状态是指前向检测时刻所检测得到的废水排放状态。当前周期是当前检测时刻所在的周期。
具体地，服务器获取当前检测时刻所在的前向检测时刻中所分别检测得到的废水排放状态，将这些废水排放状态按照时间顺序排列，得到当前周期所对应的当前状态序列。例如，假设当前检测时刻是15点，当前周期是一天，则获取从这一天的零点到15点所分别检测得到的废水排放状态，并按照时间顺序进行排列，时间越晚排序越后，从而得到当前状态序列。
步骤S208，确定当前周期的参考周期所对应的参考状态序列；其中参考状态序列包括参考周期中的各个检测时刻对应的废水排放状态，参考状态序列中的废水排放状态按照时间顺序进行排列。
其中，参考周期可以根据需要设置，例如可以根据用户的操作选定某一个周期作为参考周期，也可以是将当前周期的前一个周期作为参考周期。参考周期所对应的参考状态序列是确认不存在废水偷排的情况的，即是目标生产对象正常排放废水的情况下的参考状态序列。
参考状态序列中的废水排放状态的个数与当前状态序列中的废水排放状态的可以个数是匹配的，参考状态序列中的废水排放状态与当前状态序列中的废水排放状态所对应的检测时刻，在所在周期中的排列顺序是一致的。例如，假设当前状态序列是当前周期中9点到15点的废水排放状态按照时间顺序排列得到的，则参考状态序列是参考周期中9点到15点的废水排放状态按照时间顺序排列得到的。当前状态序列与参考状态序列中的状态的个数为多个，例如可以是大于3个。
具体地，服务器可以获取参考周期中的各个检测时刻对应的废水排放状态，并按照检测的时间顺序进行排列，得到参考状态序列。例如，服务器可以获取当前状态序列中的状态个数，获取参考周期中个数相同的废水排放状态，组成参考状态序列。
步骤S210，基于当前状态序列以及参考状态序列进行对比，当基于参考状态序列确定当前状态序列存在状态突变时，确定目标生产对象的废水排放预测结果为存在异常排放。
具体地，存在异常排放说明可能存在废水偷排。服务器可以将当前状态序列与参考状态序列进行对比，确定当前状态序列与参考状态序列的排列规律是否一致，如果不一致，则确定当前状态序列存在状态突变。服务器还可以将参考状态序列所对应的参考状态检测概率，与当前状态序列所对应的当前状态检测概率进行对比，确定这两个概率的差异，如果确定概率的差异大于差异阈值时，说明两个状态序列之间差异比较大，则确定当前状态序列存在状态突变。由于参考状态序列是目标生产对象正常排放废水的情况下产生的，因此，当概率的差异大于差异阈值时，则说明当前状态序列是异常的，可能存在废水偷排的情况。故服务器可以向监管终端发送目标生产对象对应的异常排放提示信息，以提示监管终端进行确认，例如监管人员基于监管终端显示的异常提示信息，可以对目标生产对象进行现场排查。
在一些实施例中，可以基于page检验法确定当前状态序列以及参考状态序列所对应的似然概率，基于该似然概率确定当前状态序列是否存在状态突变。其中，page检验法对于随机区组设计的资料，通常检验的是各处理组的效应是否不同，而有时则随时间或地点或其他因素的变化，处理组的效应可以顺序增大或减小，这称为顺序效应。应用条件是一般以行为区组，列为处理组。区组与处理组之间无交互作用。区组的样本相互独立。变量是连续性的。分别按照每一区组内的观察值由小到大编排秩次。
在一些实施例中，存在异常排放说明可能存在废水偷排，服务器还可以获取目标生产对象所对应的废水拉运数据，确定在当前周期是否存在废水拉运的工单，如果存在，则可以向监管终端输出该拉运工单的信息，例如拉运工单中所拉运的废水的数量以及拉运的时间，使得监管终端的工作人员可以结合拉运工单的信息确定是否存在偷排。一般而言，存在异常排放基本可以检测定义为偷排，唯一的正常情况是与正常的拉运工单重合，这是正常现象，因此根据拉运的记录进行去重，以提高检测准确度。
上述废水排放预测方法中，获取目标生产对象在当前检测时刻所对应的水量相关参数，水量相关参数包括进水量数据、出水量数据以及液位数据；基于水量相关参数确定目标生产对象在当前检测时刻所对应的当前废水排放状态；确定当前检测时刻所在的当前周期内，当前检测时刻的每个前向检测时刻所分别对应的前向废水排放状态，将当前废水排放状态以及前向废水排放状态按照时间顺序排列，组成当前周期所对应的当前状态序列；确定当前周期的参考周期所对应的参考状态序列；其中参考状态序列包括参考周期中的各个检测时刻对应的废水排放状态，参考状态序列中的废水排放状态按照时间顺序进行排列；基于当前状态序列以及参考状态序列进行对比，当基于参考状态序列确定当前状态序列存在状态突变时，确定目标生产对象的废水排放预测结果为存在异常排放。由于在进行废水排放预测时，能够基于进水量数据、出水量数据以及液位数据进行废水排放状态的检测，因此能够实现自动检测，提高检测的准确度以及效率。而且由于在检测是否存在异常排放时，是基于一个周期的状态序列与另一个周期的状态序列进行对比的，因此能够在生产对象存在异常的废水排放情况时，确定目标生产对象的废水排放预测结果为存在异常排放，因此进一步提高了检测准确度。
在一些实施例中，基于当前状态序列以及参考状态序列进行对比，当基于参考状态序列确定当前状态序列存在状态突变时，确定目标生产对象的废水排放预测结果为存在异常排放包括：
步骤1，基于状态预测模型，确定参考状态序列所对应的状态检测概率，作为参考状态检测概率。
具体地，状态预测模型可以是隐马尔可夫模型，在给定观测值序列以及隐马尔可夫模型的模型参数的情况下，可以确定观测值序列所对应的最优的状态序列以及该状态序列所对应的发生概率。例如，隐马尔可夫模型将发生概率最大的状态序列作为最有可能发生的状态序列，即最优的状态序列。对于参考周期，由于参考状态序列也是基于该隐马尔可夫模型得到的，因此参考周期对应的最优的状态序列是参考状态序列，参考状态序列所对应的状态检测概率表示该参考状态序列在参考周期对应的观测值序列的情况下，参考状态序列可能发生的概率。
步骤2，基于状态预测模型，确定当前状态序列所对应的状态检测概率，作为当前状态检测概率。
具体地，对于当前周期，由于当前状态序列也是基于该隐马尔可夫模型得到的，因此当前周期对应的最优的状态序列是当前状态序列，当前状态序列所对应的状态检测概率表示该当前状态序列在当前周期对应的观测值序列的情况下，当前状态序列可能发生的概率。
步骤3，将当前状态检测概率与参考状态检测概率进行对比，当确定当前状态检测概率与参考状态检测概率之间的差异大于阈值时，确定当前状态序列存在状态突变，确定目标生产对象的废水排放预测结果为存在异常排放。
具体地，在对比时，可以将参考状态检测概率除以当前状态检测概率，得到概率比例，当概率比例大于预设比例时，则说明当前状态序列发生的可能性比较小，故可以确定当前状态序列存在状态突变。其中，预设比例大于1，例如大于1.3。例如，当预设比例大于1.3，此时说明参考状态序列的概率是当前状态序列概率的1.3倍以上，说明当前状态序列突然变小，故可以确定当前状态序列存在状态突变。
在对比时，将参考状态检测概率减去当前状态检测概率，得到概率差值；当确定概率差值与参考状态检测概率的比值大于差异阈值时，确定当前状态序列存在状态突变。其中，差异阈值大于0，例如可以是0.5。例如，当差异阈值是0.5，此时说明概率差值超过参考状态序列对应的概率的一半，说明当前状态序列突然变小，当前状态序列是难以发生的，故可以确定当前状态序列存在状态突变。
本申请实施中，由于状态检测概率反映的是状态序列出现的可能性，一个当前周期中的状态序列出现的可能性相比于参考周期的状态序列出现的可能性，能够反映当前周期中的状态序列的状态变化的异常情况，因此确定当前状态检测概率与参考状态检测概率之间的差异大于阈值时，能够准确确定当前状态序列存在状态突变，从而确定目标生产对象的废水排放预测结果为存在异常排放，从而提高了废水偷排的检测准确度。
在一些实施例中，按照预设检测间隔对目标生产对象进行检测，确定当前检测时刻所在的当前周期内，当前检测时刻的每个前向检测时刻所分别对应的前向废水排放状态包括：获取当前检测时刻的前n个检测时刻所分别检测得到的废水排放状态，分别作为当前检测时刻所在的当前周期内，当前检测时刻的前向检测时刻所对应的前向废水排放状态，n大于等于3；确定当前周期的参考周期所对应的参考状态序列包括：获取当前检测时刻的前一检测时刻，作为参考周期的尾检测时刻，获取尾检测时刻的n个检测时刻所分别检测得到的废水排放状态，并按照时间顺序进行排列，得到当前周期的参考周期所对应的参考状态序列。
其中，当前检测时刻的前n个检测时刻是指在当前检测时刻之前，且距离当前检测时刻最近的n个检测时刻。例如，如果每个小时检测一次，n为5，当前检测时刻是12点，则获取7点、8点、9点、10点以及11点这5个检测时刻所分别检测得到的废水排放状态，作为当前检测时刻的前向检测时刻所对应的前向废水排放状态。则当前周期所对应的当前状态序列是7点、8点、9点、10点、11点以及12点这几个检测时刻所对应的废水排放状态按照时间顺序排列得到的。即当前周期是7点、8点、9点、10点、11点以及12点所形成的周期。
当前检测时刻的前一检测时刻是当前检测时刻的上一个检测时刻，例如当前检测时刻是12点，则11点为当前检测时刻的前一检测时刻。尾检测时刻是一个周期中的最后一个检测时刻。同样的，可以获取参考周期的最后一个检测时刻之前的n个检测时刻分别检测得到的废水排放状态，并按照时间顺序进行排列，得到当前周期的参考周期所对应的参考状态序列。例如，11点为当前检测时刻的前一检测时刻，则6点、7点、8点、9点、10点为尾检测时刻的前n个检测时刻，可以获取6点、7点、8点、9点、10点所分别对应的废水排放状态，将6点、7点、8点、9点、10点、11点所分别对应的废水排放状态按照时间顺序进行排列，得到当前周期的参考周期所对应的参考状态序列。
通过本申请实施例，可以使得当前周期是不断进行滑动的，从而使得周期不断的在变化，而且使得当前周期与参考周期之间的状态序列有部分状态是对应同一时刻的，即当前状态序列是去掉参考状态序列中的第一个废水排放状态，再加上当前检测时刻的废水排放状态得到的，从而基于当前状态序列以及参考状态序列进行对比，能够使得当前周期中当前检测时刻所对应的当前废水排放状态，对的当前状态序列所对应的状态检测概率的影响比较大，从而将当前状态检测概率与参考状态检测概率进行对比时，能够重点关注当前废水排放状态的出现是否使得当前状态序列变得异常，从而能够尽早的发现是否存在废水偷排的情况。
在一些实施例中，状态预测模型包括状态转移概率矩阵以及发射概率矩阵；基于水量相关参数确定目标生产对象在当前检测时刻所对应的当前废水排放状态包括：基于状态转移概率矩阵、发射概率矩阵以及水量相关参数，确定从当前检测时刻的前一检测时刻所对应的废水排放状态，变换为各个候选废水排放状态的目标变换概率；将对应的目标变换概率最大的候选废水排放状态，作为目标生产对象在当前检测时刻所对应的当前废水排放状态。
其中，候选废水排放状态是指候选的废水排放状态，例如可以是表1中的27个状态。当前废水排放状态是基于隐马尔可夫模型得到的，通过将水量相关参数输入到隐马尔可夫模型中，隐马尔可夫模型将该水量相关参数作为观测值，基于状态转移概率矩阵，以及表示在各候选废水排放状态下，观测值所对应的概率，可以确定从前一个检测时刻转移（变换）到每个候选废水排放状态的概率，将该概率作为该候选废水排放状态目标变换概率。由于目标变换概率最大时，表示从前一检测时刻所对应的废水排放状态变换为该候选废水排放状态是最有可能发生的，因此可以选取目标变换概率最大的候选废水排放状态，作为目标生产对象在当前检测时刻所对应的当前废水排放状态。
在一些实施例中，方法还包括：将水量相关参数输入到决策树中，决策树基于进水量数据确定决策树的根节点所对应的第一子节点，基于出水量数据确定第一子节点所对应的第二子节点，基于液位数据确定第二子节点所对应的第三子节点，基于第三子节点所对应的偷排分析策略确定当前检测时刻所对应的偷排决策结果。
基于状态转移概率、发射概率以及水量相关参数，确定从当前检测时刻的前一检测时刻所对应的废水排放状态变换为各个候选废水排放状态的目标变换概率包括：
对于第三子节点所对应的候选废水排放状态，基于状态转移概率矩阵、发射概率矩阵以及水量相关参数，确定从当前检测时刻的前一检测时刻所对应的废水排放状态变换为候选废水排放状态的第一变换概率；基于偷排决策结果对第一变换概率进行增强处理，得到目标变换概率；
对于不是第三子节点所对应的候选废水排放状态，基于状态转移概率矩阵、发射概率矩阵以及水量相关参数，确定从当前检测时刻的前一检测时刻所对应的废水排放状态变换为候选废水排放状态的第一变换概率；将第一变换概率作为目标变换概率。
决策树(Decision Tree）可以用于确定水量相关参数所对应的状态节点。例如，决策树可以如图4所示，则根节点为进水量趋势所对应的节点，根节点所对应的下一节点为出水量趋势所对应的节点，出水量趋势所对应的节点的下一节点为液位趋势所对应的节点。偷排决策结果为确定是否存在偷排情况的决策结果，偷排决策结果可以是存在偷排或者是不存在偷排。决策树中，每种变化趋势所对应的子节点不同，偷排分析策略是用于分析是否存在偷排的策略，偷排分析策略可以是表1以及表2中“分析”列所对应的策略。其中，远大于以及阈值范围可以根据需要设置，例如远大于可以是差值大于预设的阈值，例如20吨。阈值范围可以是2吨等。在确定子节点时，由于是基于决策树对进水量数据、出水量数据以及液位数据依次判断，因此可以快速以及准确的确定最终的子节点，从而可以基于该子节点对应的偷排分析策略确定当前检测时刻所对应的偷排决策结果。
预先建立了子节点与候选废水排放状态之间的对应关系。例如，如图4所示，对于进水量增加、出水量增加以及液位增加所对应的第三子节点，其所对应的状态是状态1。子节点与候选废水排放状态之间的对应关系可以是根据经验设置的。还可以是将发射概率中，一个时刻所对应的观测值所对应的发射概率最大的状态，与该观测值所对应的子节点建立对应关系。
增强处理是指增大概率。例如可以是增加预设值还可以是乘以预设的系数，该预设的次数大于1，预设值大于0。
当偷排决策结果为存在偷排时，则对第一变换概率进行增强处理，得到目标变换概率。当偷排决策结果为不存在偷排时，则不对第一变换概率进行增强处理，将第一变换概率作为目标变换概率。本申请实施例中，对于不是第三子节点所对应的候选废水排放状态，则也不进行增强处理。因此，通过本申请实施例，对于建立了对应关系的子节点与候选废水排放状态，可以认为该子节点是代表该候选废水排放状态的。因此基于水量相关数据（观测值）以及决策树得到的子节点，能够从另一个角度说明该水量相关数据更有可能是表示该第三子节点所对应的候选废水排放状态的，因此当偷排决策结果为存在偷排时，对该第一变换概率进行增大处理，能够使得将第三子节点所对应的候选废水排放状态选择为当前检测时刻所对应的当前废水排放状态的可能性变大，从而使得基于当前状态序列以及参考状态序列，更可能检测出当前状态序列是更有可能存在突变的，从而提高了检测可能度。
举个例子，假设基于当前检测时刻所对应的水量相关数据确定对应的子节点为状态1，则再基于状态转移概率矩阵、发射概率矩阵以及水量相关参数，确定从当前检测时刻的前一检测时刻所对应的废水排放状态，变换为候选废水排放状态的第一变换概率后，在第一变换概率的基础上加上概率0.05，得到由前一检测时刻所对应的废水排放状态变换为状态1对应的目标变换概率。而对于状态2至状态27，则直接将基于状态转移概率矩阵、发射概率矩阵以及水量相关参数所得到的第一变换概率作为目标变换概率。
在一些实施例中，当偷排决策结果为存在废水偷排时，服务器还可以向监管终端发送目标生产对象对应的异常排放提示信息。
其中，异常排放提示信息是用于提示目标生产对象存在异常排放的提示信息，可以包括目标生产对象的位置或者名称的至少一种。监管终端可以显示异常排放提示信息，从而使得监管人员可以基于该异常排放提示信息进行现场排查或者查看该目标生产对象所对应的水量相关数据，进行人工分析。
本申请实施例中的状态预测模型可以是隐马尔可夫模型，本申请实施例中可以用page检验方法确定当前状态序列以及参考状态序列的似然比，当似然比小于预设阈值时，则可以确定当前状态序列存在状态突变。以下对隐马尔可夫模型以及page检验的原理进行说明。
隐马尔可夫过程（Hidden Markov Model，HMM）所要描述的状态是不确定或不可见的，只有通过观测序列的随机过程才能表现出来。观察到的事件与状态并不是一一对应，而是通过一组概率分布相联系。隐马尔可夫过程是一个双重随机过程，两个组成部分：1、马尔可夫链：描述状态的转移，用转移概率描述。2、一般随机过程：描述状态与观察序列间的关系，用观察值概率描述。其中一重用于描述非平稳信号的短时平稳段的统计特征（信号的瞬态特征，可直接观测到）；另一重随机过程描述了每个短时平稳段如何转变到下一个短时平稳段，即短时统计特征的动态特性，该动态特性隐含在观察序列中）。基于这两重随机过程，HMM即可有效解决怎样辨识具有不同参数的短时平稳信号段，怎样跟踪它们之间的转化等问题。因此用HMM表示每个检测时刻例如每个小时的进出水状态，根据进行流量、出水流量、液位高度（每小时的变化值），可以利用图表分析将得到一系列状态结点，以及状态结点之前的联系。每一时间切片，将得到此检测时刻的一个快照，而该技术的任务是评估其中是否存在某种模式显示出可能的偷排活动。例如，图5以及图6中所表示的场景是一次有预谋的偷排。如图5所示代表三个水量相关参数之间与偷排意图的关系。图6表示了该企业的偷排目标以及三个个水量相关参数之间的互动；互动交流越多，HMM状态模型也越复杂。每一状态都是前一个状态与现阶段的人员行为的结合体。
具体来说。假设一偷排事件的实现体现一系列的状态变化，定义在集合τ中。在t时
刻可以发生的状态的集合是
。因此，集合的容量是的上限是
；但实际上这个数值不
会这么大。因此，得到的转移概率可以表示为公式（1）：
其中，τ可以取所有的单交易（single transaction）即
，st表示第t时刻的状
态，这样便有
，而且其中
可以简单地定义为常数。在对常规HMM结
构的一个小的改变中，发射概率（emission probabilities）不仅仅是现在状态的函数，同
样也是过去状态的函数。因此这里有无噪声的观测xt发射概率可以表示为公式（2），其中Ø
表示空值，B为观测概率矩阵，bij表示第i行第j列的观测概率。
在所有的情况下，基数 
。当给定一个网络的概率，例如误报false alarm概率
Pfa，以及漏报miss detection概率Pmd，可以决定出是否存在可疑模式。此方法中的图匹配
方法与度量观测值与状态模型之间的海明距离法有一定关系。考虑在t时间的观测可以表
示为公式（3）表示t时间有nt个观测，于是可以得到公式（4）。
其中
。
综合以上所述，如图7以及图8所示，显示了状态模型和观测
之间的关系，n表示
观测时刻。其中发射矩阵B，通过计算输入值与HMM模型中的每个状态之间的关系得到。同样
的，转移矩阵A，由计算HMM模型内部的各个状态模型之间的相关性得到，其中的aij表示由状
态i转移到状态j的状态转移概率。为了简要地说明这一点，如果一个HMM的两个状态模型差
异很大，那么两者之间的转移概率会非常小。
如图8所示，表示了计算得到状态序列的这一过程，即通过隐马尔可夫模型与概率图进行匹配。而通过使用前置变量，两次或者多次观测序列（以隐马尔可夫模型表示）之间的突变可以用类似于Page检验的方法加以实现。图9示出了对于一个状态转移网络，如何估计参数，即状态转移矩阵A、发射概率矩阵B以及初始状态概率分布П。
Page检验是一个突变探测工具。一个突变问题，就是指在求知时间n0之前和之后观测值的分布不同了；而我们想要尽快侦测到这个改变。将些问题放入标准的推论构架，得到如下的假设检验问题，如公式（5）所示。
其中x(k)是观测值，而v(k)和z(k)是所有独立的相等分布的
，其概率密度
函数（Pdf）分别记作
和
。注意到，在K之下，观测值不再是一上静态随机序列：它们的分
布已经从n0转换到从
到
。从一般概率比率GLR（generalized likelihood ratio）演化
出来的Page 决策规则相当于寻找一个停止时间(stopping time)。
其中
是观测值
的时序似然比LLR(log likelihood ratio)，而
表示达到f(n)最小值的n值。给定观测值-i.i.d，（6）式可以简单地变形为：
其中：
（7）式便允许推论出Page's 检验的标准递归式：
而且：
这一递归保证了这个检验统计在0点是封闭的（clamped），就是说，无论何时，观测值的LLR使得Sn为负，Page's 检验便会在0点重新开始。这一过程将一直持续，直到它超过上限h而且找到了一个侦测值。因此，Page's 检验相当于一系列上限为h下限为0的序贯概率比检验。
考虑一个page's 检验(5)，排除
和
是非独立同分布的概率的情况。假设在K
条件下，变化之前和之后的观测值是相互独立的。于是似然比（参数化为n0）是：
时序似然比LLR是：
因此Page's 检验相当于一系列重复的、上限为h、下限为0的序贯概率比检验（sequential probability ratio 检验）。
1、开始一个序贯概率比检验，上限h下限0；
2、如果序贯概率比检验在时刻结束时小于0，刚重新开始一个序贯概率比检验，以k+1开始，不必考虑之前的数据；也就是，基于静态边缘分布，从新计算似然比。
3、重复以上步骤直到超过h。
这里可以用一种紧缩的形式写出类似（10）中的标准page回归：
其中：
这里，xk是前一次重新开始之后的第一个样本，也就是
。
对于具有三参数构造的废水排放HMM模型而言，前置变量的存在以及回归公式，使得高效地计算HMM的似然函数成为可能。特别地，一个拥有参数的HMM的概率可以被写作：
现在，式（14）中的条件概率可以解出：
其中
但实际应用中，直接使用（17）式定义的概率函数，随着观测数据的增多，将导致数值下溢。对于离散的HMM，很容易从前置变量法中看出概率值单调下降，随着观测数量的增加。式（18）定义的条件概率函数不会遇到这样的问题。因此这里需要找到一种不直接利用前置变量而递归计算条件概率函数的方法。
定义
使得
，但在t>1时
通过检验可以知道
等于
。由此，
可以通过递归
计算得到。
总之，为了最快速地HMM侦测，工程应用中提出以下步骤：
1、设定
，其中
表示t时刻的时序似然比；
2、初始化（scaled）前置变量
，对于每个可能状态j和两个假设H、K：
3、更新时序似然比为：
4、如果lt＞h，说明已经找到一个改变，停止；
如果lt＜0，重设定lt＝0；t=t+1然后回到第2步；
如果0＜lt＜h，继续。
5、设定t=t+1
利用式（19）更新经过缩放后的前置变量
；然后回到第3步；
本申请实施例提供的方法可以应用于检测企业是否存在废水偷排，在工业企业的生产过程中，成规模的重点污染源企业已逐步建立起一套污染源监管体系。但是，废水管理中存在大量排放“小废水”的生产企业，例如未列入国家危险废物名录或者根据国家规定的危险废物鉴别标准和鉴别方法认定不属于危险废物的生产废水，且生产过程中日均产生量≤1吨/日的企业，此类低、小、散废水产生不连续或无规律，具有污染物浓度高、成分复杂、处理难度大、处理费用高等特点，企业在生产过程中，自身无处理设施或无处理能力，采用先收集起来集中贮存，后续再通过有资质的处置单位拉运处理。但在小废水处理的过程中由于很多企业受利益驱使，收集池建设不规范，通过私接暗管、雨污混排等方式，将未处理的工业废水偷排入雨水管道，从而进入河流、湖泊，造成严重水环境污染。
目前“小废水”企业呈现数量众多、分布广、排放浓度高、取证困难等现状，环保部门运用传统手段对“小废水”企业进行管理时面临人力资源不足、全面监管周期长、效能低，不能及时动态掌握各“小废水”企业排放变化情况等难题，难以对“小废水”企业形成有效的监督管理。为解决“小废水”企业监管面临的困境，针对“小废水”企业提供智能化监管技术服务，引入科学、专业的技术手段，建设数字化、信息化的“小废水”企业智能监管平台，形成常态化、规范化的智能监管模式，提高环保部门监管效能，督促“小废水”企业规范经营，能够降低对河流的环境污染风险，保障河流水质稳定达标。
本申请实施例提供的废水排放预测方法可以通过企业智能化监管服务系统实现，“小废水”企业智能化监管服务系统以水环境感知层的建设为支撑，接入监测点位的三个关键参数，即进口水量、出口水量、液位计数据，以及生产企业工况、高清视频跟拍等，基于“物联网+ 大数据分析”的技术手段，建设“能发现、能说清、能决策”的小废水企业生产排放过程监控管理体系。
采取“查、测、控、评”的管理体系结合“以问题为导向”的指导原则，从而解决或降低企业废水排放在环境管理中存在的问题或风险。第一步“查”，快速、动态、摸清底数，找出问题企业、问题点位，精确排查；第二步“测”，由面到点，高强度靶向监测，抓重点，创建企业点位污染直读模式分析，精确打击；第三步“控”，优化污控措施，靶向管控配合执法，精细化规范管理；第四步“评”，锁定违规企业，快速诊断评估，直击问题要害，持续强化监管。
如图10所示，系统的构建分为四个步骤。首先，将企业信息（含进水量、排水量、企业类型）、设备工况（含运行时段、时长、用电量）、点位环境（含安装地点及取电是否方便）等在前期现场勘察中确定下来。其次，进行软硬件设计及部署，硬件部分，包括流量监测、液位监测、工况监测以及视频监控；软件部分，包括实时数据、历史数据、自动检测等。再次，利用数据智能分析加人工专业辨析进行系统运行维护，能够给出异常事件报警、给水排水状况、控制级别、内原定位、数据统计及排名等信息。最后，在数据应用及展示层面，自动给出点位信息、异常事件快速报告、报警、建议处理方式、监测数据对比以及企业登记评估，同时，可以通过移动客户端、PC浏览器及监控大屏对信息进行图形化展示。
利用现代智能化的科技手段建立的小废水管控技术服务体系，整合管控机制反馈考核的评价服务体系，可为政府部门对辖区内小废水企业提供智能化监管实时掌控的管控手段，为企业规范经营、安全排放营造良好的环境氛围。而且以互联网+大数据的技术手段对点位进行远程在线监测，取代传统的现场巡查与执法，以高时效、少人力的方式实现对企业的监管。利用数值分析模型对监测数据进行全面智能分析，以数字化、科技化的方式实现精准高效执法，有效避免现场环境和人为因素的干扰，及时锁定环境违法证据。开创第三方辅助执法的监管模式，利用物联网技术对企业进出水、液位、生产过程、工况等进行全过程动态监控管理及数据分析研判，向执法人员精准推送违法证据，创新实现对环境污染违法行为的非现场执法的举措，提高监管与执法效率。
应该理解的是，虽然上述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，上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一些实施例中，提供了一种废水排放预测装置，包括：
水量相关参数获取模块，用于获取目标生产对象在当前检测时刻所对应的水量相关参数，水量相关参数包括进水量数据、出水量数据以及液位数据；
当前废水排放状态确定模块，用于基于水量相关参数确定目标生产对象在当前检测时刻所对应的当前废水排放状态；
当前状态序列得到模块，用于确定当前检测时刻所在的当前周期内，当前检测时刻的每个前向检测时刻所分别对应的前向废水排放状态，将当前废水排放状态以及前向废水排放状态按照时间顺序排列，组成当前周期所对应的当前状态序列；
参考状态序列得到模块，用于确定当前周期的参考周期所对应的参考状态序列；其中参考状态序列包括参考周期中的检测时刻对应的废水排放状态，参考状态序列中的废水排放状态按照时间顺序进行排列；
异常排放确定模块，用于基于当前状态序列以及参考状态序列进行对比，当基于参考状态序列确定当前状态序列存在状态突变时，确定目标生产对象的废水排放预测结果为存在异常排放。
在一些实施例中，异常排放确定模块用于：基于状态预测模型，确定参考状态序列所对应的状态检测概率，作为参考状态检测概率；基于状态预测模型，确定当前状态序列所对应的状态检测概率，作为当前状态检测概率；将当前状态检测概率与参考状态检测概率进行对比，当确定当前状态检测概率与参考状态检测概率之间的差异大于阈值时，确定当前状态序列存在状态突变，确定目标生产对象的废水排放预测结果为存在异常排放。
在一些实施例中，异常排放确定模块用于：将参考状态检测概率减去当前状态检测概率，得到概率差值；当确定概率差值与参考状态检测概率的比值大于差异阈值时，确定当前状态序列存在状态突变。
在一些实施例中，按照预设检测间隔对目标生产对象进行检测，当前状态序列得到模块用于：获取当前检测时刻的前n个检测时刻所分别检测得到的废水排放状态，分别作为当前检测时刻所在的当前周期内，当前检测时刻的前向检测时刻所对应的前向废水排放状态，n大于等于3；
参考状态序列得到模块用于：获取当前检测时刻的前一检测时刻，作为参考周期的尾检测时刻，获取尾检测时刻的n个检测时刻所分别检测得到的废水排放状态，并按照时间顺序进行排列，得到当前周期的参考周期所对应的参考状态序列。
在一些实施例中，当前废水排放状态确定模块用于：基于状态转移概率矩阵、发射概率矩阵以及水量相关参数，确定从当前检测时刻的前一检测时刻所对应的废水排放状态，变换为各个候选废水排放状态的目标变换概率；将对应的目标变换概率最大的候选废水排放状态，作为目标生产对象在当前检测时刻所对应的当前废水排放状态。
在一些实施例中，装置还包括：偷排决策结果确定模块，用于将水量相关参数输入到决策树中，决策树基于进水量数据确定决策树的根节点所对应的第一子节点，基于出水量数据确定第一子节点所对应的第二子节点，基于液位数据确定第二子节点所对应的第三子节点，基于第三子节点所对应的偷排分析策略确定当前检测时刻所对应的偷排决策结果；当前废水排放状态确定模块用于：对于第三子节点所对应的候选废水排放状态，基于状态转移概率矩阵、发射概率矩阵以及水量相关参数，确定从当前检测时刻的前一检测时刻所对应的废水排放状态，变换为候选废水排放状态的第一变换概率；基于偷排决策结果对第一变换概率进行增强处理，得到候选废水排放状态对应的目标变换概率；对于不是第三子节点所对应的候选废水排放状态，基于状态转移概率、发射概率矩阵以及水量相关参数，确定从当前检测时刻的前一检测时刻所对应的废水排放状态变换为候选废水排放状态的第一变换概率；将第一变换概率作为候选废水排放状态对应的目标变换概率。
在一些实施例中，装置还包括：偷排决策结果确定模块，用于将水量相关参数输入到决策树中，决策树基于进水量数据确定决策树的根节点所对应的第一子节点，基于出水量数据确定第一子节点所对应的第二子节点，基于液位数据确定第二子节点所对应的第三子节点，基于第三子节点所对应的偷排分析策略确定当前检测时刻所对应的偷排决策结果；提示信息发送模块，用于当偷排决策结果为存在废水偷排时，向监管终端发送目标生产对象对应的异常排放提示信息。
关于废水排放预测装置的具体限定可以参见上文中对于废水排放预测方法的限定，在此不再赘述。上述废水排放预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储废水排放预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种废水排放预测方法。
本领域技术人员可以理解，图11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。
在一些实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例方法中的步骤。
在一些实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例方法中的步骤。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，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易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）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。
以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种废水排放预测方法，其特征在于，所述方法包括：
获取目标生产对象在当前检测时刻所对应的水量相关参数，所述水量相关参数包括进水量数据、出水量数据以及液位数据；
将所述水量相关参数输入到决策树中，所述决策树基于所述进水量数据确定所述决策树的根节点所对应的第一子节点，基于所述出水量数据确定所述第一子节点所对应的第二子节点，基于所述液位数据确定所述第二子节点所对应的第三子节点，基于所述第三子节点所对应的偷排分析策略确定当前检测时刻所对应的偷排决策结果；
对于所述第三子节点所对应的候选废水排放状态，基于状态转移概率矩阵、发射概率矩阵以及水量相关参数，确定从当前检测时刻的前一检测时刻所对应的废水排放状态，变换为所述候选废水排放状态的第一变换概率，基于所述偷排决策结果对所述第一变换概率进行增强处理，得到所述候选废水排放状态对应的目标变换概率；
将对应的目标变换概率最大的候选废水排放状态，作为所述目标生产对象在当前检测时刻所对应的当前废水排放状态；
确定所述当前检测时刻所在的当前周期内，所述当前检测时刻的每个前向检测时刻所分别对应的前向废水排放状态，将所述当前废水排放状态以及所述前向废水排放状态按照时间顺序排列，组成所述当前周期所对应的当前状态序列；
确定所述当前周期的参考周期所对应的参考状态序列；其中所述参考状态序列包括所述参考周期中的检测时刻对应的废水排放状态，所述参考状态序列中的废水排放状态按照时间顺序进行排列；
基于所述当前状态序列以及所述参考状态序列进行对比，当基于所述参考状态序列确定所述当前状态序列存在状态突变时，确定所述目标生产对象的废水排放预测结果为存在异常排放。
2.根据权利要求1所述的方法，其特征在于，所述基于所述当前状态序列以及所述参考状态序列进行对比，当基于所述参考状态序列确定所述当前状态序列存在状态突变时，确定所述目标生产对象的废水排放预测结果为存在异常排放包括：
基于状态预测模型，确定所述参考状态序列所对应的状态检测概率，作为参考状态检测概率；
基于所述状态预测模型，确定所述当前状态序列所对应的状态检测概率，作为当前状态检测概率；
将所述当前状态检测概率与所述参考状态检测概率进行对比，当确定所述当前状态检测概率与所述参考状态检测概率之间的差异大于阈值时，确定所述当前状态序列存在状态突变，确定所述目标生产对象的废水排放预测结果为存在异常排放。
3.根据权利要求2所述的方法，其特征在于，所述将所述当前状态检测概率与所述参考状态检测概率进行对比，当确定所述当前状态检测概率与所述参考状态检测概率之间的差异大于差异阈值时，确定所述当前状态序列存在状态突变包括：
将所述参考状态检测概率减去所述当前状态检测概率，得到概率差值；
当确定所述概率差值与所述参考状态检测概率的比值大于差异阈值时，确定所述当前状态序列存在状态突变。
4.根据权利要求1所述的方法，其特征在于，按照预设检测间隔对所述目标生产对象进行检测，所述确定所述当前检测时刻所在的当前周期内，所述当前检测时刻的每个前向检测时刻所分别对应的前向废水排放状态包括：
获取所述当前检测时刻的前n个检测时刻所分别检测得到的废水排放状态，分别作为所述当前检测时刻所在的当前周期内，所述当前检测时刻的前向检测时刻所对应的前向废水排放状态，所述n大于等于3；
所述确定所述当前周期的参考周期所对应的参考状态序列包括：
获取所述当前检测时刻的前一检测时刻，作为所述参考周期的尾检测时刻，获取所述尾检测时刻的n个检测时刻所分别检测得到的废水排放状态，并按照时间顺序进行排列，得到所述当前周期的参考周期所对应的参考状态序列。
5.根据权利要求1所述的方法，其特征在于，所述基于所述偷排决策结果对所述第一变换概率进行增强处理，得到所述候选废水排放状态对应的目标变换概率包括：
当所述偷排决策结果为存在偷排时，将第一变换概率乘以预设的系数或者增加预设值，得到目标变换概率；所述预设系数大于1，所述预设值大于0。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对于不是所述第三子节点所对应的候选废水排放状态，基于所述状态转移概率、所述发射概率矩阵以及所述水量相关参数，确定从当前检测时刻的前一检测时刻所对应的废水排放状态变换为所述候选废水排放状态的第一变换概率；将所述第一变换概率作为所述候选废水排放状态对应的目标变换概率。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述偷排决策结果为存在废水偷排时，向监管终端发送所述目标生产对象对应的异常排放提示信息。
8.一种废水排放预测装置，其特征在于，所述装置包括：
水量相关参数获取模块，用于获取目标生产对象在当前检测时刻所对应的水量相关参数，所述水量相关参数包括进水量数据、出水量数据以及液位数据；
当前废水排放状态确定模块，用于将所述水量相关参数输入到决策树中，所述决策树基于所述进水量数据确定所述决策树的根节点所对应的第一子节点，基于所述出水量数据确定所述第一子节点所对应的第二子节点，基于所述液位数据确定所述第二子节点所对应的第三子节点，基于所述第三子节点所对应的偷排分析策略确定当前检测时刻所对应的偷排决策结果；对于所述第三子节点所对应的候选废水排放状态，基于状态转移概率矩阵、发射概率矩阵以及水量相关参数，确定从当前检测时刻的前一检测时刻所对应的废水排放状态，变换为所述候选废水排放状态的第一变换概率；基于所述偷排决策结果对所述第一变换概率进行增强处理，得到所述候选废水排放状态对应的目标变换概率；将对应的目标变换概率最大的候选废水排放状态，作为所述目标生产对象在当前检测时刻所对应的当前废水排放状态；
当前状态序列得到模块，用于确定所述当前检测时刻所在的当前周期内，所述当前检测时刻的每个前向检测时刻所分别对应的前向废水排放状态，将所述当前废水排放状态以及所述前向废水排放状态按照时间顺序排列，组成所述当前周期所对应的当前状态序列；
参考状态序列得到模块，用于确定所述当前周期的参考周期所对应的参考状态序列；其中所述参考状态序列包括所述参考周期中的检测时刻对应的废水排放状态，所述参考状态序列中的废水排放状态按照时间顺序进行排列；
异常排放确定模块，用于基于所述当前状态序列以及所述参考状态序列进行对比，当基于所述参考状态序列确定所述当前状态序列存在状态突变时，确定所述目标生产对象的废水排放预测结果为存在异常排放。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110775249.XA CN113240211B (zh) | 2021-07-09 | 2021-07-09 | 废水排放预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110775249.XA CN113240211B (zh) | 2021-07-09 | 2021-07-09 | 废水排放预测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113240211A CN113240211A (zh) | 2021-08-10 |
| CN113240211B true CN113240211B (zh) | 2021-09-21 |
Family
ID=77141309
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110775249.XA Active CN113240211B (zh) | 2021-07-09 | 2021-07-09 | 废水排放预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113240211B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116293480B (zh) * | 2023-03-15 | 2023-09-12 | 东莞先知大数据有限公司 | 一种暗管检测方法、装置、电子设备和存储介质 |
| CN116205468B (zh) * | 2023-05-05 | 2023-07-28 | 烟台星辉航空液压有限公司 | 基于电镀工艺产线废水的智能化数据分析系统 |
| CN117010280A (zh) * | 2023-08-08 | 2023-11-07 | 西安利雅得电气股份有限公司 | 一种煤矿井下涌水量预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108337123A (zh) * | 2018-03-21 | 2018-07-27 | 北京理工大学 | 个体网络安全意识态势预测方法 |
| CN109900326A (zh) * | 2019-03-28 | 2019-06-18 | 浦项(张家港)不锈钢股份有限公司 | 环境污染监控系统及方法 |
| CN111652450A (zh) * | 2020-08-05 | 2020-09-11 | 浙江力嘉电子科技有限公司 | 排污行为的异常检测系统及方法、电子设备、存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3996428B2 (ja) * | 2001-12-25 | 2007-10-24 | 松下電器産業株式会社 | 異常検知装置及び異常検知システム |
| WO2018047804A1 (ja) * | 2016-09-08 | 2018-03-15 | 日本電気株式会社 | 異常検出装置、異常検出方法、及び記録媒体 |
| EP3552013A4 (en) * | 2017-10-09 | 2019-12-04 | BL Technologies, Inc. | INTELLIGENT SYSTEMS AND METHODS FOR DIAGNOSIS OF THE HEALTH STATUS OF PROCESSES AND ASSETS, DETECTION AND CONTROL OF ANOMALIES IN WASTEWATER OR DRINKING WATER SYSTEMS |
-
2021
- 2021-07-09 CN CN202110775249.XA patent/CN113240211B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108337123A (zh) * | 2018-03-21 | 2018-07-27 | 北京理工大学 | 个体网络安全意识态势预测方法 |
| CN109900326A (zh) * | 2019-03-28 | 2019-06-18 | 浦项(张家港)不锈钢股份有限公司 | 环境污染监控系统及方法 |
| CN111652450A (zh) * | 2020-08-05 | 2020-09-11 | 浙江力嘉电子科技有限公司 | 排污行为的异常检测系统及方法、电子设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113240211A (zh) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113240211B (zh) | 废水排放预测方法、装置、计算机设备和存储介质 | |
| CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
| CN111080502B (zh) | 一种区域企业数据异常行为的大数据识别方法 | |
| Christodoulou | Water network assessment and reliability analysis by use of survival analysis | |
| CN109359698B (zh) | 基于长短时记忆神经网络模型的漏损识别方法 | |
| US20220341996A1 (en) | Method for predicting faults in power pack of complex equipment based on a hybrid prediction model | |
| CN111898691A (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
| JP2008059270A (ja) | プロセス異常診断装置及びプロセス監視システム | |
| CN113256037B (zh) | 非稳态废水排放预测方法、装置、计算机设备和存储介质 | |
| CN115470973A (zh) | 一种基于arima的企业日常用电量异常检测方法 | |
| CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
| Nowobilski et al. | Estimating the probability of accidents on building scaffoldings | |
| CN112330187A (zh) | 一种地下设施水灾风险评估方法、系统、终端及存储介质 | |
| CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
| CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
| CN114168409A (zh) | 一种业务系统运行状态监控预警方法与系统 | |
| CN111027680B (zh) | 基于变分自编码器的监控量不确定性预测方法及系统 | |
| Batarseh et al. | Realtime management of wastewater treatment plants using AI | |
| Sverdlova et al. | Predicting anomaly conditions of energy equipment using neural networks | |
| CN111143774A (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
| CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
| CN113705547B (zh) | 环境弄虚作假行为识别动态管控方法、装置 | |
| CN115270140B (zh) | 一种软件安全漏洞管理方法及系统 | |
| JP2013214256A (ja) | 発電所の統合保全システム | |
| Schneider et al. | How well can inaccurate sensors quantify and improve the performance of a fleet of on-site wastewater treatment plants? |
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 |